【技术实现步骤摘要】
本专利技术涉及管道泄漏声发射监测领域，具体涉及一种基于增量学习与输入注意力机制的管道裂纹泄漏率预测策略。
技术介绍
1、压力管道在环境和应力腐蚀的长期共同作用易出现管壁穿透裂纹泄漏，严重威胁其服役安全。在焊接接头等薄弱部位，焊接工艺的不可重复性所带来的微观组织差异，以及宏观上动态扩展所不断产生的新的裂纹形状，致使裂纹处泄漏率随着时间和环境变化而不断发生漂移。由于裂纹扩展的形貌和方向显著影响着泄漏率，因此在有效地识别焊缝裂纹泄漏类型的前提下，量化和预测对应类型裂纹的泄漏率对于在役压力管道服役的安全性和未来状态的可用性具有重要意义。
2、作为一种非常有前途的无损检测技术，声发射具有通过检测在役关键基础设施发出的微弱声学信号来表征结构中的故障/损坏/泄漏的优势。结合机器学习，目前，声发射技术已经被广泛应用于管道的定期检查、特殊条件下管道的实时监测以及泄漏率的准确预测。然而，这些方法有一定的局限性。第一，大多数预测类的机器学习方法具有类似的非线性处理过程，使得网络模型平等的对待序列中的每一个元素。由于声发射信号的衰减特性，序列中的某...
【技术保护点】
1.一种基于增量学习的管道裂纹泄漏率预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于增量学习的管道裂纹泄漏率预测方法，其特征在于，所述步骤2)建立初始泄漏类别模型时，在初始化神经元集合的同时，基于初始类别模型A，如下式所示，计算类内模型两两数据样本之间的亲和度affinityAi，
3.根据权利要求1所述的一种基于增量学习的管道裂纹泄漏率预测方法，其特征在于，所述步骤3)基于增强的自组织增量学习算法以在线增量方式学习输入数据的拓扑结构的过程中，如果满足亲和度阈值条件，则不同意生成一个新的神经元，如果不满足，则同意生成一个新...
【技术特征摘要】
1.一种基于增量学习的管道裂纹泄漏率预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于增量学习的管道裂纹泄漏率预测方法，其特征在于，所述步骤2)建立初始泄漏类别模型时，在初始化神经元集合的同时，基于初始类别模型a，如下式所示，计算类内模型两两数据样本之间的亲和度affinityai，
3.根据权利要求1所述的一种基于增量学习的管道裂纹泄漏率预测方法，其特征在于，所述步骤3)基于增强的自组织增量学习算法以在线增量方式学习输入数据的拓扑结构的过程中，如果满足亲和度阈值条件，则不同意生成一个新的神经元，如果不满足，则同意生成一个新的神经元，并且将原始亲和阈值进行自适应修正和更新，利用计数器ε对不满足亲和度阈值的神经元节点的数量进行计数，连续检测到时则有ε＝ε+1，若持续检测到的神经元节点的数量达到更新阈值εmax，则对affinityai进行更新和修正，得到新的阈值范围。
4.根据权利要求1所述的一种基于增量学习的管道裂纹泄漏率预测方法，其特征在于，所述步骤4)中的深度优先搜索算法具体包括以下步骤：
5.根据...
【专利技术属性】
技术研发人员：张志芬，黄婧，邢继，成玮，堵树宏，陈雪峰，苗壮，温广瑞，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。