阀门内漏识别及内漏速率量化技术研究

作者：朱沈宾; 李振林^*; 王西明; 李想; 张鸣远

来源：振动与冲击, 2022, 41(04): 167-175.

DOI：10.13465/j.cnki.jvs.2022.04.022

• 阀门内漏识别
• 内漏速率
• 卷积神经网络(CNN)
• 深度信念网络(DBN)

阀门作为天然气管线的关键部件，若发生内漏会带来经济损失及生产安全隐患。因此，阀门内漏的有效诊断及内漏速率的准确量化具有重大意义。针对复杂背景噪声下内漏诊断效率不高的问题，以内漏信号和非泄漏噪声信号的功率谱密度图作为输入，构建了阀门内漏卷积神经网络(convolutional neural network, CNN)识别模型；针对物理理论及浅层网络模型在多工况阀门内漏数据上存在量化误差大的问题，构建了阀门内漏速率深度信念网络(deep belief network, DBN)量化回归模型，并与支持向量回归机、BP神经网络等模型进行了对比研究。研究结果表明：所构建模型的内漏识别准确率及内漏速率量化平均绝对百分比误差分别为99%和9.101 2,证实了所构建模型的高效性，为阀门内漏诊断与评价开拓了新的研究方向。

• 单位
  中国石油大学（北京）