典型文献
基于CNN的供热管道泄漏识别方法研究
文献摘要：
为了快速识别出供热管道泄漏故障,以管道泄漏时产生的负压波特征,研究提出了利用卷积神经网络(CNN)识别压力数据的管道漏损诊断方法.通过搭建供热管道实验平台,采集了正常、泄漏、调阀三种工况下的压力数据作为卷积神经网络的训练集和测试集.对原始数据进行小波降噪处理,应用硬阈值的处理方法有效消除了噪声信号,同时在调阀工况中出现了强化特征,增强了卷积神经网络的分类能力.针对一维数据特征采用改进的AlexNet卷积网络模型对采集的数据进行学习及识别.结果发现,在对实验室数据测试中,CNN模型的平均识别正确率达98.39％.在对实际管网的验证中,三个热力站的泄漏数据均被正确识别,表明CNN模型具备良好的故障诊断能力.
文献关键词：
泄漏检测;小波去噪;卷积神经网络;负压波
中图分类号：
作者姓名：
马广兴;曲波;常琛;卞浩然
作者机构：
内蒙古工业大学土木工程学院 呼和浩特010050;内蒙古自治区土木工程结构与力学重点实验室 呼和浩特010050
文献出处：
引用格式：
[1]马广兴;曲波;常琛;卞浩然-.基于CNN的供热管道泄漏识别方法研究)[J].电子测量技术,2022(16):34-41
A类：
B类：
供热管道,管道泄漏,泄漏识别,快速识别,泄漏故障,负压波,波特征,管道漏损,实验平台,调阀,训练集,测试集,原始数据,小波降噪,降噪处理,硬阈值,噪声信号,数据特征,AlexNet,卷积网络,实验室数据,数据测试,管网,热力站,诊断能力,泄漏检测,小波去噪
AB值：
0.365462
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
