基于改进CNN的阀门泄漏超声信号识别方法

宁方立^1,2, 韩鹏程^1,2, 段爽^1,2, 李航^1,2, 韦娟³

1. 西北工业大学 机电学院, 西安 710072;
2. 东莞市三航军民融合创新研究院, 东莞 523808;
3. 西安电子科技大学 通信工程学院, 西安 710071

收稿日期:2019-07-01出版日期:2020-06-28发布日期:2020-06-24

作者简介:宁方立(1974-),男,教授,博士生导师,E-mail:ningfl@nwpu.edu.cn.
基金资助:国家自然科学基金项目（51675425）；陕西省重点研发计划项目（2020ZDLGY06-09）；2018年东莞市社会科技发展（重点）项目（20185071021600）

Identification Method of Valve Leakage Ultrasonic Signal Based on Improved CNN

NING Fang-li^1,2, HAN Peng-cheng^1,2, DUAN Shuang^1,2, LI Hang^1,2, WEI Juan³

1. School of Mechanical Engineering, Northwestern Polytechnical University, Xi'an 710072, China;
2. Dongguan Sanhang Civil-military Integration Innovation Institute, Dongguan 523808, China;
3. School of Telecommunications Engineering, Xidian University, Xi'an 710071, China

Received:2019-07-01Online:2020-06-28Published:2020-06-24


Supported by:

摘要/Abstract

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.
中图分类号:
TP391

引用本文

宁方立, 韩鹏程, 段爽, 李航, 韦娟. 基于改进CNN的阀门泄漏超声信号识别方法[J]. 北京邮电大学学报, 2020, 43(3): 38-44.
NING Fang-li, HAN Peng-cheng, DUAN Shuang, LI Hang, WEI Juan. Identification Method of Valve Leakage Ultrasonic Signal Based on Improved CNN[J]. Journal of Beijing University of Posts and Telecommunications, 2020, 43(3): 38-44.





PDF全文下载地址:

https://journal.bupt.edu.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=4642