Методы машинного обучения в разработке методики обнаружения утечек

Целью работы является исследование возможности использования искусственного интеллекта для нахождения течеискания, используя данные для обучения, полученные с помощью виброакустических датчиков. В работе описаны методы постоянного контроля. Представлены методы периодического контроля обнаружения протечек в трубопроводе. Были проделаны испытательные работы на лабораторном стенде. Рассмотрен методы для машинного обучения, а именно бустинг, к-ближайших соседей, метод случайного леса, метод многослойной нейронной сети. Разработан алгоритм для составления массивов данных. Показаны результаты работы программы.

1. Doklad o Sostoyanii Sfery Teploenergetiki i Teplosnabzheniya v Rossijskoj Federacii [Report on the State of Heat Power and Heat Supply in the Russian Federation]. Available online: ttps://minenergo.gov.ru/viewpdf/10850/80685 (accessed on 20 January 2020).

2. Авдюнин Е.Г. Источники и системы теплоснабжения. Тепловые сети и тепловые пункты. – Москва; вологда: Инфра-Инженерия, 2019. – 300с.

3. Assessment of the condition of pipelines using convolutional neural networks / Y. Vankov, S. Ziganshin, T. Politova [et al.] // Energies. – 2020. – Vol. 13, No. 3. – P. 618.

4. Марченко А.Л. Python: большая книга примеров / А.Л. Марченко. – Москва: Издательство Московского университета, 2023.-361, с.

5. Павлов А.Н., Сосновцева О.В., Зиганшин А.Р. Мультифрактальный анализ хаотической динамики взаимодействующих систем // Известия вузов. Прикладная нелинейная динамика. 2003. Т. 11, № 2. С. 39-54.

6. Клюев В.В., Соснин Ф.Р., Ковалев А.В. Неразрушающий контроль и диагностика: справочник. М.: Машиностроение, 2005. 656 с.

7. Safronchik, V.I. Zashchita Podzemnyh Truboprovodov Antikorrozionnymi Pokrytiyami [Protection of Underground Pipelines with Anti-Corrosion Coatings]; Stroyizdat: Leningrad, Russia, 1977. (In Russian)

8. Сурис М.А., Липовских В.М. Защита трубопроводов тепловых сетей от наружной коррозии. – М.: Энергоатомиздат, 2003. – 216 с.

9. Анализ масштабной инвариантности виброакустических сигналов трубопровода с утечками / А.Р. Загретдинов [и др.] // СПбНТОРЭС: труды ежегодной НТК. 2023. № 1 (78). С. 88-90.

10. Detrended fluctuation analysis based on best-fit polynomial / Shanshan Zhao [et al.] // Enviromental science. 2022. № 10. С. 1-7.

11. Павлов А.Н., Павлова О.Н., Короновский А.А. Мл. Модифицированный метод флуктуационного анализа нестационарных процессов // Письма в Журнал технической физики. 2020. Т. 46, № 6. С. 47-50.

12. Gaponenko S.O., Kondratiev А.Е., Zagretdinov А.R. Low-frequency Vibro-acoustic Method of Determination of the Location of the Hidden Canals and Pipelines. // Proc. 2nd International Conference on Industrial Engineering. Chelyabinsk, 2016. Pp. 2321-2326.

13. G. Loizou and S. J. Maybank , “The nearest neighbor and the bayes error rates,” IEEE Trans. Pattern Anal. Mach. Intel. , Vol. 9, pp. 254–62, Feb. 1987.

14. Метод K-ближайших соседей (KNN).[Электронный ресурс]// Хабр URL: https://habr.com/ru/articles/801885/: (Дата обращения 07.05.2024).

15. A comparison of random forest based algorithms: random credal random forest versus oblique random forest / C. J. Mantas, Ja. G. Castellano, S. Moral-García, J. Abellán // Soft Computing - A Fusion of Foundations, Methodologies and Applications. – 2019. – Vol. 23, No. 21. – P. 10739-10754.