基于深度學習和IPv6網(wǎng)絡的供暖管道泄漏診斷研究
發(fā)布時間:2020-12-01 23:36
供熱管道的泄漏往往會造成巨大的財產(chǎn)損失和環(huán)境影響,近幾年隨著全國供暖的普及,供暖線路的老化和施工建設對管線的傷害導致供熱管道的泄漏事故經(jīng)常發(fā)生,所以供暖管道的泄漏檢測算法的研究和監(jiān)控平臺的搭建,對供暖系統(tǒng)的安全和泄漏問題的及時報警關乎企業(yè)經(jīng)濟損失和工作人員安全,有著舉足輕重的作用。針對供暖管道泄漏過程中傳統(tǒng)機器學習算法準確度不足,提出了基于深度置信網(wǎng)和稀疏自編碼器的深度學習負壓波泄漏檢測算法。方法首先提取負壓波的均值、均方根、偏斜度、峭度等特征數(shù)據(jù),利用負壓波形的特征數(shù)據(jù)作為模型的輸入變量,深度置信網(wǎng)通過吉布斯采樣確定模型的隱含層,使用深度學習算法訓練并提取特征,得到供熱泄漏檢測模型,稀疏自編碼器則利用管道泄漏實驗數(shù)據(jù)進行稀疏約束的仿真實驗。結果表明,同BP、SVM、LS-SVM算法比較,深度置信網(wǎng)和稀疏自編碼器方法均有效提高了模型的檢測精度。以WinCC軟件為基礎,搭建了基于供熱管道系統(tǒng)的監(jiān)控平臺。平臺繪制了供暖系統(tǒng)的上位機界面,并實現(xiàn)了變量以及用戶管理、歷史數(shù)據(jù)記錄以及泄漏檢測報警的功能。針對不同工作站觀測不方便的問題,提出了基于IPv6網(wǎng)絡環(huán)境的網(wǎng)頁發(fā)布的方案,將軟件的監(jiān)控界面發(fā)...
【文章來源】:大連理工大學遼寧省 211工程院校 985工程院校 教育部直屬院校
【文章頁數(shù)】:64 頁
【學位級別】:碩士
【文章目錄】:
摘要
Abstract
1 緒論
1.1 課題背景及意義
1.2 管道泄漏檢測技術綜述
1.2.1 直接檢漏法
1.2.2 間接檢漏法
1.3 國內(nèi)外研究現(xiàn)狀
1.4 論文內(nèi)容結構安排
2 深度學習基礎和負壓波泄漏檢漏原理
2.1 深度學習簡介
2.2 深度學習發(fā)展歷程
2.2.1 淺層學習階段
2.2.2 快速發(fā)展階段
2.2.3 爆發(fā)階段
2.3 深度學習基本模型
2.3.1 卷積神經(jīng)網(wǎng)絡
2.3.2 遞歸神經(jīng)網(wǎng)絡
2.4 負壓波的泄漏檢測原理
2.5 本章小結
3 基于深度學習的泄漏診斷方法研究
3.1 引言
3.2 數(shù)據(jù)預處理
3.2.1 樣本數(shù)據(jù)采集
3.2.2 特征值提取
3.3 深度置信網(wǎng)算法(DBN)
3.3.1 深度置信網(wǎng)原理
3.3.2 深度置信網(wǎng)結構
3.3.3 吉布斯采樣
3.4 稀疏編碼器算法(SAE)
3.4.1 自編碼器
3.4.2 自編碼器的稀疏約束
3.5 基于深度學習算法的管道泄漏檢測仿真實驗結果分析
3.5.1 基于DBN算法的仿真實驗結果分析
3.5.2 基于SAE算法的仿真實驗結果分析
3.6 本章小結
4 基于WinCC和 IPv6 的供暖系統(tǒng)平臺設計
4.1 WinCC簡介
4.2 供暖系統(tǒng)上位機界面
4.2.1 主界面
4.2.2 曲線界面
4.2.3 報警記錄
4.3 基于IPv6 網(wǎng)絡的供暖遠程診斷系統(tǒng)實現(xiàn)
4.3.1 網(wǎng)絡環(huán)境搭建
4.3.2 網(wǎng)絡環(huán)境測試
4.3.3 基于IPv6 的遠程網(wǎng)頁發(fā)布
4.4 本章小結
5 WinCC系統(tǒng)與泄漏診斷算法的通信
5.1 OPC技術簡介
5.2 OPC通信流程
5.3 基于仿真函數(shù)的實驗結果分析
5.3.1 仿真函數(shù)和信號標簽定義
5.3.2 基于SAE的仿真實驗結果分析
5.4 OPC通信測試
5.4.1 仿真泄漏信號測試
5.4.2 正常壓力測試
5.4.3 報警記錄展示
5.4.4 基于IPV6 的遠程發(fā)布測試
5.5 本章小結
結論
參考文獻
攻讀碩士學位期間發(fā)表學術論文情況
致謝
本文編號:2895084
【文章來源】:大連理工大學遼寧省 211工程院校 985工程院校 教育部直屬院校
【文章頁數(shù)】:64 頁
【學位級別】:碩士
【文章目錄】:
摘要
Abstract
1 緒論
1.1 課題背景及意義
1.2 管道泄漏檢測技術綜述
1.2.1 直接檢漏法
1.2.2 間接檢漏法
1.3 國內(nèi)外研究現(xiàn)狀
1.4 論文內(nèi)容結構安排
2 深度學習基礎和負壓波泄漏檢漏原理
2.1 深度學習簡介
2.2 深度學習發(fā)展歷程
2.2.1 淺層學習階段
2.2.2 快速發(fā)展階段
2.2.3 爆發(fā)階段
2.3 深度學習基本模型
2.3.1 卷積神經(jīng)網(wǎng)絡
2.3.2 遞歸神經(jīng)網(wǎng)絡
2.4 負壓波的泄漏檢測原理
2.5 本章小結
3 基于深度學習的泄漏診斷方法研究
3.1 引言
3.2 數(shù)據(jù)預處理
3.2.1 樣本數(shù)據(jù)采集
3.2.2 特征值提取
3.3 深度置信網(wǎng)算法(DBN)
3.3.1 深度置信網(wǎng)原理
3.3.2 深度置信網(wǎng)結構
3.3.3 吉布斯采樣
3.4 稀疏編碼器算法(SAE)
3.4.1 自編碼器
3.4.2 自編碼器的稀疏約束
3.5 基于深度學習算法的管道泄漏檢測仿真實驗結果分析
3.5.1 基于DBN算法的仿真實驗結果分析
3.5.2 基于SAE算法的仿真實驗結果分析
3.6 本章小結
4 基于WinCC和 IPv6 的供暖系統(tǒng)平臺設計
4.1 WinCC簡介
4.2 供暖系統(tǒng)上位機界面
4.2.1 主界面
4.2.2 曲線界面
4.2.3 報警記錄
4.3 基于IPv6 網(wǎng)絡的供暖遠程診斷系統(tǒng)實現(xiàn)
4.3.1 網(wǎng)絡環(huán)境搭建
4.3.2 網(wǎng)絡環(huán)境測試
4.3.3 基于IPv6 的遠程網(wǎng)頁發(fā)布
4.4 本章小結
5 WinCC系統(tǒng)與泄漏診斷算法的通信
5.1 OPC技術簡介
5.2 OPC通信流程
5.3 基于仿真函數(shù)的實驗結果分析
5.3.1 仿真函數(shù)和信號標簽定義
5.3.2 基于SAE的仿真實驗結果分析
5.4 OPC通信測試
5.4.1 仿真泄漏信號測試
5.4.2 正常壓力測試
5.4.3 報警記錄展示
5.4.4 基于IPV6 的遠程發(fā)布測試
5.5 本章小結
結論
參考文獻
攻讀碩士學位期間發(fā)表學術論文情況
致謝
本文編號:2895084
本文鏈接:http://www.wukwdryxk.cn/guanlilunwen/ydhl/2895084.html
最近更新
教材專著