![点击分享此内容可以赚币 分享](/master/images/share_but.png)
基于深度学习的油气管道变形管段识别方法.pdf
《基于深度学习的油气管道变形管段识别方法.pdf》由会员分享,可在线阅读,更多相关《基于深度学习的油气管道变形管段识别方法.pdf(9页珍藏版)》请在咨信网上搜索。
1、油气人工智能基于深度学习的油气管道变形管段识别方法王 琳 马林杰 徐 建 马如隆 宋鑫灿(西南石油大学机电工程学院)王琳,马林杰,徐建,等.基于深度学习的油气管道变形管段识别方法 J.石油机械,2023,51(11):11-19.Wang Lin,Ma Linjie,Xu Jian,et al.Deformed section identification of oil and gas pipeline based on deep learningJ.China Petroleum Machinery,2023,51(11):11-19.摘要:油气管道的惯性测量单元(Inertial Meas
2、urement Unit,IMU)检测数据中隐含大量的管道变形信息,但目前缺乏智能、高效的特征识别方法。为此,提出了一种基于 IMU 检测数据的管道全线变形特征智能识别方法。采用 IMU 输出角速度和管道全线弯曲应变值作为模型的输入参数,卷积神经网络(Convolutional Neural Network,CNN)和双向长短期记忆网络(Bi-directional Long Short Memory,BiLSTM)被用于提取输入信号的特征并建立学习输入的时序关系,通过全连接层和 Softmax 函数分类不同管段类型。应用工程实测 IMU 数据构建了 10 种管段类型数据集,对所提方法的可行性
3、进行了验证,并对比了不同输入与不同模型分类的准确率。研究结果表明,所提方法可以有效地分类管道类型并识别变形管段,其分类精度为 96.9%,高于其他对比模型。研究结果可为油气管道全线变形管段识别提供一种高效可行的方法。关键词:深度学习;油气管道;惯性测量单元;变形管段;卷积神经网络;双向长短期记忆网络中图分类号:TE832 文献标识码:A DOI:10.16082/ki.issn.1001-4578.2023.11.002Deformed Section Identification of Oil and Gas Pipeline Based on Deep LearningWang Lin M
4、a Linjie Xu Jian Ma Rulong Song Xincan(School of Mechanical Engineering,Southwest Petroleum University)Abstract:The detection data of inertial measurement unit(IMU)of oil and gas pipelines contain a large a-mount of pipeline deformation information,but currently there is a lack of intelligent and ef
5、ficient feature identifica-tion method.Therefore,an intelligent identification method for pipeline deformation features based on IMU detec-tion data was proposed.The IMU output angular velocity and pipeline bending strain values were used as inputs of the model,the Convolutional Neural Network(CNN)a
6、nd Bi-directional Long Short Term Memory Network(BiL-STM)were used to extract the features of the input signals and learn the sequential relationship of the input,and the fully connected layer and Softmax function were used to classify different pipe section types.Moreover,the IMU data obtained from
7、 actual oil and gas pipelines were used to construct a dataset of 10 pipe section types to veri-fy the feasibility of the proposed method,and compare the accuracy of different input and model classifications.The results show that the proposed method can effectively classify the pipeline types and id
8、entify the deformed sec-tions,the classification accuracy is 96.9%,and higher than that of other models.The research results provide an efficient and feasible method for identifying the deformed sections of entire oil and gas pipelines.Keywords:deep learning;oil and gas pipeline;IMU;deformed section
9、;CNN;BiLSTM112023 年 第 51 卷 第 11 期石 油 机 械CHINA PETROLEUM MACHINERY 基金项目:国家自然科学基金青年基金项目“基于流固耦合动力学的气液两相流管道振动特性研究”(51904259)。0 引 言长输油气管道的敷设地形复杂,腐蚀、人为活动、长期的地壳运动等会导致管道在局部管段产生较大的弯曲变形,造成应力集中,严重时甚至会导致运输物质的泄漏,造成环境污染和经济损失,威胁人们的生命1-3。目前,管道全线弯曲变形检测主要是通过搭载惯性测量单元(Infertial Measure-meut Unit,IMU)的管道内检测方式来实现。理论上,弯曲应
10、变值的大小反映了管道的弯曲程度,但实际应用中,真实的外力弯曲和凹陷、弯头、焊缝等局部的管道变形特征在 IMU 检测信号上存在一定的相似性,如何高效且准确地识别这些变形特征是管道 IMU 检测数据分析的重要环节。目前,基于 IMU 检测数据的变形管段识别方法主要分为 2 类,分别是传统的数据特征统计方法和机器学习方法。LI R.等4-5通过姿态角计算管道全线的弯曲应变,选取弯曲应变阈值识别弯曲变形管段,并 通 过 试 验 验 证 了 该 方 法 的 有 效 性。H.SATO 等6通过陀螺仪输出角速度在经过管道弯头时会出现急剧的变化来识别管道的弯头。管练武7分析发现,IMU 加速度信号在通过焊缝时
11、会出现波动,可以据此识别管道的焊缝位置。刘啸奔等 8-9采用不同管段类型的应变曲线统计特征和热力图作为机器学习模型的输入,实现了不同变形类型的分类。现有的方法已经证明了 IMU 检测在变形管段识别中的可行性,但无论是数据统计还是机器学习都不可避免以下 2 点:需要从连续的 IMU检测信号中筛选变形管段信号;需要选定合适的参数作为分类的指标或者机器学习的输入。近年来深度学习迅猛发展,其强大的特征提取和特征融合能力,在自动提取与学习时序数据多元数据特征上显示出巨大优势10-13。本文构建了深度学习网络以解决油气管道全线变形管段识别问题,将深度学习中时序信号分类的方法应用于管道IMU 检测数据识别,
12、避免了数据筛选和特征提取,可以有效识别和分类变形管段,可为油气管道全线变形管段识别提供一种高效可行的方法。1 方法介绍1.1 弯曲应变计算管道全线的弯曲应变由曲率来计算,它反映了管道在一段里程上的弯曲程度。弯曲应变为管道半径和曲率半径的比值,计算公式如下14:kv=s(1)kh=scos(2)k=k2v+k2h(3)v=D2kv(4)=D2k(5)式中:kv、kh、k 分别为垂直曲率、水平曲率和总曲率,rad/m;v为垂直应变,rad;为弯曲应变,rad;D 为管道内径,m;为俯仰角,rad;为俯仰角差值,rad;为航向角差值,rad;s 为里程差值,m。1.2 输入数据截取理论上,经曲率计算
13、得到的弯曲应变结果直接反映了管道的弯曲程度。但在实际应用中,当管道内检测器通过焊缝、弯头及凹陷等管段时,内检测器的姿态会发生不同程度的变化,进而导致陀螺仪输出角速度及由姿态计算得到的弯曲应变值发生不同特征的改变,因此,角速度和管道全线弯曲应变值可以作为特征识别的有效输入。总的弯曲应变值同时反映管道在竖直方向和水平方向的弯曲,但经过凹陷管段时的变化主要体现在垂直应变分量上,三轴角速度中的 y主要反映内检测器在管道内运行时自身的转动。综上所述,选择 x、z、垂直应变分量、总的弯曲应变四维数据作为模型的输入、采用滑动窗口的方式来提取输入数据,如图 1 所示。图 1 识别参数截取Fig.1 Inter
14、ception of identification parameters沿里程平移固定长度的窗口来截取输入信号,主要参数有窗口的长度及每次的平移步长。1.3 卷积神经网络卷积神经网络(Convolutionel Neural Network,21 石 油 机 械2023 年 第 51 卷 第 11 期CNN)通常有 5 层:输入层、卷积层、激活层、池化层和全连接层。其中,一维卷积网络常被用于处理时间序列,卷积层通过卷积核提取输入信号的特征;池化层可以减少参数并简化计算量;全连接层用来对提取的特征进行分类15。卷积运算的数学表达式如下:yl+1i(j)=klixl(j)+bli(6)式中:k、b
15、 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。池化层通常在卷积层后用来选择和过滤提取的特征,池化层的表达式为:Pl+1i(j)=max(j-1)W+1tjWqli(t)(7)式中:q 为第 i 个通道上 l 个神经元;W 为池化的核大小。1.4 双向长短期记忆网络循 环 神 经 网 络(Recurrent Neural Network,RNN)以序列数据为输入,强调序列信号前后的关联,可有效地对时序信号进行处理16。但 RNN不具有选择功能,容易出现梯度消失和梯度爆炸。长短期记忆神经网络(Long Short-Term Memory,LSTM)是循环神经网络的改良
16、,具体来说,它是在 RNN 的基础上引入了记忆单元,具体包括遗忘门、输入门和输出门。LSTM 单元的基本结构如图2 所示17-18。图 2 LSTM 单元Fig.2 LSTM unitBiLSTM(双向长短期记忆网络)由 2 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 LSTM19。将从正反方向提取的 2 个隐藏状态向量连接起来,以综合前后信号的特性。1.5 评价指标采用式(8)式(11)对分类模型的准确性、精确率、召回率和 F1分数进行评估。其中 TP、TN、FP和 FN分别为真阳性、真阴性、假阳性和假阴性。准确率 PA表示分类的总体正确性:
17、PA=TP+TNTP+FN+TN+FP(8)精确率 PP是指正确分类的比例:PP=TPTP+FP(9)召回率 PR表示实际阳性被正确分类的比率:PR=TPTP+FN(10)F1分数 FS可以看作是模型的精确度和召回率的组合:FS=2TP2TP+FP+FN(11)2 基于 CNN-BiLSTM 管道变形识别2.1 CNN-BiLSTMBiLSTM 网络可以更好地捕捉输入信号双向的时序特征,但在空间维度上感知能力差,而卷积层具有较好的空间感知能力,将 2 种模型的优势相组合用于管段类型分类,可充分利用模型在空间和时域上的提取能力。构建的 CNN-BiLSTM 网络结构如图 3 所示。图 3 CNN
18、-BiLSTM 网络结构Fig.3 Structure of CNN-BiLSTM2 层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,学习输入特征在前后顺序上的关系20。之后,BiLSTM 的输出将作为全连接层的输入并通过 Softmax 函数实现管段类312023 年 第 51 卷 第 11 期王 琳,等:基于深度学习的油气管道变形管段识别方法 型分类。2.2 识别流程基于 IMU 检测的管道全线变形管段特征识别方法整体流程如图 4 所示。通过清管器搭载 IMU测量得到清管器在油气管道全线运行的姿态信息,根据弯曲应变计算公式计算里程间隔上管道全线的弯曲应变值,对角
19、速度和弯曲应变进行归一化处理,采用里程滑动窗口截取归一化后的角速度和弯曲应变值。之后,截取的数据将作为 CNN-BiLSMT模型的输入,被送进网络模型学习其潜在的规律。最后,通过全连接层和 Softmax 分类器对输入的类型进行分类,得到该段管段的类型。通过滑动窗口提取管道不同管段的输入信号可实现全线管道变形特征的识别。图 4 管道形变管段识别方法Fig.4 Identification method for pipeline deformation sections3 应用分析利用现场实测 IMU 200 km 数据来制备管段类型数据集,以验证所提方法的正确性。角速度信号及计算得到的垂直应变
20、和弯曲应变 10 km 部分数据如图 5 所示。弯曲应变的计算里程间隔取 0.05 m。图 5 10 km 管道实测角速度和弯曲应变Fig.5 Measured angular velocity and bending strain of a 10 km pipeline3.1 不同管道特征数据在管道 IMU 检测数据中,能够体现管段类型的主要有直管、焊缝、冷弯、热弯、弯曲变形和凹陷共计 6 类。检测器在直管中运行时,弯曲应变的值较小且波动小,如图 6a 所示;焊缝处的弯曲应变为小范围内的局部凸起,如图 6b 所示;管道内检测器通过弯头时,弯曲应变会在一个管节内出现急剧的变化,热弯和冷弯的区别
21、主要体现在峰值上,如图 6c、图 6d 所示;弯曲变形管段弯曲应变的均值超过了 0.125%,且持续的里程较长,超过了 1 个管节长度,如图 6e 所示;凹陷处的垂直应变一般呈下凹状,应变的大小受凹陷程度和内检测器长度影响,如图 6f 所示。综上所述,内检测器在不同管段运行时弯曲应变值会出现不同特性的变化,变化的幅度和长度取决于内检测器在通过不同管道特征时的姿态变化情况。3.2 标签及数据集准备信号截取窗口长度为 6 m,步长为 0.1 m。除6 种单独的管段类型外,滑动窗口不可避免地会截取到混合的管道类型。因此,样本标签除 6 种单独类型外,还包含了 4 类常见的混合类型。管道 IMU检测数
22、据中,直管、焊缝、弯头的数据量远多于弯曲变形、凹陷的数据量,在制作数据集时为避免模型过拟合,需要保证每种类型数据量相差不能过大。因此,对于较多的数据样本随机地选取部分数据,最终制备了包含 10 种管段类型共 81 565 份数据的数据集。不同标签对应的类型及数据量见表 1,不同管段类型在四维数据上的分布特征见图 7。41 石 油 机 械2023 年 第 51 卷 第 11 期图 6 不同管段类型弯曲应变数据特征Fig.6 Bending strain data characteristics of different pipe section types图 7 不同管段类型在输入参数上的分布F
23、ig.7 Distribution of different pipe section types on input parameters表 1 不同标签对应的类型及数据量Table1 Types and data volume for different labels标签类型样本数据量0直管段8 7701焊缝管段7 9502热弯管段9 0053冷弯管段8 9454弯曲变形管段8 3105凹陷管段6 2756直管+弯曲变形9 2257直管+弯头9 0358直管+凹陷9 2009弯曲变形+焊缝4 8503.3 模型参数及训练过程表 2 是网络模型每层对应的超参数设置,模型在 Pytorch 框架
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 深度 学习 油气 管道 变形 管段 识别 方法
![提示](https://www.zixin.com.cn/images/bang_tan.gif)
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。