近日，我校物理與電子工程學(xué)院青年教師姚立忠副教授作為第一作者和通訊作者，以重慶師范大學(xué)物理與電子工程學(xué)院為第一署名單位在國(guó)際學(xué)術(shù)期刊《Applied Energy》(中科院1區(qū)Top期刊，影響因子11.2)上發(fā)表題為“Natural gas pipeline leak detection based on acoustic signal analysis and feature reconstruction”的最新研究成果。
目前，基于聲學(xué)信號(hào)的天然氣管道泄漏檢測(cè)技術(shù)的研究在“背景噪聲覆蓋，缺乏有效特征及樣本小導(dǎo)致故障識(shí)別率低”等方面還存在不足，先前的技術(shù)改進(jìn)研究中通常只研究了其中一個(gè)問(wèn)題，本研究提出了一種整合聲學(xué)特征處理技術(shù)和特征重構(gòu)的天然氣管道泄漏檢測(cè)模型，共同解決上述問(wèn)題。該模型由兩個(gè)組件組成：第一個(gè)組件是聲學(xué)信號(hào)的特征處理技術(shù)，包括頻域向量去噪和時(shí)間域關(guān)聯(lián)函數(shù)特征增強(qiáng)；第二個(gè)組件是具有擴(kuò)展結(jié)構(gòu)特征編碼器(FAE)的一維卷積神經(jīng)網(wǎng)絡(luò)，用于特征重構(gòu)(FAE-1D-CNN)。在聲學(xué)信號(hào)的特征處理階段，首先通過(guò)離散化將由聲學(xué)傳感器收集的信號(hào)轉(zhuǎn)換為數(shù)字信號(hào)，然后利用能量模態(tài)函數(shù)對(duì)數(shù)字信號(hào)特征進(jìn)行高/低能量模態(tài)聚類(lèi)。通過(guò)向低能量模態(tài)特征矩陣添加關(guān)聯(lián)因子來(lái)增強(qiáng)特征有效性，同時(shí)利用低通濾波方法處理高能量模態(tài)特征，消除高頻部分的背景噪聲干擾。在故障特征提取階段，引入特征編碼器(FAE)在1D-CNN網(wǎng)絡(luò)中，旨在提取有效的故障特征并進(jìn)行局部空間特征的二次重構(gòu)，解決了小樣本泄漏信號(hào)中有效故障特征較少的問(wèn)題。采用全局平均池化層替代全連接層，并使用Softmax函數(shù)作為故障識(shí)別分類(lèi)器。該方法在GPLA-12數(shù)據(jù)集上進(jìn)行了評(píng)估，故障識(shí)別準(zhǔn)確率達(dá)到95.17%。與其他競(jìng)爭(zhēng)方法相比，本文方法表現(xiàn)出最佳性能，具有廣泛的應(yīng)用前景。
此外，姚立忠副教授還在國(guó)際學(xué)術(shù)期刊《Engineering Applications of Artificial Intelligence》（中科院工程1區(qū)，Top期刊，影響因子8.0）上發(fā)表了電解鋁物理過(guò)程決策參數(shù)智能優(yōu)化設(shè)計(jì)領(lǐng)域的最新研究成果“Piggybacking on past problem for faster optimization in aluminum electrolysis process design”。該成果中，姚立忠副教授為論文第一作者，羅海軍教授和新加坡A*STAR的賀田田研究員為共同通訊作者，重慶師范大學(xué)為第一署名單位。
