近日，贝博BB物理与电子工程学院青年教师姚立忠副教授作为第一作者和通讯作者，以贝博BB平台德甲狼堡物理与电子工程学院为第一署名单位在国际学术期刊《Applied Energy》(中科院1区Top期刊，影响因子11.2)上发表题为“Natural gas pipeline leak detection based on acoustic signal analysis and feature reconstruction”的最新研究成果。

目前，基于声学信号的天然气管道泄漏检测技术的研究在“背景噪声覆盖，缺乏有效特征及样本小导致故障识别率低”等方面还存在不足，先前的技术改进研究中通常只研究了其中一个问题，本研究提出了一种整合声学特征处理技术和特征重构的天然气管道泄漏检测模型，共同解决上述问题。该模型由两个组件组成：第一个组件是声学信号的特征处理技术，包括频域向量去噪和时间域关联函数特征增强；第二个组件是具有扩展结构特征编码器(FAE)的一维卷积神经网络，用于特征重构(FAE-1D-CNN)。在声学信号的特征处理阶段，首先通过离散化将由声学传感器收集的信号转换为数字信号，然后利用能量模态函数对数字信号特征进行高/低能量模态聚类。通过向低能量模态特征矩阵添加关联因子来增强特征有效性，同时利用低通滤波方法处理高能量模态特征，消除高频部分的背景噪声干扰。在故障特征提取阶段，引入特征编码器(FAE)在1D-CNN网络中，旨在提取有效的故障特征并进行局部空间特征的二次重构，解决了小样本泄漏信号中有效故障特征较少的问题。采用全局平均池化层替代全连接层，并使用Softmax函数作为故障识别分类器。该方法在GPLA-12数据集上进行了评估，故障识别准确率达到95.17%。与其他竞争方法相比，本文方法表现出最佳性能，具有广泛的应用前景。

此外，姚立忠副教授还在国际学术期刊《Engineering Applications of Artificial Intelligence》（中科院工程1区，Top期刊，影响因子8.0）上发表了电解铝物理过程决策参数智能优化设计领域的最新研究成果“Piggybacking on past problem for faster optimization in aluminum electrolysis process design”。该成果中，姚立忠副教授为论文第一作者，罗海军教授和新加坡A*STAR的贺田田研究员为共同通讯作者，贝博BB平台德甲狼堡为第一署名单位。