基于深度迁移学习的变工况气体泄漏检测
Gas leak detection for variable conditions based on deep transfer learning作者机构:南京信息工程大学江苏省大气环境与装备技术协同创新中心南京210044 无锡学院自动化学院无锡214105 南京信息工程大学江苏省气象探测与信息处理重点实验室南京210044
出 版 物:《仪器仪表学报》 (Chinese Journal of Scientific Instrument)
年 卷 期:2023年第44卷第6期
页 面:177-187页
核心收录:
学科分类:080704[工学-流体机械及工程] 081203[工学-计算机应用技术] 08[工学] 0807[工学-动力工程及工程热物理] 0835[工学-软件工程] 0812[工学-计算机科学与技术(可授工学、理学学位)]
基 金:无锡市社会发展科技示范工程项目(20191008)资助
摘 要:压力容器气体泄漏智能检测识别技术易受多种因素干扰,且智能检测模型需要大量的监测数据训练。而在实际工业环境中,可用数据特别是数据标签十分稀缺,为了克服多工况干扰和数据缺少标签信息等问题,提出了一种利用迁移学习的无监督变工况智能检测技术。首先采集实验室环境下的多种泄漏的样本,选择3种不同压力工况下将数据分为有标签的源域和无标签的目标域;其次设计卷积特征提取器,针对两个域的边缘分布和条件分布,提出一种改进的联合分布适应机制,并进一步改进了分布差异度量,以增强邻域混淆。在6个迁移学习任务上的实验结果验证了该方法的有效性,对比经典域自适应算法有更高的准确率。