基于一维卷积神经网络的燃气管道泄漏声发射信号识别*

为保障燃气管道系统安全运行,及时诊断管道故障,基于VGG-16模型提出基于一维卷积神经网络的燃气管道故障诊断模型,提取原始声发射信号特征参数,有效诊断燃气管道故障。结果表明:基于一维卷积神经网络的燃气管道故障诊断模型,能够有效解决燃气管道故障诊断过程中数据预处理复杂、特征提取困难以及识别准确率低等问题,可为燃气管道故障诊断提供技术支撑。     

基于MCKD和EMD分解的压力管道泄漏源定位研究

针对输气压力管道泄漏声发射信号由于含有大量噪声而特征难以提取的问题,文章提出一种基于MCKD(最大相关鞘度解卷积)和EMD分解相结合的管道泄漏声发射信号提取方法。首先根据MCKD对泄漏信号进行降噪,突出信号中的有效成分,然后进行EMD分解得到含有泄漏特征的敏感IMF分量,并进行EMD重构并提取泄漏源声发射信号的本质特征,提高管道定位精度。实验表明,该方法能够很好地滤除信号中的噪声并且准确地提取含噪声信号中的时频特征,是对压力管道泄漏声发射信号降噪的一种新方法。     

基于在线检测信息的储罐底板腐蚀状态智能评价方法

为了解决利用声发射在线检测技术对储罐底板腐蚀状态进行评价时,主要依赖检测人员经验的问题,使该项技术能更好地推广和应用,利用储罐底板在线检测的声发射信息和外观检查信息,并根据相关标准及专家经验,确定与储罐底板腐蚀状态相关的表征因素。采用遗传算法(GA)改进贝叶斯网络(BN)搜索方法,建立基于GA的BN智能评价方法。针对声发射在线检测信息和外观检查信息,分别建立基于标准用声发射因素、基于声发射因素和综合考虑声发射因素和外观检查因素的基于在线检测信息的储罐底板腐蚀状态评价模型。通过对测试样本的评价,对比声发射检测专家评价结果,其中基于在线检测信息的储罐底板腐蚀状态评价模型的准确率为96%,该模型能够对储罐底板腐蚀状态进行可靠的智能评价。     

基于声发射特征参数的阀门内漏神经网络识别

为解决阀门内漏在线快速检测问题,基于声发射检测技术,采集了DN150闸阀在上下游压差0.8 MPa典型工况下的声发射信号,提取振幅、振铃计数、能量、平均信号电平、信号均方根值5个特征参数作为输入矢量,内漏结果作为输出矢量,建立了3层BP神经网络识别阀门内漏的模型,利用实验数据样本对该模型进行了验证。结果表明,阀门内漏识别准确率超过90%,有利于提高阀门安全运行在线监测水平。     

大型储罐声发射技术下的安全评价方法

为探究腐蚀声发射信号相关参数的变化特征,以常见的立式金属储罐为对象开展试验,研究储罐腐蚀声发射源特性,建立基于反向传播(BP)神经网络的安全评价模型,并开展应用实例研究。结果表明:声发射活性和强度会随着腐蚀反应的剧烈程度发生变化,且在腐蚀活性不同时期腐蚀信号的波形表现出连续型、突发型和混合型3种特征,频率主要集中在20～60 kHz; BP神经网络模型输出结果与实际评价结果一致,证明该方法具有一定的有效性。     

基于BP神经网络的岩石损伤声发射事件源定位研究*

工程岩体一般包含大量的节理、裂隙等各类缺陷,利用AE技术可以对缺陷进行定位,但仍然有很大误差。为进一步减小AE定位误差,确定缺陷位置,做好安全预警工作,研究提高岩石声发射定位精度的优化方法。利用断铅实验模拟产生声发射信号,将声发射信号特征参数中的幅值、能量、振铃计数以及到达时差作为输入,断铅点真实坐标作为输出,构建BP神经网络模型,并通过实验确定最优隐含层数等参数,最后通过交叉学习训练交叉预测得出断铅点坐标,并与基于到达时差的传统定位法以及考虑材料各向异性条件下的波速优化算法进行对比。结果表明:BP神经网络算法与传统方法相比,板状岩石声发射定位的误差显著减小,定位精度提高;岩石试件定位误差的误差波动更为平稳,有效改善了声发射源位置对定位效果的影响。本方法为岩石缺陷的精确定位提供了1种较好的技术手段。     

基于mini-1D-CNN模型的TE过程故障诊断

为提升石化企业过程监测与故障诊断系统性能,满足化工过程故障诊断实时性、时效性的要求,提出一种基于过程历史数据驱动的最小一维卷积神经网络(mini-1D-CNN)的故障诊断模型。首先,通过一维卷积核学习和识别不同故障类型的数据特征,自动提取优势特征并进行故障分类;其次,通过逐步向后回归选择重要特征参数,优化模型结构。利用可实时获取的31个过程变量与操作参数,输入一维卷积神经网络(1D-CNN),监测与诊断田纳西-伊斯曼(TE)过程的主要故障。结果表明：相对于其他故障诊断模型,mini-1D-CNN模型在测试集上故障诊断率(FDR)较高,可达到96.50%;同时,mini-1D-CNN模型关注于TE过程故障诊断的重要特征参数,在降低参数量及降低训练和测试时间上具有显著优势。     

基于三分量P—S波形的岩体声发射源定位算法

依据P、S波的到达时差和三分量P波初动波形可实现单探头源定位.P、S波到达时差的大小与源距离成正比;三分量P波初动的偏振分析可以追踪传播方向.给出了采用三分量法进行声发射源定位的处理步骤和算法,确定了计算声发射事件相对级的公式,并对有关问题进行了讨论.     

基于粗糙集-神经网络的矿山地质环境影响评价模型及应用

采用衡山白果地区石膏矿山的11个评价指标,综合运用粗糙集和神经网络理论,构建了基于粗糙集-神经网络(RS-ANN)的矿山地质环境影响评价模型,对RSES软件约简的数据和无约简的数据采用EasyNN-plus软件进行预测评价。神经网络模型的输入属性为8个,而粗糙集-神经网络模型的输入属性为6个,训练样本均为13个,预测样本均为4个,前者的平均预测精度为1.85%～24.86%,后者为1.23%～15.28%。研究发现,粗糙集在保留关键信息的前提下可有效地对数据表进行约简,约简后的神经网络预测结果与实际情况吻合,并比无约简时总体精度有较大幅度提高。     

低分辨率自然场景文本识别

针对自然场景文本识别中低分辨率图像识别困难的问题,提出了超分辨率卷积循环神经网络算法(super-resolution-convolutional-recurrent neural network,SR-CRNN)。该算法是一个端到端的深度神经网络,包含超分辨率网络和文本识别网络:利用训练集的高低分辨率图像对训练超分辨率分支网络;然后通过特征融合,将经过监督训练获得的超分辨率模型特征加入文本识别网络;在文本识别网络,使用卷积神经网络和注意力模型对文本行进行识别。基于低分辨率文本图像数据集的实验结果表明,SR-CRNN的文本识别能够获得更好的效果。     

YOLOv4目标检测算法在煤矿工人口罩佩戴监测工作中的应用研究*

为防止煤矿工人吸入过量粉尘而导致职业性尘肺病,基于Keras框架利用YOLOv4 (you only look once)目标检测算法对井下人员佩戴防尘口罩情况进行高精度且快速的检测与识别,并与MTCNN(Multi-task convolutional neural network)和FaceNet构成的人脸识别算法相结合,进行煤矿工人口罩佩戴监测的研究。结果表明:模型对井下人员口罩佩戴有较高的检测精度,识别已佩戴口罩的矿井下作业人员的平均精度达到92.78%,识别未佩戴防尘口罩检测的平均精度为91.63%,与其他主流算法相比算法具有更好的鲁棒性和检测效果。研究结果为预防煤矿工人职业性尘肺病提供1种有效的技术手段。     

基于EMD-HHT可定位长输天然气管道第三方破坏事件监测技术

为适应目前管道安全监测需要,满足对扰动信号分类监测的实际需求,提出1种基于希尔伯变换和经验模态分解(EMD-HHT)的信号特征提取技术,利用基于φ-OTDR分布式光纤传感系统采集振动信号,通过EMD+HHT区分算法对管道沿线振动事件进行分解并提取6个典型特征向量,各特征事件数据经过EMD后选取IMF3为最终提取特征向量的原始数据,BP神经元网络可有效识别机械破坏、敲击破坏、车辆经过、人工挖掘、动力干扰5种事件。研究结果表明：在长输管道信号识别中,BP神经网络对5类事件平均识别率高达98.6%,该技术分类识别5类事件扰动信号,能够达到较高准确性,并且误报率平均在1.3%,能较好满足现场安全实时监测需求。研究结果对长输油气管道附近第三方破坏扰动信号分类监测具有一定参考意义。     

基于声信号特征分析的燃气管道探测识别方法

为了探测和辨识地下燃气管道,避免燃气管道改扩建的过程发生第三方破坏引发安全事故,提出1种基于声信号特征分析的燃气管道探测识别方法,该方法考虑燃气管道声信号声压级低以及易衰减的特点,采用Hilebert-Huang变换算法分析燃气管道流噪声信号特征,建立燃气管道流噪声信号的特征数据库,并通过BP神经网络进行模式识别,判别...     

基于IEEMD样本熵分析的管道泄漏定位

为降低城市管道泄漏定位误差,提出1种改进的集合经验模态分解（IEEMD）样本熵分析的管道多点泄漏定位方法。首先通过在EEMD中添加自相关函数计算和EMD算法,得到IEEMD;然后应用IEEMD可将原始泄漏信号直接去噪并分解为真实信号分量和冗余分量,经样本熵分析计算剔除冗余分量,获得有效泄漏信号;最后根据互相关时延计算和声发射时差定位法精确计算泄漏点位置。结果表明:该方法泄漏信号提取效果好、计算效率更高,有效提高了信号的信噪比,降低了信号的均方误差;该方法将管道泄漏定位误差降低至4.06%,较大程度提高了管道泄漏定位精确度。     

基于IPSO-BP神经网络的钢丝绳断丝损伤识别模型研究

为解决传统钢丝绳断丝损伤识别方法精度低，BP神经网络陷入局部最优等问题，提出改进粒子群算法（IPSO）的BP神经网络识别模型。通过采集钢丝绳断丝损伤信号，提取缺陷信号特征，用峰值、峰峰值、波宽、波形下面积和波动能量5个特征值组成特征向量作为神经网络的输人，断丝数量作为神经网络的输出；利用改进粒子群算法对BP神经网络的初始权值和阈值进行优化；建立基于IPSO-BP算法的神经网络模型，用于钢丝绳断丝的定量识别。结果表明:IPSO-BPS神经网络模型的钢丝绳断丝损伤识别精度、泛化能力均高于传统BP神经网络模型，且改进的粒子群算法迭代寻优速度更快。     

基于博弈论组合赋权灰靶模型的煤矿安全综合评价

为了合理准确地评价煤矿安全现状,建立了基于博弈论组合赋权耦合灰靶决策的煤矿安全评价模型。运用层次分析法、熵权法和神经网络算法单独计算出各个指标的权重,再根据最优线性组合系数确定博弈论组合赋权。以河南义马煤业5组矿井安全现状为例,运用博弈论组合赋权耦合灰靶决策计算矿井偏离靶心度,同时将该模型的评价结果与层次分析法耦合灰靶决策模型、熵权灰靶决策模型和神经网络算法耦合灰靶决策模型的评价结果进行对比分析。结果表明:博弈论组合赋权耦合灰靶决策模型的评价结果与煤矿实际安全情况基本一致,且该模型相较其他模型的评价结果更加精准简便。     

基于CNN_LSTM模型的复杂支路故障电弧检测*

在低压交流配电系统中,当多支路并联的复杂系统的某1支路中出现串联电弧故障时,识别难度大幅提升。为了预防此类情况引发的电气火灾,提出1种卷积神经网络(CNN)与长短时记忆网络(LSTM)结合的串联故障电弧检测方法。首先,搭建实验平台用以采集不同负载在不同支路下发生故障时和正常工作时的干路电流数据;然后,构建CNN_LSTM模型并做出相应改进,将电流数据直接输入到模型中,由模型自主提取波形特征并进行分类。研究结果表明:该方法可以快速、准确地识别出电弧故障,准确率达99.04%以上,且能够较为准确地检测出是哪类负载所在的支路发生电弧故障,准确率达97.90%,可为复杂支路下的电弧故障识别研究提供参考。     

基于小波包熵与AFSA-SVM的压力管道泄漏识别

为了快速、准确地诊断出输气压力管道不同的泄漏状态,提出了一种基于小波包熵与人工鱼群优化支持向量机(AFSA-SVM)相结合的压力管道泄漏模式识别方法。该方法首先对管道泄漏时产生的声发射信号进行小波包分解,并对分解的最后一层节点重构信号进行相关性分析,以获得敏感的节点信号。然后求取这些敏感节点信号的小波包熵值,作为管道不同泄漏信号的特征向量。最后将小波包熵值输入到SVM中,并运用AFSA方法对SVM分类器中惩罚因子C与核函数参数g进行全局优化,以提高其分类准确率。实验结果表明,该方法能准确地识别压力管道不同的泄漏状态,为天然气管道泄漏状态监测提供新方法。