张鑫儒,侯磊,徐磊,黄亚楠,白小众,满建峰,刘金海,谷文渊[1]（2022）在《仿真与DBSCAN算法融合的管输数据生成与验证方法》文中研究表明在油气管道系统中,受数据保密性高、数据采集技术不完善、异常工况发生频率低等因素制约,利用管输数据集进行机器学习模型训练,效果不理想。基于此,以某原油管道为例,分析管输能耗,利用Pipeline Studio TLNET软件对输油泵机组耗电量进行仿真,扩充训练数据集。针对管输仿真样本无真实值对照、特征关联、高维等特点,提出一种基于马氏距离的DBSCAN（Density-Based Spatial Clustering of Applications with Noise）算法,用于评价仿真样本的可靠度,识别异常仿真数据。基于仿真样本与现场数据样本的机器学习模型训练结果表明,剔除异常数据的仿真样本能够提升模型的拟合能力,由此为管输数据仿真样本的生成与验证提供了新的思路。（图5,表5,参25）
朱立娟[2]（2021）在《VMD和SVM结合的天然气管道泄漏检测技术研究》文中认为随着我国管道服役时间不断延长,管道磨损日益严重,时常导致管道泄漏事故发生,给人民造成巨大的财产损失及身心伤害。泄漏检测是保障管道正常运行的主要技术手段,然而在天然气管道泄漏检测过程中,存在检测极易受到噪声干扰以及泄漏特征信息提取困难,导致误报、漏报的问题,因此,为提高管道泄漏检测的精度,本文利用变模态分解Variational Mode Decomposition,（VMD）算法对管道信号进行分析,设计了一种从信号预处理、特征提取,到工况识别的管道泄漏检测方法。主要研究内容如下:首先,对VMD算法的原理进行了研究,然后用其分析了信号处理过程中的含噪信号等异常信号,并与经验模态分解Empirical Mode Decomposition,（EMD）算法做了对比,验证了VMD算法用于天然气管道泄漏检测的可行性。其次,VMD算法在使用前需要预设参数,为确定VMD参数值,提出了一种改进的VMD方法,利用群智能优化算法—麻雀搜索算法（Sparrow Search Algorithm,SSA）对VMD的关键参数分解层数K和惩罚因子α的最优组合进行自适应选取。同时为了消除噪声对管道泄漏检测的干扰,提出了VMD结合散布熵的去噪方法,输入信号经VMD分解可得到K个模态分量,计算每个模态的散布熵值,并对有效模态与非有效模态进行区分,最后重构有效模态获得去噪信号。仿真信号及实际天然气管道泄漏信号的实验结果表明,相比其它去噪方法,该方法的去噪效果更好。最后,管道信号的有效特征提取有利于提高天然气管道泄漏检测的准确率,因此提出了VMD结合Lempel-Ziv复杂度分析的特征提取方法。首先对管道信号进行去噪预处理,然后计算去噪后管道信号的Lempel-Ziv复杂度（Lempel-Ziv Complexity,LZC）值,提取LZC特征,并将其作为支持向量机（Support Vector Machines,SVM）的输入进行训练、测试。结果表明,本文提取的LZC特征相比其他特征,具有较高的管道工况信号分类准确率。
戴阳[3]（2020）在《射频法原油含水率测量精度的关键影响因素分析》文中提出原油含水率是实施油田智能化开采的重要参数,对注水井开采工艺具有指导性作用。根据含水率的测量情况,可以制定各生产层的最佳开采策略,调整开采方案以达到多储层优化开采的需要。原油含水率的精确测量是分层采油、分层测试、分层控制等智能完井技术的坚实基础。本文旨在分析影响射频法原油含水率测量精度的关键因素。基于高频电磁波在油水介质中传播的电场特性,分析了传统的基于单极平行双天线测量模型存在的问题,提出了基于螺旋天线结构的含水率测量模型,利用COMSOL多物理场仿真软件,对管道内螺旋天线结构在不同含水比例的油水介质中的电磁场变化情况进行了仿真,验证了螺旋天线结构的含水率测量模型的可行性,提高了含水率的测量区间和灵敏度;通过优化测量装置的结构,使含水率测量仪更适用于油田现场工况;并根据流体特性中介电常数的偏移特性设计了非线性补偿算法,降低了含水率测量的误差。对含水率测量电路系统的各模块进行了级联调试,改进了射频信号源、调制解调及数据通信等电路,使得含水率测量装置可以在高温高压的井下环境中稳定工作。搭建了室内循环试验平台,进行了含水率测量实验。实验结果表明,本文所设计的基于螺旋天线的含水率测量装置经过测量误差校正后,含水率在全区段范围内的测量误差小于5%。该含水率测量仪在油田现场管道中进行了测试,现场使用情况表明,其运行稳定、可靠,且响应速度快,该仪器为数字化油田及智能完井等技术提供了可靠的测量数据。
丰伟东[4]（2020）在《FPSO火灾抑爆模拟实验与数值研究》文中研究指明FPSO（Floating Production Storage and Offloading,即浮式生产储油卸油平台。）对海上油气的开发已成为当前及未来的重点。由于FPSO上甲板设备布置密集,海上作业环境恶劣,一旦发生油气泄漏爆燃事故,将造成重大的损害。本文针对FPSO火灾爆燃抑爆过程进行了模拟实验和数值仿真研究,主要工作和结论如下:（1）设计并搭建了 FPSO上甲板爆燃过程半开敞可视化模拟实验平台,实验平台包括半开敞燃烧室管道、配气系统、点火设备、水喷淋系统、数据采集系统和同步触发系统,分别通过高速相机和压力传感器记录爆燃过程火焰和超压随时间的变化特性。通过开展不同的障碍物间距,细水雾粒径,雾化压力及细水雾与障碍物相对位置实验模拟FPSO上甲板设备布置密集程度、消防水喷淋系统的不同布置位置及水雾参数场景。（2）实验关键结论如下:两个不同长度障碍物的间距为100mm和200mm时与间距为300mm工况相比,爆燃超压值分别,降低了 53.9%和13.2%,随着障碍物间距的增大,火焰锋面湍流增强作用减小,爆燃超压值降低;空管道下粒径为45μm、80 μm、160μm和200μm细水雾与无水雾工况相比,爆燃压力峰值分别升高3.4%、22.7%、107.1%和109.4%,火焰前锋到达管口时间缩短,一部分细水雾在高温火焰的作用下发生汽化吸热,稀释甲烷浓度,抑制爆燃过程,另一部分细水雾小液滴不能及时汽化,充当障碍物,对火焰起到扰动作用,火焰前锋由“手指状”演变为“齿状”,诱导火焰湍流作用增强,促进爆燃过程。随着粒径的增大,细水雾促进爆燃过程占主导;细水雾随着雾化压力的增大,细水雾小液滴的扰动作用增强,爆燃超压值增大,火焰到达管口的时间提前;45μm细水雾障碍物条件下,细水雾位于障碍物前方、上方和后方时与无细水雾工况相比爆燃超压值分别降低了 18.3%、2.5%和19.8%,细水雾位于障碍物后方时工况与其他两个位置相比,爆燃超压值最小,火焰越过障碍物,产生湍流,甲烷/空气燃烧速度将要提高时,由于细水雾小液滴受到高速火焰的冲击作用,使得小液滴更容易被击碎,促进细水雾有效汽化吸热,抑制爆燃过程。（3）利用FLACS以海洋石油“118”为原型,建立1:1物理模型,对FPSO上甲板可燃气云泄漏燃爆过程进行了数值模拟,分析了泄漏速度、风速和风向对泄漏过程的影响,进而对水喷淋不同布置位置工况下FPSO燃爆过程进行数值模拟,得出在设备密集区域细水雾作用下爆燃压力值降低较少。此外还对不同细水雾粒径工况进行模拟,得出随着细水雾粒径的减小,抑爆效果增强。
陈奕昕[5]（2020）在《基于粒子滤波的输油管道泄漏检测与定位》文中认为管道是运输石油资源的主要手段。近年来,由于管材老化、盗油打孔等导致的管道泄漏事故不断增加,造成了大量的经济损失和人员伤亡。因此,对管道泄漏点进行快速、准确的定位,是确保管道安全运行亟待解决的关键问题。首先,建立了管道数学模型,并使用特征线法求取了该模型的数值解。为提升数学模型计算精度,在建模过程中考虑了高程和摩阻系数对管道流体的影响。为使用粒子滤波实现管道状态估计,将数学模型改写为状态空间方程形式。使用TLNET搭建管道仿真平台,获取管道泄漏的仿真实验数据,使用Matlab对管道数学模型进行模拟计算,通过与仿真实验数据对比的方式验证了数学模型的有效性。其次,基于所建立的状态空间方程,设计粒子滤波算法对管道进行状态估计,并以质量平衡原理实现管道泄漏检测。提出一种预设泄漏节点,通过二次分段和粒子滤波估计实现泄漏定位的方法,能够以较低的计算量实现对管道泄漏的定位。为进一步提升泄漏定位精度,使用自举裂变粒子滤波的思想实现泄漏量的估计。多次仿真结果表明,所提出方法作为一个一般性或普适性的状态估计法,可以对小泄漏实现检测与定位,同时相对定位误差低于1%。最后,针对状态估计法对硬件设备要求较高导致的实用性不强的问题,提出一种基于压缩感知和粒子滤波的管道泄漏定位方法。通过对实测泄漏信号进行压缩感知应用在泄漏信号压缩重构方面的可行性分析,以及重构算法参数对信号重构的影响分析,优化了基于粒子滤波的泄漏定位方法。同时,基于一段长741米的实验管道验证了所提出方法的有效性和优越性。实验结果表明,对粒子滤波所需测量信号（100Hz）进行65%75%的压缩,可以对泄漏量在2%10%的不同泄漏点进行有效定位的同时仍保持较低的（0.95%1.07%）相对定位误差。
梁洪卫[6]（2019）在《油气管道泄漏声波信号检测与识别技术研究》文中进行了进一步梳理伴随着天然气管道数量的增加及运行年限的增长,天然气管道泄漏现象时有发生,极易造成严重事故,因此,对管道的运行状态进行实时监测具有非常重要的意义。本文以气体管道声波信号的采集、去噪、特征提取以及气体管道的运行状态识别为研究对象,通过实验分析确定了气体管道泄漏声波信号在不同状态下的频率范围;研究了小波阈值去噪算法并改进了阈值函数,研究了VMD算法,提出了VMD-Wavelet去噪算法;研究了气体管道声波信号的各种特征参数,搭建了基于VMD-Wavelet的云模型特征熵提取方法;研究了BP神经网络,提出了VMD-En-BP神经网络模型。本文所作主要工作如下:首先,研究声波法泄漏检测基本原理,设计了气体管道泄漏检测实验系统。分析了不同状态下泄漏信号的时域、频域特性,得出泄漏声波信号能量主要集中在低频段。其次,研究了硬阈值、软阈值以及Garrote阈值等经典小波阈值函数,提出一种改进小波阈值函数,利用改进的小波阈值函数对典型信号进行去噪处理,并与经典小波阈值函数作对比,结果表明改进小波阈值函数在信噪比、均方误差方面均能取得更好的去噪效果。再次,研究了VMD算法、Hausdorff距离、峭度以及小波变换等方法,提出了一种VMD-Wavelet去噪算法。该算法首先对含噪声信号进行VMD分解,利用Hausdorff距离来选取有效模态分量;计算未选择模态分量的峭度值,筛选峭度值大于选定阈值的分量,用改进的小波阈值函数滤除该分量的高频噪声;最后利用处理后的各个IMF分量重构信号。理论分析和仿真结果表明该方法不仅对典型信号具有良好的去噪效果,而且对实际气体管道泄漏信号、敲击信号以及正常运行信号均能取得较好的去噪效果。然后,通过仿真分析验证了EMD分解提取的各种运行状态下声波信号的模态分量频谱图中无法准确提取状态特征,而VMD分解后的IMF1、IMF2能体现各种运行状态下声波信号中心频率的差异。因此本文提出了基于VMD-Wavelet的云模型特征熵提取方法,该方法利用VMD-Wavelet算法对气体管道正常运行、敲击、泄漏三种状态下采集的声波信号进行去噪、选取有效模态进行重构、计算重构信号的En值;仿真分析发现利用该方法计算出的三种状态下重构信号的云模型特征熵有较好的区分度,可作为状态识别的特征参数。最后,研究了BP神经网络,搭建了VMD-BP和En-BP两种神经网络模型,根据各自的优缺点,提出了VMD-En-BP神经网络模型,利用该模型对气体管道运行状态进行识别,实验结果表明该模型能够准确识别气体管道正常运行、敲击、渗漏、小泄漏和大泄漏五种运行状态。
王谢[7]（2019）在《北京油气调控中心发展战略研究》文中指出北京油气调控中心于2006年5月8日正式成立,以适应管道业务的快速发展,优化管道运营管理体系。在行政上,它直接隶属于中国石油天然气集团公司,其业务直接隶属于中石油管道有限公司。主要功能是实现中国石油长输油气管道的集中调度指挥,远程监控运行,维护运行协调和管网运行优化。国家大力发展油气管网建设,使油气调控行业发展迅速,而北京油气调控中心在油气改革下却面临运营困难、发展落后的局势,如何改变公司现状,成为北京油气调控中心最急需处理的问题。本文以北京油气调控中心为具体研究对象,通过运用企业战略学的理论,对公司未来战略进行了分析。首先,对北京油气调控中心的业务、组织管理结构、控制管网概况进行介绍,提出了北京油气调控中心目前存在的问题并进行分析。接着通过运用宏观环境分析、波特五力竞争理论具体分析了公司的产业环境,同时利用SWOT工具对北京油气调控中心现有战略进行分析,对公司存在的优劣势与机会、威胁进行对比,得出了四种发展战略。然后依据北京油气调控中心目前所处现状和未来油气改革面临的形势,提出了调控中心未来的发展战略—智能调控发展战略。最后,本文从四个方面提出具体保障措施:革新管理制度,加强资金保障,改善企业文化,突出安全。
燕宗伟[8]（2019）在《基于神经网络的管道泄漏检测研究》文中研究指明随着我国社会经济的发展,人们在日常生活中对石油天然气能源的依赖越来越大,成了人类生存的另一条生命线。管道运输作为第五大运输方式,它的安全性、经济性在运输石油天然气中有着不可或缺的作用。但是,目前在管道的监测和检测上还没有什么方法可以做到一劳永逸的,主要是一些小泄漏和渗漏的情况很难被检测出来。而发生过的管道泄漏事故,大部分都是由于渗漏和小泄漏未被检测到,最终造成不可挽回的损失。因此,许多研究人员一直致力于对管道泄漏检测的研究,找到一种能有效的对管道进行监测和检测的方法,减少泄漏事故的发生。本文针对管道泄漏工况信号和正常工况信号,进行信号消噪和泄漏信号检测的问题,主要进行了以下研究:针对采集的包含干扰信号的管道工况数据进行消噪的问题,本文基于小波包分析和局域均值分解方法,提出小波包优化局域均值分解的降噪方法。由于采用小波分析的消噪法其分解的低频时域和高频频域的分辨率低,即低频的时域信号特征分量会包含多种频率的信号信息,在高频域内信号的频率不再分解。而采用经验模态分解和局域均值分解的方法会产生比较明显的端点效应和模态混叠的问题。而经验模态分解相比局域均值分解,其端点效应和模态混叠的问题比较严重。因此,本文采用小波包优化局域均值分解的方法对管道工况信号进行降噪,降噪效果得到明显改善。针对管道泄漏检测准确率较低的问题,本文提出一种采用遗传算法（Genetic Algorithm,GA）优化的BP（Back Propagation）神经网络的管道泄漏检测方法。该方法利用GA求解BP神经网络的最优权值和阈值,构建BP神经网络的管道泄漏检测模型,通过对泄漏压力信号进行特征提取,建立泄漏特征向量,以此向量作为BP神经网络的输入,泄漏工况类别作为BP网络的输出。通过与基于粒子群优化（Particle Swarm Optimization,PSO）算法BP神经网络的泄漏检测准确率进行对比分析,该方法可针对泄漏信号进行准确检测识别。
郎宪明[9]（2018）在《基于特征提取与信息融合的管道泄漏检测与定位研究》文中研究指明长输管道输送流体的过程中,由于管道受到腐蚀、地理环境作用和第三方破坏等因素的影响,造成管道常常出现泄漏事故。在实际管道运行中,管道泄漏检测与定位系统成为保障管道安全运行的有效手段之一,因此泄漏检测与定位研究无论是在管道完整性管理,还是在学术研究领域,都有着重大的实践意义和理论研究价值。由于传感器技术、信号处理分析技术的快速发展和数字化管道建设的不断扩大,管道运输过程能够测量和存储的数据信息越来越多,如何从大量的测量数据中提取出能用于泄漏检测的有用信息是管道泄漏检测与定位方法迫切需要解决的问题。本文以测量数据的特征提取和信息融合为研究主线,对泄漏检测及定位技术进行了深入研究,主要研究工作如下:1.针对管道发生泄漏时,管道首末两端采集压力信号中的噪声会影响到泄漏检测准确性的问题,一种改进局域均值分解方法（Local mean decomposition,LMD）被提出,用来信号去噪。该方法不需要知道泄漏信号和噪声信号特征就可以提取与泄漏信号相关的乘积函数（Product function,PF）。根据测试信号的PF和参考信号相关分析的峰值,获取包含主要泄漏信息的PF分量并进行信号重构,重构信号再经过小波分析进一步消噪。在此基础上,按照时域特征和波形特征提取信号特征值作为最小二乘双支持向量机（Least squares twin support vector machine,LSTSVM）的输入,进行泄漏工况识别。根据经过小波消噪后的重构信号,采用广义相关分析法获取泄漏信号到达管道首末两端的时延估计,并结合泄漏信号传播速度实现泄漏点定位。通过Flowmaster软件建立管道泄漏模型,对管道各种工况信号进行处理分析,实验结果表明该方法能有效识别泄漏工况及泄漏定位。2.针对管道运行状态数据的非平衡性会造成管道泄漏诊断准确率下降的问题,提出了一种基于非平衡数据的管道泄漏检测与定位方法。首先,将管道各工况非平衡数据采用基于K均值聚类的欠采样方法处理,使其达到数据平衡。然后,将Fischer-Burmeister函数引入到双支持向量机（Twin support vector machine,TWSVM）学习过程中,以避免目标函数求解时矩阵的求逆计算,并将平衡数据作为改进双支持向量机算法的输入,识别管道泄漏。采用相关分析法实现泄漏点定位。根据Flowmaster搭建的管道泄漏模型,运用该方法识别管道泄漏。仿真实验表明,与经典双支持向量机算法和拉格朗日双支持向量机（Lagrange TWSVM）算法相比,该方法能更快速识别管道泄漏孔径及定位。3.针对当管道出现小泄漏时,管道泄漏孔径较难识别的问题,提出了一种基于独立分量分析（Independent component regression,ICR）改进深度信念网络（Deep belief network,DBN）的管道泄漏识别方法。DBNICR是基于深度信念网络学习模型DBN的一种改进型建模方法。首先,采用小波包分解（Wavelet packet decomposition,WPA）进行超声波声速信号的消噪处理;其次,将消噪后的信号输入到改进的深度信念网络中进行泄漏孔径识别。由于经典的DBN权值优化采用梯度优化算法,收敛速度较慢,而将ICR方法取代经典DBN中基于梯度的逐层权值精调方法,来提高DBN的分类准确率。同时,通过构造李雅普诺夫函数证明了DBNICR学习过程中的收敛性。现场实验结果表明所提出的DBNICR收敛速度快,能有效区分不同的泄漏孔径。4.针对多分支管道泄漏监控系统之间不能同时进行泄漏点定位的问题,提出了采用信息物理系统（Cyber-physical system,CPS）架构对多分支管道进行泄漏点的定位。该方法利用小波包分析来进行各个分支管道末端压力信号拐点时间的提取,以此建立数据特征样本,并将数据样本作为改进双支持向量机（Improved TWSVM,ITWSVM）算法的输入,进行泄漏定位。仿真实验表明,与TWSVM、径向基神经网络（Radial basis function neural network,RBFNN）、反向传播神经网络（Back propagation neural network,BPNN）相比,该方法能更快速、更准确地进行管道泄漏点定位。5.针对输油管道出现小泄漏时,常常出现漏报的问题,提出一种采用神经网络和D-S（Dempster-Shafer）证据理论的多特征融合的管道小泄漏的识别方法。当小泄漏发生时,将超声波声速信号、流量信号、温度信号进行小波包3层分解,提取各个频带信号的归一化有效值构造特征向量,然后将特征向量作为神经网络的输入,从而实现对小泄漏的首次识别,以首次识别结果再次作为独立证据,并且采用D-S证据融合规则将独立证据进行融合,得到最终小泄漏识别结果;另一方面,小泄漏会造成超声波声速信号拐点特征不明显的问题,依据特征线理论,对管道泄漏发生机理和声速传播机理进行研究,建立管道泄漏产生声速传播中衰减程度计算模型,提出将超声波声速信号结合流量信号进行信号融合的泄漏点定位方法。泄漏发生时,管道首末两端信息融合信号的延迟时间通过改进相关分析获得,并根据管道长度和压力波传播速度等信息,进行泄漏点定位。由于信号融合信号拐点明显比单独超声波声速信号及压力信号拐点清晰,所以可以用于小泄漏及缓漏的定位。现场实验证明了所提方法的有效性和可行性。
张旭[10]（2018）在《基于VMD-神经网络输气管道的工况分类研究》文中研究指明天然气作为一种新型能源,相比与石油、煤炭等能源,其具有清洁经济等优点,因此很快得到推广。而管道作为天然气运输的一种主要运输工具随着运行年限的增加以及人为对管道的破坏,对管道的运行状态进行实时监测对保护管道运行安全具有非常重要的意义。在管道检测方案设计过程中主要包括对管道信号进行采集、特征提取、以及根据各个管道运行工况管道信号的特征来识别判断管道处于那种运行状态。由于管道信号是非平稳随机信号,且在传输过程中容易受到外界干扰,导致管道运行工况识别时出现误报的情况。针对这种情况本文将管道正常运行时采集到的信号作为背景信号,利用变分模态分解算法对管道信号进行时频分析,获取管道信号特征值。再利用BP网络算法对信号特征值进行识别分类达到管道运行工况识别的目的。本文主要工作有:1、根据现场实际要求,对管道监测中心系统进行分析设计主要包括数据采集设计,数据传输设计,以及报警及数据存储设计。对管道信号处理过程进行设计,主要包括数据采集过程及利用算法进行特征提取,以及利用特征进行管道运行工况识别算法进行识别训练。2、对管道信号进行算法仿真分析,通过EMD算法和VMD算法对管道信号对比仿真分析发现EMD算法对管道信号分解完成后的特征不明显,而VMD算法对不同管道工况下信号分析时输出的模态分量的中心频率之间有明显差异性,因此选择VMD算法对管道信号进行特征提取,再将提取的管道信号中心频率特征作为后续BP神经网络进模式识别的输入特征向量。3、对BP神经网络算法进行介绍和研究,利用VMD算法提取的管道特征频率对BP神经网络进行训练,并用测试特征值对训练好的网络进行测试,达到天然气管道运行工况分类识别的效果,完成VMD-BP管道工况模型的搭建。4、利用图形化编程语言Lab VIEW进行检测中心系统开发,主要包括数据通信模块设计,报警模块设计,数据存储模块设计。
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
| 1 仿真样本生成与验证方法 |
| 1.1 基于TLNET的仿真样本生成 |
| 1.2 样本间距离计算 |
| 1.3 基于DBSCAN的仿真样本验证 |
| 2 应用实例 |
| 2.1 仿真样本生成 |
| 2.2 仿真样本验证 |
| 2.3 仿真样本对机器学习模型的影响 |
| 3 结论 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 管道泄漏检测国内外研究现状 |
| 1.2.1 管道泄漏检测技术分类 |
| 1.2.2 国外泄漏检测研究现状 |
| 1.2.3 国内泄漏检测研究现状 |
| 1.3 本文的结构和主要研究内容 |
| 第二章 变分模态分解算法理论研究 |
| 2.1 经验模态分解 |
| 2.2 变分模态分解原理 |
| 2.2.1 构造变分模型 |
| 2.2.2 求解变分模型 |
| 2.3 仿真实验分析 |
| 2.3.1 含噪信号分析 |
| 2.3.2 脉冲信号分析 |
| 2.4 管道数据分析 |
| 2.4.1 实验平台 |
| 2.4.2 VMD处理管道数据的可行性分析 |
| 2.5 本章小结 |
| 第三章 基于麻雀搜索算法改进的变分模态分解去噪方法 |
| 3.1 VMD算法的研究现状 |
| 3.2 VMD算法主要参数分析 |
| 3.2.1 分解层数K |
| 3.2.2 惩罚因子α |
| 3.3 基于麻雀搜索算法改进的VMD算法 |
| 3.3.1 引入VMD参数的二维麻雀搜索算法 |
| 3.3.2 基于散布熵构建的目标函数 |
| 3.3.3 改进VMD的步骤 |
| 3.3.4 基于VMD的信号去噪方法 |
| 3.4 仿真实验分析 |
| 3.4.1 SSA-VMD算法的仿真验证 |
| 3.4.2 基于VMD的去噪方法分析 |
| 3.5 基于VMD算法的管道泄漏信号去噪分析 |
| 3.6 本章小结 |
| 第四章 基于SVM的天然气管道工况识别 |
| 4.1 特征提取方法研究 |
| 4.1.1 管道泄漏检测的特征提取方法研究现状 |
| 4.1.2 常用的特征参数分析 |
| 4.1.3 支持向量机 |
| 4.2 基于VMD和 Lempel-Ziv复杂度分析的特征提取方法研究 |
| 4.2.1 Lempel-Ziv复杂度分析算法的原理 |
| 4.2.2 基于VMD和 LZC特征的特征提取方法 |
| 4.3 管道工况识别 |
| 4.3.1 管道信号的LZC特征提取 |
| 4.3.2 基于SVM的管道信号分类识别 |
| 4.4 本章小结 |
| 结论 |
| 参考文献 |
| 作者简介、发表文章及研究成果目录 |
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国内外含水率主要的测量方法 |
| 1.2.2 国内外含水率的测量仪器及误差校正方法 |
| 1.3 本文的主要研究内容及组织结构 |
| 1.4 本章小结 |
| 第二章 射频法含水率检测原理及误差分析 |
| 2.1 基于单极天线的射频法含水率检测原理 |
| 2.1.1 电磁波电场的相频特性分析 |
| 2.1.2 电磁波电场的幅频特性分析 |
| 2.1.3 基于单极天线的电场检测模型设计 |
| 2.2 基于单极天线的射频法含水率检测误差分析 |
| 2.2.1 电场检测模型误差及测量装置的系统误差分析 |
| 2.2.2 油水流体特性偏移的误差分析 |
| 2.3 本章小结 |
| 第三章 射频法含水率检测模型的优化 |
| 3.1 基于螺旋天线的电场检测模型设计 |
| 3.2 两种天线对油水介质的电场幅度变化特性分析 |
| 3.3 管道内螺旋天线结构仿真设计及实验结果 |
| 3.3.1 仿真设计 |
| 3.3.2 仿真实验结果及分析 |
| 3.4 基于管道内螺旋天线的含水率测量装置设计 |
| 3.5 本章小结 |
| 第四章 射频法含水率测量装置的硬件电路设计 |
| 4.1 硬件系统整体设计方案 |
| 4.2 射频信号源电路的设计 |
| 4.2.1 地面管道射频信号源的设计 |
| 4.2.2 井下管道射频信号源的设计 |
| 4.3 信号放大电路的设计 |
| 4.4 调制解调电路的设计 |
| 4.4.1 功率检波电路的设计 |
| 4.4.2 幅度检测电路的设计 |
| 4.5 通信电路的设计 |
| 4.6 数据存储电路的设计 |
| 4.7 主控电路的设计 |
| 4.8 电源电路的设计 |
| 4.9 硬件电路实现 |
| 4.10 本章小结 |
| 第五章 实验及结果分析 |
| 5.1 单极天线与螺旋天线测量结果分析 |
| 5.2 油水混合液转相校正方法 |
| 5.3 校正结果及分析 |
| 5.4 大循环系统试验 |
| 5.4.1 室内大循环试验系统组装调试 |
| 5.4.2 室内大循环试验结果及分析 |
| 5.5 室外实验 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文完成的工作 |
| 6.2 本文的创新点 |
| 6.3 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间参加科研情况及获得的学术成果 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 选题背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 实验研究现状 |
| 1.2.2 数值模拟研究现状 |
| 1.3 研究内容及技术路线 |
| 2 可燃气云爆燃抑爆理论及防治技术 |
| 2.1 可燃气云爆燃理论 |
| 2.1.1 气体爆炸理论 |
| 2.1.2 置障条件下可燃气云爆燃机理 |
| 2.2 细水雾灭火抑爆理论 |
| 2.2.1 细水雾特性参数 |
| 2.2.2 细水雾灭火机理 |
| 2.3 可燃气体抑爆技术 |
| 2.3.1 可燃气体爆炸预防技术 |
| 2.3.2 可燃气体爆炸减灾技术 |
| 2.4 本章小结 |
| 3 FPSO火灾爆燃抑爆模拟实验研究 |
| 3.1 半开敞管道内甲烷/空气爆燃抑爆实验系统介绍 |
| 3.1.1 实验系统 |
| 3.1.2 实验管道 |
| 3.1.3 配气系统及过程 |
| 3.1.4 点火装置 |
| 3.1.5 数据采集系统 |
| 3.1.6 水喷淋系统 |
| 3.1.7 同步触发系统 |
| 3.1.8 实验步骤 |
| 3.1.9 实验方案 |
| 3.1.10 实验重复性校验 |
| 3.2 半开敞管道爆燃抑爆实验结果分析 |
| 3.2.1 空管道工况下爆燃结果分析 |
| 3.2.2 障碍物间距对爆燃过程的影响 |
| 3.2.3 空管道下细水雾粒径大小对爆燃过程的影响 |
| 3.2.4 空管道下雾化压力对爆燃过程的影响 |
| 3.2.5 障碍物条件下细水雾位置对爆燃过程的影响 |
| 3.3 本章小结 |
| 4 FPSO火灾抑爆数值模拟 |
| 4.1 数值模型及软件介绍 |
| 4.1.1 物理模型 |
| 4.1.2 数学模型 |
| 4.1.3 FLACS软件简介 |
| 4.2 半开敞管道内甲烷/空气预混气体爆燃过程数值模拟 |
| 4.2.1 仿真模型建立及网格划分 |
| 4.2.2 软件可行性验证 |
| 4.2.3 障碍物不同间距仿真结果分析 |
| 4.2.4 障碍物与细水雾不同相对位置模拟结果分析 |
| 4.3 FPSO可燃气体泄漏及爆燃抑爆过程数值模拟研究 |
| 4.3.1 仿真模型建立 |
| 4.3.2 泄漏过程参数设定及网格划分 |
| 4.3.3 可燃气云泄漏燃爆过程数值模拟 |
| 4.3.4 可燃气云泄漏过程影响因素分析 |
| 4.4 FPSO上甲板可燃气云燃爆抑爆数值模拟研究 |
| 4.4.1 网格独立性检验 |
| 4.4.2 仿真结果分析 |
| 4.5 本章小结 |
| 5 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读硕士学位期间的科研成果 |
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题研究背景与研究意义 |
| 1.2 输油管道泄漏检测与定位方法综述 |
| 1.2.1 基于硬件的泄漏检测与定位方法 |
| 1.2.2 基于软件的泄漏检测与定位方法 |
| 1.3 基于状态估计的泄漏检测与定位方法的国内外研究现状 |
| 1.3.1 国外研究现状 |
| 1.3.2 国内研究现状 |
| 1.4 本文主要研究内容 |
| 2 液体管道数学建模的建立与仿真验证 |
| 2.1 液体管道瞬态流动的基本方程 |
| 2.1.1 液体管道瞬态流动的运动方程 |
| 2.1.2 液体管道瞬态流动的连续方程 |
| 2.2 基于特征线法的液体管道基本方程求解 |
| 2.3 液体管道的状态空间方程 |
| 2.3.1 摩阻系数及泄漏模型构建 |
| 2.3.2 基于管道泄漏瞬态模型的状态空间方程 |
| 2.4 基于TLENT的仿真验证 |
| 2.4.1 稳态流动的仿真验证 |
| 2.4.2 泄漏瞬态的仿真验证 |
| 2.5 本章小结 |
| 3 基于粒子滤波的管道泄漏检测与定位方法研究 |
| 3.1 粒子滤波 |
| 3.1.1 贝叶斯滤波算法 |
| 3.1.2 粒子滤波算法 |
| 3.2 管道泄漏检测与定位方法 |
| 3.2.1 基于粒子滤波的管道状态估计 |
| 3.2.2 管道泄漏检测方法 |
| 3.2.3 管道泄漏定位方法 |
| 3.3 仿真验证 |
| 3.3.1 基于TLNET的仿真实验设计 |
| 3.3.2 粒子滤波性能验证 |
| 3.3.3 泄漏检测与隔离的仿真验证 |
| 3.3.4 泄漏点定位的仿真验证 |
| 3.4 本章小结 |
| 4 基于压缩感知的管道泄漏定位方法研究 |
| 4.1 基于状态估计法的管道泄漏诊断应用分析 |
| 4.1.1 状态估计法的泄漏检测与定位流程 |
| 4.1.2 状态估计法在实际应用中的局限性 |
| 4.2 基于压缩感知的数据处理 |
| 4.2.1 压缩感知理论概述 |
| 4.2.2 基于压缩感知的控制量与测量值重构算法 |
| 4.2.3 重构算法的参数设计与重构效果分析 |
| 4.3 基于压缩感知的管道泄漏定位 |
| 4.4 本章小结 |
| 5 实验验证与结果分析 |
| 5.1 实验平台及实验设计 |
| 5.2 实验结果与分析 |
| 5.3 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 附录 硕士研究生学习阶段的科研成果 |
| 摘要 |
| ABSTRACT |
| 创新点摘要 |
| 第一章 绪论 |
| 1.1 研究目的及意义 |
| 1.2 管道泄漏检测技术国内外研究现状 |
| 1.2.1 管道泄漏检测方法及分类 |
| 1.2.2 声波法油气管道泄漏检测技术研究现状 |
| 1.2.3 油气管道状态识别技术发展现状 |
| 1.2.4 声波法管道泄漏检测技术的应用现状分析 |
| 1.3 论文的主要内容及结构安排 |
| 第二章 气体管道泄漏声波信号时频特性分析 |
| 2.1 声波法气体管道泄漏检测理论基础 |
| 2.2 声波法管道泄漏检测系统设计 |
| 2.2.1 模拟系统硬件设计 |
| 2.2.2 传感器选型 |
| 2.2.3 数据采集系统设计 |
| 2.3 气体管道泄漏声波信号特性分析 |
| 2.3.1 不同泄漏口径时泄漏声波信号特性分析 |
| 2.3.2 不同管内压力下的泄漏声信号特征 |
| 2.3.3 强噪声下不同泄漏口径的泄漏声波信号特征 |
| 2.4 本章小结 |
| 第三章 气体管道泄漏声波信号去噪 |
| 3.1 气体管道泄漏声波信号噪声特性分析 |
| 3.2 小波阈值去噪算法改进 |
| 3.2.1 小波去噪过程 |
| 3.2.2 小波阈值去噪及其改进 |
| 3.2.3 改进小波阈值去噪算法在管道声波信号去噪中的应用 |
| 3.3 EMD去噪方法研究 |
| 3.3.1 EMD分解步骤 |
| 3.3.2 EMD去噪原理及仿真 |
| 3.3.3 EMD去噪算法在管道泄漏声波信号去噪中的应用 |
| 3.4 改进的VMD算法及其在气体管道泄漏声波信号中的应用 |
| 3.4.1 变模态分解算法理论基础 |
| 3.4.2 可变模态分解原理 |
| 3.4.3 VMD去噪特性分析 |
| 3.4.4 VMD-Wavelet信号去噪算法 |
| 3.4.5 VMD-Wavelet去噪算法在管道泄漏声波信号去噪中的应用 |
| 3.5 本章小结 |
| 第四章 气体管道泄漏声波信号特征提取方法研究 |
| 4.1 气体管道运行声波信号IMF特征值提取 |
| 4.1.1 基于EMD算法的气体管道特征提取 |
| 4.1.2 基于VMD算法的气体管道特征提取 |
| 4.2 气体管道运行声波信号云模型特征熵值提取 |
| 4.2.1 云模型基本原理 |
| 4.2.2 其他特征参数 |
| 4.2.3 基于VMD-Wavelet的云模型特征熵 |
| 4.3 本章小结 |
| 第五章 气体管道运行状态识别 |
| 5.1 人工神经网络 |
| 5.2 BP神经网络 |
| 5.2.1 BP神经网络模型 |
| 5.2.2 BP神经网络算法 |
| 5.3 VMD-En-BP神经网络气体管道状态识别模型 |
| 5.3.1 VMD-BP模型搭建及气体管道状态识别 |
| 5.3.2 En-BP模型搭建及气体管道状态识别 |
| 5.3.3 VMD-En-BP模型搭建及气体管道状态识别 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间取得的研究成果 |
| 致谢 |
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 论文研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 相关理论 |
| 1.3 国内外研究现状 |
| 1.3.1 研究现状 |
| 1.3.2 研究现状评述 |
| 1.4 技术路线 |
| 1.5 研究方法 |
| 第2章 北京油气调控中心发展现状分析 |
| 2.1 北京油气调控中心基本情况 |
| 2.1.1 北京油气调控中心的主要业务 |
| 2.1.2 北京油气调控中心组织管理机构 |
| 2.1.3 北京油气调控中心控制管网概况 |
| 2.2 北京油气调控中心内部环境分析 |
| 2.2.1 信息化能力问题 |
| 2.2.2 人力资源问题 |
| 2.2.3 运营能力问题 |
| 2.2.4 计划财务问题 |
| 2.2.5 生产安全问题 |
| 2.2.6 公司战略问题 |
| 2.3 本章小结 |
| 第3章 北京油气调控中心发展环境分析 |
| 3.1 北京油气调控中心宏观环境分析 |
| 3.1.1 政治环境 |
| 3.1.2 经济环境 |
| 3.1.3 社会环境 |
| 3.1.4 技术环境 |
| 3.2 北京油气调控中心产业环境分析 |
| 3.2.1 现有竞争者分析 |
| 3.2.2 供方的议价能力 |
| 3.2.3 购买者议价能力 |
| 3.2.4 潜在竞争者进入的能力 |
| 3.2.5 替代品威胁 |
| 3.3 北京油气调控中心SWOT矩阵分析 |
| 3.4 本章小结 |
| 第4章 北京油气调控中心发展战略制定与实施 |
| 4.1 北京油气调控中心面临的形势与挑战 |
| 4.2 北京油气调控中心发展战略的指导思想、目标与原则 |
| 4.2.1 指导思想 |
| 4.2.2 战略目标 |
| 4.2.3 基本原则 |
| 4.3 北京油气调控中心发展战略制定 |
| 4.3.1 SO战略 |
| 4.3.2 ST战略 |
| 4.3.3 WO战略 |
| 4.3.4 WT战略 |
| 4.4 北京油气调控中心发展战略选择 |
| 4.5 北京油气调控中心发展战略实施 |
| 4.5.1 业务方面 |
| 4.5.2 职能方面 |
| 4.6 本章小结 |
| 第5章 北京油气调控中心发展战略的保障措施 |
| 5.1 革新公司管理制度 |
| 5.1.1 人力资源管理 |
| 5.1.2 生产经营管理 |
| 5.2 提供资金保障 |
| 5.2.1 内部节约资金 |
| 5.2.2 拓展融资渠道 |
| 5.3 健全企业文化 |
| 5.4 重视安全 |
| 5.5 本章小结 |
| 第6章 结论 |
| 参考文献 |
| 致谢 |
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外管道泄漏检测的研究现状 |
| 1.2.1 基于硬件的检测方法 |
| 1.2.2 基于软件的检测方法 |
| 1.2.3 管道泄漏检测方法的性能指标 |
| 1.3 本文主要研究工作及创新点 |
| 1.4 本文的文章组织结构 |
| 2 基于小波包优化局域均值分解的管道泄漏信号降噪分析 |
| 2.1 引言 |
| 2.2 小波变换基本原理 |
| 2.2.1 连续小波变换 |
| 2.2.2 离散小波变换 |
| 2.2.3 多分辨率分析及其算法 |
| 2.2.4 小波包原理 |
| 2.3 局域均值算法 |
| 2.3.1 局域均值分解原理 |
| 2.3.2 局域均值算法实现 |
| 2.3.3 局域均值瞬时频率 |
| 2.4 小波包优化局域均值分解算法及降噪评价方法 |
| 2.4.1 局域均值分解的优化方法 |
| 2.4.2 降噪评价方法 |
| 2.5 管道泄漏信号的降噪分析 |
| 2.5.1 小波包降噪 |
| 2.5.2 小波包优化局域均值降噪 |
| 2.6 本章小结 |
| 3 优化BP神经网络 |
| 3.1 BP神经网络基本原理 |
| 3.1.1 BP神经网络算法 |
| 3.1.2 改进BP神经网络 |
| 3.2 遗传算法优化BP神经网络 |
| 3.2.1 遗传算法基本步骤 |
| 3.2.2 遗传算法优化BP神经网络的算法实现 |
| 3.3 遗传算法优化BP神经网络的预测结果分析 |
| 3.4 本章小结 |
| 4 遗传算法优化BP神经网络在管道泄漏检测中的应用 |
| 4.1 实验环境设备及工况数据采集 |
| 4.1.1 实验平台搭建 |
| 4.1.2 工况数据的获取 |
| 4.2 数据降噪预处理 |
| 4.3 遗传算法优化BP神经网络的泄漏检测分析 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表的学术论文目录 |
| 攻读硕士学位期间参与的科研项目情况 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 长输油气管道泄漏检测与定位技术的研究现状 |
| 1.2.1 非连续性的管道泄漏检测与定位方法 |
| 1.2.2 连续性的管道泄漏检测与定位方法 |
| 1.3 管道泄漏检测与定位技术对比分析及发展趋势 |
| 1.3.1 泄漏检测与定位技术对比分析 |
| 1.3.2 泄漏检测与定位技术发展趋势 |
| 1.4 本论文的研究内容和创新点 |
| 1.4.1 本文的研究内容 |
| 1.4.2 本文的创新点 |
| 第二章 基于非平衡数据处理的管道泄漏检测与定位研究 |
| 2.1 引言 |
| 2.2 基于改进LMD的信号降噪方法 |
| 2.2.1 LMD的原理 |
| 2.2.2 基于改进LMD的信号降噪方法 |
| 2.2.3 小波分析 |
| 2.3 非平衡数据的特征提取 |
| 2.3.1 压力信号的特征提取 |
| 2.3.2 核主成分分析 |
| 2.3.3 K均值聚类 |
| 2.3.4 基于K均值聚类的欠采样 |
| 2.4 双支持向量机 |
| 2.4.1 双支持向量机算法 |
| 2.4.2 改进双支持向量机算法 |
| 2.4.3 最小二乘双支持向量机算法 |
| 2.5 基于LMD及改进TWSVM的泄漏检测与定位 |
| 2.5.1 泄漏工况识别步骤 |
| 2.5.2 软件仿真实验分析 |
| 2.5.3 环道实验分析 |
| 2.6 本章小结 |
| 第三章 基于深度信念网络的管道泄漏孔径识别 |
| 3.1 引言 |
| 3.2 管道泄漏识别方法 |
| 3.2.1 基于模式识别的管道泄漏检测方法概述 |
| 3.2.2 基于DBN的管道泄漏识别方法框架 |
| 3.3 深度信念网络 |
| 3.3.1 波尔兹曼机 |
| 3.3.2 限制波尔兹曼机 |
| 3.3.3 对比散度算法 |
| 3.3.4 深度信念网络 |
| 3.3.5 独立成分回归 |
| 3.3.6 改进深度信念网络算法 |
| 3.4 基于WPA与 DBN的泄漏孔径识别步骤 |
| 3.4.1 小波包分析(Wavelet packet analysis,WPA) |
| 3.4.2 泄漏孔径识别步骤 |
| 3.5 实验分析 |
| 3.5.1 现场实验 |
| 3.5.2 与传统方法对比分析 |
| 3.5.3 不同数据样本长度下泄漏孔径识别结果及分析 |
| 3.6 本章小结 |
| 第四章 基于物理信息融合系统的多分支管道泄漏定位研究 |
| 4.1 引言 |
| 4.2 物理信息融合系统 |
| 4.2.1 物理信息融合系统概述 |
| 4.2.2 CPS的概念与内涵 |
| 4.2.3 CPS的主要特征 |
| 4.3 基于CPS的多分支管道结构 |
| 4.3.1 多分支管道结构描述 |
| 4.3.2 多分支管道的CPS建模 |
| 4.4 基于CPS的多分支管道泄漏定位 |
| 4.4.1 基于CPS的多分支管道的泄漏定位方法 |
| 4.4.2 实验分析 |
| 4.5 本章小结 |
| 第五章 基于信息融合的管道小泄漏研究 |
| 5.1 引言 |
| 5.2 信息融合介绍 |
| 5.2.1 信息融合基本概念 |
| 5.2.2 信息融合单元和信息融合结构 |
| 5.2.3 信息融合检测方法 |
| 5.3 D-S证据理论 |
| 5.3.1 基本可信度分配函数及信度函数 |
| 5.3.2 D-S证据融合规则 |
| 5.3.3 管道首末端信号的数据融合处理 |
| 5.4 超声波波速衰减的计算模型及信号融合 |
| 5.4.1 管道的运动方程和连续性方程 |
| 5.4.2 超声波波速衰减 |
| 5.4.3 信号融合 |
| 5.5 泄漏定位方法 |
| 5.6 管道泄漏检测装置的设计 |
| 5.6.1 实验装置的系统组成 |
| 5.6.2 数据采集装置 |
| 5.6.3 泄漏检测与定位系统 |
| 5.7 实验分析 |
| 5.8 本章小结 |
| 第六章 研究工作总结与展望 |
| 6.1 研究工作总结 |
| 6.2 研究工作展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间发表的学术论文和参加科研情况 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 管道泄漏检测国内外研究现状 |
| 1.2.1 国外管道泄漏研究现状 |
| 1.2.2 国内管道泄漏检测研究现状 |
| 1.3 BP神经网络研究现状 |
| 1.4 论文的主要内容及结构安排 |
| 第二章 天然气管道泄漏检测系统设计改进 |
| 2.1 系统改进需求分析 |
| 2.2 系统改进设计实现 |
| 2.3 泄漏报警系统改进设计 |
| 2.4 数据处理系统设计实现 |
| 2.4.1 数据处理方案设计 |
| 2.4.2 数据采集 |
| 2.4.3 管道信号特征提取 |
| 2.5 管道运行工况识别 |
| 2.6 本章小结 |
| 第三章 基于VMD算法的管道特征提取 |
| 3.1 EMD算法原理 |
| 3.2 EMD算法与VMD算法对比仿真分析 |
| 3.3 VMD算法原理 |
| 3.3.1 维纳滤波 |
| 3.3.2 希尔伯特变换 |
| 3.3.3 VMD算法过程 |
| 3.4 VMD信号仿真分析 |
| 3.4.1 对混合正弦信号仿真 |
| 3.4.2 对管道信号仿真 |
| 3.5 基于LabVIEW的VMD特征提取实现 |
| 3.6 本章小结 |
| 第四章 基于BP算法的管道工况识别 |
| 4.1 人工神经网络概念 |
| 4.1.1 基本特征 |
| 4.1.2 构成单位神经元 |
| 4.2 BP神经网络 |
| 4.2.1 BP神经网络概念及原理 |
| 4.2.2 BP神经网络数学模型 |
| 4.2.3 BP神经网络算法过程 |
| 4.3 VMD-BP神经网络模型搭建 |
| 4.3.1 VMD-BP模型结构 |
| 4.3.2 基于VMD-BP模型管道工况检测 |
| 4.4 VMD-BP工况识别LabVIEW程序实现 |
| 4.5 本章小结 |
| 第五章 监测中心LabVIEW实现 |
| 5.1 数据传输模块设计 |
| 5.1.1 TCP/IP协议应用程序实现 |
| 5.1.2 DATASOCKET技术应用程序实现 |
| 5.2 报警及数据存储程序实现 |
| 5.2.1 报警模块程序实现 |
| 5.2.2 数据存储程序实现 |
| 5.3 监测中心人机交互界面 |
| 5.4 监控中心系统测试 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 作者简介、发表文章及研究成果目录 |
| 致谢 |
