多流体管道泄漏检测和分类使用萨维茨基-戈莱胆量图和轻量级视觉变压器,具有简化自我注意的功能

科学领域:

• 工程 工程师 工程师 工程师
• 信号处理 信号处理
• 人工智能的人工智能

背景情况:

• 管道泄漏带来重大风险,导致中断,环境破坏和财务损失.
• 来自泄漏的声辐射 (AE) 信号通常会被噪音所掩盖,并受到流体类型的影响.
• 现有的方法难以应对泄漏引起的声信号的复杂性和变异性.

研究的目的:

• 开发一个强大且独立于流体的管道泄漏诊断框架.
• 为了增强检测微妙的声音发射模式,表明泄漏.
• 为了在识别泄漏存在,严重程度和缺失方面实现高准确度.

主要方法:

• 在不同的操作条件下获取AE数据,包括不同的泄漏强度.
• 使用连续波形变换 (CWT) 将短暂的AE信号转化为详细的头像图.
• 应用萨维茨基-戈莱 (SG) 波器来精制扫描图 (SG扫描图).
• 训练一个卷积神经网络 (CNN) 和一个轻量级的视觉变换器与精简的自我注意力 (LViT-S).
• 整合了CNN和LViT-S.所学到的本地和全球特征.
• 使用人工神经网络 (ANN) 进行最终分类.

主要成果:

• 拟议的框架在不同压力,流体类型 (气体,水) 和泄漏大小方面实现了98.6%的高分类精度.
• 轻量级的视觉变压器与精简的自我注意力 (LViT-S) 证明了降低计算成本,同时保持性能.
• 对比分析显示,在各种场景中,与四种最先进的方法相比,精度更高.

结论:

• 这种新的框架通过将先进的信号处理与高效的深度学习架构相结合,有效地诊断管道泄漏.
• 流体独立的方法和精细的特征提取提高了检测可靠性.
• 这种方法为提高管道完整性和安全性提供了一个有希望的解决方案.