近日，我校物理與電子工程學院青年教師姚立忠副教授作為第一作者和通訊作者，以重慶師范大學物理與電子工程學院為第一署名單位在國際學術期刊《Applied Energy》(中科院1區Top期刊，影響因子11.2)上發表題為“Natural gas pipeline leak detection based on acoustic signal analysis and feature reconstruction”的最新研究成果。
目前，基于聲學信號的天然氣管道泄漏檢測技術的研究在“背景噪聲覆蓋，缺乏有效特征及樣本小導致故障識別率低”等方面還存在不足，先前的技術改進研究中通常只研究了其中一個問題，本研究提出了一種整合聲學特征處理技術和特征重構的天然氣管道泄漏檢測模型，共同解決上述問題。該模型由兩個組件組成：第一個組件是聲學信號的特征處理技術，包括頻域向量去噪和時間域關聯函數特征增強；第二個組件是具有擴展結構特征編碼器(FAE)的一維卷積神經網絡，用于特征重構(FAE-1D-CNN)。在聲學信號的特征處理階段，首先通過離散化將由聲學傳感器收集的信號轉換為數字信號，然后利用能量模態函數對數字信號特征進行高/低能量模態聚類。通過向低能量模態特征矩陣添加關聯因子來增強特征有效性，同時利用低通濾波方法處理高能量模態特征，消除高頻部分的背景噪聲干擾。在故障特征提取階段，引入特征編碼器(FAE)在1D-CNN網絡中，旨在提取有效的故障特征并進行局部空間特征的二次重構，解決了小樣本泄漏信號中有效故障特征較少的問題。采用全局平均池化層替代全連接層，并使用Softmax函數作為故障識別分類器。該方法在GPLA-12數據集上進行了評估，故障識別準確率達到95.17%。與其他競爭方法相比，本文方法表現出最佳性能，具有廣泛的應用前景。
此外，姚立忠副教授還在國際學術期刊《Engineering Applications of Artificial Intelligence》（中科院工程1區，Top期刊，影響因子8.0）上發表了電解鋁物理過程決策參數智能優化設計領域的最新研究成果“Piggybacking on past problem for faster optimization in aluminum electrolysis process design”。該成果中，姚立忠副教授為論文第一作者，羅海軍教授和新加坡A*STAR的賀田田研究員為共同通訊作者，重慶師范大學為第一署名單位。
