一种基于深度学习的管段类型智能识别方法

1.本专利涉及通过imu检测数据对管道弯头、焊缝、弯曲变形和凹陷等管段类型进行识别，其属于管道内检测领域。


背景技术：

2.管道运输凭借其成本低，周期短等优点成为了石油天然气运输的主要方式。但油气长输管道铺设里程长，因此难以通过开挖检测对管道进行完整性管理。此外，油气管道铺设的地势环境复杂，常因外力作用而发生弯曲变形，对管道的安全运行造成威胁。搭载imu的管道内检测技术可以避免对管道进行开挖从而对管道全线进行检测。内检测器在管道中行进时，imu时刻记录着内检测器的角度，角速度，加速度等数据，进而获得全线管道的弯曲应变和位移信息。
3.油气管道上主要包含弯头、焊缝以及因外力作用等原因造成的弯曲变形和凹陷等管段类型，利用imu检测数据对管线上的管段类型进行识别，同时结合地面辅助定标点系统标定管道信息从而进行管道完整性管理。imu检测的角度数据常作为管道弯曲变形的评价依据，因此通过角度变化计算管道的弯曲应变来对管段类型进行识别。但是，工程上常根据应变阈值来划分管段区间，然后再对管段类型进行筛选，其存在效率低，判别标准不一致等问题。目前，缺乏高效智能的方法利用imu检测数据进行管道特征识别。


技术实现要素：

4.鉴于现有技术中人工识别管段类型工作存在效率低，识别标准不一致等问题，本技术提供了一种基于深度学习的管段类型智能识别方法，在pytorch框架下构建了cnn-bilstm深度学习模型用于管段类型识别。所述方法具体包括如下步骤：
5.步骤1，对于imu采集的角速度和角度数据使用小波变换进行降噪处理，其中角度数据为俯仰角p与方位角a，其分别为内检测器中心轴线方向与水平方向和正北方向的夹角。imu采集的里程间隔为δs，管道直径为d，计算各采集里程间隔间的俯仰角差值δp和方位角差值δa，根据公式计算管道的水平弯曲应变εh，垂直弯曲应变εv和总弯曲应变ε。
6.步骤2，利用滑动窗口对步骤1处理后的俯仰角速度ωy、航向角速度ωz、水平弯曲应变εh、垂直弯曲应变εv和总弯曲应变ε进行管段划分。设定滑动窗口截取信号的宽度为w，滑动窗口的步长为l。统一管段长度，当管段长度l＜w时停止划分，得到总管段数n。
7.步骤3，进行卷积神经网络(cnn)的构建,主要包括构建输入层、卷积层、激活层、池化层和全连接层。卷积层主要用于提取输入信号的特征，降低了网络学习的难度，其卷积运
算为其中k，b表示第l层i个神经元的权置和偏置，x为j层的第l个输入。池化层用于简化计算量，选择和过滤提取的特征，其表达式为其中q为第i个通道上l个神经元，w为池化的核大小。
8.步骤4，进行双向长短期记忆网络(bilstm)构建，长短期记忆神经网络(longshort-termmemory,lstm)是在循环神经网络上的基础上引入了记忆单元，包括遗忘门、输入门和输出门。其中，σ为sigmoid函数，为候选态，遗忘层f
t
的作用为决定遗忘掉哪些数据，输入门i
t
决定了哪些数据进入当前时刻的状态，lstm网络通过遗忘门和输入门决定舍去和保留的数据，输出门o
t
产生当前时刻的输出，其表达式分别为：f
t
＝σ(wf·
[h
t-1
,x
t
]+bf)i
t
＝σ(wi·
[h
t-1
,x
t
]+bi)o
t
＝σ(wo·
[h
t-1
,x
t
]+bo)其中w和b分别为待训练的权值矩阵和偏置，h
t-1
是上一层的输出。bilstm由两层lstm网络组成，每层网络都有输入序列，但以相反的方向传输信息，即正向lstm和反向lstm。将从正反方向提取的两个隐藏状态向量连接起来，综合前后信号的特性。
[0009]
步骤5，搭建cnn-bilstm深度学习模型。卷积层被用来提取输入数据的特征，特征提取后的数据被输入bilstm层学习输入特征的在前后顺序上的关系，然后将bilstm的输出作为全连接层的输入。其中，bilstm的双向架构可以通过前向lstm层和后向lstm层从两个方向同时提取前后时刻的信息。
[0010]
步骤6，将步骤3的数据分成训练集和测试集两部分，并对其进行归一化处理，将归一化后的信号作为模型的输入，进行深度特征提取。设置卷积层神经元数、核大小等，卷积层遍历整个训练集管段类型数据序列，并提取输入信号的深度特征。根据提取信号的深度特征信息对测试集数据序列的管段类型进行预测，并对cnn-bilstm模型进行模型评估。有益效果
[0011]
通过现有的imu检测技术能计算管道的弯曲应变来反应管道的弯曲变形。但是传统方法根据应变阈值划分管段从而筛选管道类型，其存在效率低，判别标准不统一的问题，本技术可以智能高效的对管段类型进行识别，获得管段类型有：直管段、焊缝管段、热弯管段、冷弯管段、弯曲变形管段、凹陷管段。通过该方法对管线上的管段类型进行识别，可以帮助完善管道的完整性管理，以及对弯曲变形管段进行安全评价。
附图说明
[0012]
图1为滑动窗口划分管段数据。图2为bilstm结构图。图3为构建的cnn-bilstm模型结构图。图4为各管段类型识别的混淆矩阵。图5为识别各类管段类型的精确率、召回率和f1分数。具体实施方法
[0013]
为了更加清楚的阐述本技术算法，下面结合附图以及具体实施例来进行说明。实
施例管道内径d为1016mm，管道输送压力8mpa。本专利申请一种基于深度学习的管段类型智能识别方法包含步骤如下：
[0014]
步骤1，将imu采集到的角度，角速度数据使用“db4”6阶小波变换进行降噪处理，如图所示。管道内径d为1016mm，采集里程间隔δs为0.05m，计算间隔里程δs上两点δsi、δs
i+1
间的俯仰角差值δp及方位角的差值δa，然后计算该间隔里程管段上的垂直应变ε
vi
、水平应变ε
hi
和总应变εi。
[0015]
步骤2，利用滑动窗口对步骤1处理后的俯仰角速度ωy、航向角速度ωz、垂直弯曲应变εv和总弯曲应变ε进行管段划分，如图1所示。设定滑动窗口的信号截取宽度为6m，滑动窗口的步长为0.1m，共划分了包含10种管段类型的数据集：直管段、焊缝管段、热弯管段、冷弯管段、弯曲变形管段、凹陷管段、直管+弯曲变形、直管+弯头、直管+凹陷以及弯曲变形+焊缝。
[0016]
步骤3，采用2各卷积层构建cnn网络，对卷积层1进行设置，设置其通道数为32，卷积核大小为3，卷积层的步长为1；对卷积层2进行设置，设置其通道数为16，卷积核大小为3，卷积层的步长为1。卷积层的激活函数为relu，设置最大池化层1和最大池化层2的池化核大小为3，步长为1。设置dropout_1和dropout_2(丢弃率)为0.2。
[0017]
步骤4，基于lstm的前后双向架构而构建的bilstm网络，如图2所示，设置bilstm的输入维度为16，输出维度为128，激活函数为tanh，设置dropout_3为0.5，设置线性层1的输入维度为256，输出维度为64，激活函数为relu，设置线性层2的输入维度为64，输出维度为10，激活函数为softmax。
[0018]
步骤5，构建cnn-bilstm模型，如图3所示，对模型参数进行设置，设置模型学习率为0.001；损失函数为交叉熵损失；batchsize设置为128。将步骤2的管段类型数据集进行归一化处理，然后将数据按照8：2的比例分为训练集和测试集，将训练集输入模型进行训练，模型自动提取训练数据的深度特征(数据长度，标准差，最小值，平均值，峭度，偏度，裕度因子等)，当训练次数大于200epoch时模型趋于稳定。
[0019]
步骤6，将测试集数据输入模型进行管段类型的预测，对于管段类型识别结果的混淆矩阵(0—直管段类型，1—焊缝管段类型，2—热弯管段类型，3—冷弯管段类型，4—弯曲变形管段类型，5—凹陷管段类型，6—直管+弯曲变形管段类型，7—直管+弯头管段类型，8—直管+凹陷管段类型，9—弯曲变形+焊缝管段类型)，可快速的反映出每种管段类型的识别效果，如图4所示。通过精确率、召回率和f1分数对模型的识别效果进行评估，cnn-bilstm模型识别管段类型的精确率为0.965，召回率为0.964，f1分数为0.963，对各类管段类型具有较好的识别能力，如图5所示。

技术特征：
1.一种基于深度学习的管段类型智能识别方法，其特征在于，所述方法包括：获取imu内检测数据并降噪处理后计算弯曲应变。对内检测数据集和弯曲应变数据集进行管段划分。对所述方法进行卷积神经网络(cnn)搭建。对所述方法进行双向长短期记忆网络(bilstm)搭建。对所述方法进行构建cnn-bilstm深度学习模型。基于所构建模型对管段类型进行预测，获得划分管段的管段类型结果。2.如权力要求1所述方法，其特征在于，获取imu内检测数据并降噪处理后计算弯曲应变，包括：对于imu采集的角速度和角度数据使用小波变换进行降噪处理，其中角度数据为俯仰角p与方位角a，其分别为内检测器中心轴线方向与水平方向和正北方向的夹角。imu采集的里程间隔为δs，管道直径为d，计算各采集里程间隔间的俯仰角差值δp和方位角差值δa，根据公式计算管道的水平弯曲应变ε
h
，垂直弯曲应变ε
v
和总弯曲应变ε。3.如权力要求1所述方法，其特征在于，对内检测数据集和弯曲应变数据集进行管段划分，包括：利用滑动窗口对权力要求2处理后的俯仰角速度ω
y
、航向角速度ω
z
、水平弯曲应变ε
h
、垂直弯曲应变ε
v
和总弯曲应变ε进行管段划分。设定滑动窗口的宽度为w，滑动窗口的步长为l。统一管段长度，当管段长度l＜w时停止划分，得到管段类型总数n。4.如权力要求1所述方法，其特征在于，对所述方法进行卷积神经网络(cnn)搭建，包括：构建卷积神经网络(cnn),主要包括构建输入层、卷积层、激活层、池化层和全连接层。卷积层主要用于提取输入信号的特征，降低了网络学习的难度，其卷积运算为其中k，b表示第l层i个神经元的权置和偏置，x为j层的第l个输入。池化层用于简化计算量，选择和过滤提取的特征，其表达式为其中q为第i个通道上l个神经元，w为池化的核大小。5.如权力要求1所述方法，其特征在于，对所述方法进行双向长短期记忆网络(bilstm)搭建，包括：构建双向长短期记忆网络(bilstm)，长短期记忆神经网络(long short-term memory,lstm)是在循环神经网络上的基础上引入了记忆单元，包括遗忘门、输入门和输出门，lstm单元的基本结构如图2所示。其中，σ为sigmoid函数，为候选态，遗忘层f
t
的作用为决定遗忘掉哪些数据，输入门i
t
决定了哪些数据进入当前时刻的状态，lstm网络通过遗忘门和输入门决定舍去和保留的数
据，输出门o
t
产生当前时刻的输出，其表达式分别为：f
t
＝σ(w
f
·
[h
t-1
,x
t
]+b
f
)i
t
＝σ(w
i
·
[h
t-1
,x
t
]+b
i
)o
t
＝σ(w
o
·
[h
t-1
,x
t
]+b
o
)其中w和b分别为待训练的权值矩阵和偏置。bilstm由两层lstm网络组成，每层网络都有输入序列，但以相反的方向传输信息，即正向lstm和反向lstm。将从正反方向提取的两个隐藏状态向量连接起来，综合前后信号的特性。6.如权力要求1所述方法，其特征在于，对所述方法进行构建cnn-bilstm深度学习模型，包括：搭建cnn-bilstm深度学习模型，模型结构如图所示。卷积层被用来提取输入数据的特征，特征提取后的数据被输入bilstm层学习输入特征的在前后顺序上的关系，然后将bilstm的输出作为全连接层的输入。其中，bilstm的双向架构可以通过前向lstm层和后向lstm层从两个方向同时提取前后时刻的信息。7.如权力要求1所述方法，其特征在于，基于所构建模型对管段类型进行预测，获得划分管段的管段类型结果，包括：将权力要求3的数据分成训练集和测试集两部分，并对其进行归一化处理，将归一化后的信号作为模型的输入，进行深度特征提取。设置卷积层神经元数、核大小等，卷积层遍历整个训练集管段类型数据序列，并提取输入信号的深度特征。根据提取信号的深度特征信息对测试集数据序列的管段类型进行预测，并对cnn-bilstm模型进行模型评估。

技术总结
本发明申请了一种基于深度学习的管段类型智能识别方法，利用IMU检测数据对管段类型进行识别，其主要涉及管道内检测领域。利用深度学习对管段类型识别的方法如下:对IMU检测数据进行降噪，计算管线弯曲应变；利用滑动窗口进行管段划分，获得管段弯曲应变和角速度的数据集；构建卷积神经网络(CNN)；构建双向长短期记忆网络(BiLSTM)；搭建CNN-BiLSTM深度学习模型，设置参数；将管段类型数据集划分成训练集和测试集，在训练集进行模型训练，提取管段类型数据的深度特征，在测试集上对管段类型识别。本申请方法可以高效准确的对管线上的管段类型进行识别，有助于开展管道完整性管理，以及对弯曲变形管段进行安全评价。及对弯曲变形管段进行安全评价。


技术研发人员：王琳 胡成 马廷霞 马林杰 王江 毛志豪
受保护的技术使用者：西南石油大学
技术研发日：2023.05.19
技术公布日：2023/9/20