深度学习神经网络在管道故障诊断中的应用研究

针对管道故障诊断特征参数选取经验化和诊断准确率低的问题,提出一种基于深度学习神经网络(DLNN)的管道故障诊断方法。首先建立由自动编码器(AE)和分类器SOFTMAX构成的深度学习神经网络分类(CDLNN)模型,并利用该模型对4类数据集进行分类性能测试;然后运用小波分析法提取8种反映管道运行状态的特征参数,输入AE中进行转换,重构反映管道运行状态的特征参数,最后输入分类器SOFTMAX中进行诊断,将这种基于DLNN的故障诊断方法应用于实验室油气储运管道泄漏检测系统中,以验证方法的有效性。结果表明:该方法的管道故障识别平均准确率达92.86%,其与凭借经验选取特征参数的BPNN方法和SVM方法相比,具有更高的稳定性和辨识率。     

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。