基于动态深度可分离卷积神经网络的管道泄漏孔径识别

针对传统模型为提高管道泄漏检测的精度而导致的模型结构复杂度、参数量和计算量大的问题,提出一种基于动态深度可分离卷积神经网络的管道泄漏孔径识别方法;动态卷积层将提取到的泄漏信号特征经过通道注意力权值计算和动态权值融合,通过动态深度可分离卷积层获得更强的特征表达能力,利用全局平均池化层降低网络模型参数,通过全连接层识别管道泄漏孔径。结果表明:新方法具有较高的识别精度,克服了传统模型资源开销大、功耗高的问题,降低了模型的训练时间,提升了管道泄漏孔径的识别速度,可用于工业中的管道泄漏程度监测。

局域均值分解分析的管道泄漏孔径识别及定位

提出一种基于局域均值分解的RMS熵及时延估计的天然气管道泄漏孔径识别及定位方法。该方法首先对泄漏信号进行LMD分解,得到若干具有物理意义的PF分量并计算其有效值,进而结合信息熵的概念得出不同泄漏孔径的RMS熵,将不同孔径泄漏信号的多个RMS熵组成特征向量输入SVM进行识别。为提高互相关法定位精度,提出根据LMD分解结果的峭度特征进行重构再进行互相关获取时延信息,并结合泄漏信号的传播速度,实现泄漏点定位。实验结果表明该方法能够实现管道泄漏孔径有效识别及定位,且与基于EMD的RMS熵方法相比,识别效果更好,较直接相关法的定位精度明显提高。

基于总体局域均值分解及稀疏表示分类的天然气管道泄漏孔径识别

针对天然气管道泄漏受孔径、传感器距离、管道内压力等多种因素影响,特征提取及识别算法较为复杂的问题,提出了基于总体局域均值分解-相对熵的特征提取算法并结合稀疏表示分类的泄漏孔径识别新方法。该方法采用总体局域均值分解方法对泄漏信号进行自适应分解,得到不同孔径泄漏信号的特征信息,并根据KL散度选择包含主要泄漏信息的PF分量,在此基础上提取多种时频特征参数,获取全面准确表征泄漏信号的特征向量;针对小样本复杂信号的分类,提出稀疏表示分类器实现泄漏孔径准确分类。该分类器采用过完备字典求得测试信号的最稀疏解,并以此解作为测试信号的稀疏重构系数,以获取测试信号在不同类别中的重构信号,最终通过判断测试信号与重构信号的残差值大小完成泄漏孔径分类。实验结果表明,所提出的算法比传统的SVM及BP分类算法识别准确率高。

改进稠密块轻量化神经网络的管道泄漏孔径识别

深度神经网络的管道泄漏孔径识别方法虽然识别率高,但因结构复杂造成参数量大、内存占用大,极大地限制了其在资源有限的工业环境及实时处理中的应用。提出一种优化卷积改进稠密块的轻量化神经网络用于管道泄漏孔径识别。首先将深度可分离卷积与异构卷积结合,构造了新的多卷积稠密块实现泄漏信号的特征提取;之后采用卷积注意力机制对特征进行权重划分,实现特征的重要性区分;最后通过分类器获取结果。实验结果表明,本文方法识别准确率达到了96.59%,参数量仅为781 KB。本文方法在保证高识别准确率的同时,参数量及浮点数大幅下降,训练时间也有所减少,改善了实时响应能力,对于实际工业监测应用有指导意义。

压缩感知域智能天然气管道泄漏孔径识别

天然气管道泄漏监测正在进入大数据时代,针对传统方法存在的采集数据冗余、特征提取及识别受主观因素影响较大等问题,结合压缩感知与深度学习理论,提出一种在变换域进行泄漏信号的压缩采集、在压缩感知域进行自适应特征提取及识别的智能天然气管道泄漏孔径识别方法。通过随机高斯矩阵获取压缩采集数据,并通过深度学习挖掘测量信号中隐藏的泄漏孔径信息,经稀疏滤波实现特征的自动筛选,最后研究了softmax回归实现孔径的高精度分类识别。实验结果表明,该方法实现了监测数据的压缩,对压缩感知域采集信号的识别性能明显优于传统方法。

压缩感知结合卷积网络的天然气管道泄漏孔径识别

针对传统天然气管道泄漏孔径检测面临的原始数据冗余性大、特征选取主观依赖性强以及复杂环境下识别准确率低等问题,提出了一种将压缩感知与深度卷积神经网络相结合的泄漏孔径识别方法。首先利用随机高斯矩阵对原始泄漏信号进行压缩采集,以较少的压缩感知域数据获取全部泄漏信息;然后构建深度一维卷积神经网络,将压缩采集数据送入网络中实现自适应特征提取及高准确度泄漏孔径识别;还对主要参数的影响进行了深入的分析。实验结果表明,该方法能够快速、准确地实现天然气管道泄漏孔径识别,且在低信噪比环境下具有较好的鲁棒性,总体识别效果优于传统的分类方法。