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）

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。

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