CN111365624A - 一种输卤管道泄漏检测的智能终端与方法 - Google Patents
一种输卤管道泄漏检测的智能终端与方法 Download PDFInfo
- Publication number
- CN111365624A CN111365624A CN202010202066.4A CN202010202066A CN111365624A CN 111365624 A CN111365624 A CN 111365624A CN 202010202066 A CN202010202066 A CN 202010202066A CN 111365624 A CN111365624 A CN 111365624A
- Authority
- CN
- China
- Prior art keywords
- transformation
- data
- conveying pipeline
- leakage
- signals
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17D—PIPE-LINE SYSTEMS; PIPE-LINES
- F17D5/00—Protection or supervision of installations
- F17D5/02—Preventing, monitoring, or locating loss
- F17D5/06—Preventing, monitoring, or locating loss using electric or acoustic means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M3/00—Investigating fluid-tightness of structures
- G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
- G01M3/04—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point
- G01M3/24—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point using infrasonic, sonic, or ultrasonic vibrations
- G01M3/243—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point using infrasonic, sonic, or ultrasonic vibrations for pipes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M3/00—Investigating fluid-tightness of structures
- G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
- G01M3/26—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors
- G01M3/28—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors for pipes, cables or tubes; for pipe joints or seals; for valves ; for welds
- G01M3/2807—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors for pipes, cables or tubes; for pipe joints or seals; for valves ; for welds for pipes
- G01M3/2815—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors for pipes, cables or tubes; for pipe joints or seals; for valves ; for welds for pipes using pressure measurements
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Pipeline Systems (AREA)
Abstract
本发明涉及输卤管道检测技术领域,公开了一种输卤管道泄漏检测的智能终端与方法,智能终端包括STM32F7芯片、压电式复合传感器、滤波电路模块、高精度A/D转换电路、GPS模块、外部SDRAM模块、SD卡模块、4G通讯模块。检测方法包括获取历史数据集H;对其进行离散S变换,并分为训练集Z和测试集T;训练并确定LSTM模型;对输卤管道信号同步采样,对其进行S离散变换;将当前数据输入到已经训练好的LSTM模型中,预测是否发生泄漏。与现有技术相比,本发明通过S变换充分了解到输卤管道某时刻数据特征,通过LSTM建模,解决了数据之间的时间相关性,避免人为设置阈值,增加泄露判断的准确性。
Description
技术领域
本发明涉及输卤管道检测技术领域,特别涉及一种输卤管道泄漏检测的智能终端与方法。
背景技术
输卤管道随着管道使用的年限增长,管道泄漏的事故不断增多而其泄漏不仅对环境造成严重污染,还会给企业带来巨大的经济损失。因此,对管道进行实时监测,及时的确定故障的发生并精确定位泄漏点具有重要的研究意义。
目前,管道泄漏的检测方法主要有:1.负压波法;2.次声波法;3.分布式光纤预警法等。当管道发生微小泄漏时,信号变化的不明显。用这些方法检测微小泄漏时,普遍存在检测精度较低的问题。
发明内容
发明目的:针对现有技术中存在的问题,本发明提供一种可以解决现有管道泄漏检测算法精度低的输卤管道泄漏检测的智能终端与方法。
技术方案:本发明提供了一种输卤管道泄漏检测的智能终端,包括STM32F7芯片、压电式复合传感器、滤波电路模块、高精度A/D转换电路、GPS模块、外部SDRAM模块、 SD卡模块、4G通讯模块;
所述压电式复合传感器,用来检测输卤管道内部的压力信号和振动信号,其采集的模拟信号经过滤波电路模块、高精度A/D转换电路转化成数字信号,并通过SPI方式传输给 STM32F7芯片,将采集的数据写入外部SDRAM模块中,所述STM32F7芯片对数据进行分析,将疑似泄漏的信号,存储到SD卡中,通过4G模块传输到上位机。
进一步地,所述智能终端通过GPS模块的秒脉冲信号,同步采集输卤管道上下游某一时刻的振动信号和压力信号,并且利用GPS模块给采集到的数据加上时间戳。
进一步地,高精度的A/D转换电路采用的是ADS1274。
本发明还公开了一种输卤管道泄漏检测的方法,包含如下步骤:
Sept1:获取输卤管道内壁的压力和振动信号的历史数据集H;
Sept2:对历史数据集H进行离散S变换,记录S变换后的数据集D,将S变换后的数据集D分为训练集Z和测试集T;
Sept3:搭建LSTM模型,选取Sept2中训练集Z对LSTM模型进行训练类,并调整参数直至网络效果达到预想效果,确立LSTM模型;
Sept4:将Sept2中测试集T作为LSTM模型的输入,对模型准确性进行验证;
Sept5:对输卤管道当前的振动和压力信号进行同步采样,将当前采样数据进行S离散变换;
Sept6:将S变换后的当前数据输入到已经训练好的LSTM模型中,进行是否发生泄漏的预测。
优选地,所述S变换的离散形式如下所示:
其中,N为信号的采样总点数,T为采用周期,X[kT](k=0,1,2…N-1)为采样后的信号,n为第n个点的序号,m为向左平移的频率点,j为虚数单位。
优选地,所述S变换的具体步骤如下:
Step1.1:采集输卤管道内壁的压力信号X[kT];
Step1.3:n=0时,转到Step1.4,执行Step1.4与Step1.5;n不为0时,对于给定的频率点n,计算高斯窗函数的FFT:
Step1.4:根据n=0的公式计算给定时间点k对应的时间序列的S变换S[kt,0] (k=0,1,2,…,N-1表示时间采样点);
Step1.5:令k=k+1,重复Step1.4,直至完成所有点的S变换,并结束S变换;
Step 1.8:令n=n+1,重复Step1.6、Step1.7,直到计算完所有的频率点的S变换。
优选地,所述LSTM模型公式包括:
1)遗忘门:有条件地选择哪些信息从当前单元中抛弃,公式如下:
ft=σ(Wf.[ht-1,Xt]+bf)
其中ft∈[0,1],1表示“完全保留”,0表示“完全舍弃”,其中ht-1表示的是上一个时刻LSTM的输出,Xt表示的是细胞的当前输入,Wf为遗忘门的权重矩阵,bf为偏置,σ是激活函数,通常选用Sigmoid函数,即
2)输入门:有条件地决定在单元中存储哪些信息,公式如下:
it=σ(Wi.[ht-1,Xt]+bi)
其中,输入门it是由Xt和ht-1经过Sigmoid函数计算生成的,it同ft一样是一个介于[0,1]的向量;另一个是由Xt和ht-1经过tanh激活函数生成的一个向量表示单元状态更新值,it控制的哪些特征用于更新当前的状态,从而生成新的状态
3)输出门:有条件地决定哪些信息需要输出,并输出信息;公式如下:
Ot=σ(Wo.[ht-1,Xt]+bo)
ht=Ot*tanh(Ct)
其中,运行一个Sigmoid层来确定细胞状态的哪个部分将输出出去,接着,把细胞状态通过tanh进行处理,得到一个在-1到1之间的值,并将它和Sigmoid门的输出相乘,最终仅会输出我们确定输出的那部分。
优选地,所述Sept3中通过交叉熵损失函数,来刻画实际输出和期望输出的差距,并使用随机梯度下降法最小化交叉熵损失函数,对LSTM模型进行参数调整,直至模型达到要求,其交叉熵损失函数公式为:
其中,表示t时刻输卤管道发生泄漏的实际概率,Z为训练集,z为训练集中的一个数据,p(yt|ht)表示模型预测的概率,即当输卤管道发生泄漏时的概率为: p(yt|ht)=softmax(θht+b),其中θ=(θ1,θ2...θZ)为权重矩阵,b为偏置,设“1”标记为发生泄漏,“0”表示管道未发生泄漏。
有益效果:
1.本发明通过S变换能充分的了解到输卤管道某一时刻数据时-频-模三维的特征,作为LSTM模型的输入,使得模型能够更好的学习数据的特点,从而增加模型判断的准确性。
2.本发明通过LSTM对输卤管道内部的压力信号和振动信号进行建模,解决了数据之间的时间相关性。
3.现有技术中,输卤管道的泄漏判断需要设置阈值,而采用本发明的检测方法可以避免人为设置阈值,增加泄露判断的准确性。
附图说明
图1为本发明的泄漏检测装置的方框结构示意图;
图2本发明智能终端的电路连接图;
图3为本发明的整体框图;
图4为本发明的S变换流程图;
图5为本发明的LSTM模型流程图;
图6为本发明的仿真数据图;
图7为本发明的S变换后数据图。
具体实施方式
下面结合附图对本发明进行详细的介绍。
如图1所示一种输卤管道泄漏检测的智能终端,包括STM32F7芯片、压电式复合传感器、滤波电路模块、高精度A/D转换电路、GPS模块、外部SDRAM模块、SD卡模块、4G通讯模块。该智能终端通过GPS模块的秒脉冲信号,同步采集输卤管道上下游某一时刻的振动信号和压力信号,并且利用GPS模块给采集到的数据加上时间戳,便于之后的数据处理。采集到的模拟数据通过滤波电路模块去除杂波干扰,将滤波后的模拟信号通过A/D转换电路进行模数转换。
高精度的A/D转换电路采用的是ADS1274。ADS1274是24位逐次逼近型的模拟数字转换器,其中包含四路AD转换电路。ADS1274与STM32F7通过SPI进行数据传输。STM32F7 芯片先通过定时器的捕获功能接受GPS的PPS中断信号,当定时器捕获到上升沿时,此时在PPS中断处理函数中检测ADS1274的数据准备好信号是否产生下降沿。若产生下降沿,则说明数据已准备好,此时开始传输数据。该智能终端将这些带有时间戳的、未被分析的数字信号暂时存储在外扩的SDRAM中,以缓解STM32F7的计算压力,从而可以在该智能终端的STM32F7中进行简单的数据分析。对于该智能终端分析后疑似泄漏的信号,存储到SD 卡中。同时,该智能终端利用4G模块将采集到的输卤管道上下游数据上传到云端,将大量的数据进行汇总分析。该智能终端的电路连接图如图1、图2所示。
图2为电路的滤波电路图。本发明需要分析的是输卤管道内部振动所产生的交流信号,所以第一部分的滤波放大电路是将交流信号放大,直流信号作为载波信号,保持不变。第二部分为差分放大电路。对于直流信号来说,差分放大电路是共模输入,输出端的电压为0,避免了直流电压的干扰,同时也放大了所需要的交流信号。
本发明还公开了一种输卤管道泄漏检测的方法,其整体流程图如图3所示,设信号的采样总点数为N,采用周期为T。检测方法主要包括如下步骤:
Sept1:获取输卤管道内壁的压力和振动信号的历史数据集H。
通过压电式复合传感器获取管道内壁的压力信号(振动信号做相同分析),设采样后的信号为X[kT](k=0,1,2…N-1)。
Sept2:对历史数据集H进行离散S变换,记录S变换后的数据集D,将S变换后的数据集D分为训练集Z(总数据的70%)和测试集T(总数据的30%)
S变换的离散形式如下所示:
其中,N为信号的采样总点数,T为采用周期,X[kT](k=0,1,2…N-1)为采样后的信号,n为第n个点的序号,m为向左平移的频率点,j为虚数单位。
对所有采集到信号(历史数据集H)进行离散S变换,记录S变换后的数据集。
S变换的具体步骤如图4所示:
Step2.1:采集数据管道内壁的压力信号X[kT]。
Step2.3:n=0时,转到Step2.4,并执行Step2.4与Step2.5;当n不为0时,对于给定的频率点n,计算高斯窗函数的FFT:
Step2.4:根据n=0的公式计算给定时间点k对应的时间序列的S变换S[Kt,0] (k=0,1,2,…,N-1表示时间采样点)。
Step2.5:令k=k+1,重复Step2.4,直至完成所有点的S变换。
Step2.8:令n=n+1,重复Step2.6,Step2.7,直到计算完所有的频率点的S变换。
Sept3:N个信号点的S变换后得到复数矩阵,利用该矩阵搭建LSTM模型,选取Sept2中训练集Z对LSTM模型进行训练类,并调整参数直至网络效果达到预想效果,确立LSTM 模型。
Sept4:将Sept2中测试集T作为LSTM模型的输入,对模型准确性进行验证。
Sept5:对输卤管道当前的振动和压力信号进行同步采样,将当前采样数据进行S离散变换。
Sept6:将S变换后的当前数据输入到已经训练好的LSTM模型中,进行是否发生泄漏的预测。
上述的LSTM模型,其公式包括:
1)遗忘门:有条件地选择哪些信息从当前单元中抛弃,公式如下:
ft=σ(Wf.[ht-1,Xt]+bf)
其中ft∈[0,1],1表示“完全保留”,0表示“完全舍弃”,其中ht-1表示的是上一个时刻LSTM的输出,Xt表示的是细胞的当前输入,Wf为遗忘门的权重矩阵,bf为偏置,σ是激活函数,通常选用Sigmoid函数,即
2)输入门:有条件地决定在单元中存储哪些信息,公式如下:
it=σ(Wi.[ht-1,Xt]+bi)
其中,输入门it是由Xt和ht-1经过Sigmoid函数计算生成的,it同ft一样是一个介于[0,1]的向量;另一个是由Xt和ht-1经过tanh激活函数生成的一个向量表示单元状态更新值,it控制的哪些特征用于更新当前的状态,从而生成新的状态
3)输出门:有条件地决定哪些信息需要输出,并输出信息;公式如下:
Ot=σ(Wo.[ht-1,Xt]+bo)
ht=Ot*tanh(Ct)
其中,运行一个Sigmoid层来确定细胞状态的哪个部分将输出出去,接着,把细胞状态通过tanh进行处理,得到一个在-1到1之间的值,并将它和Sigmoid门的输出相乘,最终仅会输出我们确定输出的那部分。
设“1”标记为发生泄漏,“0”表示管道未发生泄漏。通过随机梯度下降法最小化交叉熵损失进行模型参数调整,直到模型的准确性达到要求。其损失函数公式为:
其中,表示t时刻输卤管道发生泄漏的实际概率,Z为训练集,z为训练集中的一个数据,p(yt|ht)表示模型预测的概率,即当输卤管道发生泄漏时的概率为: p(yt|ht)=soft max(θht+b),其中θ=(θ1,θ2...θZ)为权重矩阵,b为偏置。
图6是输卤管道仿真图,对采集信号附加白噪声信号从而模拟输卤管道的噪声。图7 是将仿真数据进行S变换后的二维等高线图,即输卤管道的时-频-模图形。最后将S变换后的矩阵作为LSTM模型的输入,输出为“1”时,则表发生泄漏,输出为“0”时,则表示未发生泄漏。
上述实施方式只为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰,都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种输卤管道泄漏检测的智能终端,其特征在于,包括STM32F7芯片、压电式复合传感器、滤波电路模块、高精度A/D转换电路、GPS模块、外部SDRAM模块、SD卡模块、4G通讯模块;
所述压电式复合传感器,用来检测输卤管道内部的压力信号和振动信号,其采集的模拟信号经过滤波电路模块、高精度A/D转换电路转化成数字信号,并通过SPI方式传输给STM32F7芯片,将采集的数据写入外部SDRAM模块中,所述STM32F7芯片对数据进行分析,将疑似泄漏的信号,存储到SD卡中,通过4G模块传输到上位机。
2.根据权利要求1所述的输卤管道泄漏检测的智能终端,其特征在于,所述智能终端通过GPS模块的秒脉冲信号,同步采集输卤管道上下游某一时刻的振动信号和压力信号,并且利用GPS模块给采集到的数据加上时间戳。
3.根据权利要求1所述的输卤管道泄漏检测的智能终端,其特征在于,高精度的A/D转换电路采用的是ADS1274。
4.一种输卤管道泄漏检测的方法,其特征在于,包含如下步骤:
Sept1:获取输卤管道内壁的压力和振动信号的历史数据集H;
Sept2:对历史数据集H进行离散S变换,记录S变换后的数据集D,将S变换后的数据集D分为训练集Z和测试集T;
Sept3:搭建LSTM模型,选取Sept2中训练集Z对LSTM模型进行训练类,并调整参数直至网络效果达到预想效果,确立LSTM模型;
Sept4:将Sept2中测试集T作为LSTM模型的输入,对模型准确性进行验证;
Sept5:对输卤管道当前的振动和压力信号进行同步采样,将当前采样数据进行S离散变换;
Sept6:将S变换后的当前数据输入到已经训练好的LSTM模型中,进行是否发生泄漏的预测。
6.根据权利要求5所述的输卤管道泄漏检测的方法,其特征在于,所述S变换的具体步骤如下:
Step1.1:采集输卤管道内壁的压力信号X[kT];
Step1.3:n=0时,转到Step1.4,执行Step1.4与Step1.5;n不为0时,对于给定的频率点n,计算高斯窗函数的FFT:
Step1.4:根据n=0的公式计算给定时间点k对应的时间序列的S变换S[kt,0](k=0,1,2,…,N-1表示时间采样点);
Step1.5:令k=k+1,重复Step1.4,直至完成所有点的S变换,并结束S变换;
Step 1.8:令n=n+1,重复Step1.6、Step1.7,直到计算完所有的频率点的S变换。
7.根据权利要求4所述的输卤管道泄漏检测的方法,其特征在于,所述LSTM模型公式包括:
1)遗忘门:有条件地选择哪些信息从当前单元中抛弃,公式如下:
ft=σ(Wf.[ht-1,Xt]+bf)
其中ft∈[0,1],1表示“完全保留”,0表示“完全舍弃”,其中ht-1表示的是上一个时刻LSTM的输出,Xt表示的是细胞的当前输入,Wf为遗忘门的权重矩阵,bf为偏置,σ是激活函数,通常选用Sigmoid函数,即
2)输入门:有条件地决定在单元中存储哪些信息,公式如下:
it=σ(Wi.[ht-1,Xt]+bi)
其中,输入门it是由Xt和ht-1经过Sigmoid函数计算生成的,it同ft一样是一个介于[0,1]的向量;另一个是由Xt和ht-1经过tanh激活函数生成的一个向量表示单元状态更新值,it控制的哪些特征用于更新当前的状态,从而生成新的状态
3)输出门:有条件地决定哪些信息需要输出,并输出信息;公式如下:
Ot=σ(Wo.[ht-1,Xt]+bo)
ht=Ot*tanh(Ct)
其中,运行一个Sigmoid层来确定细胞状态的哪个部分将输出出去,接着,把细胞状态通过tanh进行处理,得到一个在-1到1之间的值,并将它和Sigmoid门的输出相乘,最终仅会输出我们确定输出的那部分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010202066.4A CN111365624A (zh) | 2020-03-20 | 2020-03-20 | 一种输卤管道泄漏检测的智能终端与方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010202066.4A CN111365624A (zh) | 2020-03-20 | 2020-03-20 | 一种输卤管道泄漏检测的智能终端与方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111365624A true CN111365624A (zh) | 2020-07-03 |
Family
ID=71207656
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010202066.4A Pending CN111365624A (zh) | 2020-03-20 | 2020-03-20 | 一种输卤管道泄漏检测的智能终端与方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111365624A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111693264A (zh) * | 2020-06-16 | 2020-09-22 | 清华大学 | 一种基于人工智能及大数据的流体机械诊断***及方法 |
CN113446593A (zh) * | 2021-06-25 | 2021-09-28 | 吉林化工学院 | 锅炉承压管线泄漏检测*** |
CN116306377A (zh) * | 2023-04-04 | 2023-06-23 | 中国石油大学(华东) | 一种加氢站泄漏事故后果快速预测方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060059977A1 (en) * | 2004-09-23 | 2006-03-23 | Lawrence Kates | System and method for utility metering and leak detection |
CN101546906A (zh) * | 2009-05-05 | 2009-09-30 | 昆明理工大学 | 利用s变换能量相对熵的配电网故障选线方法 |
CN102563362A (zh) * | 2011-12-31 | 2012-07-11 | 杭州哲达科技股份有限公司 | 压缩空气***管网泄漏智能检测方法及*** |
CN104075122A (zh) * | 2014-06-12 | 2014-10-01 | 东北大学 | 一种便携式一体化管道泄漏检测装置及方法 |
CN106287240A (zh) * | 2016-09-05 | 2017-01-04 | 中国石油大学(华东) | 一种基于声发射的管道泄漏检测装置及单传感器定位方法 |
CN110222953A (zh) * | 2018-12-29 | 2019-09-10 | 北京理工大学 | 一种基于深度学习的电能质量混合扰动分析方法 |
-
2020
- 2020-03-20 CN CN202010202066.4A patent/CN111365624A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060059977A1 (en) * | 2004-09-23 | 2006-03-23 | Lawrence Kates | System and method for utility metering and leak detection |
CN101546906A (zh) * | 2009-05-05 | 2009-09-30 | 昆明理工大学 | 利用s变换能量相对熵的配电网故障选线方法 |
CN102563362A (zh) * | 2011-12-31 | 2012-07-11 | 杭州哲达科技股份有限公司 | 压缩空气***管网泄漏智能检测方法及*** |
CN104075122A (zh) * | 2014-06-12 | 2014-10-01 | 东北大学 | 一种便携式一体化管道泄漏检测装置及方法 |
CN106287240A (zh) * | 2016-09-05 | 2017-01-04 | 中国石油大学(华东) | 一种基于声发射的管道泄漏检测装置及单传感器定位方法 |
CN110222953A (zh) * | 2018-12-29 | 2019-09-10 | 北京理工大学 | 一种基于深度学习的电能质量混合扰动分析方法 |
Non-Patent Citations (3)
Title |
---|
范乐: "热网关键节点泄漏监测***的设计与研发", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
邵萌等: "《微位移平台数据采集与处理技术》", 30 September 2018, 东北大学出版社 * |
雷振山等: "《LabVIEW高级编程与虚拟仪器工程应用》", 31 August 2013, 中国铁道出版社 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111693264A (zh) * | 2020-06-16 | 2020-09-22 | 清华大学 | 一种基于人工智能及大数据的流体机械诊断***及方法 |
CN111693264B (zh) * | 2020-06-16 | 2021-03-16 | 清华大学 | 一种基于人工智能及大数据的流体机械诊断***及方法 |
CN113446593A (zh) * | 2021-06-25 | 2021-09-28 | 吉林化工学院 | 锅炉承压管线泄漏检测*** |
CN116306377A (zh) * | 2023-04-04 | 2023-06-23 | 中国石油大学(华东) | 一种加氢站泄漏事故后果快速预测方法及*** |
CN116306377B (zh) * | 2023-04-04 | 2024-04-05 | 中国石油大学(华东) | 一种加氢站泄漏事故后果快速预测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111365624A (zh) | 一种输卤管道泄漏检测的智能终端与方法 | |
CN108805269B (zh) | 一种基于lstm循环神经网络拾取震相到时的方法 | |
KR102181966B1 (ko) | 유압실린더 종합 테스트 스테이션에 대한 소프트 측량방법 및 시스템 | |
CN105546352A (zh) | 基于声音信号的天然气管道微泄漏检测方法 | |
CN109492708A (zh) | 一种基于ls-knn的管道漏磁内检测缺失数据插补方法 | |
CN113687433B (zh) | 一种基于Bi-LSTM的大地电磁信号去噪方法及*** | |
CN112884213B (zh) | 小波分解与动态混合深度学习的燃煤锅炉NOx预测方法 | |
CN115951014A (zh) | 一种结合气象特征的cnn-lstm-bp多模态空气污染物预测方法 | |
CN111695413A (zh) | 联合U-Net和Temporal Ensembling的信号初至拾取方法及装置 | |
CN110514366B (zh) | 一种小样本条件下管道微弱泄漏检测方法 | |
CN114330120B (zh) | 一种基于深度神经网络预测24小时pm2.5浓度的方法 | |
CN113920255B (zh) | 基于点云数据的高效测绘*** | |
Darmawan et al. | Realtime Weather Prediction System Using GRU with Daily Surface Observation Data from IoT Sensors | |
CN114676779A (zh) | 基于鲁棒宽度网络的大气质量监测数据校准方法及*** | |
CN114462717A (zh) | 一种基于改进gan与lstm的小样本气体浓度预测方法 | |
CN117113854B (zh) | 一种基于ConvLSTM和三维数值模拟的咸潮预报方法 | |
CN113361782A (zh) | 基于改进mkpls的光伏发电功率短期滚动预测方法 | |
CN117332324A (zh) | 管道漏损检测方法、装置、电子设备及存储介质 | |
CN109945075B (zh) | 一种供水管道泄漏程度检测方法及装置 | |
CN114943189B (zh) | 一种基于XGboost的声速剖面反演方法及*** | |
CN116772122A (zh) | 一种天然气管道泄漏故障诊断方法、***、设备及介质 | |
CN116244596A (zh) | 基于tcn和注意力机制的工业时序数据异常检测方法 | |
CN113065498A (zh) | 一种基于改进的emd和神经网络模型的异常数据检测方法 | |
CN118189870A (zh) | 一种桥梁位移预测预警方法及*** | |
CN113570478B (zh) | 基于边缘计算的桥梁健康状态智能评估方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200703 |
|
RJ01 | Rejection of invention patent application after publication |