Везде

ОФНДефектоскопия Russian Journal of Nondestructive Testing

  • ISSN (Print) 0130-3082
  • ISSN (Online) 3034-4980

Исследование метода мониторинга и распознавания утечек в водородных клапанах высокого давления

Вы можете
Код статьи
S30344980S0130308225020019-1
DOI
10.7868/S3034498025020019
Тип публикации
Статья
Статус публикации
Опубликовано
Авторы
Цинь И
  • Аффилиация: Научно-исследовательский институт техники безопасности компании СИНОПЕК
Ян Чжэ
  • Аффилиация: Научно-исследовательский институт техники безопасности компании СИНОПЕК
Кан Цзэтянь
  • Аффилиация: Научно-исследовательский институт техники безопасности компании СИНОПЕК
Ву Цянь
  • Аффилиация: Научно-исследовательский институт техники безопасности компании СИНОПЕК
Ван Юйчэнь
  • Аффилиация: Научно-исследовательский институт техники безопасности компании СИНОПЕК
Юй Аньфэн
  • Аффилиация: Научно-исследовательский институт техники безопасности компании СИНОПЕК
Лю Хуань
  • Аффилиация: Научно-исследовательский институт техники безопасности компании СИНОПЕК
Ло Юнь
  • Аффилиация: Научно-исследовательский институт техники безопасности компании СИНОПЕК
Том/ Выпуск
Том / Номер выпуска 2
Страницы
3-16
Аннотация
Водородные клапаны высокого давления подвергаются мгновенному воздействию потока водорода и многократному действию старт-стоп во время эксплуатации, и существует потенциальный риск утечки. В данной работе исследуются вопросы мониторинга и идентификации утечек в водородных клапанах для обеспечения их эксплуатационной надежности. Во-первых, система мониторинга акустических сигналов была построена на основе платформы для испытания газовой герметичности водородных клапанов высокого давления, и проведен анализ характеристик клапанов во временной области при различных условиях утечки. Во-вторых, характеристики частотной области извлекаются с помощью комбинации вариационного модального разложения и вейвлетного разложения пакетов. В конечном итоге для распознавания паттернов акустических сигналов используются сеть обратного распространения (BP) и сверточная нейронная сеть (CNN), причем параметры временной и частотной областей подаются на вход независимо. Результаты показывают, что точность сетей BP и CNN, основанных на признаках частотной области, значительно повысилась до 93,33 и 91,67 % соответственно. В данной работе получен метод выделения признаков и распознавания образов для водородных клапанов, который служит основой для точного и эффективного распознавания состояния утечки водородных клапанов высокого давления в процессе эксплуатации.
Ключевые слова
водородные клапаны высокого давления акустические сигналы контроль утечек извлечение признаков распознавание паттернов
Дата публикации
01.02.2025
Год выхода
2025
Всего подписок
0
Всего просмотров
84

Библиография

  1. 1. Filippov S.P., Yaroslavtsev A.B. Hydrogen energy: Development prospects and materials // Russian Chemical Reviews. 2021. V. 90 (6). P. 627. https://doi.org/10.1070/RCR5014
  2. 2. Vechkinzova E., Steblyakova L.P., Roslyakova N. et al. Prospects for the development of hydrogen energy: Overview of global trends and the Russian market state // Energies. 2022. V. 15 (22). P. 8503. https://doi.org/10.3390/en15228503
  3. 3. Ferlazzo A., Espro C., Iannazzo D. et al. A novel yttria-doped ZrO2 based conductometric sensor for hydrogen leak monitoring // International Journal of Hydrogen Energy. 2022. V. 47 (16). P. 9819—28. https://doi.org/10.1016/j.ijhydene.2022.01.036
  4. 4. Falsafi F., Hashemi B., Mirzaei A. et al. Sm-doped cobalt ferrite nanoparticles: A novel sensing material for conductometric hydrogen leak sensor // Ceramics International. 2017. V. 43 (1, Part B). P. 1029—37. https://doi.org/10.1016/j.ceramint.2016.10.035
  5. 5. Chen Y., Yang Y., Liang C. et al. Palladium-based optical fiber Bragg grating hydrogen sensors: A comprehensive review // Optics & Laser Technology. 2024. V. 175. P. 110850. https://doi.org/10.1016/j.optlastec.2024.110850
  6. 6. Sazhin S., Soborover E., Tokarev S. Sensor methods of ammonia inspection // Russian journal of nondestructive testing. 2003. V. 39 (10). P. 791—806. https://doi.org/10.1023/B:RUNT.0000020251.56686.a5
  7. 7. Ye Z., Ruan H., Hu X. et al. TBAOH intercalated WO3 for high-performance optical fiber hydrogen sensor // International Journal of Hydrogen Energy. 2022. V. 47 (65). P. 28204—11. https://doi.org/10.1016/j.ijhydene.2022.06.133
  8. 8. Zhao L., Cao Z., Deng J. A review of leak detection methods based on pressure waves in gas pipelines // Measurement. 2024. V. 236. P. 115062. https://doi.org/10.1016/j.measurement.2024.115062
  9. 9. Banjara N.K., Sasmal S., Voggu S. Machine learning supported acoustic emission technique for leakage detection in pipelines // International Journal of Pressure Vessels and Piping. 2020. V. 188. P. 104243. https://doi.org/10.1016/j.ijpvp.2020.104243
  10. 10. Shi M., Liang Y., Qin L. et al. Prediction method of ball valve internal leakage rate based on acoustic emission technology // Flow Measurement and Instrumentation. 2021. V. 81. P. 102036. https://doi.org/10.1016/j.flowmeasinst.2021.102036
  11. 11. Mostafapour A., Davoudi S. Analysis of leakage in high pressure pipe using acoustic emission method // Applied Acoustics. 2013. V. 74 (3). P. 335—42. https://doi.org/10.1016/j.apacoust.2012.07.012
  12. 12. Ye G.-Y., Xu K.-J., Wu W.-K. Multivariable modeling of valve inner leakage acoustic emission signal based on Gaussian process // Mechanical Systems and Signal Processing. 2020. V. 140. P. 106675. https://doi.org/10.1016/j.ymssp.2020.106675
  13. 13. Asatryan R., Asatryan S., Sukoyan L. et al. A spectroradiometer for remote ecological testing of gas main pipelines // Russian Journal of Nondestructive Testing. 2010. V. 46 (8). P. 598—602. https://doi.org/10.1134/S1061830910080085
  14. 14. Tian C.H., Yan J.C., Huang J. et al. Negative pressure wave based pipeline leak detection: Challenges and algorithms / proceedings of the Proceedings of 2012 IEEE international conference on service operations and logistics, and informatics. F, 2012 [C]. IEEE.
  15. 15. Li J., Weng H., Yang Q. et al. Data-driven diagnosis method of high-pressure hydrogen leakage based on actual driving conditions and probabilistic neutral network // International Journal of Hydrogen Energy. 2024. V. 71. P. 411—21. https://doi.org/10.1016/j.ijhydene.2024.04.204
  16. 16. Prateepasen A., Kaewwaewnoi W., Kaewtrakulpong P. Smart portable noninvasive instrument for detection of internal air leakage of a valve using acoustic emission signals // Measurement. 2011. V. 44 (2). P. 378—84. https://doi.org/10.1016/j.measurement.2010.10.009
  17. 17. Banjara N.K., Sasmal S., Kapuria S. Fatigue and leakage-type damage detection in metallic plates and pipelines using piezoelectric patch acoustic sensors // International Journal of Pressure Vessels and Piping. 2024. V. 209. P. 105162. https://doi.org/10.1016/j.ijpvp.2024.105162
  18. 18. Li Z., Zhang H., Tan D. et al. A novel acoustic emission detection module for leakage recognition in a gas pipeline valve // Process Safety and Environmental Protection. 2017. V. 105. P. 32—40. https://doi.org/10.1016/j.psep.2016.10.005
  19. 19. Zhang Y., Yang G., Zhang D. et al. Investigation on recognition method of acoustic emission signal of the compressor valve based on the deep learning method // Energy Reports. 2021. V. 7. P. 62—71. https://doi.org/10.1016/j.egyr.2021.10.053
  20. 20. Xu C., Du S., Gong P. et al. An improved method for pipeline leakage localization with a single sensor based on modal acoustic emission and empirical mode decomposition with Hilbert transform // IEEE Sensors Journal. 2020. V. 20 (10). P. 5480—91. https://doi.org/10.1109/JSEN.2020.2971854
  21. 21. Martyugov A., Ershov E., Varfolomeev I. et al. Method of processing acoustic information for purposes of monitoring state of valves of gas cleaning equipment // Russian Journal of Nondestructive Testing. 2021. V. 57. P. 838—45. https://doi.org/10.1134/S1061830921100041
  22. 22. Qiu F., Shen Z., Bai Y. et al. Hydrogen defect acoustic emission recognition by deep learning neural network // International Journal of Hydrogen Energy. 2024. V. 54. P. 878—93. https://doi.org/10.1016/j.ijhydene.2023.09.176
  23. 23. Khlybov A., Uglov A., Ryabov D. Developing a Method for Assessing the Degree of Hydrogenation of VT1-0 Titanium Alloy by the Acoustic Method // Russian Journal of Nondestructive Testing. 2024. V. 60 (8). P. 843—58. https://doi.org/10.1134/S1061830924601739
  24. 24. Peng J., Cairui L., Luying Z. et al. Study on Material Damage Characterization of High-Pressure Hydrogen Storage Vessels Based on DIC and Acoustic Emission Entropy // Russian Journal of Nondestructive Testing. 2022. V. 58 (6). P. 433—43. https://doi.org/10.1134/S1061830922060055
  25. 25. Wang D., Liao B., Hao C. et al. Acoustic emission characteristics of used 70 MPa type IV hydrogen storage tanks during hydrostatic burst tests // International Journal of Hydrogen Energy. 2021. V. 46 (23). P. 12605—14. https://doi.org/10.1016/j.ijhydene.2020.12.177
  26. 26. Li Y., Xu F. Structural damage monitoring for metallic panels based on acoustic emission and adaptive improvement variational mode decomposition–wavelet packet transform // Structural Health Monitoring. 2022. V. 21 (2). P. 710—30.
  27. 27. Mostafapour A., Davoodi S. Continuous leakage location in noisy environment using modal and wavelet analysis with one AE sensor // Ultrasonics. 2015. V. 62. P. 305—11. https://doi.org/10.1016/j.ultras.2015.06.004.
  28. 28. Du J., Wang H., Chen C. et al. Damage classification and evolution in composite under low-velocity impact using acoustic emission, machine learning and wavelet packet decomposition // Engineering Fracture Mechanics. 2024. P. 110238. https://doi.org/10.1016/j.engfracmech.2024.110238
  29. 29. Pan Y., Zhang L., Wu X. et al. Structural health monitoring and assessment using wavelet packet energy spectrum // Safety Science. 2019. V. 120. P. 652—65. https://doi.org/10.1016/j.ssci.2019.08.015
  30. 30. Gutkin R., Green C., Vangrattanachai S. et al. On acoustic emission for failure investigation in CFRP: Pattern recognition and peak frequency analyses // Mechanical systems and signal processing. 2011. V. 25 (4). P. 1393—407. https://doi.org/10.1016/j.ymssp.2010.11.014
  31. 31. Zhou L., Wang P., Zhang C. et al. Multi-mode fusion BP neural network model with vibration and acoustic emission signals for process pipeline crack location // Ocean Engineering. 2022. V. 264. P. 112384. https://doi.org/10.1016/j.oceaneng.2022.112384
  32. 32. Zhou J., Lin H., Li S. et al. Leakage diagnosis and localization of the gas extraction pipeline based on SA-PSO BP neural network // Reliability Engineering & System Safety. 2023. V. 232. P. 109051. https://doi.org/10.1016/j.ress.2022.109051
  33. 33. Zhao H., Li Z., Zhu S. et al. Valve internal leakage rate quantification based on factor analysis and wavelet-BP neural network using acoustic emission // Applied Sciences. 2020. V. 10 (16). P. 5544. https://doi.org/10.3390/app10165544
  34. 34. Krysko N., Skrynnikov S., Shchipakov N. et al. Classification and Sizing of Surface Defects in Pipelines Based on the Results of Combined Diagnostics by Ultrasonic, Eddy Current, and Visual Inspection Methods of Nondestructive Testing // Russian Journal of Nondestructive Testing. 2023. V. 59 (12). P. 1315—23. https://doi.org/10.1134/S1061830923601022
  35. 35. Ai L., Bayat M., Ziehl P. Localizing damage on stainless steel structures using acoustic emission signals and weighted ensemble regression-based convolutional neural network // Measurement. 2023. V. 211. P. 112659. https://doi.org/10.1016/j.measurement.2023.112659
QR
Перевести

Индексирование

Scopus

Scopus

Scopus

Crossref

Scopus

Высшая аттестационная комиссия

При Министерстве образования и науки Российской Федерации

Scopus

Научная электронная библиотека