卷积神经网络在燃气管道故障诊断中的应用

为了提高燃气管道泄漏故障的诊断能力,判断燃气管道故障泄漏的类型,将深度学习神经网络应用到燃气管道故障诊断领域,提出了一种基于卷积神经网络与softmax分类器的燃气管道故障诊断技术。选取燃气管道故障中的9种特征参数作为模型的原始输入量,经过卷积神经网络的特征提取、参数重构、soft-max分类,最终达到诊断的效果。将得到的卷积神经网络模型应用在实验室的燃气管道故障泄漏检测系统中,结果表明,这种模型在燃气管道故障识别中的准确率稳定在92. 54%,与BP神经网络相比该方法有明显的准确率和稳定性。     

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。     

改良的AlexNet模型在有杆泵故障诊断中的应用

示功图识别是有杆泵故障诊断的常用方法,随着神经网络技术的发展,虽已能准确识别典型示功图,但存在以下问题:代表不同故障的相似示功图识别精度有待提高;卷积神经网络(CNN)经典AlexNet模型识别示功图运算效率偏低。基于示功图,设计叠加示功图作为诊断对象,增加分类特征。改良的AlexNet模型:学习LeNet-5模型结构简单,运算快速,删减2层卷积、2层池化和1层全连接,提高模型运算速度;选用3×3的卷积核和2×2的池化核,增强特征学习能力,保证模型识别精度。经叠加示功图样本集测试:新模型相比LeNet-5模型、AlexNet模型,在进一步提高识别精度的同时显著提高运算效率。经现场应用:新模型可以准确高效识别代表不同故障的相似示功图,提液单耗减少16%,设备工作效率提高33%等。     

基于概率神经网络的液氨汽车罐车复合故障诊断

故障诊断在保证危险化学品汽车罐车运输安全方面具有重要意义。从国内交通运输安全的实际要求出发,依据液氨汽车罐车的结构特点及国家法律法规的要求,比较全面、系统地分析了液氨汽车罐车故障特征的相关参数,并将其作为概率神经网络的输入结点。根据实际可能发生的故障分类模式,考虑到故障诊断的容错能力和自适应能力,提出了基于概率神经网络的复合故障诊断模型。利用指标参数作为网络训练样本,对未知故障模式进行诊断,并以广西地区压力容器检验所液氨检测数据为例进行说明。理论分析和实例计算表明,该模型物理概念清晰,计算结果合理,精度较高,在危险化学品汽车罐车故障诊断中有很好的适用性。该项工作可为我国危险化学品汽车罐车故障智能诊断的深入开展提供参考依据。     

基于FMEA与RBF神经网络的LPG汽车罐车储罐系统故障诊断

为了对液化石油气(LPG)公路运输罐车储罐系统故障进行准确、全面的诊断,通过利用故障模式影响分析方法(FMEA)构建储罐系统故障模式及故障特征指标,根据日常检测数据构造训练样本,运用径向基函数(RBF)神经网络对网络进行训练建立诊断模型并利用诊断模型对罐车故障进行诊断。经验证:诊断结果与实际情况相符合。因此,基于FMEA与RBF神经网络所构建的模型可以用于危险化学品汽车罐车储罐系统的故障诊断。     

面向复杂设备的分布式故障诊断研究

基于复杂系统的设备故障诊断的要求 ,按故障信息流动的方向将诊断过程分为实时监测层、故障诊断层及综合决策层 ,并建造一种分布式多级黑板诊断结构模型。根据不同诊断层次的特点 ,赋予其不同的诊断方法。在实时监测层中各实时监测单元采用神经网络和知识基模块的混合结构完成该层任务 ;故障诊断层则基于广义知识表达模型 ,建立三库结构 ,即静态实例库、动态实例库和规则库 ,整个推理过程基于三级推理机制 ;综合决策层为一智能型的辅助决策支持系统 ,提供对整个系统生产与设备运行状态的综合诊断与决策。     

基于模糊Petri网的有载分接开关故障诊断方法研究*

为解决分接开关故障诊断以主观经验、缺乏系统化流程以及诊断结果与分接开关实际发生故障存在偏差等问题,依据当前分接开关主要故障分类,提出基于模糊Petri网的有载分接开关故障诊断模型,并结合分接开关典型故障案例,验证模型有效性。研究结果表明:基于模糊Petri网的分接开关故障诊断模型能够有效处理故障概率中不确定性因素,具有容错性好、运行效率高等优势,研究结果可为提高分接开关故障诊断的准确性、保障电力系统安全稳定运行提供参考。     

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...     

故障树法和改进PSO-PNN网络的电梯故障诊断模型

针对电梯故障问题,提出一种将故障树分析法、改进的粒子群优化算法和概率神经网络相结合的方法用于电梯的故障诊断。以电梯的安全回路系统为例,用故障树法对回路进行分析,获得训练样本与故障类型;使用粒子群算法对概率神经网络的平滑因子进行优化,在优化过程中,针对粒子群算法存在易陷入局部最优的缺陷,提出对惯性权重的改进策略;采用相对误差对诊断效果做出评估,并与传统的概率神经网络和基本粒子群算法优化的概率神经网络在各种故障类型输出和最大相对误差等方面进行比较,结果表明:该模型能够有效诊断电梯故障。     

基于AHP-熵权法的城市燃气管道风险评价*

为全面、客观地评价城市燃气管道风险,提出1种基于AHP-熵权法的城市燃气管道风险评价模型。该模型基于风险评价理论,结合管道失效可能性与后果严重性,构建包含105个评价底因素的城市燃气管道风险评价指标体系。针对城市燃气管道风险因素的复杂性和模糊性,引入模糊数学思想和方法,结合AHP和熵权法确定评价指标的综合权重,再运用模糊综合评价法和风险分析矩阵评估燃气管道风险等级。结果表明:该评价模型风险评价结果与实际情况相符,可为城市燃气管道风险预警与管理提供依据。     

基于改进PSO-BPNN的输油管道内腐蚀速率研究

为解决输油管道易腐蚀,且腐蚀程度难以测量的问题,提出使用改进的粒子群算法（PSO）优化误差反向传播神经网络（BPNN）对输油管道内腐蚀速率进行预测。改进的PSO算法提升了自身搜索到全局最优的能力,可为BPNN提供最优初始权值和阈值,从而有效避免BPNN易陷入局部最优的问题发生。以某条输油管线为例,分别运用标准的BPNN模型、PSO-BPNN以及改进的PSO-BPNN对该管线内腐蚀速率进行预测。结果表明:基于改进的PSO-BPNN的预测结果平均相对误差为5.57%,预测精度较BPNN和PSO-BPNN有明显提升。使用改进的PSO-BPNN预测输油管道的腐蚀速率可为管道的检测维修提供可靠的理论和技术支撑。     

基于广义概念的城市燃气管道泄漏精确定位

为了准确地检测城市燃气管道泄漏,提出了一种基于广义概念的管道泄漏检测定位方法。声发射技术对于管道泄漏的检测、定位是一个极好的工具,但由于泄漏源的传播容易受到周围背景噪声以及复杂工况的影响,其定位误差较大。基于时延估计的互相关信号处理方法被广泛用于管道泄漏检测定位,但由于泄漏应力波传播通道的动态特性,使得源信号在传播过程中会产生波形变化,给互相关函数峰值位置的确定带来困难。由此引入广义相关分析方法,通过对信号进行前置滤波,在一定程度上减少了传播通道动态特性因素对泄漏点定位的不利影响,得到了更为准确的时延估值。在此基础上,通过模拟实验,编写Matlab神经网络代码,构造GRNN模型,进一步预测定位。结果表明,GRNN预测的声发射检测值、互相关定位值以及广义相关定位值,相比之前定位精度分别得到提高,其中基于广义相关的延时估计方法定位最为精确,将该方法用于工程实际中,可以更加精确地定位出泄漏点。     

基于ICEEMDAN和MC-CNN的矿山声发射信号识别分类方法

为精准识别地下矿山声发射事件,采用基于改进的完全集合经验模态分解模型(ICEEMDAN)和多通道卷积神经网络(MC-CNN)模型对声发射信号进行处理后得到分量图,根据各通道输入分量峭度值赋予不同权重,并利用卷积神经网络对输入数据进行训练,最终采用五折交叉实验方法验证该分类识别方法的可行性及有效性.结果表明:基于ICEE...     

Integrated leakage detection and localization model for gas pipelines based on the acoustic wave method

With the development of natural gas transportation systems, major accidents can result from internal gas leaks in pipelines that transport high-pressure gases. Leaks in pipelines that carry natural gas result in enormous financial loss to the industry and affect public health. Hence, leak detection and localization is a major concern for researchers studying pipeline systems. To ensure the safety and improve the efficiency of pipeline emergency repair, a high-pressure and long-distance circular pipe leakage simulation platform is designed and established by similarity analysis with a field transmission pipeline, and an integrated leakage detection and localization model for gas pipelines is proposed. Given that the spread velocity of acoustic waves in pipelines is related to the properties of the medium, such as pressure, density, specific heat, and so on, this paper proposes a modified acoustic velocity and location formula. An improved wavelet double-threshold de-noising optimization method is also proposed to address the original acoustic wave signal collected by the test platform. Finally, the least squares support vector machine (LS-SVM) method is applied to determine the leakage degree and operation condition. Experimental results show that the integrated model can enhance the accuracy and precision of pipeline leakage detection and localization.     

基于深度置信网络的管网泄漏故障诊断方法研究

针对当前管网系统数据量大不利于传统模型方法诊断故障的问题，设计了1种基于深度置信网络的管网故障诊断算法。首先，对管网数据结构以及管网系统运行状态进行分析，选取管网主要数据作为故障诊断网络的输入，确定相应运行状态作为诊断网络输出；其次，设计了基于多个受限制玻尔兹曼机与Softmax分类器级联的深度置信网络，并且利用对比散度算法和BP算法对模型进行预训练与调优，使模型参数达到全局最优；最后，通过实验测试确定所设计的深度置信网络的训练迭代次数与网络层数，使算法诊断准确率达到最优。研究结果表明:提出的基于深度置信网络的管网故障诊断算法对管网故障诊断可以达到良好的诊断结果，泄漏预测准确率在验证集样本上可达96.87%，在管网泄漏检测方面，相较于传统基于模型的方法优势明显。     

An optimization of artificial neural network modeling methodology for the reliability assessment of corroding natural gas pipelines

A fast calculation of the reliability is meaningful to the in-line inspection of corroding natural gas pipelines. However, the traditional Monte Carlo simulation(MCS) method is time consuming for the low possibilities of the pipeline failure. The artificial neural network(ANN) is preferable for the complex nonlinear situation. An optimization of artificial neural network modeling methodology for the reliability assessment of corroding natural gas pipelines is proposed in this paper. To reduce the influence of training sets random behaviors on the calculation results, some algorithms are used to optimize the sequence of the training samples and the initial parameters of ANN models. The optimized model is applied to the reliability assessment of a corroded pipe with two successive inline inspections. According to the physical parameters of the pipeline, the trend of corroding pipeline reliability in time is predicted. The comparison between the trained ANN model, the MCS method and non-optimized ANN model shows the advantages the proposed modeling process. The methodology given in this paper is general and it can be applied to evaluate the reliability of other kind of structure safeties in practical systems.     

基于遗传-神经网络算法的含均匀腐蚀缺陷油气管线爆破压力预测研究*

为提高含均匀腐蚀缺陷油气管线爆破压力的预测精度，保障长输油气管线的安全运行，将遗传算法和BP神经网络相结合，建立含均匀腐蚀缺陷油气管线爆破压力预测的遗传-BP神经网络（GA-BPNNs）模型。采用已有文献实验数据，分析对比该模型与AGA NG-18，ASME B31G，修正B31G，PCORRC，DNV RP-F101和SHELL 92等方法用于X46，X52，X60，X65，X80等材质油气管线含均匀腐蚀缺陷时爆破压力的计算误差。结果表明:GA-BPNNs模型用于含均匀腐蚀缺陷油气管线爆破压力预测时，误差在-7.78%～6.06%之间，预测精度明显高于目前国内外通用规范的计算结果；该模型操作简单，适用范围广，工程实用性好，为含缺陷压力管道爆破压力的预测提供更好的思路和方案。     

基于UHBs的输气管道高后果区泄漏燃爆事故分析

为探究输气管道高后果区中人的不安全行为（Unsafe Human Behaviors,UHBs）对输气管道泄漏燃爆事故发生的影响,结合模糊Bow-tie模型和贝叶斯网络对输气管道泄漏燃爆事故进行分析。构建基于T-S模糊故障树的输气管道泄漏燃爆模糊Bow-tie模型,并转化为贝叶斯网络;从人的不安全行为发生的可能性出发,将不同等级高后果区划分为不同等级人口敏感区;利用专家经验评判法得到不同等级人口敏感区基本事件的先验概率和中间事件的条件概率表;运用贝叶斯网络双向推理算法求解模糊Bow-tie模型。结果表明:随着地区人口敏感等级的提高,输气管道泄漏燃爆事故发生的概率随之增大,发现导致输气管道失效泄漏事故发生的最主要原因为施工破坏,失效原因与EGIG分析的结果基本相符,验证该方法在高后果区输气管道泄漏燃爆事故分析上的可行性,可为输气管道高后果区的安全管理提供决策依据。     

基于随机森林的阻变型通风网络故障诊断方法*

为了在矿井通风网络发生阻变型故障时,能够快速准确判断出故障位置和故障量,提出1种基于随机森林的通风网络故障位置和故障量诊断方法。利用矿井通风仿真系统IMVS将唐安矿模拟故障生成空间数据集并进行数据预处理,构建基于随机森林的故障诊断模型,并利用该诊断模型对唐安矿矿井通风网络模拟故障位置和故障量进行判断和预测。引用多种方法对模型进行度量,通过唐安矿模拟实验验证基于随机森林的故障诊断模型的有效性。将随机森林和决策树的故障诊断准确率进行对比,研究结果表明:随机森林较决策树故障准确率有进一步的提高,并发现故障地点失误诊断多是相邻巷道,在一定程度上工作人员对故障地点的判断并不受其影响。     

基于元胞自动机数学模型的瓦斯抽采管道漏点定位研究

为了解决普通数学模型难以准确描述瓦斯抽采管道内流体的流动状态问题，提出了以元胞自动机模型为基础的瓦斯抽采管道漏点定位模型。根据元胞自动机在空间和时间上离散化的特性来演化管道流体在时空上的连续变化，将管径变化、管壁粗糙度、管构异件种类和数量以及温度等参数沿管道进行离散化，利用元胞自动机理论以及管道两端的信号对管道沿线压力和流量等参数变化进行预测，以判断泄漏的发生和漏点定位。通过实验验证，该方法能提高漏点定位精度。