基于改进CNN的阀门泄漏超声信号识别方法

摘要：

为了检测输气管道阀门泄漏,对改进AlexNet网络结构进行了研究,提出了基于改进卷积神经网络(CNN)的阀门泄漏超声信号识别方法.针对泄漏信号短时稳定的窄带线谱特征,从图像邻域信息密度角度出发,将卷积核形状由图像识别领域通常使用的"正方形"改进为"扁横状".同时,对AlexNet层数进行优化,重新确定卷积核和全连接层神经元数目,并选择小尺寸卷积核,在减少参数量的同时增加网络容量和模型复杂度,防止模型出现过拟合.分别建立二分类和不同泄漏量下的多分类模型,通过输气管道实验平台采集阀门泄漏数据集,生成对应时频图样本,包括不同阀门开度、不同管道压力下的泄漏及背景声信号.结果表明,对比传统的CNN分类模型,改进CNN分类模型在测试集上取得了更高的识别性能.

关键词：卷积核、短时傅里叶变换、卷积神经网络、阀门、泄漏检测

所属期刊栏目：43

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金项目;陕西省重点研发计划项目;2018年东莞市社会科技发展重点项目

在线出版日期：2020-09-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：38-44