CN113919395A - 基于一维卷积神经网络的给水管网渗漏事故诊断方法 - Google Patents

基于一维卷积神经网络的给水管网渗漏事故诊断方法 Download PDF

Info

Publication number
CN113919395A
CN113919395A CN202111185247.1A CN202111185247A CN113919395A CN 113919395 A CN113919395 A CN 113919395A CN 202111185247 A CN202111185247 A CN 202111185247A CN 113919395 A CN113919395 A CN 113919395A
Authority
CN
China
Prior art keywords
neural network
model
convolution
leakage
convolutional neural
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.)
Pending
Application number
CN202111185247.1A
Other languages
English (en)
Inventor
刘海星
徐子杨
李允琛
曾煜凯
张弛
李昱
彭勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dalian University of Technology
Original Assignee
Dalian University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Dalian University of Technology filed Critical Dalian University of Technology
Priority to CN202111185247.1A priority Critical patent/CN113919395A/zh
Publication of CN113919395A publication Critical patent/CN113919395A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Abstract

一种基于一维卷积神经网络的给水管网渗漏事故诊断方法，属于供水管道渗漏检测领域。根据安装在供水管网不同监测点上的噪声传感器采集的声音振动信号，通过滤波器对原始信号进行预处理，将时域信号转换为频域信号；同时搭建适合渗漏诊断的一维卷积神经网络结构，并利用该一维卷积神经网络自适应地提取管网噪声信号特征向量，将其作为全连接神经网络分类器的输入，输出管网在监测点附近发生渗漏事件的概率，从而实现对管道的渗漏情况进行诊断。通过本发明对给水管网渗漏事故进行诊断，能够明确管网是否发生渗漏事件，能够为检漏工作指明方向，有效的控制管网的物理漏损，保证城市供水管网系统安全运行、避免水资源的浪费，降低城市供水的成本。

Description

基于一维卷积神经网络的给水管网渗漏事故诊断方法
技术领域
本发明属于供水管道渗漏检测领域，涉及一种城市供水管网渗漏事故诊断方法，具体是提供一种基于一维卷积神经网络的给水管网渗漏事故诊断方法。
背景技术
在城市化进程不断加快的迅猛势头下，城市的用水量也在日益增长，而城市的供水管网作为城市供水的重要基础设施，对城市的生存和发展起着重要的作用。由于供水管网面临着管材与接口，设计与施工、管网运行等方面的问题，易出现破损而产生泄漏。城市供水管网出现漏水现象，不仅会造成水资源浪费，还会增加城市供水的成本，导致巨大的经济损失。同时，在长期的漏水问题下，会给管网流经的地面、房基等基础设施造成危害，危害人的生命财产安全。
目前，对管道漏损进行检测的方法有很多。分区检漏法、红外热成像法、负压波法等检测方法在检测效率、精度以及实用性等方面还存在很大的局限性，均不能有效解决供水管网实时泄漏检测预警等问题。
管道渗漏会产生声音和振动，漏口处产生的渗漏声信号主要沿管道和流体向两侧传播，因此可以将高灵敏度的管道噪声传感器安装在市政管网外壁上，采集正常管道运行情况下，以及发生渗漏情况下的管道噪声数据，并对采集到的声信号其进行识别分析。由于采集到的信号由多种事件共同作用产生的，存在各种的噪声干扰，难以有效的提取出信号特征。传统的信号特征提取，如希尔伯特黄变换、小波包分解等，提取信号特征需要人们对相关领域有着深刻的理解。因此该环节对专家经验要求较高，而且对实时的检测系统和设计成本带来沉重的负担。
所以，探索一种有效性和普适性较强的城市供水管道漏损事故诊断方法，对维护管网的安全运行、避免水资源的浪费，有着重要的理论意义和应用价值。
发明内容
针对现有技术存在的问题，本发明提供一种基于一维卷积神经网络的给水管网渗漏事故诊断方法。根据安装在供水管网不同监测点上的噪声传感器采集的信号，通过滤波处理，时频域变换，搭建出适合渗漏诊断的一维卷积神经网络(1D-Convolutional NeuralNetwork，1D-CNN)的结构，利用一维卷积神经网络自适应地提取管网噪声信号特征向量，并将其作为全连接神经网络分类器的输入，输出管网在监测点附近发生渗漏事件的概率，从而实现对管道的渗漏情况进行诊断。
为实现上述的目的，本发明提供的技术方案如下：
一种基于一维卷积神经网络的给水管网渗漏事故诊断方法，包括以下步骤：
步骤一：采集数据。
将高灵敏度的管道噪声传感器安装在给水管网上，通过管道噪声传感器采集实际管道的渗漏噪声样本，即时域状态下的声音振动信号，并根据实际管道是否发生渗漏事件对采集的管道渗漏噪声样本进行标记，一共分为：正常、异常两类。
步骤二：划分数据集。
整合步骤一中采集的实际管道渗漏噪声样本(包括正常、异常两类)建立噪声信号数据集，用于模型训练，同时打乱数据顺序，并按照一定比例将该数据集划分为训练集、验证集和测试集，其中，训练集、验证集和测试集比例优选为6:2:2。
步骤三：信号滤波及变换。
根据以往研究表明，漏水信号信息一般处于低频段，采用数字滤波器对每个管道渗漏噪声样本的时域信号数据进行预处理，保留低频段信息。同时采用快速傅里叶变换，将预处理后的时域信号转换为频域信号，作为后续给水管网渗漏事故诊断模型的输入。
步骤四：构建一维卷积神经网络渗漏事故诊断模型。
在VGG16网络的基础上进行修改构建一维卷积神经网络模型，修改方式具体为：保留原始模型的后6个卷积层的结构，更改模型部分超参数，同时将其二维卷积修改为一维卷积，修改后的一维卷积神经网络模型的主要结构为：
第一卷积层，总共64个卷积核，每个卷积核的时域窗长度为8，步长为4，激活函数采用relu函数，采用全零填充；
第二卷积层，总共64个卷积核，每个卷积核的时域窗长度为8，步长为4，激活函数采用relu函数，采用全零填充；
第三卷积层，总共128个卷积核，每个卷积核的时域窗长度为8，步长为4，激活函数采用relu函数，采用全零填充；
第一最大池化层，池化大小为4，步长为4
第四卷积层，总共128个卷积核，每个卷积核的时域窗长度为4，步长为2，激活函数采用relu函数，采用全零填充；
第五卷积层，总共256个卷积核，每个卷积核的时域窗长度为4，步长为2，激活函数采用relu函数，采用全零填充；
第六卷积层，总共256个卷积核，每个卷积核的时域窗长度为4，步长为2，激活函数采用relu函数，采用全零填充；
第二最大池化层，池化大小为4，步长为4；
第一全局均值池化；
第一全连接层，节点个数为256个，激活函数采用relu函数，dropout＝0.2；
第二全连接层，节点个数为256个，激活函数采用relu函数，dropout＝0.2；
第三全连接层，节点个数为2个，激活函数采用softmax函数。
步骤五：模型训练与优化。
将步骤二信号滤波及变换后的信号作为一维卷积神经网络的模型输入，利用一维卷积神经网络自适应地提取管道噪声信号特征向量，并将其作为全连接神经网络分类器的输入，输出管网在监测点附近发生渗漏事件的概率。
模型训练过程的损失函数采用交叉熵损失函数，函数如下式(1)所示。
Figure BDA0003298913130000031
式中，log表示以e为底的自然对数，
Figure BDA0003298913130000032
表示一维卷积神经网络的输出，yi表示实际样本标签，outputsize表示一维卷积神经网络的输出个数。
同时模型采用梯度下降法迭代更新一维卷积神经网络模型参数，使测试集的交叉熵损失值最小，进而对步骤四中构建的一维卷积神经网络模型进行优化。同时，在每次迭代过程中求解步骤二中验证集的交叉熵损失值，选取验证集损失值最小时的模型作为最优神经网络模型。在一维卷积神经网络模型训练和优化过程中，通过早停等方法不断优化模型，关注验证集的损失，当连续10次迭代计算验证集的损失不再降低时，中断模型训练，防止模型过拟合。
步骤六：模型预测。
利用训练后得到的最优神经网络模型对步骤二中的测试集样本进行渗漏事故诊断，返回每个样本发生渗漏事故的概率。
本发明的有益效果在于：本发明提供的管道渗漏事故诊断方法，利用噪声传感器所采集的时域状态下的声音振动信号，通过滤波器对原始信号进行预处理，使用快速傅里叶变换将时域信号转换为频域信号，作为模型输入。同时构建的一维卷积神经网络进行自适应提取频域信号特征，最终通过全连接网络输出管道渗漏事故发生的概率。通过该方法对给水管网渗漏事故进行诊断，可以明确管网是否发生渗漏事件，能够为检漏工作指明方向，进而有效的控制管网的物理漏损，保证城市供水管网系统安全运行、避免水资源的浪费，降低城市供水的成本。
附图说明
图1是本发明的给水管网渗漏事故诊断流程；
图2是本发明的管道噪声采集系统示意图；
图3是本发明的管道发生渗漏时，采集的声信号时域和频率展示，其中，A图为管道发生渗漏时原始时域信号以及滤波处理后的时域信号，B图为滤波后音频对应的频域图；
图4是本发明的管道正常运行时，采集的声信号时域和频率展示，其中，A图为管道正常运行时原始时域信号以及滤波处理后的时域信号，B图为滤波后音频对应的频域图；
图5是本发明基于一维卷积神经网络算法模型的基本框架；
图6是本发明实施例的训练集与验证集的损失值和正确率曲线，其中，上图为训练集损失值和正确率曲线，下图为验证集的损失值和正确率曲线。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。
管道渗漏会产生声音和振动，漏口处产生的渗漏声信号主要沿管道和流体向两侧传播，因此可以将高灵敏度的管道噪声传感器安装在管道上，夜间自动采集管道噪声数据，并将数据上传至云平台中。给水管网渗漏事故诊断流程如图1所示。
本发明提供的一种基于一维卷积神经网络的给水管网渗漏事故诊断方法，包括：数据采集及标记、划分数据集、信号滤波及时频域变换、训练一维卷积神经网络、采用训练好的网络模型进行管道渗漏状态诊断等主要步骤。具体如下：
步骤F1：数据准备及标记。管道噪声采集系统示意图如图2所示，图示所绘制的区域仅为管道发生渗漏事故的其中一种情况，A～F为安装在给水管网上的噪声传感器，中心点表示发生管道渗漏的位置。从云平台下载管道噪声数据，并根据现场实际管道健康状况对数据进行标记。本实施例中，传感器采集的频率为8192Hz，单个音频样本采集5秒钟。
步骤F2：划分数据集。整合步骤一中采集的实际管道渗漏噪声样本(包括正常、异常两类)建立噪声信号数据集，用于模型训练，同时打乱数据顺序，并按照一定比例将该数据集划分为训练集、验证集和测试集。
步骤F3：对原始信号进行滤波，同时做时频域变换。信号采样频率为8192Hz，然而漏水信息主要分布在低频段，因此采用滤波器去除高频段信息。本实施例中选取巴特沃斯带通滤波器，允许通过的频段为60Hz-2KHz。图3A和图4A分别展示了管道异常和正常运行时噪声传感器采集到的原始时域信号以及滤波处理后的时域信号。图3B和图4B分别是上述情况下滤波后的时域信号对应的频域图像。
从图中可以看出，正常管道背景噪声信号的幅值相对较小，并且信号在各个频率下振幅分布较为均匀，相反，发生渗漏事故时，管道时域信号的幅值相对较大，频域信号则峰值突出，频率较为集中。
步骤F4：搭建一维卷积神经网络模型。本实施例提出的卷积神经网络是在VGG16网络的基础上进行修改，保留模型的后6个卷积层的结构，同时将二维卷积改为一维卷积，图5是本发明算法模型的基本框架。该卷积神经网络的主要结构为：
第一卷积层，总共64个卷积核，每个卷积核的时域窗长度为8，步长为4，激活函数采用relu函数，采用全零填充；
第二卷积层，总共64个卷积核，每个卷积核的时域窗长度为8，步长为4，激活函数采用relu函数，采用全零填充；
第三卷积层，总共128个卷积核，每个卷积核的时域窗长度为8，步长为4，激活函数采用relu函数，采用全零填充；
第一最大池化层，池化大小为4，步长为4
第四卷积层，总共128个卷积核，每个卷积核的时域窗长度为4，步长为2，激活函数采用relu函数，采用全零填充；
第五卷积层，总共256个卷积核，每个卷积核的时域窗长度为4，步长为2，激活函数采用relu函数，采用全零填充；
第六卷积层，总共256个卷积核，每个卷积核的时域窗长度为4，步长为2，激活函数采用relu函数，采用全零填充；
第二最大池化层，池化大小为4，步长为4；
第一全局均值池化；
第一全连接层，节点个数为256个，激活函数采用relu函数，dropout＝0.2；
第二全连接层，节点个数为256个，激活函数采用relu函数，dropout＝0.2；
第三全连接层，节点个数为2个，激活函数采用softmax函数，最终返回管网发生渗漏事故的概率。
步骤F5：训练上述一维卷积神经网络网络模型。本实施例中，模型训练过程中损失函数采用交叉熵损失(categorical_crossentropy)，优化器采用Adam，初始学习率设为lr＝0.001。在每次迭代过程中，不断更新验证集的最小值，最终保留整个训练过程中验证集最小时的模型参数作为最优模型。同时采用早停的方式，关注验证集的损失，当连续10次迭代计算验证集的损失不再降低时，中断模型训练。
步骤F6：将测试集带入到最优模型当中，评估模型泛化能力。
步骤F7：采用保存的最优模型权重进行管道渗漏事故诊断。
上述网络结构的搭建采用Python语言，以TensorFlow为后台，通过keras深度学习库中的顺序模型进行搭建。采集样本总数为3812个，其中异常样本数为1648个，正常样本数为2164个。数据集划分情况如下：训练集样本个数为2134个，验证集个数为915个，测试集个数为763个。模型的输入按照batch进行输入，每个batch的大小为32个样本。
在模型训练过程中，画出训练集与验证集的损失值和正确率曲线，如图6所示。可以看出模型迭代到17代时，验证集的训练损失达到最小为0.142，在17代以后模型训练的损失也在不断降低，但是验证集的损失不再减小，所以本实验最终认为模型在17代时训练结束，保存此时的模型参数。将测试集的数据带入到上述最优模型当中，得到模型的混淆矩阵，如表1所示，从表中可以看出模型的最终正确率为95.8％，灵敏度为93.9％。
表1实施例对测试集的混淆矩阵
Figure BDA0003298913130000061
以上内容仅仅是对本发明结构所做的举例和说明，可以理解的是，上述实施例是实例性的，不能理解为对本申请的限制，本领域的技术人员对所描述的具体实施例做各种各样修改或采用类似的方式替代，只要不偏离发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (3)

1.一种基于一维卷积神经网络的给水管网渗漏事故诊断方法，其特征在于，所述的诊断方法包括以下步骤：
步骤一：采集数据；
将管道噪声传感器安装在给水管网上，通过管道噪声传感器采集实际管道的渗漏噪声样本，即时域状态下的声音振动信号，并根据实际管道是否发生渗漏事件对采集的管道渗漏噪声样本进行标记，一共分为：正常、异常两类；
步骤二：划分数据集；
将步骤一中采集的实际管道渗漏噪声样本构建噪声信号数据集，用于模型训练，同时打乱数据顺序，并将该数据集划分为训练集、验证集和测试集；
步骤三：信号滤波及变换；
对每个管道渗漏噪声样本的时域信号数据进行预处理，并将预处理后的时域信号转换为频域信号，作为后续给水管网渗漏事故诊断模型的输入；
步骤四：构建一维卷积神经网络渗漏事故诊断模型；
保留VGG16原始模型的后6个卷积层的结构，更改模型部分超参数，同时将其二维卷积修改为一维卷积，得到一维卷积神经网络渗漏事故诊断模型；
步骤五：模型训练与优化；
将步骤二信号滤波及变换后的信号作为一维卷积神经网络渗漏事故诊断模型的输入，利用一维卷积神经网络自适应地提取管道噪声信号特征向量，并将其作为全连接神经网络分类器的输入，输出管网在监测点附近发生渗漏事件的概率；
模型训练过程的损失函数采用交叉熵损失函数，函数如下式(1)所示；
Figure FDA0003298913120000011
式中，log表示以e为底的自然对数，
Figure FDA0003298913120000012
表示一维卷积神经网络的输出，yi表示实际样本标签，outputsize表示一维卷积神经网络的输出个数；
采用梯度下降法迭代更新一维卷积神经网络模型参数，使测试集的交叉熵损失值最小，进而对步骤四中构建的一维卷积神经网络模型进行优化；同时，在每次迭代过程中求解步骤二中验证集的交叉熵损失值，选取验证集损失值最小时的模型作为最优神经网络模型；在一维卷积神经网络模型训练和优化过程中，不断优化模型，关注验证集的损失，当连续10次迭代计算验证集的损失不再降低时，中断模型训练，防止模型过拟合；
步骤六：模型预测；
利用训练后得到的最优神经网络模型对步骤二中的测试集样本进行渗漏事故诊断，返回每个样本发生渗漏事故的概率。
2.根据权利要求1所述的一种基于一维卷积神经网络的给水管网渗漏事故诊断方法，其特征在于，所述步骤三中，采用数字滤波器对每个管道渗漏噪声样本的时域信号数据进行预处理，采用快速傅里叶变换将预处理后的时域信号转换为频域信号。
3.根据权利要求1所述的一种基于一维卷积神经网络的给水管网渗漏事故诊断方法，其特征在于，所述步骤四中，一维卷积神经网络渗漏事故诊断模型的主要结构为：
第一卷积层，总共64个卷积核，每个卷积核的时域窗长度为8，步长为4，激活函数采用relu函数，采用全零填充；
第二卷积层，总共64个卷积核，每个卷积核的时域窗长度为8，步长为4，激活函数采用relu函数，采用全零填充；
第三卷积层，总共128个卷积核，每个卷积核的时域窗长度为8，步长为4，激活函数采用relu函数，采用全零填充；
第一最大池化层，池化大小为4，步长为4
第四卷积层，总共128个卷积核，每个卷积核的时域窗长度为4，步长为2，激活函数采用relu函数，采用全零填充；
第五卷积层，总共256个卷积核，每个卷积核的时域窗长度为4，步长为2，激活函数采用relu函数，采用全零填充；
第六卷积层，总共256个卷积核，每个卷积核的时域窗长度为4，步长为2，激活函数采用relu函数，采用全零填充；
第二最大池化层，池化大小为4，步长为4；
第一全局均值池化；
第一全连接层，节点个数为256个，激活函数采用relu函数，dropout＝0.2；
第二全连接层，节点个数为256个，激活函数采用relu函数，dropout＝0.2；
第三全连接层，节点个数为2个，激活函数采用softmax函数。
CN202111185247.1A 2021-10-12 2021-10-12 基于一维卷积神经网络的给水管网渗漏事故诊断方法 Pending CN113919395A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111185247.1A CN113919395A (zh) 2021-10-12 2021-10-12 基于一维卷积神经网络的给水管网渗漏事故诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111185247.1A CN113919395A (zh) 2021-10-12 2021-10-12 基于一维卷积神经网络的给水管网渗漏事故诊断方法

Publications (1)

Publication Number Publication Date
CN113919395A true CN113919395A (zh) 2022-01-11

Family

ID=79239446

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111185247.1A Pending CN113919395A (zh) 2021-10-12 2021-10-12 基于一维卷积神经网络的给水管网渗漏事故诊断方法

Country Status (1)

Country Link
CN (1) CN113919395A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114755002A (zh) * 2022-04-06 2022-07-15 燕山大学 一种基于全连接神经网络的缓冲平衡阀故障诊断方法
CN114964782A (zh) * 2022-06-02 2022-08-30 昆明理工大学 基于压缩感知的滚动轴承故障诊断声发射信号处理方法、系统

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101420236A (zh) * 2007-10-24 2009-04-29 松下电器产业株式会社 本振泄漏检测和消除装置及方法
CN203375178U (zh) * 2013-07-10 2014-01-01 武汉理工大学 基于声发射的城市燃气管网泄漏无线监测系统
CN104235822A (zh) * 2014-09-01 2014-12-24 任振伟 用于悬吊结构锅炉的承压管泄漏检测系统和方法
CN108880781A (zh) * 2018-06-14 2018-11-23 成都信息工程大学 一种对加掩防护加密设备的无掩码神经网络攻击方法
CN109272045A (zh) * 2018-09-25 2019-01-25 华南农业大学 一种基于神经网络和迁移学习的水果图像分类方法及装置
CN110298321A (zh) * 2019-07-02 2019-10-01 中国科学院遥感与数字地球研究所 基于深度学习图像分类的道路阻断信息提取
CN110969123A (zh) * 2019-12-02 2020-04-07 集美大学 基于频域的电磁信息泄漏检测方法、终端设备及存储介质
US20200208861A1 (en) * 2017-09-15 2020-07-02 Gree Electric Appliances (Wuhan) Co., Ltd Refrigerant leak detection method and device for air conditioner
CN112801033A (zh) * 2021-02-23 2021-05-14 西安科技大学 基于AlexNet网络的长输油气管线沿线施工扰动及泄漏识别方法
CN113033322A (zh) * 2021-03-02 2021-06-25 国网江苏省电力有限公司南通供电分公司 基于深度学习的变电站充油设备渗漏油隐患识别方法
CN113111923A (zh) * 2021-03-23 2021-07-13 浙江工业大学 一种基于一维迁移学习卷积神经网络集成模型的供水管网泄漏检测与定位方法
CN113361485A (zh) * 2021-07-08 2021-09-07 齐齐哈尔大学 基于光谱空间注意力融合和可变形卷积残差网络的高光谱图像分类方法
CN113469177A (zh) * 2021-06-30 2021-10-01 河海大学 基于深度学习的排水管道缺陷检测方法及系统

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101420236A (zh) * 2007-10-24 2009-04-29 松下电器产业株式会社 本振泄漏检测和消除装置及方法
CN203375178U (zh) * 2013-07-10 2014-01-01 武汉理工大学 基于声发射的城市燃气管网泄漏无线监测系统
CN104235822A (zh) * 2014-09-01 2014-12-24 任振伟 用于悬吊结构锅炉的承压管泄漏检测系统和方法
US20200208861A1 (en) * 2017-09-15 2020-07-02 Gree Electric Appliances (Wuhan) Co., Ltd Refrigerant leak detection method and device for air conditioner
CN108880781A (zh) * 2018-06-14 2018-11-23 成都信息工程大学 一种对加掩防护加密设备的无掩码神经网络攻击方法
CN109272045A (zh) * 2018-09-25 2019-01-25 华南农业大学 一种基于神经网络和迁移学习的水果图像分类方法及装置
CN110298321A (zh) * 2019-07-02 2019-10-01 中国科学院遥感与数字地球研究所 基于深度学习图像分类的道路阻断信息提取
CN110969123A (zh) * 2019-12-02 2020-04-07 集美大学 基于频域的电磁信息泄漏检测方法、终端设备及存储介质
CN112801033A (zh) * 2021-02-23 2021-05-14 西安科技大学 基于AlexNet网络的长输油气管线沿线施工扰动及泄漏识别方法
CN113033322A (zh) * 2021-03-02 2021-06-25 国网江苏省电力有限公司南通供电分公司 基于深度学习的变电站充油设备渗漏油隐患识别方法
CN113111923A (zh) * 2021-03-23 2021-07-13 浙江工业大学 一种基于一维迁移学习卷积神经网络集成模型的供水管网泄漏检测与定位方法
CN113469177A (zh) * 2021-06-30 2021-10-01 河海大学 基于深度学习的排水管道缺陷检测方法及系统
CN113361485A (zh) * 2021-07-08 2021-09-07 齐齐哈尔大学 基于光谱空间注意力融合和可变形卷积残差网络的高光谱图像分类方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
ZHEN ZHANG等: "A Pipeline Abnormal Signal Detection Method Based on 1D-Faster R-CNN", 《FUZZY SYSTEMS AND DATA MINING VI》 *
张瑞程等: "基于一维卷积神经网络的燃气管道泄漏声发射信号识别", 《中国安全生产科学技术》 *
王新宇: "基于一维 CNN 与 LSTM 的车轴疲劳裂纹声发射信号实验数据分析", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》 *
王海舰: "基于一维卷积神经网络的供水管道泄漏检测算法的研究", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》 *
贾志奇: "工程机械液压油缸压力信号分析及故障诊断系统设计", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》 *
郭艺良: "基于深度置信网络的供热管网泄漏诊断研究", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114755002A (zh) * 2022-04-06 2022-07-15 燕山大学 一种基于全连接神经网络的缓冲平衡阀故障诊断方法
CN114964782A (zh) * 2022-06-02 2022-08-30 昆明理工大学 基于压缩感知的滚动轴承故障诊断声发射信号处理方法、系统

Similar Documents

Publication Publication Date Title
CN108932480B (zh) 基于1d-cnn的分布式光纤传感信号特征学习与分类方法
CN113919395A (zh) 基于一维卷积神经网络的给水管网渗漏事故诊断方法
CN111047099A (zh) 一种区域性山洪风险预测方法及系统
CN109085641B (zh) 用于地震预报的监测数据处理方法、地震预报方法和系统
CN101539241B (zh) 一种管道泄漏监测网络的层级式多源数据融合方法
CN109357167A (zh) 一种燃气管道漏点检测装置及检测方法
CN103953490A (zh) 基于hlsne的水轮机组状态监测实现方法
CN105546352A (zh) 基于声音信号的天然气管道微泄漏检测方法
CN111832810A (zh) 洪水预报模型、信息处理方法、存储介质、计算机设备
CN112785066B (zh) 基于卷积-递归神经网络的全球野火次季节时空预测方法
CN103234121A (zh) 基于音波信号的输气管道泄漏检测装置及检测方法
CN110398647B (zh) 变压器状态监测方法
CN105424366A (zh) 基于eemd自适应消噪的轴承故障诊断方法
CN106373070A (zh) 一种应对城市暴雨内涝的四预方法
CN116227365B (zh) 一种基于改进vmd-tcn的滑坡位移预测方法
Karyotis et al. Deep learning for flood forecasting and monitoring in urban environments
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
CN110362886A (zh) 一种基于不确定性分析的城镇砌体住宅安全评估方法
CN114781576B (zh) 一种基于随机森林算法的声速剖面估计方法及装置
CN117575873B (zh) 综合气象水文敏感性的洪水警戒方法与系统
CN114022008A (zh) 一种基于水生态分区理论的河口适宜生态流量评估方法
Cao et al. Seismic damage identification of high arch dams based on an unsupervised deep learning approach
Dai et al. Predicting coastal urban floods using artificial neural network: The case study of Macau, China
CN103488882B (zh) 一种水工建筑物安全自动化监测系统降噪方法
CN112765229A (zh) 一种基于多层注意力机制的空气质量推断方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20220111

RJ01 Rejection of invention patent application after publication