WCMC 无线通信和移动计算 1530 - 8677 1530 - 8669 Hindawi 10.1155 / 2018/6934825 6934825 研究文章 管道泄漏孔径识别基于小波包分析和深度与ICR信念网络 朗 鲜明 1 2 http://orcid.org/0000 - 0003 - 2853 - 914 x 胡 庸 3 http://orcid.org/0000 - 0002 - 3216 - 6246 李 平 1 李 杨ydF4y2Ba 2 曹 Jiangtao 1 任 在香港 4 首歌 Houbing 1 信息与控制工程学院 辽宁华大学 抚顺113001 中国 lnpu.edu.cn 2 自动化学院的 西北工业大学 西安710072年 中国 nwpu.edu.cn 3 石油化工学院 辽宁华大学 抚顺113001 中国 lnpu.edu.cn 4 中石油东北炼油化工工程有限公司沈阳公司 沈阳110167 中国 2018年 16 8 2018年 2018年 05年 04 2018年 27 06 2018年 16 8 2018年 2018年 版权©2018鲜明朗等。 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。

无法轻易识别泄漏孔径,当一个小泄漏的石油管道。为了解决这个问题,泄漏孔径识别方法基于小波包分析(WPA)和深度信念网(DBN)和独立分量回归(ICR)提出。WPA收集用于去除噪音声速的超声波信号。接下来,超声波信号的去噪声速是输入的深层信念网络独立分量回归(<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M1"> D B N 我 C R 认识到不同泄漏孔径。因为权重的优化的DBN梯度导致局部最优和学习速度缓慢,只有用于代替梯度微调方法在传统DBN提高分类精度,并构造李雅普诺夫函数证明的收敛<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M2"> D B N 我 C R 学习的过程。通过分析获得超声声速的不同泄漏孔径,结果表明,该方法可以快速、有效地识别不同泄漏孔径。

 中国国家自然科学基金 61673199 1。介绍

由于管道老化、腐蚀或焊接缺陷、小泄漏和泄漏频繁发生缓慢;这样泄漏代表风险环境和可能造成的经济损失( 1- - - - - - 4]。一个小泄漏产生的压降较低,很难发现;然而,小漏和缓慢泄漏是长距离输油管道泄漏的主要形式在服务期间。决定如何及时识别管道小泄漏孔径的研究已成为一个热门话题在管道的完整性管理 5, 6]。因此,重要的是要估计泄漏孔径,协助管道修复的发展计划和评估的泄漏区域。

自己知道液体,超声波的传输速度变化的液体压力变化在一定的温度下( 7]。在这项研究中,超声波信号的声速的管道是用于识别不同泄漏孔径。在实际工程项目、通用信号收集的数据采集设备包括外部环境中的噪音,和信号去噪的目的是区分高频信号的干扰引起的高频噪声和去除高频干扰信号,以及保留信号的有用信息。微弱信号必须保证不会过滤掉信号分析的过程,而原始信号可以尽可能的减少。小波包分析(WPA)提供了一个强大的能力去噪信号的测量信号( 8]。然而,这种方法需要选择合适的小波基函数达到更好的去噪效果。当测量信号被分解利用经验模态分解(EMD),因为端效应的影响,很难准确地重构信号( 9]。当地的意思是分解(LMD)方法比EMD分解条件的放松,最终的效果是减少和信封一现象是避免在分解过程中 6, 10]。然而,最终的效果仍然会影响信号重建。最近,变量模式分解(VMD)提出了一种自适应的信号分解方法,这是一个完全nonrecursive信号分解方法。VMD不仅有很好的分离信号和噪声的影响,但也可以有效地抑制模态混叠;然而,最终的效果还会影响信号重建( 11, 12]。

从理论上讲,深度信念网(DBN) ( 13)是由多个限制玻耳兹曼机(元),与浅学习模式相比,安和支持向量机等。最近,DBN是成为一个有用的工具分类 14, 15]。深度学习方法最重要的区别和肤浅的学习方法是,前者可以自动功能从原来的特性集,而不是选择手动功能。两种优化方法的DBN深度结构的调整和优化的相关参数 16, 17]。DBN的监督学习算法是基于反向传播算法的梯度;结果,体重调整很容易陷入局部最优,学习速度慢,从而影响分类精度。确定如何选择最优权重,避免微调的梯度方法是提高分类精度的关键。克服这些困难,有必要找到一个没有梯度学习算法。独立分量回归(ICR)是一个没有梯度层监督参数回归模型( 18, 19]。因此,基于权重优化方法<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M3"> D B N 我 C R 提出,以避免带来的局部最优梯度算法,以及DBN的分类精度进一步提高。

本文的其余部分组织如下。部分 2介绍了一种孔径识别的方法。节 3,管道的实验结果进行了分析和讨论。最后,部分 4吸引的主要结论。

 2。泄漏孔识别方法

在本节中,水渍险和<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M4"> D B N 我 C R 首先介绍,然后结合WPA和<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M5"> D B N 我 C R 提出了对不同泄漏孔径的识别管道。后来,说明孔径识别过程的提供基于超声信号的时域声速水渍险和<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M6"> D B N 我 C R 。

2.1。小波包分析去噪原理

水渍险( 20.- - - - - - 22)是一种有效的非平稳信号时频分析技术,小波包变换的多分辨率分析分解成低频信号和高频信号的信号。此外,流程继续分解以下层,直到达到预设水平;结果,小波包分析显然更好的实现精确的局部分析能力。此外,小波包分析具有较好的特征进行进一步的分割和细化的频带拓宽随着规模的增加。因此,水渍险的特点是一个精确的分析方法,广泛的高频率带宽和狭窄的低频率带宽。当信号通过小波包分解,可以采用不同的小波基函数。例如,信号<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M7"> 年代 使用三层小波包分解的分解( 23),如图 1。

小波包分解的信号。

信号<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M8"> 年代 分解的小波包分解树,可以表示成吗 (1) 年代 = 一个 1 + 一个 一个 D 3 + D 一个 D 3 + D D 2

2.2。深度信念网络与独立分量回归

首先,独立分量回归(ICR)。接下来,DBN与ICR及其学习算法。

2.2.1。独立分量回归

独立分量分析(ICA) [ 24)是一个统计和计算技术揭示了隐藏的因素的信号;ICA的目标是将观测数据线性分解为一个统计独立的组件。表示过程观察样本<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M10"> x 我 , y 我 我 = 1、2 , ⋯ , N ;样品包括独立变量<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M11"> x 我 ∈ R c × 1 和因变量<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M12"> y 我 ∈ R p × 1 。独立的组件从ICA估计后,只有模型可以获得。

只有算法,假设测量过程变量<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M13"> x 我 ∈ R c × 1 可以表示为线性组合的<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M14"> r ( ≤ c ) 未知的独立的组件<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M15"> 年代 我 ∈ R r × 1 ;只有模型 (2) x 我 = 一个 我 年代 我 + e 我

在哪里<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M17"> 一个 我 ∈ R c × r 混合矩阵和吗<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M18"> e 我 ∈ R c × 1 是残余向量。

因此,独立的组件可以被估计 (3) 年代 ^ 我 = W 我 x 我

在哪里<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M20"> W 我 ∈ R r × c 是分离矩阵。 (4) y 我 = 问 我 T 年代 ^ 我

因此,线性回归矩阵可以表示如图所示: (5) 问 我 = 年代 ^ 我 T 年代 ^ 我 - - - - - - 1 年代 ^ 我 T y 我

因此,理想的模型<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M23"> x 我 和<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M24"> y 我 可以获得的ICR模型,给出 (6) y 我 = 问 我 T W 我 x 我 = T 我 C R 我 x 我

在哪里<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M26"> 问 我 T W 我 = T 我 C R 我 。

 2.2.2。深度信念网络独立分量回归学习的过程

请参考图( 25- - - - - - 27有关DBN的更多信息。ICR不仅是一种回归方法,但也被认为是一个监督学习算法。与ICR DBN监督微调从分类器层,和反复使用一个替代ICR方法模型每两个隐藏层从顶层到底层。因此,只有基于算法可以用来代替梯度监督式学习;的目标<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M27"> D B N 我 C R 是克服DBN的精度和耗时的性质。

分类器层最后隐藏层,详细的训练步骤如下:

(一)首先,提取最后一个隐层的状态作为独立变量,和分类器层作为因变量。

它假定分类矩阵<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M28"> p 维;最后一个隐层的状态矩阵<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M29"> 问 维度;的<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M30"> N 样本观测矩阵如下: (7) Y 年代 = y 年代 11 ⋯ y 年代 1 p ⋮ ⋱ ⋮ y 年代 N 1 ⋯ y 年代 N p , H l = h l 11 ⋯ h l 1 问 ⋮ ⋱ ⋮ h l N 1 ⋯ h l N 问

在哪里<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M32"> Y 年代 来自<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M33"> N 样品和<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M34"> H l 是最后一个隐层的状态矩阵,获得最后一个隐层的遏制。

(b)独立的组件<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M35"> 年代 ^ l 从观察中提取样本矩阵吗<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M36"> H l 。 (8) 年代 ^ l = W l H l

(c)线性回归<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M38"> 问 l 可以在执行<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M39"> 年代 ^ l 和输出矩阵<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M40"> Y 年代 。 (9) 问 l = 年代 ^ l T 年代 ^ - - - - - - 1 年代 ^ l T Y 年代

(d)因此,只有模型可以表达的 (10) Y ^ 年代 = 问 l T 年代 ^ l = 问 l T W l H l

在输出权重矩阵优化ICR模型所描述的吗 (11) W o u t = 问 l T W l

注意,独立的组件的数量<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M44"> c l 对ICR的准确性是非常重要的。 (12) e r r o r c l = Y 年代 - - - - - - Y ^ 年代

在哪里<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M46"> c l 是由最小化预测绝对误差;相应的<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M47"> c l 是最优的。

因此,只有微调过程完成去年隐层和输出层之间的。接下来,只有在每两个隐藏层反复进行,开始形成<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M48"> h l - - - - - - 1 和<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M49"> h l - - - - - - 2 来<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M50"> h 1 和<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M51"> x 我 n p u t 。因此,剩下的重量由ICR矩阵优化<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M52"> W = W o u t W l W l - - - - - - 1 ⋯ W 2 W v 我 年代 我 b l e 。

对比差异(CD)算法用于训练每个遏制从层到顶层,和固定权重(初始化权重)无监督培训后确定。接下来,实际的输出是用于构建layer-layer ICR模型和优化初始化权重一层一层地;建立ICR模型,过程中状态变量的独立变量来自疟疾行动无监督培训完成后。

的体系结构<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M53"> D B N 我 C R 算法如图 2。

的体系结构<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M54"> D B N 我 C R 。

 2.3。收敛性分析

的提议<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M55"> D B N 我 C R 、重量参数的收敛性是至关重要的<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M56"> D B N 我 C R 。因此,收敛性的理论证明<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M57"> D B N 我 C R 在这一节中描述。根据学习的过程<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M58"> D B N 我 C R ,整个动态传动误差可以被描述在 28] (13) E ˙ e r r o r = y ˙ - - - - - - y ^ ˙ = - - - - - - E e r r o r + F x v 我 年代 我 b l e , W - - - - - - - - - - - - F ′ x v 我 年代 我 b l e , W

在哪里<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M60"> E e r r o r ( 0 ) = 0 ,<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M61"> F ( · ) 和<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M62"> F ′ ( · ) 是理想的深层信念网络体系结构函数和获得深刻的信念网络架构功能吗<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M63"> D B N 我 C R 分别对训练样本。<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M64"> W = W o u t W l W l - - - - - - 1 ⋯ W 2 W v 我 年代 我 b l e 最终的重量来自<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M65"> D B N 我 C R ,<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M66"> W - - - - - - 的理想体重是<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M67"> D B N 我 C R 训练样本。

根据( 29日),假设 (14) F x v 我 年代 我 b l e , W - - - - - - - - - - - - F ′ x v 我 年代 我 b l e , W ≤ E f

在哪里<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M69"> · 是欧几里得距离,<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M70"> E f > 0 。因为<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M71"> F ( · ) 是有界的,根据建筑深刻的信念网络,<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M72"> F ′ ( · ) 也有界。因此,这种假设是可以实现的。

定理1。

考虑一个稳定系统( 13)和( 14),如果<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M73"> D B N 我 C R 用于识别不同泄漏孔径,然后分类错误呢<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M74"> E e r r o r 可以收敛于一个有限的向量:<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M75"> E e r r o r < E 米 (<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M76"> E 米 是一个小的正数)。此外,随着样品和时间的增加,<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M77"> E e r r o r 是一致最终有界,它趋于0时当训练样本足够了。

 证明。

鉴于李雅普诺夫函数 (15) V E e r r o r t = 1 2 E e r r o e r T t E e r r o r t

的导数<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M79"> V E e r r o r ( t ) 被描述为 (16) V ˙ E e r r o r t = E e r r o r T t E ˙ e r r o r t = E e r r o r T t - - - - - - E e r r o r t + F x 我 n p u t t , W - - - - - - - - - - - - F ′ x 我 n p u t t , W = - - - - - - E e r r o r T t 2 + E e r r o r T t F ′ x 我 n p u t t , W - - - - - - F x 我 n p u t t , W - - - - - - ≤ - - - - - - E e r r o r T t 2 + E e r r o r t E 米 = - - - - - - E e r r o r t E e r r o r t - - - - - - E 米

进一步分析( 16),这是根据以下两种情况讨论:

( 1 ) 如果<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M82"> E e r r o r ( t ) ≥ E 米 ,然后<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M83"> V ˙ E e r r o r ( t ) ≤ 0 ,<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M84"> V ˙ E e r r o r ( t ) 是半负定。

( 2 ) 如果<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M86"> E e r r o r ( t ) < E 米 ,然后<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M87"> V ˙ E e r r o r ( t ) > 0 ,<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M88"> V ˙ E e r r o r ( t ) 是正定的。然而,随着时间的推移或样本数量的增加,必须有两种情况:

E e r r o r ( t ) = E 米 或<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M90"> E e r r o r ( t ) > E 米 ;这两种情况下都只是一样物品<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M91"> ( 1 ) 。

因此,<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M92"> V ˙ E e r r o r ( t ) 是半负定。

训练误差和<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M93"> 一个 E 表达的是 (17) 一个 E = ∑ 我 = 1 N E e r r o r T t E e r r o r t

根据李雅普诺夫稳定性定理, (18) l 我 米 t → ∞ 一个 E = 0

在哪里<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M96"> t → ∞ 表明,训练样本的数量足够大,所有的训练样本已投入<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M97"> D B N 我 C R 。

因此,融合的<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M98"> D B N 我 C R 对从理论上保证重量参数。

 2.4。泄漏孔识别基于WPA和< inline-formula > < mml:数学xmlns: mml = " http://www.w3.org/1998/Math/MathML " id = " M99 " > < mml: mrow > < mml: msub > < mml: mrow > < mml: mi > D < / mml: mi > < mml: mi > B < / mml: mi > < mml: mi > N < / mml: mi > < / mml: mrow > < mml: mrow > < mml: mi >我< / mml: mi > < mml: mi > C < / mml: mi > < mml: mi > R < / mml: mi > < / mml: mrow > < / mml: msub > < / mml: mrow > < / mml:数学> < / inline-formula >

它一直显示深度信念网络可以实现降低错误率比传统方法在故障模式分类( 30.]。因此,使用WPA和的优点<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M100"> D B N 我 C R ,我们提出一个混合漏孔识别方法。超声波的声速可以使用WPA去噪信号。这些信号对应于不同泄漏孔径可能不同;然而,很难区分不同孔径通过模式识别没有基于先验知识的特征提取。

因此,<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M101"> D B N 我 C R 应用于识别不同泄漏孔径通过WPA去噪后的信号。该方法的示意图如图 3。

方法识别管道泄漏孔径的示意图。

 3所示。现场试验和分析

获得声音速度的超声信号处理WPA和分类<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M102"> D B N 我 C R 。此外,提议之间的比较研究和现有管道泄漏孔径方法执行。

3.1。现场试验

因为安全和成本问题,水,而不是油是用来模拟管道泄漏实验。根据泄漏实验协议研究不同大小的孔,如图 4,声音被选出的上游或下游超声信号的速度执行测试。管道段的长度是2800米内直径50毫米,和泄漏孔径4毫米,6毫米,10毫米和15毫米。操作条件如下:(a)在12米水运输<年代up>3/ h;(b)不同孔径的阀门安装模拟泄漏;(c)泄漏流和能源增加了上游泵(泵的扬程是120米);(d)泄露水储存柜。实验装置如图 5。水渍险和<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M103"> D B N 我 C R 算法在MATLAB环境下进行测试。我们获得一个数据库从超声波设备由国家仪器采集- 9184,采样率为100 Hz。所有的方法都是在MATLAB中实现R2014a PC上的英特尔奔腾处理器(2.90 GHz)和6 GB RAM。

不同泄漏孔径。

实验装置。

 3.2。声速超声处理和光圈的认可

声音速度不同孔径的超声波信号是通过超声波传感器的管道;这些速度被用作数据库来验证该算法。获得信号如图所示 6。

超声波信号在不同泄漏孔径。

根据声波速度测量的超声波信号,它们分解WPA的最佳树db4三层模型。使用最好的树结构,超声声速的信号重建。验证去噪信号,通过小波包重构信号的获得,与VMD信号去噪的结果,EMD和LMD如图 7。

管道入口速度良好4毫米的超声波信号泄漏孔径。

图 7表明,小波包分析提供了一个强大的能力去噪信号的声波速度测量的超声波信号,与其他方法相比,如EMD, LMD, VMD。当超声波信号的测量声波速度与EMD重建,因为端效应的影响,很难准确地去除噪声。LMD方法比EMD方法更放松的分解条件,最终的效果是减少,在信封的现象是避免在重建的过程。然而,最终的效果仍然影响萃取去除噪声。VMD可以自适应地提取超声信号的原始声音速度的内在模式,但最终效果也影响重建信号。

因此,WPA用于降噪声波速度的超声波信号的管道;超声波信号的声音速度正常条件和泄漏孔径4毫米,6毫米,10毫米和15毫米收集的超声波设备。5例创建,1000年样本选择每种情况下进行训练<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M104"> D B N 我 C R 和DBN。因此,5000个样本的声音速度选择超声波信号。此外,选择4000个样本作为训练样本,和其他人作为测试样本。

在这个仿真,运用声波速度的超声波信号的输入<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M105"> D B N 我 C R DBN,五个特征向量(绝对平均值、有效值,峰度,加上因素,和峰值因子)输入到最小二乘双子支持向量机(LSTSVM) [ 31日),最小二乘支持向量机(LSSVM)、支持向量机(SVM)和反向传播神经网络(摘要)。4000组的特征向量每个条件的(800)被选为训练样本和其他人作为测试样本。本文采用“One-against-All”算法(multiclassification OAA)。

我们遵循DBN的架构经验选择:下一层神经元的数量小于上一层的DBN的过程可以是一个特征提取的过程。在这项研究中,三个隐藏层<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M106"> D B N 我 C R 选择的模拟。此外,确定隐层神经元的数量,trail-and-error的方法是选择展示的关系隐层神经元的数量和分类错误。之间的关系曲线的隐层神经元的数量和分类错误如图 8。图 8显示,最好的隐藏的第三层的神经元数量是65,和相应的均方根误差(RMSE)是0.01;RMSE给出 (19) R 米 年代 E = 1 N ∑ 我 = 1 N y ^ 我 - - - - - - y 我 2

关系曲线之间的隐层神经元的数量和分类错误。

在哪里<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M108"> y 我 所需的值,<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M109"> y ^ 我 是输出的价值<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M110"> D B N 我 C R ,<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M111"> N 是测试样品的数量。

根据上述分析,体系结构<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M112"> D B N 我 C R 和DBN是选为400-200-100-65-5。为了提高微调的准确性,必须设置为独立的组件的数量<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M113"> c = c 4 c 3 c 3 c 1 ;trail-and-error方法用于确定最优数量的独立的组件,以及独立的组件数量之间的关系曲线和分类错误如图 9。

独立的组件的数量之间的关系曲线和分类错误。

图 9最好的数字显示,独立的组件<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M114"> c 4 = 4 c 3 = 3 c 3 = 2 c 1 = 2 ,和相应的分类器误差是0.01。因此,<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M115"> D B N 我 C R 构造最优数量的独立组件。无监督学习和监督学习后,我们使用<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M116"> D B N 我 C R 认识到不同泄漏孔径。有效证明的方法<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M117"> D B N 我 C R ,DBN的输入和输出是相同的<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M118"> D B N 我 C R ;此外,4000个样本结果使用LSTSVM LSSVM,支持向量机,摘要获得了与仿真进行比较。实际上,DBN是传统的DBN。

DBN的权重随机初始化,偏见都初始化为零,最大迭代1批大小是1,学习速率是0.4。在LSTSVM,我们设置松弛变量<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M119"> 一个 1 = 一个 2 0.01,内核参数<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M120"> σ 1 = σ 2 为1。OAA方法用于实现多分类。我们雇佣LS-SVMlab实现multiclassifier LSSVM的松弛变量<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M121"> α 是1和内核参数<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M122"> σ 是1。我们也采用Libsvm实现multiclassifier SVM的松弛变量<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M123"> α 是10和内核参数<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M124"> σ 是0.1。本文选择了一个三层的摘要中间层节点号码是100,使用100次迭代,学习速率为0.5,最小误差<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M125"> 1 × 1 0 - - - - - - 5 。比较测试结果与LSTSVM, LSSVM、支持向量机和摘要如表所示 1。

不同的方法在不同泄漏孔径的仿真结果。

方法 神经元数量 识别精度(%) 平均时间复杂度(年代)
培训时间 测试时间
D B N 我 C R 400-200-100-65-5 98.98 42.32 10.25
DBN 400-200-100-65-5 98.7 58.25 15.63
LSTSVM - - - - - - 98.58 16.23 4.11
LSSVM - - - - - - 98.42 20.61 6.75
支持向量机 - - - - - - 98.31 22.15 7.04
摘要利用 400-100-5 98.91 15.13 4.41

实验结果表中列出 1。表 1显示,<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M127"> D B N 我 C R 有最好的结果平均培训时间。注意,尽管摘要的准确性是DBN的一样好,声音的时域信号速度的超声波信号没有被输入进DBN,特征选择的经验<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M128"> D B N 我 C R 。表 1也揭示了LSTSVM提高准确性和平均运行时间比LSSVM和支持向量机;LSSVM的准确性是一样的支持向量机,但LSSVM的平均运行时间小于SVM。与DBN相比,<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M129"> D B N 我 C R 改善了识别精度的不同泄漏孔径和程序运行时间,主要是因为ICR的微调<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M130"> D B N 我 C R 。

 3.3。结果和分析

分类率比计算的数量正确分类测试样品来测试样品的总数。该方法和LSTSVM-based LSSVM-based,基于svm和BPNN-based方法用于识别不同泄漏孔径。执行5000次试验,80%的样本是随机选择的培训和其他样品用于测试。

与该方法仿真,测试的平均精度是98.98%;即。,一个ll的different apertures are effectively recognized. Using the LSTSVM-based, LSSVM-based, SVM-based, and BPNN-based methods, however, the average testing accuracy is 98.58%, 98.42%, 98.1%, and 98.91%, respectively. This result implies that the proposed method obtains higher recognition accuracies and shows better robustness than the other methods in distinguishing the different apertures.

( 1 ) DBN可以处理声音速度管道的超声信号在时域识别不同泄漏孔径直接由先验知识没有特征提取和特征选择。因此,泄漏检测和泄漏孔径的智能识别是提高。

( 2 ) 在本文中,我们还没有研究了泄漏位置和DBN的架构选择。目前,深度学习网络的体系结构包括隐藏层和隐层神经元的数量在每个选择通过实证或实验方法。因此,这种方法需要大量工作和可能影响体系结构选择的精度和速度。结构自适应的选择仍然是一个困难的问题解决深层神经网络;在未来我们将研究这个问题。

 4所示。结论

本文的方法基于水渍险和泄漏孔径的管道<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M133"> D B N 我 C R 提出了。有效地提取泄漏信息更有价值,WPA应用于优化超声波的声速测量设计一套原始信号。实现泄漏孔径的理想性能识别和消除手动特征选择的需求,<我nl我ne- - - - - -for米ul一个><米ml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M134"> D B N 我 C R 作为分类器。探讨该方法的有效性,它是测试声速实验管道超声数据的识别不同泄漏孔径。结果表明,该方法可以可靠地识别不同泄漏孔径。

 数据可用性

因为实验的所有数据将作为项目的专利申请,我们不能共享实验数据。

 的利益冲突

作者宣称没有利益冲突。

 确认

这项工作得到了国家自然科学基金资助下的中国61673199。

 达塔 年代。 Sarkar 年代。 回顾不同的管道故障检测方法 流程工业的损失预防》杂志上 2016年 41 97年 106年 2 - s2.0 - 84961838374 10.1016 / j.jlp.2016.03.010 Bolzon G。 Boukharouba T。 Gabetta G。 Elboujdaini M。 蜜剂 M。 管道运输的碳氢化合物的完整性 2011年 荷兰 施普林格 Henrie M。 Carpente P。 尼古拉斯 r·E。 管道泄漏检测手册 2016年 海湾专业出版 马提尼 一个。 Troncossi M。 Rivola 一个。 自动检漏埋塑料管道供水网络通过振动测量 冲击和振动 2015年 2015年 2 - s2.0 - 84937250311 10.1155 / 2015/165304 165304年 刘 J。 苏 H。 马 Y。 王 G。 王 Y。 张 K。 混沌特性和基于最小二乘支持向量机的在线管道小泄漏检测 混乱,孤波和分形 2016年 91年 656年 669年 2 - s2.0 - 84989819737 10.1016 / j.chaos.2016.09.002 太阳 J。 肖 Q。 温 J。 王 F。 天然气管道小泄漏特征提取和识别基于LMD包络谱熵和支持向量机 测量 2014年 55 9 434年 443年 10.1016 / j.measurement.2014.05.012 2 - s2.0 - 84903554471 王 D。 首歌 Z。 吴 Y。 江 Y。 基于超声波在小直径管道压力测量 超声学 2015年 63年 1 6 2 - s2.0 - 84952628247 10.1016 / j.ultras.2015.06.002 胡 J。 张 l 梁 W。 小泄漏检测长运输管道复杂的噪声 流程工业的损失预防》杂志上 2011年 24 4 449年 457年 2 - s2.0 - 79956347702 10.1016 / j.jlp.2011.04.003 郭 C。 温 Y。 李 P。 温 J。 自适应降噪基于EMD的供水管道泄漏检测 测量 2016年 79年 188年 197年 2 - s2.0 - 84958962752 10.1016 / j.measurement.2015.09.048 太阳 J。 肖 Q。 温 J。 张 Y。 天然气管道泄漏孔径标识和位置基于局部均值分解分析 测量 2016年 79年 147年 157年 2 - s2.0 - 84947461120 10.1016 / j.measurement.2015.10.015 李 Z。 陈 J。 子 Y。 锅 J。 以独立性为中心的VMD轮轴识别故障特性的高速机车轴承故障诊断 机械系统和信号处理 2017年 85年 512年 529年 2 - s2.0 - 84995427068 10.1016 / j.ymssp.2016.08.042 Dragomiretskiy K。 Zosso D。 变分模态分解 IEEE信号处理 2014年 62年 3 531年 544年 10.1109 / tsp.2013.2288675 MR3160293 2 - s2.0 - 84893418756 李 J。 风扇 X。 陈 G。 高 Z。 陈 M。 李 l 一款小的正压气体管道泄漏检测半导体制造业 学报2016年IEEE国际会议的在线分析和计算科学,ICOACS 2016 2016年5月 中国 384年 388年 2 - s2.0 - 84989191994 张 Z。 赵 J。 基于深层信念网络故障诊断模型复杂的化学过程 计算机与化学工程 2017年 107年 395年 407年 10.1016 / j.compchemeng.2017.02.041 邵 H。 江 H。 张 H。 梁 T。 电力机车轴承故障诊断使用卷积深层信念网络小说 IEEE工业电子产品 2017年 65年 3 2727年 2736年 2 - s2.0 - 85028524352 10.1109 / TIE.2017.2745473 Kamada 年代。 Ichimura T。 一种自适应学习方法的深层信念网络层生成算法 学报2016年IEEE地区10会议,TENCON 2016 2016年11月 新加坡 2967年 2970年 2 - s2.0 - 85015381307 Ichimura T。 Kamada 年代。 自适应学习的方法反复颞深信念网络分析时间序列数据 《2017国际联合神经网络会议上,IJCNN 2017 2017年5月 美国 2346年 2353年 2 - s2.0 - 85030983435 张 Y。 张 Y。 优化的独立组件参数回归 化学计量学和智能实验室系统 2010年 104年 2 214年 222年 2 - s2.0 - 78649363675 10.1016 / j.chemolab.2010.08.011 通用电气 Z。 首歌 Z。 王 P。 概率的结合当地独立分量多模质量预测回归模型在化学过程 化学工程的研究和设计 2014年 92年 3 509年 521年 2 - s2.0 - 84894317151 10.1016 / j.cherd.2013.09.010 Da对峙 T·l·T。 Kozakevicius a·J。 罗德里格斯 c·R。 自动化睡意检测通过小波包分析单个脑电图的通道 专家系统与应用程序 2016年 55 559年 565年 2 - s2.0 - 84960921991 10.1016 / j.eswa.2016.02.041 Lei D。 杨 l 徐 W。 张 P。 黄 Z。 混凝土试验研究惊人的基于小波包分析的微裂纹 建筑和建筑材料 2017年 149年 716年 723年 2 - s2.0 - 85020039976 10.1016 / j.conbuildmat.2017.05.159 李 J。 崔 X。 首歌 H。 李 Z。 刘 J。 超宽频TOA估计阈值选择方法基于小波分解和峰态分析 EURASIP无线通讯和网络》杂志上 2017年 2017年 1 2 - s2.0 - 85036476607 朗 X。 李 P。 李 Y。 任 H。 泄漏的位置与Multibranch基于Cyber-Physical系统管道 信息 2017年 8 4 113年 10.3390 / info8040113 通 C。 朗ydF4y2Ba T。 史 X。 软测量的非高斯过程使用修改后整体独立分量回归 化学计量学和智能实验室系统 2016年 157年 120年 126年 2 - s2.0 - 84979220310 10.1016 / j.chemolab.2016.07.006 刘 W。 王 Z。 刘 X。 曾 N。 刘 Y。 Alsaadi f·E。 深入的调查神经网络体系结构及其应用 Neurocomputing 2017年 234年 11 26 2 - s2.0 - 85010651075 10.1016 / j.neucom.2016.12.038 聂 l 江 D。 余 年代。 首歌 H。 网络流量预测基于深层信念在无线网状网络骨干网络 学报2017年IEEE无线通信和网络会议,WCNC 2017 2017年3月 美国 2 - s2.0 - 85019727064 Jeschke 年代。 •布雷彻 C。 首歌 H。 Rawat d·B。 工业物联网cybermanufacturing系统 2017年 施普林格国际出版瑞士 汉 H。 乔 J。 一个自组织模糊神经网络基于growing-and-pruning算法 IEEE模糊系统 2010年 18 6 1129年 1143年 2 - s2.0 - 78649732347 10.1109 / TFUZZ.2010.2070841 李 Y。 通 年代。 李 T。 Observer-based随机非线性系统的自适应模糊跟踪控制具有未知控制方向和未知死区 IEEE模糊系统 2015年 23 4 1228年 1241年 2 - s2.0 - 84924033390 10.1109 / TFUZZ.2014.2348017 张 l 高 H。 温 J。 李 年代。 刘 Q。 基于深度学习识别方法对退化监测滚珠螺杆与多传感器数据融合 微电子的可靠性 2017年 75年 215年 222年 2 - s2.0 - 85018641221 10.1016 / j.microrel.2017.03.038 朗 X。 李 P。 胡 Z。 任 H。 李 Y。 管道泄漏检测和定位的基于LMD和最小二乘双子支持向量机 IEEE访问 2017年 5 8659年 8668年 2 - s2.0 - 85028939844 10.1109 / ACCESS.2017.2703122