改进LMD及高阶模糊度函数的管道泄漏定位

针对天然气管道泄漏定位的问题,提出一种基于改进局域均值分解(LMD)及高阶模糊度函数的时延估计方法。该方法首先采用改进的LMD对声发射信号进行分解,获得多个PF分量,进而提出根据K-L散度的PF分量自动选择算法,获取含有主要泄漏信息的PF分量,在此基础上,研究了基于高阶模糊度函数计算声发射信号的时频参数,并通过时频分析获取特征频率的到达时间差,最后结合泄漏产生的广义声发射信号的传播速度完成对天然气管道泄漏的定位。实验结果表明,提出的方法能够进行定位且精度较直接相关法明显提高。     

基于EWT及互时频的天然气管道泄漏定位

针对天然气管道泄漏定位的问题,提出一种基于经验小波变换(EWT)及互时频的泄漏定位方法。该方法首先采用EWT对泄漏信号进行分解,获得多个分量,进而提出根据互信息的敏感分量自适应选择算法,获取敏感分量;然后采用互时频法对敏感分量进行时频分析,根据互时频图的最大特征峰值计算时延和相关频率;最后根据频散曲线获得相关声波速度,实现对天然气管道泄漏点定位。实验结果表明,该方法能够实现管道泄漏点定位,与基于EMD的互时频法相比,定位精度明显提高。     

基于EWT及模糊相关分类器的管道微小泄漏检测

针对管道微小泄漏难以检测的问题,提出一种基于经验小波变换(Empirical Wavelet Transform,EWT)及模糊相关分类器的检测方法。该方法首先对传感器采集的信号进行EWT分解,计算分解后分量的峭度值,根据分量的峭度值提出基于EWT的自适应降噪法对信号进行降噪处理,提取无噪声分量并重构;分析重构信号的模糊函数图像,结合相关系数提出模糊相关分类器检测管道微小泄漏。仿真及实验结果表明,该方法能够对管道微小泄漏进行检测,且检测率较支持向量机及神经网络高。     

改进稠密块轻量化神经网络的管道泄漏孔径识别

深度神经网络的管道泄漏孔径识别方法虽然识别率高,但因结构复杂造成参数量大、内存占用大,极大地限制了其在资源有限的工业环境及实时处理中的应用。提出一种优化卷积改进稠密块的轻量化神经网络用于管道泄漏孔径识别。首先将深度可分离卷积与异构卷积结合,构造了新的多卷积稠密块实现泄漏信号的特征提取;之后采用卷积注意力机制对特征进行权重划分,实现特征的重要性区分;最后通过分类器获取结果。实验结果表明,本文方法识别准确率达到了96.59%,参数量仅为781 KB。本文方法在保证高识别准确率的同时,参数量及浮点数大幅下降,训练时间也有所减少,改善了实时响应能力,对于实际工业监测应用有指导意义。     

高效通道注意力和特征融合的协同显著性检测算法

针对现有的协同显著性检测算法在多显著目标复杂场景下表现不佳的问题,提出了一种基于高效通道注意力和特征融合的协同显著性检测算法。首先,检测算法利用预训练的深度卷积神经网络对场景进行多尺度特征的提取,结合边缘显著信息设计了显著性语义特征提取模块,以避免全卷积神经网络导致边缘信息的缺失;其次,通过内积基本原理得到组内图片间的关联性信息并根据其关联程度进行自适应加权,结合高效通道注意力层设计了协同特征提取算法;最后,为了将各级高层语义特征经过协同显著性特征提取之后的结果与浅层次的特征进行融合,并实现对预测结果进行多分支同步监督,设计了基于高效通道注意力的特征融合模块。通过对3个经典的数据集进行测试,并与6种现有的协同显著检测算法进行对比,结果表明本文所提算法提高了复杂场景中图像的协同显著性检测的精度以及边缘信息的丰富程度,并具有更优的协同显著性信息检测性能;通过消融实验进一步验证了所提设计算法各个模块的有效性和必要性。     

基于能量的DSPI相位图正余弦降噪

针对数字散斑干涉(Digital Speckle Pattern Interferometry,DSPI)测量中散斑噪声干扰会导致相位提取困难、测量灵敏度降低的问题,提出基于能量的DSPI相位图正余弦滤波法,克服传统滤波方法不具有自适应性的不足,提高了相位图质量。该方法根据正交小波包能量估算DSPI相位图中的噪声能量;对相位图分别进行正余弦变换,采用均值法平滑处理;利用噪声能量设定滤波阈值,实现相位图有效滤波,文中将噪声能量与正余弦滤波结合可以自适应地进行降噪处理,利用能量控制图像滤波效果。仿真和实验结果表明,基于能量的正余弦滤波法较传统方法可以减少50%的循环次数。证明了本文提出的方法能够有效地对数字散斑干涉相位图进行滤波,提高信噪比。     

采用SVD-NMF的管道泄漏信号去噪算法

在管道泄漏检测中,压力信号中的噪声干扰会降低传统互相关法的定位精度。传统的去噪算法对环境的适应性差,去噪效果不理想。为此,提出了一种奇异值分解SVD( Singular Value Decomposition)与非负矩阵分解NMF( Nonnegative Matrix Factorization)相结合的管道泄漏信号去噪算法。该方法首先通过奇异值分解确定非负矩阵分解的阶数并对其初始化;然后,采用改进的非负矩阵分解算法对原信号进行迭代分解,获得去噪信号;最后,对去噪信号进行处理后通过互相关计算时延,并结合泄漏信号的传播速度实现泄漏定位。大量实验结果表明,SVD￣NMF算法能够显著降低迭代次数,提高去噪速度;同时在泄漏检测中,能够达到去除噪声干扰,提高定位精度的目的。     

基于LMD包络谱熵及SVM的天然气管道微小泄漏孔径识别

针对管道泄漏信号的非平稳特征以及管道泄漏孔径大小难以识别的问题,提出一种基于局域均值分解包络谱熵及支持向量机的识别方法。该方法对管道泄漏信号进行局域均值分解,得到若干个瞬时频率具有物理意义的乘积函数(production Function, PF)分量;计算各PF分量的峭度值并据此选出包含主要泄漏信息的分量作为主PF分量,对这些分量进一步采用小波包分解能量法进行分析并重构;再对重构后的主PF分量进行希尔伯特变换求取包络谱,结合信息熵的概念提出包络谱熵并计算熵值;将归一化包络谱熵作为泄漏信号特征输入支持向量机分类器中,用以区分不同的泄漏孔径,完成对泄漏孔径的识别。通过试验采集大量的管道泄漏信号进行处理及分析,试验结果表明该方法能有效识别不同泄漏孔径类别。