科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对石化工业中输气管道阀门的内泄漏故障,将声发射检测技术与深度学习技术相结合,提出了一种基于全卷积神经网络(FCN)的阀门内泄漏声发射信号识别方法。该方法利用声发射技术采集阀门内泄漏的声发射信号,基于FCN搭建阀门内泄漏分类诊断模型,充分发挥了声发射技术在阀门内泄漏检测领域的优越性,以及FCN在时间序列分类任务上的高性能。该方法相较于传统的识别方法,无需对原始采集数据进行特征提取或繁重复杂的预处理,而是将特征提取的任务也交于神经网络模型来学习和完成,可实现端到端的阀门内泄漏声发射信号分类识别。搭建阀门内泄漏检测实验平台,采集并制作阀门内泄漏声发射信号数据集,建立了基于FCN的阀门内泄漏声发射信号的二分类模型,实验结果表明,该模型的分类识别准确率可达98.72%,相比较于其他先进的分类模型在数据集上表现出了更加优越的分类识别性能和训练效率,同时对环境噪声具有良好的抗干扰性能。
- 出版日期2023
- 单位精密测试技术及仪器国家重点实验室; 天津大学
