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。     

蒸汽管网疏水系统安全监测预警技术研究

为了预警蒸汽管网疏水系统异常运行状态，通过研究蒸汽管网疏水系统温度及压力变化规律，构建了疏水系统阀门故障判断模型及疏水系统疏水异常判断模型，并基于判断模型提出了一种蒸汽管网疏水系统监测预警方法。该方法利用网关及3G/4G通信模块将传感器采集的温度及压力数据上传至判断模型，从而自动预警蒸汽管网疏水系统运行过程中的安全风险。目前该方法已被应用到合肥市161.5 km的蒸汽管网，应用结果表明，蒸汽管网疏水监测预警方法可以用于蒸汽管网疏水系统异常运行状态监测，并在一定程度上降低了蒸汽管网疏水系统泄漏带来的安全隐患。     

基于动态贝叶斯网络的城市综合管廊燃气泄漏动态风险评价

为解决综合管廊燃气管网系统风险因素多、风险状态随时间动态变化等问题，在传统故障树和静态贝叶斯网络等方法的基础上提出了基于动态贝叶斯网络的城市综合管廊燃气泄漏动态风险评价方法。首先利用蝴蝶结模型分析总结了导致综合管廊燃气管网发生泄漏的主要风险源和不同事故后果。然后，引入时间因素与Leaky Noisy-or Gate模型，根据故障树模型的映射规则，建立城市综合管廊燃气泄漏的动态贝叶斯网络模型。最后，利用动态贝叶斯网络的双向推理功能对模型进行求解。由实例分析得到了某综合管廊燃气泄漏概率及各事故后果概率的时序变化曲线，通过反向推理得到了导致燃气泄漏的主要风险源。研究成果可为综合管廊的风险评估、日常维护提供理论支持。     

基于AE的燃气管网事故分析模块设计与实现

随着城市燃气管网的飞速发展,在役燃气管道的安全问题日益突出,针对燃气事故致因及后果,基于ArcGIS网络模型,运用GIS网络拓扑分析、空间数据库等技术,设计利用管网网络模型实现管网事故分析方法,并结合C#+ArcEngine编程技术实现燃气管网事故分析模块,该模块实现爆管分析、燃气泄漏扩散范围分析、最优路径分析、连通性...     

优化Swin Transformer的塔式起重机销轴安全状态识别算法

为减小塔式起重机运行安全隐患，提高机器视觉检验销轴连接状态的准确率，提出一种优化Swim Transformer的塔式起重机销轴安全状态识别算法；首先通过采集工地现场塔式起重机销轴安全状态图像，创建数据集；其次对数据集中销轴安全状态分类，并进行独热编码；然后基于Swin Transformer算法，建立销轴安全状态的识别模型，构造和优化损失函数；再运用AdamW优化器更新梯度，经过1 000次训练迭代后得到最终模型；最后在所创建的销轴图像数据集上，进行试验验证。结果表明：所提优化算法提高了塔式起重机销轴安全状态识别能力：准确率为99.4%、平均精度为99.4%,平均召回率为99.4%,平均特异度为99.6%,呈现出良好的分类和泛化能力；同时明显优于ShuffleNet、DenseNet和EfficientNet等3种典型算法；与原Swin Transformer算法相比，准确率也提高了3.6%。     

基于DBN的飞机着陆弹跳预测方法

飞机着陆弹跳是航班运行中经常发生的不正常事件,为掌握着陆弹跳的诱因并有效预防该类事件发生,首先,提出一种基于深度置信网络(DBN)的飞机着陆弹跳预测方法;其次,通过航空运行数据评估事件与着陆机场环境条件的相关性,以东航实际着陆弹跳事件为例,探究着陆时油门杆位置与弹跳的变化趋势;然后,分别讨论触地前飞行员操纵、飞机状态和飞机的不稳定进近对着陆弹跳的影响;最后,以不同信息的组合作为输入训练模型,对比预测精度,找到最优模型。研究结果表明:基于DBN的方法适合利用大量航班数据预测着陆弹跳事件;当网络输入包含机场环境条件、飞机油门杆位置等着陆弹跳直接影响因素,以及不稳定进近等非直接影响因素时,该预测模型能够较准确地预测着陆弹跳事件,其预测准确度可达到94.78%。     

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。     

基于时序片段的油气管道运行工况识别方法*

为准确识别管道系统运行工况,提高对油气管道突发事故的响应速度,综合提升管网安全管理水平,提出1种基于时序片段的油气管道运行工况识别方法。首先,构建基于概率分布的状态变化识别模型,提取油气管道中不同运行状态点;其次,建立基于时间序列片段的工况识别模型,快速识别不同时间长度内油气管道运行工况;最后,以国内某成品油管道为例进行方法验证。研究结果表明:该方法可有效识别成品油管道阀门开关状态、泵异常停机和阀门内漏3种运行工况。对比传统的识别方法,该方法可降低状态变化点的漏报率,提升管道运行工况识别的准确率。研究结果可为油气管道系统运行工况识别提供新的借鉴方法。     

基于深度学习算法的叉车危险操作行为检测

随着物流仓储行业快速发展及叉车数量的不断增多，针对叉车作业过程中存在的人员碰撞、挤压、坠落等潜在风险，迫切需要对危险行为进行及时检测和预警。为解决人员值守易漏报误报及传统方法检测精度低的问题，建立基于图像特征识别的叉车检测深度学习模型和算法。通过采集、处理现场视频图像素材，完成模型的训练及性能评价，建立相应的报警规则和报警阈值，搭建测试环境并进行仿真测试，开发相应的软件系统。结果表明:模型检测速率为130 ms/帧，人员靠近叉车准确率为85.6%，叉车举升人员准确率为83.7%，达到良好的实践效果。     

人员安全帽佩戴轻量化检测方法研究

为有效减小安全帽检测算法的计算复杂度，并提高算法对于小目标的检测精度，提出一种基于Pytorch深度学习框架的轻量化安全帽检测模型。使用轻量化网络设计减小模型的计算量；设计可变形双向聚合网络提高模型对检测对象尺度和形状多样性的适应能力，优化对小目标的检测效果；通过网络收集的施工现场图像验证安全帽检测算法的检测效果。与已有安全帽检测算法相比，该方法检测精度有明显提高、模型参数量显著下降，并以137帧/s的速度运行。可变形双向聚合网络利用深层语义特征和浅层细节特征，并自适应调整感受野，可以适应不同形状和尺寸的检测对象，提高检测精度。     

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。     

基于毕达哥拉斯模糊贝叶斯网络的海底管道泄漏风险分析*

为分析海底管道运行中存在的泄漏风险,提出1种基于毕达哥拉斯模糊数与贝叶斯网络的风险评估模型。首先,通过毕达哥拉斯模糊数转换专家定性评价,拓展专家意见模糊范围;然后,结合主客观组合赋权法,利用毕达哥拉斯梯形爱因斯坦混合几何算子（PTFEHG）实现专家意见的聚合;最后,通过贝叶斯网络的推理与敏感性分析,计算海底管道泄漏风险的失效概率,并辨识关键风险因素。研究结果表明:该方法可以结合专家意见对海底管道泄漏风险进行定量分析,并识别导致泄漏事故的关键风险因素,对海底管道安全管理具有指导意义。     

基于风量-风压复合特征的通风系统阻变型故障诊断

为了避免风量单一特征进行故障位置诊断的不适定性，提出基于风量-风压复合特征的故障位置诊断方法，实现特征信息的多维互补，提高故障位置诊断的准确度。利用蒙特卡洛方法生成大致满足实际故障风阻值分布的故障仿真样本，为了避免不同变量之间不同量纲、不同数量级造成的数据损失，对原始风量、风压数据进行标准化处理，并分别以风量单一特征、风压单一特征、风量-风压复合特征作为支持向量机（SVM）的输入，构建通风系统阻变型故障位置诊断模型。通过故障模拟实验研究表明:风量、风压单一特征进行故障位置诊断的准确度分别为89.80%，90.34%，风量-风压复合特征进行故障位置诊断的准确度为98.23%，说明风量-风压复合特征进行故障诊断可以消除风量、风压单一特征进行故障诊断的不适定性，提高故障诊断的准确度。     

基于贝叶斯网络的高速动车组运营故障分析

为研究影响高速动车组正常运行的各故障因素间的因果关系，分析其耦合强度，将故障因素分为人、机、环3类，从系统角度又将机器因素分为5个子系统。人、机、环3类共识别27个故障因素；使用K2算法生成贝叶斯网络结构，引入扩展因果效应算法确定节点优先次序作为K2算法的先验知识，采用EM算法学习贝叶斯网络参数，构建基于贝叶斯网络的高速动车组运营故障分析模型；以209个CRH详细故障报告为例，对故障因素的故障发生概率进行排序并分析因素间的影响强度和灵敏度。结果表明:牵引供电系统故障发生概率较高；车门系统故障、牵引变流器故障易由内部零件故障引起，外界异物击打对受电弓影响较大；人、环因素更易引起多故障耦合；环境因素对牵引供电系统表现出较高的灵敏度。贝叶斯网络在分析高速动车组运营系统故障问题上具有可行性，分析结果有助于提升运营单位的管控能力。     

基于ISOA-RBPNN的埋地管道剩余强度预测*

为提高腐蚀管道剩余强度的预测精度，提出引入弹性梯度下降法改进BP神经网络，并融合改进海鸥优化算法(ISOA)，构建腐蚀管道剩余强度预测模型。关于改进BP神经网络模型的参数寻优，首先采用Cat混沌映射初始化改进海鸥优化算法(SOA)初始种群的分布，提升寻优能力，优化SOA的搜索方向和攻击形式，增强其全局搜索能力并提高收敛速度，然后用ISOA对弹性BP神经网络（RBPNN）模型中的权值和阈值进行寻优，最后构建ISOA-RBPNN预测模型。以管道爆破数据为例，利用MATLAB进行仿真模拟，并与PSO-BPNN模型和IFA-BPNN模型预测结果进行对比分析。研究结果表明:ISOA-RBPNN模型的各项评价指标均优于其他2个模型，预测结果较实际值误差更小，在预测腐蚀管道剩余强度领域具有更好的性能，可为后续研究腐蚀管道剩余寿命和制定维修策略提供参考依据。     

基于改进灰色模型的管壁蜡沉积厚度预测研究

为对含蜡原油管道中的蜡沉积厚度进行准确预测,在函数cot(x2)变换的基础上,结合平移变换思想,利用cot(x2+c)变换建立新的改进GM(1,1)模型。以现场管道结蜡数据和室内环道结蜡数据为例,对比改进GM(1,1)模型、基于函数cot(x2)变换建立的GM(1,1)模型及传统GM(1,1)模型之间的预测精度,并分析平移量c对改进GM(1,1)模型预测精度的影响。结果表明:改进GM(1,1)模型的预测精度最高,其次是基于函数cot(x2)变换建立的GM(1,1)模型,而传统GM(1,1)模型的预测精度最低;随着平移量的增大,改进GM(1,1)模型的平均相对预测误差呈现出先减小后增大的趋势,因此合理的平移量有助于模型精度的提高。应用改进GM(1,1)模型来预测管道蜡沉积厚度是可行的,该方法可为含蜡原油管道蜡沉积厚度的准确预测提供参考和借鉴。