基于深度学习和IPv6网络的供暖管道泄漏诊断研究

发布时间：2020-12-01 23:36

　　供热管道的泄漏往往会造成巨大的财产损失和环境影响,近几年随着全国供暖的普及,供暖线路的老化和施工建设对管线的伤害导致供热管道的泄漏事故经常发生,所以供暖管道的泄漏检测算法的研究和监控平台的搭建,对供暖系统的安全和泄漏问题的及时报警关乎企业经济损失和工作人员安全,有着举足轻重的作用。针对供暖管道泄漏过程中传统机器学习算法准确度不足,提出了基于深度置信网和稀疏自编码器的深度学习负压波泄漏检测算法。方法首先提取负压波的均值、均方根、偏斜度、峭度等特征数据,利用负压波形的特征数据作为模型的输入变量,深度置信网通过吉布斯采样确定模型的隐含层,使用深度学习算法训练并提取特征,得到供热泄漏检测模型,稀疏自编码器则利用管道泄漏实验数据进行稀疏约束的仿真实验。结果表明,同BP、SVM、LS-SVM算法比较,深度置信网和稀疏自编码器方法均有效提高了模型的检测精度。以WinCC软件为基础,搭建了基于供热管道系统的监控平台。平台绘制了供暖系统的上位机界面,并实现了变量以及用户管理、历史数据记录以及泄漏检测报警的功能。针对不同工作站观测不方便的问题,提出了基于IPv6网络环境的网页发布的方案,将软件的监控界面发... 

【文章来源】：大连理工大学辽宁省 211工程院校 985工程院校 教育部直属院校

【文章页数】：64 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 课题背景及意义
    1.2 管道泄漏检测技术综述
        1.2.1 直接检漏法
        1.2.2 间接检漏法
    1.3 国内外研究现状
    1.4 论文内容结构安排
2 深度学习基础和负压波泄漏检漏原理
    2.1 深度学习简介
    2.2 深度学习发展历程
        2.2.1 浅层学习阶段
        2.2.2 快速发展阶段
        2.2.3 爆发阶段
    2.3 深度学习基本模型
        2.3.1 卷积神经网络
        2.3.2 递归神经网络
    2.4 负压波的泄漏检测原理
    2.5 本章小结
3 基于深度学习的泄漏诊断方法研究
    3.1 引言
    3.2 数据预处理
        3.2.1 样本数据采集
        3.2.2 特征值提取
    3.3 深度置信网算法（DBN）
        3.3.1 深度置信网原理
        3.3.2 深度置信网结构
        3.3.3 吉布斯采样
    3.4 稀疏编码器算法（SAE）
        3.4.1 自编码器
        3.4.2 自编码器的稀疏约束
    3.5 基于深度学习算法的管道泄漏检测仿真实验结果分析
        3.5.1 基于DBN算法的仿真实验结果分析
        3.5.2 基于SAE算法的仿真实验结果分析
    3.6 本章小结
4 基于WinCC和 IPv6 的供暖系统平台设计
    4.1 WinCC简介
    4.2 供暖系统上位机界面
        4.2.1 主界面
        4.2.2 曲线界面
        4.2.3 报警记录
    4.3 基于IPv6 网络的供暖远程诊断系统实现
        4.3.1 网络环境搭建
        4.3.2 网络环境测试
        4.3.3 基于IPv6 的远程网页发布
    4.4 本章小结
5 WinCC系统与泄漏诊断算法的通信
    5.1 OPC技术简介
    5.2 OPC通信流程
    5.3 基于仿真函数的实验结果分析
        5.3.1 仿真函数和信号标签定义
        5.3.2 基于SAE的仿真实验结果分析
    5.4 OPC通信测试
        5.4.1 仿真泄漏信号测试
        5.4.2 正常压力测试
        5.4.3 报警记录展示
        5.4.4 基于IPV6 的远程发布测试
    5.5 本章小结
结论
参考文献
攻读硕士学位期间发表学术论文情况
致谢



本文编号：2895084