CN113775942B - 用于管道状态监控的人工智能数据采集系统 - Google Patents
用于管道状态监控的人工智能数据采集系统 Download PDFInfo
- Publication number
- CN113775942B CN113775942B CN202110998949.5A CN202110998949A CN113775942B CN 113775942 B CN113775942 B CN 113775942B CN 202110998949 A CN202110998949 A CN 202110998949A CN 113775942 B CN113775942 B CN 113775942B
- Authority
- CN
- China
- Prior art keywords
- layer
- information
- pipeline
- difference information
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17D—PIPE-LINE SYSTEMS; PIPE-LINES
- F17D5/00—Protection or supervision of installations
- F17D5/02—Preventing, monitoring, or locating loss
- F17D5/06—Preventing, monitoring, or locating loss using electric or acoustic means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Acoustics & Sound (AREA)
- Mechanical Engineering (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明提供一种用于管道状态监控的人工智能数据采集系统,属于人工智能技术领域。该系统包括第一装置,包括激励模块和声音采集模块,激励模块用于向管道施加激励以使得管道响应于激励产生声音信号,声音采集模块用于采集管道上一个或多个位置的第一声音信息和第二声音信息;其中,第一声音信息为向管道施加激励前的声音信息,第二声音信息为向管道施加激励后的声音信息;通信设备,用于将第一声音信息和第二声音信息发送至处理器;处理器,用于获取第二声音信息和第一声音信息之间的差异信息,并将差异信息输入至管道状态识别模型,根据管道状态识别的输出确定管道的状态。本发明有效地提高了管道问题的检测效率。
Description
技术领域
本发明涉及人工智能技术领域,具体涉及一种用于管道状态监控的人工智能数据采集系统。
背景技术
管道投入使用后,随着时间的推移,会出现变形、破裂、沉积、结垢、腐蚀等问题,影响管道的功能,造成损失。例如,对于自来水管道来说,如果出现渗漏,则会造成水资源浪费,对于燃气管道来说,如果发生漏气不仅会导致燃气浪费,还会导致安全隐患;对于下水管道来说,如果发生泄露,则不仅会造成环境污染,还可能会导致地面塌陷等。目前,针对管道进行检测的方法主要包括人工检测法,例如人工听声检测,但是这种方法对检测人员的经验依赖程度高,尤其是地下管网,声音是通过地面传递、周围还存在噪声干扰,准确性很难保证,而且检测效率低下。
发明内容
因此,本发明实施例要解决的技术问题在于克服现有技术中的人工监测管道状态准确度难以保证且效率低的缺陷,从而提供一种用于管道状态监控的人工智能数据采集系统。
为此,本发明提供一种用于管道状态监控的人工智能数据采集系统,包括:
第一装置,包括激励模块和声音采集模块,所述激励模块用于向所述管道施加激励以使得所述管道响应于所述激励产生声音信号,所述声音采集模块用于采集管道上一个或多个位置的第一声音信息和第二声音信息;其中,所述第一声音信息为向所述管道施加激励前的声音信息,所述第二声音信息为向所述管道施加激励后的声音信息;
通信设备,用于将所述第一声音信息和所述第二声音信息发送至处理器;
所述处理器,用于获取所述第二声音信息和所述第一声音信息之间的差异信息,并将所述差异信息输入至管道状态识别模型,根据所述管道状态识别的输出确定所述管道的状态,所述管道的状态包括正常,以及变形、破裂、沉积、结垢和腐蚀中的至少之一。
可选的,所述激励模块包括:壳体、电动机、减速机、转动轴、弹性棒、打击球和阻挡件;
所述壳体上设有第一腔体和带有开口的第二腔体,所述第一腔体和所述第二腔体之间通过一贯通孔连通;
所述减速机和所述电动机均设置于所述第一腔体内,所述减速机与所述电动机的输出端连接,所述转动轴穿设于所述贯通孔内,所述转动轴的一端与所述减速机的输出端连接;
所述弹性棒、所述打击球和所述阻挡件均设置于所述第二腔体内,所述弹性棒垂直设置在所述转动轴的另一端上,所述打击球固定设置在所述弹性棒的自由端,所述开口紧邻管道壁;
所述电动机经所述减速机带动所述转动轴转动,所述转动轴带动所述弹性棒转动,转动过程中所述弹性棒被所述阻挡件阻挡逐渐弯曲最后脱离所述阻挡件,所述弹性棒脱离所述阻挡件后所述打击球击打所述开口处的管道壁。
可选的,所述管道状态识别模型包括带注意力模块的前馈神经网络模型、卷积神经网络模型以及线性集成模型;
所述带注意力模块的前馈神经网络模型,用于基于输入的信息,输出第一识别结果;
所述卷积神经网络模型,用于基于输入的信息,输出第二识别结果;
所述线性集成模型,用于对所述第一识别结果和所述第二识别结果按照预设权重进行相加;
其中,所述带注意力模块的前馈神经网络模型和所述卷积神经网络模型输入的信息相同,均为所述差异信息和/或根据所述差异信息确定的信息。
可选的,所述卷积神经网络模型中滤波器权值矩阵是由深度置信网络训练学习得到的权值矩阵,所述深度置信网络以所述差异信息为输入,经过对所述深度置信网络中每层的神经元进行采样、重构隐含层、利用sigmoid函数处理重构结果,使用逐层贪心算法训练所述深度置信网络模型后,用反向传播算法微调整个所述深度置信网络的参数,生成所述深度置信网络的二维参数矩阵;采用增维函数实现深度置信网络向量和卷积神经网络张量之间的维数转换,使用维数转换后的深度置信网络参数矩阵替换卷积神经网络初始化滤波器权值矩阵,并对所述深度置信网络参数矩阵进行归一化处理。
可选的,所述管道状态识别模型中的第二层至最后一层均配有一相同结构的辅助层,所述辅助层用于传递每层目标值的误差,相邻的所述辅助层之间设有用于计算所述辅助层的输出值的计算层。
可选的,所述根据所述差异信息确定的信息包括各频段能量分布信息,所述各频段能量分布信息是对所述差异信息的能量谱进行归一化处理之后进行能量分布统计得到。
可选的,所述差异信息的能量谱是根据所述差异信息的伽马通谱图得到,所述伽马通谱图是使用伽马通滤波器组对所述差异信息进行滤波并对滤波得到的信息取对数进行动态压缩得到。
可选的,所述处理器还用于在确定所述管道的状态为结垢和/或沉积的情况下,根据所述差异信息确定所述管道结垢和/或沉积的厚度。
可选的,所述处理器将第一差异信息,以及第二差异信息和/或第三差异信息,输入至厚度识别模型,并根据厚度识别模型的输出确定所述厚度;
其中,所述第一差异信息为识别所述管道的状态为结垢和/或沉积的差异信息;所述第二差异信息为所述管道上与第一位置邻近的第二位置上获取到的差异信息,且根据所述第二差异信息确定的状态为正常;所述第三差异信息为所述第一位置确认为正常时的历史差异信息;
所述第一位置为所述管道上获取到所述第一差异信息的位置。
可选的,所述第一装置上设有移动机构,所述移动机构根据所述通信设备接收的控制信号运行,以使得所述第一装置在所述管道内移动。
本发明实施例的技术方案,具有如下优点:
本发明提供的系统,声音采集模块可以直接设置于管道内壁或外壁上,不需要经过其他介质可直接获得管道上的声音,而且通过对管道施加声音激励根据激励前后的声音信息的差异信息来判断管道状态,从而可以最大程度地避免噪声信号对检测精度的影响,检测精度高。另外,本发明使用管道状态识别模型自动识别管道状态,有效地提高了管道问题的检测效率。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中用于管道状态监控的人工智能数据采集系统的一个具体示例的原理框图;
图2为本发明实施例中激励模块的一个具体示例的结构示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,本文所用的术语仅用于描述特定实施例的目的,而并非旨在限制本发明。除非上下文明确指出,否则如本文中所使用的单数形式“一”、“一个”和“该”等意图也包括复数形式。使用“包括”和/或“包含”等术语时,是意图说明存在该特征、整数、步骤、操作、元素和/或组件,而不排除一个或多个其他特征、整数、步骤、操作、元素、组件、和/或其他组合的存在或增加。术语“和/或”包括一个或多个相关列出项目的任何和所有组合。术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,还可以是两个元件内部的连通;可以是无线连接,也可以是有线连接。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
本实施例提供一种用于管道状态监控的人工智能数据采集系统,如图1所示,包括:
第一装置1,包括激励模块11和声音采集模块12,所述激励模块11用于向所述管道施加激励以使得所述管道响应于所述激励产生声音信号,所述声音采集模块12用于采集管道上一个或多个位置的第一声音信息和第二声音信息;其中,所述第一声音信息为向所述管道施加激励前的声音信息,所述第二声音信息为向所述管道施加激励后的声音信息;
其中,第一装置1可以设置于管道内壁上或管道外壁上。
通信设备2,用于将所述第一声音信息和所述第二声音信息发送至处理器;
所述处理器3,用于获取所述第二声音信息和所述第一声音信息之间的差异信息,并将所述差异信息输入至管道状态识别模型,根据所述管道状态识别的输出确定所述管道的状态,所述管道的状态包括正常,以及变形、破裂、沉积、结垢和腐蚀中的至少之一。所述处理器3可以依次对多个位置上的差异信息分别进行管道状态识别。
举例来说,可以确定所述管道的状态为正常,也可以确定所述管道的状态为变形、破裂、沉积、结垢或腐蚀,还可以确定管道的状态为腐蚀并破裂,或结垢并腐蚀等,或变形、沉积且腐蚀。
本发明提供的系统,声音采集模块12可以直接设置于管道内壁或外壁上,不需要经过其他介质可直接获得管道上的声音,而且通过对管道施加声音激励根据激励前后的声音信息的差异信息来判断管道状态,从而可以最大程度地避免噪声信号对检测精度的影响,检测精度高。另外,本发明使用管道状态识别模型自动识别管道状态,有效地提高了管道问题的检测效率。
需要说明的是,对于每一管道上的每一位置采集第一声音信息和第二声音信息时,两次采集的时间间隔应尽可能短,以避免由于背景噪声变化导致管道状态识别准确度低。所述第一声音信息和所述第二声音信息持续的时长可以一致,或者在计算两者之间的差异信息时截取相同时长的第一声音信息和第二声音信息。
可选的,所述第一装置1可以多次采集所述第一声音信息和所述第二声音信息,然后计算多次采集的第一声音信息和第二声音信息之间的差异信息的平均值,将差异信息的平均值输入至管道状态识别模型进行管道状态识别,可以进一步降低背景噪声对管道状态识别精度的影响。
可选的,如图2所示,所述激励模块11包括:壳体111、电动机112、减速机113、转动轴114、弹性棒115、打击球116和阻挡件117;
所述壳体111上设有第一腔体1111和带有开口的第二腔体1112,所述第一腔体1111和所述第二腔体1112之间通过一贯通孔1113连通;
所述减速机113和所述电动机112均设置于所述第一腔体1111内,所述减速机113与所述电动机112的输出端连接,所述转动轴114穿设于所述贯通孔1113内,所述转动轴114的一端与所述减速机113的输出端连接;
所述弹性棒115、所述打击球116和所述阻挡件117均设置于所述第二腔体1112内,所述弹性棒115垂直设置在所述转动轴114的另一端上,所述打击球116固定设置在所述弹性棒115的自由端,所述开口紧邻管道壁;
所述电动机112经所述减速机113带动所述转动轴114转动,所述转动轴114带动所述弹性棒115转动,转动过程中所述弹性棒115被所述阻挡件117阻挡逐渐弯曲最后脱离所述阻挡件117,所述弹性棒115脱离所述阻挡件117后所述打击球116击打所述开口处的管道壁。
这个过程可以只进行一次也可以重复进行,这取决于所述电动机112的工作时间。
本实施例中的激励模块11结构简单、成本低。
进一步可选的,所述转动轴114的另一端相对设置两个所述弹性棒115,两个所述弹性棒115均与所述转动轴114垂直,且两个所述弹性棒115的自由端固定设备的打击球116的材质不同,例如一个为金属材质,另一个为塑料材质。两个打击球116击打所述管道壁产生的声音不同,能够为管道状态识别提供更多的信息依据。两个打击球116击打所述管道壁产生的声音可作为两个第二声音信息。
另外,所述第一装置1还可以包括电源模块和微处理器,所述电源模块用于为所述微处理器和所述电动机112供电,所述微处理器用于控制所述电动机112的启停。若需要,所述电源模块还可以为所述声音采集模块12供电,所述微处理器还可以控制所述声音采集模块12开始采集声音信息或停止采集声音信息。所述电源模块还可以为所述通信设备2中设置于所述第一装置1上的部件供电。
具体的,所述声音采集模块12可以在所述激励模块11的打击球116击打管道壁前采集一次声音信息得到所述第一声音信息,在所述激励模型的打击球116击打管道壁后立即采集一次声音信息得到所述第二声音信息。所述声音采集模块12也可以持续采集声音信息,得到包括所述第一声音信息和所述第二声音信息的声音信息,然后由处理器3来划分所述第一声音信息和所述第二声音信息,例如处理器3可以根据打击球116的击打时间来划分。
可选的,所述第一装置1中的所述激励模型和所述声音采集模块12分离设置。另外,所述第一装置1中可以包括一个所述激励模块11和多个所述声音采集模块12。该多个声音采集装置分布在管道上的多个不同位置。
可选的,所述处理器3还可以用于在将所述差异信息输入至所述管道状态识别模型之前,对所述差异信息进行预处理。具体的,所述预处理包括对所述差异信息进行分帧加窗处理,得到多帧差异信息。所述预处理还可以包括对各帧差异信息进行离散傅里叶变换,获得对应的短时幅度谱数据。进一步的,计算每个短时幅度谱数据的频谱密度数据。
可选的,所述管道状态识别模型包括带注意力模块的前馈神经网络模型、卷积神经网络模型以及线性集成模型;
所述带注意力模块的前馈神经网络模型,用于基于输入的信息,输出第一识别结果;
所述卷积神经网络模型,用于基于输入的信息,输出第二识别结果;
所述线性集成模型,用于对所述第一识别结果和所述第二识别结果按照预设权重进行相加;
其中,所述带注意力模块的前馈神经网络模型和所述卷积神经网络模型输入的信息相同,均为所述差异信息和/或根据所述差异信息确定的信息。
本发明实施例采用两种模型(带注意力模块的前馈神经网络模型和卷积神经网络模型)分别得到两个识别结果,然后通过加权平均的方式得到最终的识别结果,可以减少管道状态识别模型的层数,简化其结构,使得训练过程收敛速度快,训练所需的时间缩短。
具体的,所述带注意力模块的前馈神经网络模型包括一个注意力层、多个全连接层和分类层。注意力层的计算公式包括:
ht=ReLu(b1xt+c1)
et=a(ht)=tanh(b2xt+c2)
其中,ReLu为激活函数,b1、b2、c1和c2为模型的参数,xt是输入的信息中t帧的信息(根据前述,本实施例中对所述差异信息进行分帧加窗处理,因此该输入的信息可以各帧差异信息或根据其确定的信息),αt是根据注意力机制计算得到的xt的权重,c为输入的信息中各帧的信息加权求和得到的信息。将c输入至后续的全连接层和分类层,得到所述第一识别结果。
可选的,所述管道状态识别模型中的带注意力模块的前馈神经网络模型可以替换为混合多路由网络模型,该模型以卷积神经网络为基础模型,添加多路由单元,各单元之间通过跨层连接网络方式相结合。进一步可选的,所述混合多路由网络模型包括卷积层、最大池化层、多路由单元层、轨道重组和连接层、全局映射池层和全连接层,所述多路由单元层由多个所述多路由单元叠加而成,叠加公式为:
其中,P为叠加后的网络结构,u为叠加单元,U为最大叠加单元数,p0为主分支,ζ()为辅助分支的选择函数,v为不同辅助分支的可选模式,V为辅助分支的总数。
举例来说,所述多路由单元中,主分支p0由7个基本层组成,包括具有p1的卷积核的群卷积,批量归一化,ReLU激活函数,具有卷积核的深度卷积,在2×2的二维卷积中,卷积核为1×1;在辅助路径上可选择的三个分支分别对应于p1,p2,p3;其中,辅助分支p1由五个基本层组成,包括具有3×3卷积内核的深度卷积,两个批标准化,卷积层和ReLU激活函数;辅助分支p2包括平均池,辅助分支p3是直接连接的链接层。
所述卷积神经网络模型包括卷积层、池化层、全连接层和分类层;
其中,所述卷积层用于完成输入的信息与滤波器的卷积操作,得到卷积层的特征映射图;所述池化层用于对卷积后所得的特征映射图做池化操作,所述全连接层用于将所有特征映射图进行连接,所述分类层用于利用softmax函数得到基于输入的信息的识别结果(即所述第二识别结果)。
本实施例中,可以利用ReLU激活函数和LRN归一化函数来处理池化后的特征映射图。卷积层可以缩小信息量从而减少计算量,池化层对卷积层提取的特征信息进行取平均或取最大值等操作,降低特征维度,减小分类层的处理量。
可选的,所述卷积神经网络模型中滤波器权值矩阵是由深度置信网络训练学习得到的权值矩阵,所述深度置信网络以所述差异信息为输入,经过对所述深度置信网络中每层的神经元进行采样、重构隐含层、利用sigmoid函数处理重构结果,使用逐层贪心算法训练所述深度置信网络模型后,用反向传播算法微调整个所述深度置信网络的参数,生成所述深度置信网络的二维参数矩阵;采用增维函数实现深度置信网络向量和卷积神经网络张量之间的维数转换,使用维数转换后的深度置信网络参数矩阵替换卷积神经网络初始化滤波器权值矩阵,并对所述深度置信网络参数矩阵进行归一化处理。
具体的,可以通过深度置信网络中的可见层重构隐藏层,然后由重构的隐藏层构建下一个隐藏层。
本实施例中,将深度置信网络训练学习得到的权值矩阵代替卷积神经网络中随机生成的滤波器权值矩阵,避免随机生成的滤波器权值矩阵容易陷入局部最优的问题,提高识别结果的准确率。
可选的,所述管道状态识别模型中的第二层至最后一层均配有一相同结构的辅助层,所述辅助层用于传递每层目标值的误差,相邻的所述辅助层之间设有用于计算所述辅助层的输出值的计算层。
其中,所述计算层的神经元个数与所述管道状态识别模型中所述计算层前面紧邻的层的神经元个数相同。所述管道状态识别模型的训练过程包括迭代更新所述计算层的神经元。具体的,在将训练集数据输入所述管道状态识别模型,完成一次前馈传播,根据损失函数计算本次前馈传播的损失值,该损失值除了用于利用梯度下降法更新所述管道状态识别模型中需要更新的各层(具体是隐藏层)神经元外,还用于对各层的输出值求梯度。最后一层对应的辅助层的输出值为最后一层的输出值与对应的梯度值之差。第二层至倒数第二层中各层对应的辅助层的输出值为该层的输出值加上第一数值并减去第二数值,所述第一数值为所述计算层根据后一层对应的辅助层的输出值计算得到的数值,所述第二数值为所述计算层根据后一层的输出值计算得到的数值。最后,利用各辅助层的输出值完成对应的计算层的神经元的更新。
本实施例中,所述辅助层用于减少数据的过渡拟合,有助于提高网络产生训练数据的能力,减少训练时间。
可选的,所述根据所述差异信息确定的信息包括各频段能量分布信息,所述各频段能量分布信息是对所述差异信息的能量谱进行归一化处理之后进行能量分布统计得到。
具体的,可以设能量等级数目为N,采用基于统计的非参数法,对每个频段f的能量元素进行概率密度统计,得到各频段在整个差异信息的时长上的能量分布情况:
其中,F(f,n)为在频段f中能量等级为n的元素占该频段元素总数的比例,In(G(f,t))为指示函数,当G(f,t)属于能量等级n时,其值为1,否则为0。
进一步可选的,所述差异信息的能量谱是根据所述差异信息的伽马通谱图得到,所述伽马通谱图是使用伽马通滤波器组对所述差异信息进行滤波并对滤波得到的信息取对数进行动态压缩得到。
其他可选的具体实施方式中,所述根据所述差异信息确定的信息包括时频能量分布信息,具体可以对所述差异信息进行m层小波包分解运算,将差异信息划分到2m个细分的频带,然后将各频带信息分为时长相等的L段,总共得到2m×L段,并按照以下公式计算各段差异信息的能量:
其中,Ei,l为第i频带的第l段的能量大小,tl和tl+1为第l段的开始时间和结束时间,Si(t)为第i频带的差异信息分量;
最后,将各段差异信息的能量进行标准化处理后,按照频率、时间顺序进行排列,得到差异信息的时频能量分布信息。
或者,
对差异信息X(t)进行连续小波变换,得到小波系数W(α,β):
其中,α为尺度因子,β为平移因子,Ψ*为共轭小波函数;
利用小波系数W(α,β)得到的相位计算瞬时频率ω(α,β):
利用所述瞬时频率,建立(α,β)→(ω(α,β),β)之间的映射关系,经过同步压缩变换对时间尺度平面的能量进行重新分配,转换为时间频率平面,得到时频能量分布信息。
可选的,所述处理器3还用于在确定所述管道的状态为结垢和/或沉积的情况下,根据所述差异信息确定所述管道结垢和/或沉积的厚度。
可选的,所述处理器3将第一差异信息,以及第二差异信息和/或第三差异信息,输入至厚度识别模型,并根据厚度识别模型的输出确定所述厚度;
其中,所述第一差异信息为识别所述管道的状态为结垢和/或沉积的差异信息;所述第二差异信息为所述管道上与第一位置邻近的第二位置上获取到的差异信息,且根据所述第二差异信息确定的状态为正常;所述第三差异信息为所述第一位置确认为正常时的历史差异信息;
所述第一位置为所述管道上获取到所述第一差异信息的位置。
具体的,所述厚度识别模型也可以是基于深度学习的神经网络模型,该模型主要基于差异信息中的频率信息来识别厚度。例如,该模型可以是BP神经网络等。
另外,所述处理器3还可以用于确定管道破裂的程度,或者说是因管道破裂导致的管道输送物质泄露程度。
可选的,所述第一装置1上设有移动机构,所述移动机构根据所述通信设备2接收的控制信号运行,以使得所述第一装置1在所述管道内移动。
本实施例中,所述第一装置1可以在管道内移动,可以降低管道监控所需的第一装置1的数量,降低成本。
具体的,所述激励模块11和所述声音采集模块12分离设置时,所述激励模块11和所述声音采集模块12上可以分别设置所述移动机构。
所述控制信号可以控制所述移动机构按照预设的时间间隔自动在管道内移动,也可以只控制所述移动机构移动一次。所述第一装置1可以在所述管道内来回移动,也就是说,如果第一装置1移动到管道的末端(也可以是预设位置)则反方向移动直至起始端(也可以是另一预设位置)。第一装置1每次移动均至少完成一次第一声音信息和第二声音信息的采集,然后再进行下一次移动。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (7)
1.一种用于管道状态监控的人工智能数据采集系统,其特征在于,包括:
第一装置,包括激励模块和声音采集模块,所述激励模块用于向所述管道施加激励以使得所述管道响应于所述激励产生声音信号,所述声音采集模块用于采集管道上一个或多个位置的第一声音信息和第二声音信息;其中,所述第一声音信息为向所述管道施加激励前的声音信息,所述第二声音信息为向所述管道施加激励后的声音信息;所述激励模块包括:壳体、电动机、减速机、转动轴、弹性棒、打击球和阻挡件;
所述壳体上设有第一腔体和带有开口的第二腔体,所述第一腔体和所述第二腔体之间通过一贯通孔连通;
所述减速机和所述电动机均设置于所述第一腔体内,所述减速机与所述电动机的输出端连接,所述转动轴穿设于所述贯通孔内,所述转动轴的一端与所述减速机的输出端连接;
所述弹性棒、所述打击球和所述阻挡件均设置于所述第二腔体内,所述弹性棒垂直设置在所述转动轴的另一端上,所述打击球固定设置在所述弹性棒的自由端,所述开口紧邻管道壁;
所述电动机经所述减速机带动所述转动轴转动,所述转动轴带动所述弹性棒转动,转动过程中所述弹性棒被所述阻挡件阻挡逐渐弯曲最后脱离所述阻挡件,所述弹性棒脱离所述阻挡件后所述打击球击打所述开口处的管道壁;
通信设备,用于将所述第一声音信息和所述第二声音信息发送至处理器;
所述处理器,用于获取所述第二声音信息和所述第一声音信息之间的差异信息,并将所述差异信息输入至管道状态识别模型,根据所述管道状态识别的输出确定所述管道的状态,所述管道的状态包括正常,以及变形、破裂、沉积、结垢和腐蚀中的至少之一;
所述管道状态识别模型包括混合多路由网络模型、卷积神经网络模型以及线性集成模型;
所述混合多路由网络模型,以卷积神经网络为基础模型,添加多路由单元,各单元之间通过跨层连接网络方式相结合,所述混合多路由网络模型用于基于输入的信息,输出第一识别结果;
所述卷积神经网络模型,用于基于输入的信息,输出第二识别结果;
所述线性集成模型,用于对所述第一识别结果和所述第二识别结果按照预设权重进行相加;
其中,所述混合多路由网络模型和所述卷积神经网络模型输入的信息相同,均为所述差异信息和/或根据所述差异信息确定的信息;
所述管道状态识别模型中的第二层至最后一层均配有一相同结构的辅助层,所述辅助层用于传递每层目标值的误差,相邻的所述辅助层之间设有用于计算所述辅助层的输出值的计算层;
其中,所述计算层的神经元个数与所述管道状态识别模型中所述计算层前面紧邻的层的神经元个数相同;所述管道状态识别模型的训练过程包括迭代更新所述计算层的神经元,具体的:将训练集数据输入所述管道状态识别模型,完成一次前馈传播,根据损失函数计算本次前馈传播的损失值,该损失值除了用于利用梯度下降法更新所述管道状态识别模型中需要更新的各层神经元外,还用于对各层的输出值求梯度,最后一层对应的辅助层的输出值为最后一层的输出值与对应的梯度值之差,第二层至倒数第二层中各层对应的辅助层的输出值为该层的输出值加上第一数值并减去第二数值,所述第一数值为所述计算层根据后一层对应的辅助层的输出值计算得到的数值,所述第二数值为所述计算层根据后一层的输出值计算得到的数值,最后,利用各辅助层的输出值完成对应的计算层的神经元的更新。
2.根据权利要求1所述的系统,其特征在于,所述卷积神经网络模型中滤波器权值矩阵是由深度置信网络训练学习得到的权值矩阵,所述深度置信网络以所述差异信息为输入,经过对所述深度置信网络中每层的神经元进行采样、重构隐含层、利用sigmoid函数处理重构结果,使用逐层贪心算法训练所述深度置信网络模型后,用反向传播算法微调整个所述深度置信网络的参数,生成所述深度置信网络的二维参数矩阵;采用增维函数实现深度置信网络向量和卷积神经网络张量之间的维数转换,使用维数转换后的深度置信网络参数矩阵替换卷积神经网络初始化滤波器权值矩阵,并对所述深度置信网络参数矩阵进行归一化处理。
3.根据权利要求1所述的系统,其特征在于,所述根据所述差异信息确定的信息包括各频段能量分布信息,所述各频段能量分布信息是对所述差异信息的能量谱进行归一化处理之后进行能量分布统计得到。
4.根据权利要求3所述的系统,其特征在于,所述差异信息的能量谱是根据所述差异信息的伽马通谱图得到,所述伽马通谱图是使用伽马通滤波器组对所述差异信息进行滤波并对滤波得到的信息取对数进行动态压缩得到。
5.根据权利要求1所述的系统,其特征在于,所述处理器还用于在确定所述管道的状态为结垢和/或沉积的情况下,根据所述差异信息确定所述管道结垢和/或沉积的厚度。
6.根据权利要求5所述的系统,其特征在于,所述处理器将第一差异信息,以及第二差异信息和/或第三差异信息,输入至厚度识别模型,并根据厚度识别模型的输出确定所述厚度;
其中,所述第一差异信息为识别所述管道的状态为结垢和/或沉积的差异信息;所述第二差异信息为所述管道上与第一位置邻近的第二位置上获取到的差异信息,且根据所述第二差异信息确定的状态为正常;所述第三差异信息为所述第一位置确认为正常时的历史差异信息;
所述第一位置为所述管道上获取到所述第一差异信息的位置。
7.根据权利要求1所述的系统,其特征在于,所述第一装置上设有移动机构,所述移动机构根据所述通信设备接收的控制信号运行,以使得所述第一装置在所述管道内移动。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110998949.5A CN113775942B (zh) | 2021-08-28 | 2021-08-28 | 用于管道状态监控的人工智能数据采集系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110998949.5A CN113775942B (zh) | 2021-08-28 | 2021-08-28 | 用于管道状态监控的人工智能数据采集系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113775942A CN113775942A (zh) | 2021-12-10 |
CN113775942B true CN113775942B (zh) | 2022-07-29 |
Family
ID=78839931
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110998949.5A Active CN113775942B (zh) | 2021-08-28 | 2021-08-28 | 用于管道状态监控的人工智能数据采集系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113775942B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111967478A (zh) * | 2020-07-08 | 2020-11-20 | 特斯联科技集团有限公司 | 一种基于权重翻转的特征图重构方法、系统、存储介质及终端 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0593346A1 (fr) * | 1992-10-12 | 1994-04-20 | Spie-Trindel | Procédé et dispositif pour ausculter par voie vibratoire un tronçon de canalisation |
JP2001021100A (ja) * | 1999-07-09 | 2001-01-26 | Osaka Gas Co Ltd | 管内検査用音響信号の入射方法 |
CN106340309B (zh) * | 2016-08-23 | 2019-11-12 | 上海索洛信息技术有限公司 | 一种基于深度学习的狗叫情感识别方法及装置 |
CN108427958B (zh) * | 2018-02-02 | 2021-06-01 | 哈尔滨工程大学 | 基于深度学习的自适应权值卷积神经网络水下声纳图像分类方法 |
CN111076809B (zh) * | 2019-12-31 | 2021-08-31 | 四川长虹电器股份有限公司 | 基于卷积神经网络的设备异常声音识别方法及系统 |
-
2021
- 2021-08-28 CN CN202110998949.5A patent/CN113775942B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111967478A (zh) * | 2020-07-08 | 2020-11-20 | 特斯联科技集团有限公司 | 一种基于权重翻转的特征图重构方法、系统、存储介质及终端 |
Also Published As
Publication number | Publication date |
---|---|
CN113775942A (zh) | 2021-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109740523B (zh) | 一种基于声学特征和神经网络的电力变压器故障诊断方法 | |
CN109410917B (zh) | 基于改进型胶囊网络的语音数据分类方法 | |
CN104819846B (zh) | 一种基于短时傅里叶变换和稀疏层叠自动编码器的滚动轴承声音信号故障诊断方法 | |
CN108827605B (zh) | 一种基于改进稀疏滤波的机械故障特征自动提取方法 | |
CN109841226A (zh) | 一种基于卷积递归神经网络的单通道实时降噪方法 | |
CN111307453A (zh) | 一种基于多信息融合的传动系统故障诊断方法 | |
CN113405825B (zh) | 一种基于声音信号的带式输送机故障诊断方法 | |
CN110705456A (zh) | 一种基于迁移学习的微型电机异常检测方法 | |
CN112326210A (zh) | 一种声振信号联合1d-cnn的大型电机故障诊断方法 | |
CN106502850B (zh) | 一种稀疏紧框架字典学习模型的多故障辨识方法与装置 | |
CN111695465B (zh) | 基于压力波模式识别的管网故障诊断与定位方法及系统 | |
CN110879927A (zh) | 一种用于海目标检测的海杂波幅度统计分布现场建模方法 | |
CN115983374A (zh) | 基于优化sa-cacgan的电缆局放数据库样本扩充方法 | |
CN117609702A (zh) | 一种管道泄漏声发射信号去噪方法、系统、设备及介质 | |
CN109946076B (zh) | 一种加权多尺度字典学习框架的行星轮轴承故障辨识方法 | |
CN113361782B (zh) | 基于改进mkpls的光伏发电功率短期滚动预测方法 | |
CN113775942B (zh) | 用于管道状态监控的人工智能数据采集系统 | |
Zhao et al. | Bearing fault diagnosis based on mel frequency cepstrum coefficient and deformable space-frequency attention network | |
CN113758709A (zh) | 结合边缘计算和深度学习的滚动轴承故障诊断方法及系统 | |
CN116821610B (zh) | 一种利用大数据优化风力发电效率的方法 | |
CN109901021B (zh) | 基于二维Hankel矩阵多尺度SVD变换法 | |
CN106593777B (zh) | 一种风能发电系统 | |
CN113409213B (zh) | 柱塞泵故障信号时频图降噪增强方法和系统 | |
CN112633371A (zh) | 一种基于vmd-msst的轴承故障诊断方法 | |
CN112414446B (zh) | 一种数据驱动的变速器传感器故障诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |