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...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-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。展开更多
文摘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-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。
