基于GCN-CNN-MSLSTM模型的管道泄漏位置识别

　　

在现代工业、能源供应以及环境保护领域，管道系统的安全性和稳定性起着至关重要的作用。随着传感器自动采集能力显著增强和人工智能的日益发展，从海量管道监测数据中高效提取有价值信息，例如自动化泄漏位置识别，已成为目前研究的热点。由于传感器的采样频率高、不同泄漏位置产生的传感器数据十分近似，现有方法难以有效建模长时序数据和传感器间的空间关系，导致泄漏位置识别精度不佳。因此，本文提出了一种考虑传感器空间关系和有效处理长序列输入的管道泄漏位置识别模型GCN-CNN-MSLSTM。该模型首先采用图卷积网络（Graph Convolutional Network,GCN）融合各传感器节点的空间信息，具体实现采用邻接矩阵加权的简化传播方式，以减小计算复杂度，随后利用一维卷积神经网络CNN（Convolutional Neural Network,CNN）对长序列数据进行卷积降采样，显著缩减了输入序列的长度，同时保留输入数据的关键信息。最后引入多尺度长短期记忆网络（Multi-scale Long Short-Term Memory，MSLSTM）对CNN输出的所有时刻的传感器信息进行序列建模，提取时序数据在不同尺度上的周期、趋势、波动和多频成分等特征，最终使用全连接层和softmax函数输出管道每个泄漏位置的概率。基于实验室搭建的管道数据集进行5折交叉验证，结果表明所提GCN-CNN-MSLSTM模型F1分数达87.25%，较CNN-LSTM模型提升了13.98%。消融实验进一步验证了GCN和MSLSTM结构在空间建模和多尺度时序建模中的有效性，为高精度管道异常检测提供了新思路。

订阅方式：
①在线订阅（推荐）：www.sdchem.net.cn
②邮局订阅：邮发代号24-109

投稿方式：
①在线投稿（推荐）：www.sdchem.net.cn
　　作者只需要简单注册获得用户名和密码后，就可随时进行投稿、查稿，全程跟踪稿件的发表过程，使您的论文发表更加方便、快捷、透明、高效。
②邮箱投稿：sdhgtg@163.com sdhg@sdchem.net
　　若“在线投稿”不成功，可使用邮箱投稿，投稿邮件主题：第一作者名字/稿件题目。
投稿时请注意以下事项：
　　①文前应有中英文“题目”、“作者姓名”、“单位”、“邮编”、“摘要”、“关键词”；
　　②作者简介包括：姓名、出生年、性别、民族、籍贯或出生地、工作单位、职务或职称、学位、研究方向；
　　③论文末应附“参考文献”，执行国标GB/T7714-2005标准，“参考文献”序号应与论文中出现的顺序相符；
　　④注明作者的联系方式，包括电话、E-mail、详细的通讯地址、邮编，以便联系并邮寄杂志。
　　 　                                                                                   山东化工稿件修改细则