基于LVMD的回顾性原型网络及其在油气管道泄漏检测中的应用OA
针对在油气管道泄漏检测时,小样本条件下模型泛化能力不足、泄漏检测精度不高的问题,提出一种基于可学习变分模态分解的回顾性原型网络框架,并将其应用于油气管道泄漏检测中。通过可学习卷积核与自适应参数,实现模态分解的端到端优化和动态权重分配;引入双层Inception多尺度卷积分支捕获多维度信号,来提取更精确特征信息;将回顾性原型分类引入历史原型缓冲区,融合当前与历史原型网络以抑制振荡,提升识别精度;设计交叉熵与原型分离损失的联合优化目标函数,增强训练的稳定性与效率。试验表明,提出的VRPN网络框架在有限样本及跨工况场景下表现优异,平均准确率达98.50%,较ProtoNet提升0.67%。研究可为油气管道泄漏检测提供新的有效解决方案。
路敬祎;吴阳;陈波;韦启航;梁棋皓;王鹏
东北石油大学三亚海洋油气研究院,海南三亚572024 东北石油大学人工智能能源研究院,黑龙江大庆163318 黑龙江省网络化与智能控制重点实验室,黑龙江大庆163318东北石油大学人工智能能源研究院,黑龙江大庆163318 东北石油大学电气信息工程学院,黑龙江大庆163318东北石油大学人工智能能源研究院,黑龙江大庆163318 东北石油大学电气信息工程学院,黑龙江大庆163318东北石油大学人工智能能源研究院,黑龙江大庆163318东北石油大学电气信息工程学院,黑龙江大庆163318东北石油大学电气信息工程学院,黑龙江大庆163318
机械制造
管道泄漏检测回顾性原型网络可学习变分模态分解小样本
《压力容器》 2026 (1)
P.77-86,10
国家自然科学基金项目(62473096)海南省自然科学基金项目(623MS071)。
评论