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LMD包络谱熵及SVM的天然气管道微小泄漏孔径识别

针对管道泄漏信号的非平稳特征以及管道泄漏孔径大小难以识别的问题,提出一种基于局域均值分解包络谱熵及支持向量机的识别方法。该方法对管道泄漏信号进行局域均值分解,得到若干个瞬时频率具有物理意义的乘积函数(production Function,PF)分量;计算各PF分量的峭度值并据此选出包含主要泄漏信息的分量作为主PF分量,对这些分量进一步采用小波包分解能量法进行分析并重构;再对重构后的主PF分量进行希尔伯特变换求取包络谱,结合信息熵的概念提出包络谱熵并计算熵值;将归一化包络谱熵作为泄漏信号特征输入支持向量机分类器中,用以区分不同的泄漏孔径,完成对泄漏孔径的识别。通过试验采集大量的管道泄漏信号进行处理及分析,试验结果表明该方法能有效识别不同泄漏孔径类别。

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。

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。

管道泄漏声振动信号的特征分析

管道泄漏声振动是泄漏过程中多种事件共同作用产生的,所以使用多种特征才可能比较准确地描述管道泄漏声信号。合理的选取和使用这些特征对于泄漏信号识别至关重要。通过分析泄漏过程,确定选取信号的随机性和频率分布特性作为泄漏特征。由于随机性和频域特性可由多种参数描述,于是比较了各种参数作为泄漏特征值的辨识效果。使用支持向量机作为分类器,对比了使用单种特征以及组合使用多种相同或不同类特征时,实际供水管道声振动及管道泄漏的识别效果。使用两种特征的识别准确率普遍高于使用单种特征的情况,然而使用更多的特征却并没有进一步提高准确率。其中样本熵和功率谱分布特征的组合准确率最高,达到了93%,而且使用此特征组合能够正确区别管道周围常见噪声。