基于神经网络证据理论的天然气管道泄漏检测

利用小波消噪原理,并通过构建RBF神经网络模型,将消噪后的信号作为RBF神经网络的输入参数,并判断该信号是否为泄漏信号。将D-S证据理论数据融合应用到天然气管道泄漏检测中,建立D-S证据理论数据融合模型。将输入的泄漏信号进行决策级综合判断,得出天然气管道泄漏的具体地点。利用C#语言开发天然气管道泄漏检测软件系统,该系统能够快速准确地识别泄漏并定位。     

基于EMD和小波变换的热网管道泄漏检测与定位方法

对基于声波检测的热网管道泄漏与定位方法进行研究,介绍了基于声波法的热网泄漏检测的实验设计方案与定位原理。利用基于MATLAB的小波函数和EMD分解对原始数据频率进行逐级分离,直至分离能够提取奇异点信息,以达到去噪和判定管道泄漏的目的。并将两种方法进行对比,得到优解。     

基于次声波的天然气管道泄漏检测系统设计

基于声学和流体学等相关理论,研究了天然气管道发生泄漏时次声波产生的机理及信号特点和采集方法,并对声波在天然气管道内的传输速度的算法进行修正,通过GPS模块确定天然气泄漏时的次声波到达首、末站的时间差,从而对泄漏点进行准确的定位,最后给出了天然气管道泄漏检测系统的软、硬件设计方案.     

基于信号增强的缓慢泄漏检测方法

目前管道泄漏检测方法可有效检测突发泄漏，对于缓慢泄漏则存在检测灵敏度低、定位不准确等问题。基于此，提出了一种基于信号增强的缓慢泄漏检测方法。通过信号压缩（抽取及移位）克服缓慢泄漏压力信号下降平缓的缺点；根据声波信号具有波形尖锐突出、对突发泄漏敏感的优点，通过建立以压力为输入、虚拟声波为输出的声波信号变送器模型，将压力信号转换为声波信号，克服了泄漏压力信号容易被淹没在管道压力波动及背景噪声中的缺点，实现了缓慢泄漏信号的增强；利用临近插值方法重构虚拟声波信号，基于延时互相关分析实现了缓慢泄漏的准确定位。实验结果表明，该方法具有显著的信号增强效果和定位精度，实现了缓慢泄漏的准确检测。     

基于Hilbert-Huang变换的输气管道泄漏诊断方法

研究了基于Hilbert-Huang变换的天然气管道泄漏检测方法。该方法利用Hilbert边际谱的能量变化来研究远距离传播后管道泄漏声信号的频带特征,然后通过实时监测特征频带内信号的Hilbert谱与正常信号相比是否发生明显变化来判断其中是否含有泄漏声波,最后根据管道两端检测到泄漏声波的时间差进行定位。基于实际管道历史数据的在线测试结果验证了算法的有效性。     

基于信号增强的缓慢泄漏检测方法

目前管道泄漏检测方法可有效检测突发泄漏,对于缓慢泄漏则存在检测灵敏度低、定位不准确等问题。基于此,提出了一种基于信号增强的缓慢泄漏检测方法。通过信号压缩(抽取及移位)克服缓慢泄漏压力信号下降平缓的缺点;根据声波信号具有波形尖锐突出、对突发泄漏敏感的优点,通过建立以压力为输入、虚拟声波为输出的声波信号变送器模型,将压力信号转换为声波信号,克服了泄漏压力信号容易被淹没在管道压力波动及背景噪声中的缺点,实现了缓慢泄漏信号的增强;利用临近插值方法重构虚拟声波信号,基于延时互相关分析实现了缓慢泄漏的准确定位。实验结果表明,该方法具有显著的信号增强效果和定位精度,实现了缓慢泄漏的准确检测。     

基于改进差分进化算法的神经网络管道泄漏检测

提出了一种基于神经网络与差分进化算法的天然气泄漏预测方法,该方法采用RBF神经网络作为泄漏预测模型,引入改进的差分算法对网络的初始连接权值进行优化。为了在全局搜索和局部搜索之间取得最佳平衡,提出了一种自适应变异因子和交叉概率的改进算法,并将其应用于泄漏预测神经网络模型优化。将所提出的方法与原始算法的前向网络预测方法进行了比较。结果表明:所提出的方法收敛速度快,所得模型的预测误差小、准确率较高、迭代次数少、泛化能力强,对天然气的泄漏预测有很好的参考作用。     

差分进化在基于非线性规划的多项式PLS中的应用

从应用的角度提出一种基于带约束非线性规划的多项式偏最小二乘算法(QPLS),利用差分进化算法(DE)计算最优输入权值和内部关系式的最优参数.在对常压塔常三线柴油凝点的软测量模型应用结果表明,该算法与基于传统优化算法进行参数优化的多项式QPLS相比,模型拟合精度高,且对初值的依赖性小,并具有良好的预报能力.     

基于改进KFDA与DE优化SOM的故障诊断模型及其化工过程诊断

针对化工过程故障诊断数据存在高维度、故障特征不易区分、自组织映射（self-organizing map,SOM）网络易陷入局部最优等问题,提出了一种基于改进核Fisher判别分析（kernel Fisher discriminant analysis,KFDA）与差分进化算法（differential evolution,DE）优化SOM神经网络相结合的故障诊断方法。该方法首先利用欧氏距离对类间距进行加权处理,以避免因类间距离过大造成投影后的数据存在重叠的问题,使故障数据样本获得较好的投影效果,优化分类性能;然后,利用DE算法对SOM神经网络的权值向量进行动态调整,有效避免了由于“死神经元”的出现陷入局部最优的问题;最后,通过对田纳西-伊斯曼（tennessee-eastman,TE）过程和对二甲苯（paraxylene,PX）歧化工艺过程的故障数据进行诊断测试。结果表明,与传统SOM网络相比,提出的KFDA-DE-SOM算法具有较高的分类诊断精度,可有效应用于化工过程的故障诊断。     

融合差分进化算法的AEA算法及其在参数估计中的应用

着眼于AEA(Alopex-based evolutionary algorithm)算法本身的不足,构造出一种融合了差分进化算法和AEA的改进型算法--MAEA(modified AEA).MAEA算法将改进后的差分进化算法嵌入到AEA中,改进AEA算法中种群的生成方式,提高算法的寻优能力.改进的算法不仅拥有启发搜索和确定性搜索的优点,同时还增加了种群的多样性,使算法能够更好地进行全局和局部搜索.通过21个标准函数的测试结果表明,该算法较标准AEA算法、差分进化算法的性能有较大提升.进一步和当前具有代表性的先进算法(ISDEMS)的比较结果表明,MAEA算法有较高的精确度和稳定性.将算法用于发酵动力学模型参数的估计,通过优化得到了较好的结果,验证了本文提出的算法的可行性和有效性.