基于深度学习的油气管道变形管段识别方法
                摘要: 油气管道的惯性测量单元(Inertial Measurement 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⁃directionalLong 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。            
            
         
                 
                 
                 
                 
                 
                 
                 
                 
                 
                