Page 130 - 2024年第55卷第8期

［１９］ 颜建国，郑书闽，郭鹏程．高热流条件过冷沸腾传热系数试验研究及神经网络预测［Ｊ］．工程热物理学报，
２０２２，４３（６）：１６５０ － １６５９．
［２０］ 王新，闫文源．基于变分模态分解和 ＳＶＭ 的滚动轴承故障诊断 ［Ｊ］．振动与冲击，２０１７，３６（１８）：２５２ －
２５６．
［２１］ ＬＩＪ，ＣＨＥＮＹ，ＱＩＡＮＺ，ｅｔａｌ．ＲｅｓｅａｒｃｈｏｎＶＭＤｂａｓｅｄａｄａｐｔｉｖｅｄｅｎｏｉｓｉｎｇｍｅｔｈｏｄａｐｐｌｉｅｄｔｏｗａｔｅｒｓｕｐｐｌｙｐｉｐｅ
ｌｉｎｅｌｅａｋａｇｅｌｏｃａｔｉｏｎ［Ｊ］．Ｍｅａｓｕｒｅｍｅｎｔ，２０２０，１５１：１０７１５３．
［２２］ ＤＲＡＧＯＭＩＲＥＴＳＫＩＹＫ，ＺＯＳＳＯＤ．Ｖａｒｉａｔｉｏｎａｌｍｏｄｅｄｅｃｏｍｐｏｓｉｔｉｏｎ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＳｉｇｎａｌＰｒｏｃｅｓｓｉｎｇ，
２０１４，６２（３）：５３１ － ５４４．
［２３］ ＫＩＭ Ｈ，ＰＡＲＫＭ，ＫＩＭ ＣＷ，ｅｔａｌ．Ｓｏｕｒｃｅｌｏｃａｌｉｚａｔｉｏｎｆｏｒｈａｚａｒｄｏｕｓｍａｔｅｒｉａｌｒｅｌｅａｓｅｉｎａｎｏｕｔｄｏｏｒｃｈｅｍｉｃａｌ
ｐｌａｎｔｖｉａａｃｏｍｂｉｎａｔｉｏｎｏｆＬＳＴＭ－ ＲＮＮａｎｄＣＦＤｓｉｍｕｌａｔｉｏｎ ［Ｊ］．Ｃｏｍｐｕｔｅｒｓ＆ＣｈｅｍｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，２０１９，１２５：
４７６ － ４８９．
［２４］ ＨＡＮＬ，ＤＥＮＧＹ，ＣＨＥＮＨ，ｅｔａｌ．ＡｒｏｂｕｓｔＶＲＦｆａｕｌｔｄｉａｇｎｏｓｉｓｍｅｔｈｏｄｂａｓｅｄｏｎｅｎｓｅｍｂｌｅＢｉＬＳＴＭ ｗｉｔｈａｔｔｅｎ
ｔｉｏｎｍｅｃｈａｎｉｓｍ ：Ｃｏｎｓｉｄｅｒｉｎｇｕｎｃｅｒｔａｉｎｔｉｅｓａｎｄｇｅｎｅｒａｌｉｚａｔｉｏｎ［Ｊ］．ＥｎｅｒｇｙａｎｄＢｕｉｌｄｉｎｇｓ，２０２２，２６９：１１２２４３．
［２５］ ＺＨＡＮＧＤ，ＳＵＮＷ，ＤＡＩＹ，ｅｔａｌ．Ａ ｈｉｅｒａｒｃｈｉｃａｌｅａｒｌｙｋｉｃｋｄｅｔｅｃｔｉｏｎｍｅｔｈｏｄｕｓｉｎｇａｃａｓｃａｄｅｄＧＲＵ ｎｅｔｗｏｒｋ
［Ｊ］．ＧｅｏｅｎｅｒｇｙＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇ，２０２３，２２２：２１１３９０．
［２６］ 宁方立，韩鹏程，段爽，等．基 于 改 进 ＣＮＮ的 阀 门 泄 漏 超 声 信 号 识 别 方 法 ［Ｊ］．北 京 邮 电 大 学 学 报，
２０２０，４３（３）：３８ － ４４．
［２７］ ＳＰＡＮＤＯＮＩＤＩＳＣ，ＴＨＥＯＤＯＲＯＰＯＵＬＯＳＰ，ＧＩＡＮＮＯＰＯＵＬＯＳＦ，ｅｔａｌ．Ｅｖａｌｕａｔｉｏｎｏｆｄｅｅｐｌｅａｒｎｉｎｇａｐｐｒｏａｃｈｅｓ
ｆｏｒｏｉｌ＆ ｇａｓｐｉｐｅｌｉｎｅｌｅａｋｄｅｔｅｃｔｉｏｎｕｓｉｎｇｗｉｒｅｌｅｓｓｓｅｎｓｏｒｎｅｔｗｏｒｋｓ ［Ｊ］．ＥｎｇｉｎｅｅｒｉｎｇＡｐｐｌｉｃａｔｉｏｎｓｏｆＡｒｔｉｆｉｃｉａｌＩｎｔｅｌ
ｌｉｇｅｎｃｅ ，２０２２，１１３：１０４８９０．

Ｓｍａｌｌ － ｓｃａｌｅｐｉｐｅｌｉｎｅｌｅａｋｄｅｔｅｃｔｉｏｎｂａｓｅｄｏｎＶＭＤａｎｄｄｅｅｐｌｅａｒｎｉｎｇ

３
３
１
１，２
１
１，２
ＺＨＥＮＧＳｈｕｍｉｎ，ＹＡＮＪｉａｎｇｕｏ ，ＧＵＯＰｅｎｇｃｈｅｎｇ ，ＸＵＹａｎ，ＬＩＪｉａｎｇ，ＬＩＵＺｈｅｎｘｉｎｇ
（１．ＳｃｈｏｏｌｏｆＷａｔｅｒＲｅｓｏｕｒｃｅａｎｄＨｙｄｒｏｅｌｅｃｔｒｉｃＥｎｇｉｎｅｅｒｉｎｇ，Ｘｉ’ａｎＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，Ｘｉ’ａｎ ７１００４８，Ｃｈｉｎａ；
２．ＳｔａｔｅＫｅｙＬａｂｏｒａｔｏｒｙｏｆＥｃｏ － ｈｙｄｒａｕｌｉｃｓｉｎＮｏｒｔｈｗｅｓｔＡｒｉｄＲｅｇｉｏｎ，Ｘｉ’ａｎＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，Ｘｉ’ａｎ ７１００４８，Ｃｈｉｎａ；
３．ＸｉｎｊｉａｎｇＣｏｌｄａｎｄＡｒｉｄＲｅｇｉｏｎｓＷａｔｅｒＲｅｓｏｕｒｃｅｓａｎｄＥｃｏｌｏｇｉｃａｌＷａｔｅｒＥｎｇｉｎｅｅｒｉｎｇＲｅｓｅａｒｃｈＣｅｎｔｅｒ（ＡｃａｄｅｍｉｃｉａｎＷｏｒｋｓｔａｔｉｏｎ），
Ｕｒｕｍｑｉ ８３００００，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｔｏａｄｄｒｅｓｓｔｈｅｃｈａｌｌｅｎｇｅｏｆｄｅｔｅｃｔｉｎｇｌｅａｋａｇｅｓｉｇｎａｌｓｕｎｄｅｒｎｏｒｍａｌｐｒｅｓｓｕｒｅａｎｄｓｍａｌｌ － ｓｃａｌｅｌｅａｋｓ，ｔｈｉｓ
ｐａｐｅｒｆｏｃｕｓｅｓｏｎｔｈｅｄｅｔｅｃｔｉｏｎｏｆｗａｔｅｒｓｕｐｐｌｙｐｉｐｅｌｉｎｅｌｅａｋｓ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｄａｔａｏｆｌｅａｋａｇｅｕｎｄｅｒｔｈｅｃｏｎｄｉｔｉｏｎｓ
３
ｏｆ１００ － ２２０ｋＰａｐｒｅｓｓｕｒｅａｎｄ４０ － ８０ｍ ?ｈｖｏｌｕｍｅｆｌｏｗｗｅｒｅｏｂｔａｉｎｅｄ，ａｎｄｔｈｅｖａｒｉａｔｉｏｎｓｉｎｐｒｅｓｓｕｒｅｓｉｇｎａｌｓｕｎｄｅｒ
ｓｍａｌｌ － ｓｃａｌｅｌｅａｋｃｏｎｄｉｔｉｏｎｓｗｅｒｅａｎａｌｙｚｅｄ．ＴｈｅｅｘｐｅｒｉｍｅｎｔａｌｄａｔａｉｓｄｅｎｏｉｓｅｄｂｙｕｓｉｎｇＶａｒｉａｔｉｏｎａｌＭｏｄｅＤｅｃｏｍｐｏ
ｓｉｔｉｏｎ （ＶＭＤ）ｔｏｒｅｄｕｃｅｎｏｉｓｅｉｎｔｅｒｆｅｒｅｎｃｅａｎｄｅｎｈａｎｃｅｌｅａｋｓｉｇｎａｌｃｈａｒａｃｔｅｒｉｓｔｉｃｓ，ｆｏｌｌｏｗｅｄｂｙｓｔａｎｄａｒｄｉｚａｔｉｏｎ
ｐｒｏｃｅｓｓ．Ｔｈｅｓｔｕｄｙｃｏｍｂｉｎｅｓｔｙｐｉｃａｌｒｅｃｕｒｒｅｎｔｎｅｕｒａｌｎｅｔｗｏｒｋｓ ，ｉｎｃｌｕｄｉｎｇＬｏｎｇＳｈｏｒｔ － ＴｅｒｍＭｅｍｏｒｙ（ＬＳＴＭ），Ｂｉ
ｄｉｒｅｃｔｉｏｎａｌＬｏｎｇＳｈｏｒｔ － Ｔｅｒｍ Ｍｅｍｏｒｙ （ＢｉＬＳＴＭ），ａｎｄＧａｔｅｄＲｅｃｕｒｒｅｎｔＵｎｉｔ（ＧＲＵ），ｗｉｔｈＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌ
Ｎｅｔｗｏｒｋ（ＣＮＮ）ｔｏｃｏｎｓｔｒｕｃｔｔｈｒｅｅｄｅｅｐｌｅａｒｎｉｎｇｌｅａｋａｇｅｄｅｔｅｃｔｉｏｎｍｏｄｅｌｓＣＮＮ － ＬＳＴＭ，ＣＮＮ － ＢｉＬＳＴＭ，ａｎｄＣＮＮ －
ＧＲＵ．Ｔｈｅｓｅｍｏｄｅｌｓｗｅｒｅｅｖａｌｕａｔｅｄ ｆｏｒｔｈｅｉｒｐｒｅｄｉｃｔｉｖｅｐｅｒｆｏｒｍａｎｃｅ ， ａｍｏｎｇｔｈｅｍ， ｔｈｅＣＮＮ－ＧＲＵ ｍｏｄｅｌ
ｅｘｈｉｂｉｔｅｄｔｈｅｈｉｇｈｅｓｔｐｒｅｄｉｃｔｉｖｅａｃｃｕｒａｃｙｏｆ９９．５６％ ｆｏｒａｌｌｅｘｐｅｒｉｍｅｎｔａｌｄａｔａ．Ｔｈｅｒｅｓｕｌｔｓｉｎｄｉｃａｔｅｔｈａｔｔｈｅｍｏｄｅｌｓ
ｄｅｍｏｎｓｔｒａｔｅｈｉｇｈａｃｃｕｒａｃｙｉｎｄｅｔｅｃｔｉｎｇｌｅａｋｓｕｎｄｅｒｎｏｒｍａｌｐｒｅｓｓｕｒｅａｎｄｓｍａｌｌ － ｓｃａｌｅｌｅａｋｃｏｎｄｉｔｉｏｎｓ．ＣＮＮｐｒｏｖｅｓｔｏ
ｂｅｉｎｓｔｒｕｍｅｎｔａｌｉｎｅｘｔｒａｃｔｉｎｇｐｅｒｔｉｎｅｎｔｆｅａｔｕｒｅｓｅｆｆｉｃｉｅｎｔｌｙａｎｄａｃｃｕｒａｔｅｌｙ ，ｔｈｅｒｅｂｙｉｍｐｒｏｖｉｎｇｔｈｅｐｒｅｄｉｃｔｉｏｎａｃｃｕｒａｃｙ
ｏｆｔｈｅｌｅａｋａｇｅｄｅｔｅｃｔｉｏｎｍｏｄｅｌ．Ｔｈｅｒｅｓｅａｒｃｈｐｒｏｖｉｄｅｓｖａｌｕａｂｌｅｓｕｐｐｏｒｔｆｏｒｔｈｅｉｎｔｅｌｌｉｇｅｎｔｍａｎａｇｅｍｅｎｔｏｆｐｉｐｅｌｉｎｅ
ｌｅａｋａｇｅｄｅｔｅｃｔｉｏｎｓｙｓｔｅｍ．
Ｋｅｙｗｏｒｄｓ：ｌｅａｋｄｅｔｅｃｔｉｏｎ；ｓｍａｌｌ － ｓｃａｌｅｌｅａｋａｇｅ；ｖａｒｉａｔｉｏｎａｌｍｏｄｅｄｅｃｏｍｐｏｓｉｔｉｏｎ；ｄｅｅｐｌｅａｒｎｉｎｇ；ｗａｔｅｒｓｕｐｐｌｙｐｉｐｅ
ｌｉｎｅ

（责任编辑：李福田 鲁 婧）

— １ ０ ８ —
０