基于模型迁移学习的铸铁管漏水信号检测研究

摘要

为解决管道漏水检测模型泛化能力低、各种材质管道漏水数据难以全面采集导致数据缺失，设计并提出基于一维卷积神经网络构建的PVC管道漏水检测模型（1D＿CNN），检测铸铁管是否漏水。为提高PVC漏水检测模型的泛化能力，通过基于模型的迁移学习方法，微调PVC管道漏水检测模型（1D＿CNN）的卷积层数目、激活函数、池化层大小、学习率与优化器等参数与结构，使已有的检测模型（1D＿CNN）学习铸铁管漏水数据的特征分布，检测铸铁管是否存在漏水情况。实验使用的铸铁管道漏水数据集中有204 800个样本，已有的PVC管道漏水数据集中有409 600 000个样本，两者均为时序数值型数据。实验结果显示：基于模型的迁移学习方法，使PVC漏水检测模型（1D＿CNN）对铸铁管漏水数据检测的准确率由60%提升至92%，表明提出的方法有效。

关键词

漏水检测 / 数据缺失 / 检测模型 / 神经网络 / 迁移学习