为了应对城市燃气管网泄漏难以检测和定位的问题,提出了一种基于长短期记忆网络、时间卷积网络和通道注意力机制(Long Short Term Memory-Temporal Convolutional Network-Squeeze and Excitation,LSTM-TCN-SE)的燃气管网泄漏检测混合...为了应对城市燃气管网泄漏难以检测和定位的问题,提出了一种基于长短期记忆网络、时间卷积网络和通道注意力机制(Long Short Term Memory-Temporal Convolutional Network-Squeeze and Excitation,LSTM-TCN-SE)的燃气管网泄漏检测混合模型。首先利用Pipeline Studio软件对燃气管网泄漏进行仿真获得燃气管网泄漏压力数据;然后建立LSTM-TCN-SE模型,利用LSTM模块作为特征提取器,并通过TCN进行更为精确的泄漏检测;最后使用通道注意力机制使模型聚焦于更重要的传感器信号。与对照方法相比,LSTM-TCN-SE模型在管网泄漏检测与定位方面表现更优,在一级泄漏检测中的分类准确率达到了95.73%,在二级泄漏定位中平均绝对误差(MAE)不超过0.04。展开更多
文摘为了应对城市燃气管网泄漏难以检测和定位的问题,提出了一种基于长短期记忆网络、时间卷积网络和通道注意力机制(Long Short Term Memory-Temporal Convolutional Network-Squeeze and Excitation,LSTM-TCN-SE)的燃气管网泄漏检测混合模型。首先利用Pipeline Studio软件对燃气管网泄漏进行仿真获得燃气管网泄漏压力数据;然后建立LSTM-TCN-SE模型,利用LSTM模块作为特征提取器,并通过TCN进行更为精确的泄漏检测;最后使用通道注意力机制使模型聚焦于更重要的传感器信号。与对照方法相比,LSTM-TCN-SE模型在管网泄漏检测与定位方面表现更优,在一级泄漏检测中的分类准确率达到了95.73%,在二级泄漏定位中平均绝对误差(MAE)不超过0.04。
