基于模糊RBF神经网络的管道泄漏检测方法

针对模糊BP神经网络在管道泄露检测与估计中存在网络构建训练速度慢、易陷入局部最优等问题,提出将模糊RBF神经网络方法应用于管道的泄漏检测与估计.首先依据管道泄漏时流量、压力的变化机理,将采集到的实际运行中管道内的流量差与压力差信号模糊化后作为RBF神经网络的输入,以泄漏尺寸大小的置信度作为网络的输出,并结合专家先验知识所得的模糊规则,构建管道泄漏检测的模糊RBF神经网络.进而以实际管道运行数据对其进行离线仿真测试,仿真结果表明模糊RBF神经网络克服了模糊BP神经网络的不足,提高了泄漏估计的精度,使网络构建更加高效、优化.     

基于瞬变流和故障检测的管线泄漏监测试验分析

根据动态系统分布参数模型的故障检测与诊断技术思想,结合管道流动的水力瞬变模型与适用于时变非线性系统的故障检测滤波器——扩展卡尔曼滤波算法,探讨了海底管道泄漏监测与定位技术.增广的状态向量包含管段各点的压力、流量和泄漏尺寸,进出口压力和流量4个参数组合成系统输入和输出向量,以卡尔曼增益阵修正由特征线结合差分法求解瞬变流离散方程得到的状态预测值,从而利用"新息"得出更准确的状态估计.在泄漏发生伊始即探测出异常,并给出泄漏发生时刻.基于压力梯度线性的假设计算泄漏位置,对一段试验水管的进出口压力流量测量序列进行上述分析,得出了与实际相当吻合的结果,初步验证了方法的有效性.     

基于遗传优化的模糊神经网络在管道泄漏检测中的应用研究

提出了一种基于遗传优化的模糊神经网络的管道泄漏检测方法.针对BP算法易受初始权值影响陷入局部极小、收敛速度慢的缺点,根据遗传算法具有全局寻优特点,将二者结合起来训练模糊神经网络,进而获得更接近全局最优的网络参数以提高泄漏的估计精度.最后通过对管道泄漏检测的实际数据进行仿真测试,表明该算法可以有效、可靠地运用于管道泄漏检测中.     

基于定量递归特征提取的流量监测方法

提出一种基于定量递归特征提取的流量预测算法,构建了网络端到端路由缓冲区短时网络流量的时间序列分析模型.采用虚假最近邻点算法和平均互信息算法对网络流量时间序列进行相空间重构,计算递归图平面中时频特征点占平面总点数的百分比,实现网络流量的时频熵特征提取,有效反应流量时间序列的内部结构特征和变化趋势,实现对流量的准确预测和监测.仿真结果表明,采用该算法能准确实现对网络流量相轨迹的预测判断,预测过程具有较好的抗干扰能力,预测精度较高.     

改进BP神经网络在管道泄漏检测中的应用

管道泄漏检测和定位在管道的安全生产中占有重要的位置.本文将用小波包分解技术提取的管道泄漏检测系统特征信号作为神经网络的输入,建立管道运行状态的神经网络分类器,根据输出对管道的运行状态进行识别.利用小波变换特性提取压力传感器的信号奇异点,根据负压力波定位法对管道泄漏点定位,仿真结果验证了该方法的有效性.     

基于非平衡数据处理的管道泄漏检测与定位研究

针对管道运行状态数据的非平衡性会造成管道泄漏诊断准确率下降的问题,提出了一种基于非平衡数据的管道泄漏检测与定位方法.首先,将管道各工况非平衡数据采用基于K均值聚类的欠采样方法处理,使其达到数据平衡.然后,将Fischer-Burmeister函数引入到双支持向量机学习过程中,以避免目标函数求解时矩阵的求逆计算,并将平衡数据作为改进双支持向量机算法的输入,识别管道泄漏.采用相关分析法实现泄漏点定位.根据Flowmaster搭建的管道模型,运用该方法识别管道泄漏.仿真实验表明,与经典双支持向量机和拉格朗日双支持向量机相比,该方法能更快速识别管道泄漏孔径及定位.     

基于鲸鱼优化算法的变分模态分解和改进的自适应加权融合算法的管道泄漏检测与定位方法

针对管道泄漏检测与定位方法存在负压波传播衰减、噪声干扰大、数据融合率低等3种问题,提出了基于鲸鱼优化算法(whale optimization algorithm, WOA)的变分模态分解(variational modal decomposition, VMD)和改进的自适应加权融合算法(improved adaptive weighted fusion, IAWF)的管道泄漏检测与定位方法。该方法提出了三传感器泄漏检测与定位模型,并利用抗干扰能力强的WOA-VMD算法对原始信号进行消噪处理;然后采用小波分析求消噪信号的奇异点,进一步求出压力变送器检测到负压波信号的时间差;在此基础上,利用改进的自适应加权融合算法对多传感器数据进行融合,最终得到泄漏点的实际位置。实验结果表明：该方法可以有效地滤除噪声分量,获得更精确的融合结果,定位精度高,相对定位误差可以控制在1%以内,为管道泄漏检测与定位提供了一种新方法。     

基于KICA的石油管道泄漏检测方法研究

石油管道监测参数之间呈现非线性、非高斯性的特性,导致传统石油管道检测技术存在误报率较高的现象.文章提出一种核独立分量分析(KICA)的石油管道泄漏检测方法.首先通过核方法将压力、温度和流量参数非线性映射到具有更好线性结构的特征子空间;然后利用独立分量分析法提取核特征子空间的独立元信息,根据白化处理的得分方差对独立元进行排序,分别计算I2、SSPE两个统计量,由核密度估计管道正常运行条件下I2、SSPE的对应99%置信水平的控制限;最后通过在线检测I2、SSPE是否超限建立泄漏检测模型.以某一输送场站采集数据进行实验仿真,结果表明:基于核独立分量分析的石油管道检测方法误报率较低,为石油管道安全监测提供了新的研究方法.     

基于裁剪后的DCPSO-FNN在管道泄漏检测中的效果探讨

DCPSO-FNN是一种基于发散-收敛PSO(DCPSO)优化模糊神经网络(FNN)的管道泄漏检测与估计方法。该方法采用广义概率积、广义概率和模糊算子代替普通神经网络中的传递函数,并用DCPSO算法对该模糊神经网络的权值进行优化。本文对DCPSO-FNN进行了网络裁剪,并将裁剪后的网络应用于管道泄漏检测与估计中。通过实际管道泄漏数据对裁剪后的网络进行仿真研究,结果表明裁剪后的DCPSO-FNN比裁剪前有更高的检测效率。     

输气管道泄漏瞬态仿真分析

针对气体管道可能发生的泄漏工况,基于气体管道瞬变流动模型,结合泄漏边界条件,采用数值解法仿真得到泄漏后管道任一位置压力流量随时间的变化,并通过模型法对泄漏位置实时计算。结果表明：未泄漏稳态计算时,公式法和模型法的计算结果基本相同。管道泄漏后会产生负压波,导致全线压力降低,泄漏点上游流量增大,下游流量减小。压力波先后传播到管道首末端,在传播到管道首末端时会发生反射,随着压力波反射次数的增加,管内压力和流量会逐渐达到稳定状态。气体管道发生泄漏后,压力波向上下游传播,在各点产生的压力波幅呈指数规律衰减。利用管道泄漏后稳定状态时的起终点压力和流量结果计算得到的定位结果与真实值更接近。     

基于函数链神经网络的管道煤气流量计量系统

在管道煤气计量系统测量中引入管道煤气相对湿度修正,并采用湿度传感器转换相对湿度信号,利用函数链神经网络对管道煤气工况温度下所对应的水蒸汽饱和压力进行拟合,得到基于函数链神经网络的管道煤气流量计量模型和在线计量系统,从而大大简化管道煤气流量计量软件,在流量计设计范围内实现管道煤气流量实时在线计量.实际应用结果表明,该计量系统测量管道煤气流量误差小于0.7%.     

基于高阶图卷积自编码器的网络流量预测

网络流量预测是有效保障用户QoS措施之一。当前深度学习为基础的网络算法预测中没有充分利用网络拓扑信息。为此,提出了基于高阶图卷积自编码器的网络流量预测模型。该流量预测模型基于软件定义网络（SDN）架构,利用高阶图卷积网络（GCN）获取网络拓扑中的多跳邻域之间的流量相互影响关系,采用门控递归单元（GRU）获取网络的时间相关性信息,利用自编码模型来实现无监督学习和预测。在Abilene网络上采用真实数据进行了仿真对比分析试验,结果表明,提出的方法在网络流量检测方面的MAPE值为41.56%,低于其它深度学习的方法,同时预测准确率方面也达到最优。     

基于泄漏瞬变模型的管道泄漏检测与定位方法

目前基于模型的管道泄漏检测与定位方法在泄漏瞬态过程中难以稳定定位,造成定位时间过长,无法及时排除泄漏故障.基于特征线法,对管道泄漏瞬变信号的产生和传播进行研究,提出基于泄漏瞬变模型的管道泄漏检测与定位方法.该方法能够在泄漏瞬态过程中进行定位,缩短了模型法的定位时间.通过仿真研究和实际管道的实验验证对该方法的定位时间、定位持续时间、定位精度和噪声的影响等进行分析和讨论.实验结果表明该方法具有快速定位能力,可适用于突发泄漏和缓泄的检测和定位.但该方法的定位持续时间有限,测量信号中的噪声会影响该方法的定位精度、定位稳定性和定位响应速度.     

基于特征线法的输气管道泄漏瞬态仿真与分析

针对气体管道可能发生的泄漏工况,基于气体管道瞬变流动模型,结合泄漏边界条件,计算得到泄漏后管道任一位置压力流量随时间的变化规律,并通过模型法实时计算泄漏位置。结果表明:未泄漏稳态计算时,公式法和模型法的计算结果基本相同。管道泄漏后会产生负压波,导致全线压力降低,泄漏点上游流量增大,下游流量减小。压力波先后传播到管道首末端,在传播到管道首末端时会发生反射,随着压力波反射次数的增加,管内压力和流量会逐渐达到稳定状态。气体管道发生泄漏后,压力波向上下游传播,在各点产生的压力波幅呈指数规律衰减。利用管道泄漏后稳定状态时的起终点压力和流量结果计算得到的定位结果与真实值更接近。     

基于改进特征选择法的光纤网络流量异常监测研究

采用当前方法进行光纤网络流量异常监测过程中,特征选择法无法全面描述流量异常特征监测的不足,存在监测效果较差的问题。为此,提出一种基于改进特征选择法的异常流量监测方法。首先采用分光方式对光纤网络流量进行分析,获取光纤网络流量时间序列,并描述用于流量异常监测的多时间序列之间的相互关系,然后利用改进特征选择法对网络出口流量进行特征提取。利用聚类算法选择网络流量异常最优类数和聚类中心,来对网络流量异常现象进行过滤,从而实现网络异常流量特征抽取、特征选择改进算法和网络流量异常监测的研发,从而提高光纤网络流量异常现象监测的准确度。仿真实验结果证明,通过这种方法,能有效地对网络流量异常现象进行监测,且算法简单,能够满足网络流量异常监测的应用需求,实用价值较高。     

基于改进特征选择法的光纤网络流量异常监测

采用当前方法进行光纤网络流量异常监测过程中,特征选择法无法全面描述流量异常特征监测的不足,存在监测效果较差的问题。为此,提出一种基于改进特征选择法的异常流量监测方法。首先采用分光方式对光纤网络流量进行分析,获取光纤网络流量时间序列,并描述用于流量异常监测的多时间序列之间的相互关系,然后利用改进特征选择法对网络出口流量进行特征提取。利用聚类算法选择网络流量异常最优类数和聚类中心,来对网络流量异常现象进行过滤,从而实现网络异常流量特征抽取、特征选择改进算法和网络流量异常监测的研发,从而提高光纤网络流量异常现象监测的准确度。仿真实验结果证明,通过这种方法,能有效地对网络流量异常现象进行监测,且算法简单,能够满足网络流量异常监测的应用需求,实用价值较高。     

基于光纤分布式测温的热力管道泄漏定位系统

针对传统热力管道泄漏巡检方式存在的准确度不高、抗干扰能力差等不足，采用光纤分布式测温的方法测量热力管道沿线温度场，当发生泄漏时，管道中的热水或蒸汽会流出并改变泄漏点周围的温度场，系统可以快速捕捉温度变化并实时定位泄漏点。实验检测系统性能指标为温度精度(温度测量值与真实值间的误差)±1℃,空间分辨率≤2 m,目前已成功应用于济宁运河电厂热力管道的检测中，精确地测量了热力管道沿线15 km的温度变化，并成功对一处泄漏行为进行了报警，表明分布式光纤测温系统在热力管道泄漏监测领域具有广阔的应用前景。     

运用虚拟仪器实现输油管道泄漏监测和定位

为了有效地检测输油管道泄漏并准确定位,运用负压波和质量平衡原理,采用模糊算法和逻辑判断法,利用压力、流量和输差三重机制实现了对原油管道的泄漏监测及定位、原油渗漏监测和报警.系统集成了传感器技术、无线通信技术和虚拟仪器技术.系统在对小压力、小流量和温度波动较大的高凝稠输油管道的泄漏监测方面有所突破.利用数据库结构,再现泄漏记录,回放历史数据并具有对历史数据进行统计、查询和打印等功能.采用无线通讯网络传递现场工作站的数据,并实现局域网内对管道的监测.     

基于神经网络集成的P2P流量识别研究

提出一种新的基于神经网络集成的P2P流量识别方法,利用CFS特征选择算法提取P2P流量特征,使用动态加权集成方法将6个神经网络集成应用于P2P流量识别.通过在实际网络流数据集上与单一BP神经网络、决策树、朴素贝叶斯和支持向量机算法的对比实验,结果表明该方法具有较高的P2P流量识别准确率和稳定性.     

融合聚类-卷积-门循环的居民用电短期负荷预测方法

对居民用电进行准确的短期负荷预测是电力部门合理制定每日调度计划的重要依据。提出了一种基于BIRCH(balanced iterative reducing and clustering using hierarchies)聚类算法-卷积神经网络(convolutional neural network, CNN)-门控循环单元(gated recurrent unit, GRU)的短期电力负荷预测方法。根据智能电表采集的历史负荷数据，该方法首先采用BIRCH聚类算法分析不同用户的用电习惯，将用户聚类为多个用户群；然后构建由负荷数据和时间以及气候信息组成的多特征时间序列数据集，并采用训练集进行CNN-GRU预测模型构建。训练集首先输入到基于一维卷积层设计的CNN网络，以提取不同特征变量之间的非线性关系；之后将数据输入GRU网络，以提取数据在时间维度上的时序特性，最后由全连接层输出短期负荷预测结果。以爱尔兰能源管理委员会提供的公开数据集作为实际算例，以ANN网络、CNN网络及CNN-GRU网络为对比模型，实验结果表明，所提出方法的平均绝对百分比误差达到了2.932 1%,有较高的预测精度和...