文章摘要
郑书闽,颜建国,郭鹏程,徐燕,李江,刘振兴.基于VMD及深度学习的供水管道小尺度泄漏检测研究[J].水利学报,2024,55(8):999-1008
基于VMD及深度学习的供水管道小尺度泄漏检测研究
Small-scale pipeline leak detection based on VMD and deep learning
投稿时间：2023-10-30  
DOI：10.13243/j.cnki.slxb.20230676
中文关键词: 泄漏检测  小尺度泄漏  变分模态分解  深度学习  供水管道
英文关键词: leak detection  small-scale leakage  variational mode decomposition  deep learning  water supply pipeline
基金项目:国家自然科学基金项目(51839010);陕西省创新能力支撑计划项目(2024RS-CXTD-31);陕西高校青年创新团队项目(2020-29);新疆水专项(2020.C-001)
作者单位E-mail
郑书闽 西安理工大学 水利水电学院, 陕西 西安 710048  
颜建国 西安理工大学 水利水电学院, 陕西 西安 710048
西安理工大学 省部共建西北旱区生态水利国家重点实验室, 陕西 西安 710048 		 
郭鹏程 西安理工大学 水利水电学院, 陕西 西安 710048
西安理工大学 省部共建西北旱区生态水利国家重点实验室, 陕西 西安 710048 		guoyicheng@xaut.edu.cn 
徐燕 新疆维吾尔自治区寒旱区水资源与生态水利工程研究中心(院士专家工作站), 新疆 乌鲁木齐 830000  
李江 新疆维吾尔自治区寒旱区水资源与生态水利工程研究中心(院士专家工作站), 新疆 乌鲁木齐 830000  
刘振兴 西安理工大学 水利水电学院, 陕西 西安 710048  
摘要点击次数: 1650
全文下载次数: 1885
中文摘要:
      针对常压、小尺度泄漏条件下，泄漏信号不明显、难以有效检测的问题，开展了供水管道泄漏检测研究，获取了100~220 kPa压力、40~80 m3/h流量条件下的泄漏实验数据，并分析了压力泄漏信号的变化规律。为减少噪声干扰并增强泄漏信号特征，采用变分模态分解（VMD）对实验数据进行降噪，并进行标准化处理。基于长短期记忆网络（LSTM）、双向长短期记忆网络（BiLSTM）、门控循环单元（GRU）等典型循环神经网络，结合卷积神经网络（CNN），构建了CNN-LSTM、CNN-BiLSTM以及CNN-GRU等3种深度学习泄漏检测模型，并进行了预测性能评价，其中，CNN-GRU模型对全部实验数据的预测精度高达99.56%。结果表明：所构建的泄漏模型能够有效判断常压、小尺度条件下的管道是否发生漏损；利用CNN进行特征提取，能够有效提取泄漏特征，从而提升泄漏检测模型的预测精度和泛化性。研究工作可为管道泄漏检测系统智慧管理提供支撑。
英文摘要:
      To address the challenge of detecting leakage signals under normal pressure and small-scale leaks，this paper focuses on the detection of water supply pipeline leaks.The experimental data of leakage under the conditions of 100-220 kPa pressure and 40-80 m3/h volume flow were obtained，and the variations in pressure signals under small-scale leak conditions were analyzed.The experimental data is denoised by using Variational Mode Decomposition（VMD）to reduce noise interference and enhance leak signal characteristics，followed by standardization process.The study combines typical recurrent neural networks，including Long Short-Term Memory（LSTM），Bidirectional Long Short-Term Memory（BiLSTM），and Gated Recurrent Unit（GRU），with Convolutional Neural Network（CNN）to construct three deep〖JP2〗 learning leakage detection models CNN-LSTM，CNN-BiLSTM，and CNN-GRU.These models were evaluated for their predictive performance，among them，the CNN-GRU model exhibited the highest predictive accuracy of 99.56% for all experimental data.The results indicate that the models demonstrate high accuracy in detecting leaks under normal pressure and small-scale leak conditions.CNN proves to be instrumental in extracting pertinent features efficiently and accurately，thereby improving the prediction accuracy of the leakage detection model.The research provides valuable support for the intelligent management of pipeline leakage detection system.
查看全文   查看/发表评论  下载PDF阅读器
关闭