多工况下基于EEMD-ICNN的输油管道泄漏识别
针对多工况下管道泄漏信号预处理繁琐、误报率高的问题,提出了一种集合经验模态分解(EEMD)结合改进卷积神经网络(ICNN)的泄漏识别模型.所用识别方法采用 EEMD将泄漏信号分解成若干个具有稳态性能的固有模态分量(IMF),通过相关系数划分出噪声主导向量并予以去除实现信号重构;提取重构信号的一系列指标特征作为ICNN模型的输入进行特征提取,实现管道多工况分类;ICNN在每个卷积层和池化层之间加入批量归一化层,以此加快网络训练速度.结果表明:所提模型能够快速准确识别出停泵、调阀、泄漏、正常工况,且在较少训练数据下平均识别准确率可达 98.25%.与未改进的CNN和 SVM分类识别模型相比,该方法有效提高了识别准确率.
原油集输管道、泄漏信号、管道噪声、集合经验模态分解、卷积神经网络
46
TE86(石油、天然气储存与运输)
国家自然科学基金;陕西省社科基金项目
2023-07-10(万方平台首次上网日期,不代表论文的发表时间)
共6页
179-184