CN111815561B - 一种基于深度时空特征的管道缺陷及管道组件的检测方法 - Google Patents
一种基于深度时空特征的管道缺陷及管道组件的检测方法 Download PDFInfo
- Publication number
- CN111815561B CN111815561B CN202010517390.5A CN202010517390A CN111815561B CN 111815561 B CN111815561 B CN 111815561B CN 202010517390 A CN202010517390 A CN 202010517390A CN 111815561 B CN111815561 B CN 111815561B
- Authority
- CN
- China
- Prior art keywords
- data
- pipeline
- neural network
- network model
- defect
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims abstract description 131
- 238000001514 detection method Methods 0.000 title claims abstract description 47
- 238000003062 neural network model Methods 0.000 claims abstract description 137
- 238000012549 training Methods 0.000 claims abstract description 47
- 238000012360 testing method Methods 0.000 claims abstract description 32
- 230000007787 long-term memory Effects 0.000 claims description 31
- 230000004907 flux Effects 0.000 claims description 27
- 238000000034 method Methods 0.000 claims description 24
- 230000000712 assembly Effects 0.000 claims description 9
- 238000000429 assembly Methods 0.000 claims description 9
- 230000006403 short-term memory Effects 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 230000015654 memory Effects 0.000 abstract description 22
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 239000003209 petroleum derivative Substances 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/72—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables
- G01N27/82—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws
- G01N27/83—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws by investigating stray magnetic fields
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Abstract
本发明公开了一种基于深度时空特征的管道缺陷及管道组件的检测方法,搭建由自编码器神经网络模型和长短期记忆神经网络模型组合而成的组合神经网络模型,并使自编码器神经网络模型的输出成为长短期记忆神经网络模型的输入;由不同时刻检测采集的已知的管道缺陷及管道组件的空间数据,构建管道缺陷及管道组件的时序空间数据样本集;采用该时序空间数据样本集,对组合神经网络模型进行训练及测试;将检测采集的待确认的管道缺陷或管道组件的空间数据输入至训练完成的组合神经网络模型;采用组合神经网络模型的输出来重构管道缺陷或管道组件的空间数据。本发明可应用海底管道缺陷及管道组件检测及分析系统中。
Description
技术领域
本发明涉及一种管道缺陷的检测方法,特别涉及一种基于深度时空特征的管道缺陷及管道组件的检测方法。
背景技术
目前,管道运输是石油、天然气的主要运输方式。在役管道长期处于泥土或者海水等恶劣工作环境下,可能产生输油管道的管壁腐蚀,严重时甚至产生泄漏,造成严重的环境污染甚至人员伤亡。因此对油气管道的缺陷检测是至关重要的。
漏磁内检测具有检测速度快,效率高,污染小等优点,目前是实际中最常用的输油管道无损检测方法之一。海底输油管道的漏磁检测是记录漏磁检测仪产生的磁信号穿过管壁时的变化,通过分析漏磁信号,来确定管壁的健康情况。
目前对缺陷信号的检测是通过磁偶极子模型对缺陷信号进行理论建模,再对理想缺陷模型进行分析和特征提取学习其相关特性,最后将实际检测数据与理想缺陷模型进行比对,实现对缺陷数据的检测。常用的缺陷检测方法有基于深度学习的方法和基于统计学方法。
基于深度学习的缺陷检测方法是目前科研工作者研究最多的方法,其主要步骤是:首先用大量的含有缺陷的数据训练深度网络,将实际数据输入到训练完成的深度网络,从而实现对缺陷的识别。然而,训练样本中的缺陷数据一部分是根据理想模型建立的,一部分是从试验场中获取的,这些数据相对于实际测量有一定的偶然性,对于试验场中未建立过的缺陷模型,或者实际检测中出现的未知缺陷,该方法都无法检测出来,因此深度网络训练缺陷数据的检测缺陷检测方法具有一定的局限性。
基于统计学的方法主要是从数据驱动的角度来识别缺陷。该方法首先从统计学角度提取缺陷的特征,再用统计学原理实现对整体数据的缺陷检测。该方法具有很强的理论研究价值,但在实际检测中,由于缺陷的不确定性太强,会产生很大的漏检和误检情况。
发明内容
本发明为解决公知技术中存在的技术问题而提供一种基于深度时空特征的管道缺陷及管道组件的检测方法。
本发明为解决公知技术中存在的技术问题所采取的技术方案是:一种基于深度时空特征的管道缺陷及管道组件的检测方法,搭建由自编码器神经网络模型和长短期记忆神经网络模型组合而成的组合神经网络模型,并使自编码器神经网络模型的输出成为长短期记忆神经网络模型的输入;由不同时刻检测采集的已知的管道缺陷及管道组件的空间数据,构建管道缺陷及管道组件的时序空间数据样本集;采用该时序空间数据样本集,对组合神经网络模型进行训练及测试;将检测采集的待确认的管道缺陷或管道组件的空间数据输入至训练完成的组合神经网络模型;采用组合神经网络模型的输出来重构管道缺陷或管道组件的空间数据。
进一步地,设测试样本集中某个已知的管道缺陷或管道组件的空间数据为A,将A输入自编码器神经网络模型,设自编码器神经网络模型输出的空间数据为B;将B输入长短期记忆神经网络模型,设长短期记忆神经网络模型输出的空间数据为C;设A与C的欧几里得距离为该已知的管道缺陷或管道组件的判断阈值P;将检测采集的待确认的管道缺陷或管道组件的空间数据设为E,将E输入自编码器神经网络模型,设自编码器神经网络模型输出的空间数据为F;将F输入长短期记忆神经网络模型,设长短期记忆神经网络模型输出的空间数据为G;如果G与E的欧几里得距离大于判断阈值P,则判断待确认的管道缺陷或管道组件不属于该已知的管道缺陷或管道组件。
进一步地,构建管道缺陷及管道组件的时序空间数据样本集的方法为:在实验场所并模拟工况条件下,采用漏磁检测装置定期或不定期地检测采集已知的管道缺陷及管道组件的空间数据,由检测采集的空间数据来构建管道缺陷及管道组件的时序空间数据样本集。
进一步地,采用不同传感器来检测采集已知的管道缺陷及管道组件的空间数据。
进一步地,在训练及测试组合神经网络模型前,将所述时序空间数据样本集的数据依次通过中值滤波和基线校正处理。
进一步地,将检测采集的待确认的管道缺陷或管道组件的空间数据先进行中值滤波和基线校正处理,然后输入至训练完成的组合神经网络模型。
进一步地,将所述时序数据样本集的80%作为测试样本集,将其余20%作为训练样本集。
本发明具有的优点和积极效果是:本发明可充分利用不同传感器部分的空间特征和采样点前后的时间特征对已知平滑数据、缺陷以及组件进行建模,可建立起对已知数据的重构模型。通过自编码器神经网络模型和长短期记忆神经网络模型对实测数据进行重构,对比重构前后的数据差,并与确定的阈值进行比较,来确定其是否存在未知缺陷或组件。本发明克服了未知缺陷或组件难于检测和建模的问题,对实际管道缺陷组件检测具有很大意义。
本发明可应用在三轴高清漏磁内检测器数据分析系统开发过程中。比如可分析海底的管道缺陷及管道组件。
附图说明
图1是本发明的一种工作流程图。
图2是本发明的一种自编码器神经网络模型结构示意图。
图3是本发明的一种长短期记忆神经网络模型结构示意图。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效,兹列举以下实施例,并配合附图详细说明如下:
请参见图1至图3,一种基于深度时空特征的管道缺陷及管道组件的检测方法,搭建由自编码器神经网络模型和长短期记忆神经网络模型组合而成的组合神经网络模型,并使自编码器神经网络模型的输出成为长短期记忆神经网络模型的输入;由不同时刻检测采集的已知的管道缺陷及管道组件的空间数据,构建管道缺陷及管道组件的时序空间数据样本集;采用该时序空间数据样本集,对组合神经网络模型进行训练及测试;将检测采集的待确认的管道缺陷或管道组件的空间数据输入至训练完成的组合神经网络模型;采用组合神经网络模型的输出来重构管道缺陷或管道组件的空间数据。
训练样本集用于训练由自编码器神经网络模型和长短期记忆神经网络模型组合而成的组合神经网络模型,测试样本集用于计算判断管道缺陷或管道组件是否属于已知的管道缺陷或管道组件的阈值参数。
将检测采集的待确认的管道缺陷或管道组件的空间数据输入至训练完成的自编码器神经网络模型;利用自编码器神经网络模型的输出来重构空间数据;再将自编码器神经网络模型的输出作为长短期记忆神经网络模型的输入,利用长短期记忆神经网络模型的输出再次重构空间数据。将该时序数据样本集的80%作为测试样本集,将其余20%作为训练样本集。
图1中的用于计算阈值T是指测试样本中的数据;用于训练组合神经网络模型的数据D是指训练样本中的数据;组合神经网络模型是指由自编码器神经网络模型和长短期记忆神经网络模型组合而成的网络模型。自编码器是指自编码器神经网络模型;LSTM是指长短期记忆神经网络模型。
可设检测采集的待确认的管道缺陷或管道组件的空间数据为U,将U输入至训练完成的自编码器神经网络模型;设自编码器神经网络模型的输出的空间数据为V,则V是对U进行了重构,将自编码器神经网络模型的输出作为长短期记忆神经网络模型的输入,设长短期记忆神经网络模型的输出的空间数据为Z,则Z是对U再次进行了重构。
本发明可充分利用不同传感器采集的管道缺陷或管道组件的空间特征和采样点前后的时间特征,对已知的管道缺陷或管道组件的空间特征进行重构建模。
优选地,可设测试样本集中某个已知的管道缺陷或管道组件的空间数据为A,将A输入自编码器神经网络模型,可设自编码器神经网络模型输出的空间数据为B;将B输入长短期记忆神经网络模型,可设长短期记忆神经网络模型输出的空间数据为C;可设A与C的欧几里得距离为该已知的管道缺陷或管道组件的判断阈值P;可将检测采集的待确认的管道缺陷或管道组件的空间数据设为E,将E输入自编码器神经网络模型,可设自编码器神经网络模型输出的空间数据为F;将F输入长短期记忆神经网络模型,可设长短期记忆神经网络模型输出的空间数据为G;如果G与E的欧几里得距离大于判断阈值P,则可判断待确认的管道缺陷或管道组件不属于该已知的管道缺陷或管道组件。通过自编码器神经网络模型和长短期记忆神经网络模型对实测数据进行重构,对比重构前后的数据差,并与确定的阈值进行比较,来确定其是否存在未知缺陷或组件。
如果测试样本集中某个已知的管道缺陷或管道组件的空间数据有n组数据,则可设测试样本集中某个已知的管道缺陷或管道组件的空间数据为Ai,i=1、2、3…n;将Ai输入自编码器神经网络模型,设自编码器神经网络模型输出的空间数据为Bi;将Bi输入长短期记忆神经网络模型,设长短期记忆神经网络模型输出的空间数据为Ci;设Ai与Ci的欧几里得距离的平均值作为该已知的管道缺陷或管道组件的判断阈值P。
优选地,构建管道缺陷及管道组件的时序空间数据样本集的方法可为:在实验场所并模拟工况条件下,可采用漏磁检测装置定期或不定期地检测采集已知的管道缺陷及管道组件的空间数据,由检测采集的空间数据来构建管道缺陷及管道组件的时序空间数据样本集。
优选地,可采用不同传感器来检测采集已知的管道缺陷及管道组件的空间数据。
优选地,可在训练及测试组合神经网络模型前,将所述时序空间数据样本集的数据依次通过中值滤波和基线校正处理。。
优选地,可将检测采集的待确认的管道缺陷或管道组件的空间数据先进行中值滤波和基线校正处理,然后输入至训练完成的组合神经网络模型。
优选地,可将所述时序数据样本集的80%作为测试样本集,将其余20%作为训练样本集。
下面通过本发明的优选实施例来进一步说明本发明的工作流程及工作原理:
一种基于深度时空特征的管道缺陷及管道组件的检测方法,该方法包括如下具体步骤:
步骤1:搭建由自编码器神经网络模型和长短期记忆神经网络模型组合而成的组合神经网络模型,并使自编码器神经网络模型的输出成为长短期记忆神经网络模型的输入;采用漏磁检测装置采集试验场管道缺陷及管道组件的三维空间数据,提取试验场管道漏磁数据的三维空间数据,选取带有大量常规缺陷和组件的数据,构建管道缺陷及管道组件的时序空间数据样本集;将所述时序数据样本集的80%作为测试样本集,将其余20%作为训练样本集;设训练样本集中的数据为D,设测试样本集中的数据为T;数据D用于训练组合神经网络模型,数据T用于计算阈值参数。自编码器神经网络模型以下简称自编码器;
步骤2:分别对训练样本集和测试样本集的数据进行滤波去噪及基线校正处理等预处理;
步骤3:用训练样本集中的数据D对自编码器神经网络模型进行训练。对漏磁数据按照传感器分布移动滑动窗口,训练自编码器神经网络模型,提取空间特征,实现对训练样本集中的数据D的重构;
步骤4:对训练样本集中的数据D的重构后的数据,按照时间变化移动滑动窗口,训练长短期记忆神经网络模型,提取时间特征,实现对后续数据的预测。
步骤5:将测试样本集中的数据T输入到训练好的组合神经网络模型中,对比重构后的数据与T的差,确定判定阈值。
步骤6:将检测采集的待确认的管道缺陷或管道组件的空间数据输入到训练好的组合神经网络模型中,采用组合神经网络模型的输出来重构管道缺陷或管道组件的空间数据。计算重构后数据与输入数据的差值,通过阈值判定其是否为未知缺陷。
所述步骤3包括以下步骤:
步骤3.1:对采用漏磁检测装置采集的漏磁数据流进行分段,每段的长度分为n,要求n大于多倍的平均已知缺陷长度。
步骤3.2:选取一定大小的移动窗体按照漏磁检测传感器分布的方向,按照一定步长移动,滑动取完一段数据,对下一段数据以相同的滑动窗口选取数据。把每次滑动窗口选取的数据展开成为一个行向量作为一个训练数据。
步骤3.3:将数据输入到自编码器中,训练自编码器,编码过程如式(1)所示,
F=WX+b (1)
其中:X表示训练数据矩阵;
W表示编码器权重;
b表示编码器偏置;
F表示自编码器输出的空间特征。
解码过程如式(2)所示,
Y=W′F+b′ (2)
其中:W′表示解码器权重;
b′表示解码器偏置;
Y表示自编码器输出的重构数据。
所述步骤4包括以下步骤:
步骤4.1:对Y进行重新构建。重叠部分取平均值,将Y重构成信号流X′。
步骤4.2:对每个漏磁检测传感器的数据按照时间变化,选取合适大小的滑动窗口,按照一定的时间步长选取数据。
步骤4.3:每次滑动窗口选取的数据作为长短期记忆神经网络模型的一次训练数据,训练长短期记忆神经网络模型,长短期记忆神经网络模型的前向过程如下所示,其中变量详情见附图3。
遗忘门的数学表达如式(3)所示,
f(t)=σ(Wfh(t-1)+Ufx(t)+bf) (3)
输入门表达式如式(4)和(5)所示
i(t)=σ(Wih(t-1)+Uix(t)+bi) (4)
a(t)=tanh(Wah(t-1)+Uax(t)+ba) (5)
细胞更新状态如式(6)所示
C(t)=C(t-1)⊙f(t)+i(t)⊙a(t)
输入门表达式如式(7)和(8)所示
o(t)=σ(Woh(t-1)+Uox(t)+bo) (7)
h(t)=o(t)⊙tanh(C(t)) (8)
其中,W和U分别表示权重系数,b表示偏置。
所述步骤5包括以下步骤:
步骤5.1:将数据流T输入到训练好的基于时空特征的重构模型中,得到重构后的数据流T′。
步骤5.2:选取一定大小的滑动窗口,以固定步长移动,计算每次滑动窗口移动到的位置的T与T′的欧几里得距离,如式(9)所示。
L=||T-T′||2 (9)
步骤5.3:选取最大的三十个L值,应用3σ准则去除离群点,对不是离群点的数据求平均值,得到的平均值即为阈值δ。
所述步骤6包含以下步骤:
步骤6.1:提取实测海底管道漏磁数据的空间数据M,对其进行步骤2的预处理。
步骤6.2:将空间数据流输入到训练好的深度重构模型中,得到重构数据流M′。
步骤6.3:按照步骤5.2的滑动窗口,以相同步长移动,按照式(9)计算每次滑动窗口移动到的M与M′的欧几里得距离τ。
步骤6.4:比较τ与δ的大小。如果τ>δ,则认为该滑动窗口停留的位置存在未知缺陷或组件,如果τ≤δ,则认为该滑动窗口停留的位置不存在未知缺陷或组件。
本发明的工作原理:
可采用三维漏磁检测装置来检测采集已知的管道缺陷或管道组件,漏磁检测装置检测后输出三维空间数据;将不同的采样时刻检测采集的已知的管道缺陷或管道组件的三维空间数据作为样本数据,对自编码器神经网络模型和长短期记忆神经网络模型进行训练和测试,通过用自编码器(AE)提取基于传感器分布的空间特征,用长短期记忆(LSTM)网络提取时间特征。这样可分别提取其空间深度特征和时间深度特征。通过时空特征的提取对漏磁数据样本进行训练,完成对已知缺陷组件等的建模,实现对漏磁数据的重构。
将检测采集的已知的管道缺陷或管道组件的三维空间数据样本集中的一部分作为测试数据,输入训练完成的自编码器神经网络模型中,将自编码器神经网络模型的输出作为长短期记忆神经网络模型的输入,将长短期记忆神经网络模型的输出的三维空间数据与三维漏磁检测装置检测输出三维空间数据的差值作为判定待确定的管道缺陷或管道组件是否属于已知的管道缺陷或管道组件。可设测试样本集中某个已知的管道缺陷或管道组件的空间数据为A,将A输入自编码器神经网络模型,可设自编码器神经网络模型输出的空间数据为B;将B输入长短期记忆神经网络模型,可设长短期记忆神经网络模型输出的空间数据为C;可设A与C的差为该已知的管道缺陷或管道组件的判断阈值P;
采用三维漏磁检测装置来检测采集待确认的管道缺陷或管道组件,漏磁检测装置检测后输出三维空间数据;将检测采集的待确认的管道缺陷或管道组件的三维空间数据输入训练完成的自编码器神经网络模型中,将自编码器神经网络模型的输出作为长短期记忆神经网络模型的输入,将长短期记忆神经网络模型的输出的三维空间数据与三维漏磁检测装置检测后输出三维空间数据的差值,与已知的管道缺陷或管道组件的判断阈值P进行比较,若大于阈值则认为该位置为未知缺陷或组件。可将检测采集的待确认的管道缺陷或管道组件的空间数据设为E,将E输入自编码器神经网络模型,可设自编码器神经网络模型输出的空间数据为F;将F输入长短期记忆神经网络模型,可设长短期记忆神经网络模型输出的空间数据为G;如果G与E的差大于判断阈值P,则可判断待确认的管道缺陷或管道组件不属于该已知的管道缺陷或管道组件。通过自编码器神经网络模型和长短期记忆神经网络模型对实测数据进行重构,对比重构前后的数据差,并与确定的阈值进行比较,来确定其是否存在未知缺陷或组件。
自编码器神经网络模型是一种无监督的深度神经网络,它的学习目标是输出与输入相同的信号,其间提取数据的主要特征,实现空间特征提取和数据降维等功能。自编码器包括编码器和解码器两个部分,其结构如附图2所示。编码器部分可以输出提取后的空间特征,解码器部分则输出重构后的数据。
长短期记忆神经网络模型(英文缩写LSTM)是一种时间循环神经网络,解决了循环神经网络(英文缩写RNN)存在的长期依赖问题。LSTM与传统的RNN结构类似,但内部结构却不同。它包含细胞更新状态和三种门,分别是遗忘门、输入门和输出门,其结构如附图3所示。LSTM能够利用先前时刻的数据,提取时间特征,避免了梯度消失问题,实现了对之后数据的预测。
本发明可充分利用不同传感器部分的空间特征和采样点前后的时间特征对已知平滑数据、缺陷以及组件进行建模,建立起对已知数据的重构模型。
以上所述的实施例仅用于说明本发明的技术思想及特点,其目的在于使本领域内的技术人员能够理解本发明的内容并据以实施,不能仅以本实施例来限定本发明的专利范围,即凡本发明所揭示的精神所作的同等变化或修饰,仍落在本发明的专利范围内。
Claims (7)
1.一种基于深度时空特征的管道缺陷及管道组件的检测方法,其特征在于,该方法包括如下具体步骤:
步骤1:搭建由自编码器神经网络模型和长短期记忆神经网络模型组合而成的组合神经网络模型,并使自编码器神经网络模型的输出成为长短期记忆神经网络模型的输入;采用漏磁检测装置采集试验场管道缺陷及管道组件的三维空间数据,提取试验场管道漏磁数据的三维空间数据,选取带有常规缺陷和组件的数据,构建管道缺陷及管道组件的时序空间数据样本集;设训练样本集中的数据为D,设测试样本集中的数据为T;数据D用于训练组合神经网络模型,数据T用于计算阈值参数;
步骤2:分别对训练样本集和测试样本集的数据进行滤波去噪及基线校正预处理;
步骤3:用训练样本集中的数据D对自编码器神经网络模型进行训练;对漏磁数据按照传感器分布移动滑动窗口,训练自编码器神经网络模型,提取空间特征,实现对训练样本集中的数据D的重构;
步骤4:对训练样本集中的数据D的重构后的数据,按照时间变化移动滑动窗口,训练长短期记忆神经网络模型,提取时间特征,实现对后续数据的预测;
步骤5:将测试样本集中的数据T输入到训练好的组合神经网络模型中,对比重构后的数据与T的差,确定判定阈值;
步骤6:将检测采集的待确认的管道缺陷或管道组件的空间数据输入到训练好的组合神经网络模型中,采用组合神经网络模型的输出来重构管道缺陷或管道组件的空间数据;计算重构后数据与输入数据的差值,通过阈值判定其是否为未知缺陷;
所述步骤3包括以下步骤:
步骤3.1:对采用漏磁检测装置采集的漏磁数据流进行分段,每段的长度分为n,要求n大于多倍的平均已知缺陷长度;
步骤3.2:选取一定大小的移动窗体按照漏磁检测传感器分布的方向,按照一定步长移动,滑动取完一段数据,对下一段数据以相同的滑动窗口选取数据;把每次滑动窗口选取的数据展开成为一个行向量作为一个训练数据;
步骤3.3:将数据输入到自编码器神经网络模型中,训练自编码器神经网络模型;
所述步骤4包括以下步骤:
步骤4.1:对Y进行重新构建;重叠部分取平均值,将Y重构成信号流X′;
步骤4.2:对每个漏磁检测传感器的数据按照时间变化,选取合适大小的滑动窗口,按照一定的时间步长选取数据;
步骤4.3:每次滑动窗口选取的数据作为长短期记忆神经网络模型的一次训练数据,训练长短期记忆神经网络模型;
所述步骤5包括以下步骤:
步骤5.1:将数据流T输入到训练好的基于时空特征的重构模型中,得到重构后的数据流T′;
步骤5.2:选取一定大小的滑动窗口,以固定步长移动,计算每次滑动窗口移动到的位置的T与T′的欧几里得距离,如式(9)所示:
L=||T-T′||2 (9)
步骤5.3:选取最大的三十个L值,应用3σ准则去除离群点,对不是离群点的数据求平均值,得到的平均值即为阈值δ;
所述步骤6包含以下步骤:
步骤6.1:提取实测海底管道漏磁数据的空间数据M,对其进行步骤2的预处理;
步骤6.2:将空间数据流输入到训练好的深度重构模型中,得到重构数据流M′;
步骤6.3:按照步骤5.2的滑动窗口,以相同步长移动,按照式(9)计算每次滑动窗口移动到的M与M′的欧几里得距离τ;
步骤6.4:比较τ与δ的大小;如果τ>δ,则认为该滑动窗口停留的位置存在未知缺陷或组件,如果τ≤δ,则认为该滑动窗口停留的位置不存在未知缺陷或组件。
2.根据权利要求1所述的基于深度时空特征的管道缺陷及管道组件的检测方法,其特征在于,设测试样本集中某个已知的管道缺陷或管道组件的空间数据为A,将A输入自编码器神经网络模型,设自编码器神经网络模型输出的空间数据为B;将B输入长短期记忆神经网络模型,设长短期记忆神经网络模型输出的空间数据为C;设A与C的欧几里得距离为该已知的管道缺陷或管道组件的判断阈值P;将检测采集的待确认的管道缺陷或管道组件的空间数据设为E,将E输入自编码器神经网络模型,设自编码器神经网络模型输出的空间数据为F;将F输入长短期记忆神经网络模型,设长短期记忆神经网络模型输出的空间数据为G;如果G与E的欧几里得距离大于判断阈值P,则判断待确认的管道缺陷或管道组件不属于该已知的管道缺陷或管道组件。
3.根据权利要求1所述的基于深度时空特征的管道缺陷及管道组件的检测方法,其特征在于,构建管道缺陷及管道组件的时序空间数据样本集的方法为:在实验场所并模拟工况条件下,采用漏磁检测装置定期或不定期地检测采集已知的管道缺陷及管道组件的空间数据,由检测采集的空间数据来构建管道缺陷及管道组件的时序空间数据样本集。
4.根据权利要求1所述的基于深度时空特征的管道缺陷及管道组件的检测方法,其特征在于,采用不同传感器来检测采集已知的管道缺陷及管道组件的空间数据。
5.根据权利要求1所述的基于深度时空特征的管道缺陷及管道组件的检测方法,其特征在于,在训练及测试组合神经网络模型前,将时序空间数据样本集的数据依次通过中值滤波和基线校正处理。
6.根据权利要求1所述的基于深度时空特征的管道缺陷及管道组件的检测方法,其特征在于,将检测采集的待确认的管道缺陷或管道组件的空间数据先进行中值滤波和基线校正处理,然后输入至训练完成的组合神经网络模型。
7.根据权利要求1所述的基于深度时空特征的管道缺陷及管道组件的检测方法,其特征在于,将时序数据样本集的80%作为测试样本集,将其余20%作为训练样本集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010517390.5A CN111815561B (zh) | 2020-06-09 | 2020-06-09 | 一种基于深度时空特征的管道缺陷及管道组件的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010517390.5A CN111815561B (zh) | 2020-06-09 | 2020-06-09 | 一种基于深度时空特征的管道缺陷及管道组件的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111815561A CN111815561A (zh) | 2020-10-23 |
CN111815561B true CN111815561B (zh) | 2024-04-16 |
Family
ID=72844875
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010517390.5A Active CN111815561B (zh) | 2020-06-09 | 2020-06-09 | 一种基于深度时空特征的管道缺陷及管道组件的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111815561B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113160210A (zh) * | 2021-05-10 | 2021-07-23 | 深圳市水务工程检测有限公司 | 基于深度相机的排水管道缺陷检测方法及装置 |
CN113899809B (zh) * | 2021-08-20 | 2024-02-27 | 中海石油技术检测有限公司 | 基于cnn分类和rnn预测的管道内检测器定位方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103033567A (zh) * | 2012-12-31 | 2013-04-10 | 江苏大学 | 一种基于导波的管道缺陷信号识别方法 |
CN104034794A (zh) * | 2014-06-12 | 2014-09-10 | 东北大学 | 一种基于极限学习机的管道漏磁缺陷检测方法 |
CN106018545A (zh) * | 2016-06-29 | 2016-10-12 | 东北大学 | 一种基于Adaboost-RBF协同的管道缺陷漏磁反演方法 |
CN109063762A (zh) * | 2018-07-23 | 2018-12-21 | 昆明理工大学 | 一种基于dt-cwt和s4vm的管道堵塞故障识别方法 |
CN109375609A (zh) * | 2018-10-18 | 2019-02-22 | 北京鼎力信安技术有限公司 | 异常攻击的检测方法及装置 |
CN109615019A (zh) * | 2018-12-25 | 2019-04-12 | 吉林大学 | 基于时空自动编码器的异常行为检测方法 |
CN109886433A (zh) * | 2019-02-01 | 2019-06-14 | 常州大学 | 智能识别城市燃气管道缺陷的方法 |
CN109948117A (zh) * | 2019-03-13 | 2019-06-28 | 南京航空航天大学 | 一种对抗网络自编码器的卫星异常检测方法 |
CN110188774A (zh) * | 2019-05-27 | 2019-08-30 | 昆明理工大学 | 一种基于深度学习的电涡流扫描图像分类识别方法 |
CN110347192A (zh) * | 2019-06-17 | 2019-10-18 | 武汉理工大学 | 基于注意力机制和自编码器的玻璃炉温智能预测控制方法 |
CN110728654A (zh) * | 2019-09-06 | 2020-01-24 | 台州学院 | 一种基于深度残差神经网络的管道自动检测和分类方法 |
CN110942100A (zh) * | 2019-11-29 | 2020-03-31 | 山东大学 | 一种基于深度去噪神经网络的空间调制系统的工作方法 |
CN111080001A (zh) * | 2019-12-09 | 2020-04-28 | 华北电力大学 | 一种应用于风电场风速的深度神经网络预测方法 |
CN111222677A (zh) * | 2019-10-22 | 2020-06-02 | 浙江运达风电股份有限公司 | 一种基于长短期记忆时间神经网络的风速预测方法及系统 |
-
2020
- 2020-06-09 CN CN202010517390.5A patent/CN111815561B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103033567A (zh) * | 2012-12-31 | 2013-04-10 | 江苏大学 | 一种基于导波的管道缺陷信号识别方法 |
CN104034794A (zh) * | 2014-06-12 | 2014-09-10 | 东北大学 | 一种基于极限学习机的管道漏磁缺陷检测方法 |
CN106018545A (zh) * | 2016-06-29 | 2016-10-12 | 东北大学 | 一种基于Adaboost-RBF协同的管道缺陷漏磁反演方法 |
CN109063762A (zh) * | 2018-07-23 | 2018-12-21 | 昆明理工大学 | 一种基于dt-cwt和s4vm的管道堵塞故障识别方法 |
CN109375609A (zh) * | 2018-10-18 | 2019-02-22 | 北京鼎力信安技术有限公司 | 异常攻击的检测方法及装置 |
CN109615019A (zh) * | 2018-12-25 | 2019-04-12 | 吉林大学 | 基于时空自动编码器的异常行为检测方法 |
CN109886433A (zh) * | 2019-02-01 | 2019-06-14 | 常州大学 | 智能识别城市燃气管道缺陷的方法 |
CN109948117A (zh) * | 2019-03-13 | 2019-06-28 | 南京航空航天大学 | 一种对抗网络自编码器的卫星异常检测方法 |
CN110188774A (zh) * | 2019-05-27 | 2019-08-30 | 昆明理工大学 | 一种基于深度学习的电涡流扫描图像分类识别方法 |
CN110347192A (zh) * | 2019-06-17 | 2019-10-18 | 武汉理工大学 | 基于注意力机制和自编码器的玻璃炉温智能预测控制方法 |
CN110728654A (zh) * | 2019-09-06 | 2020-01-24 | 台州学院 | 一种基于深度残差神经网络的管道自动检测和分类方法 |
CN111222677A (zh) * | 2019-10-22 | 2020-06-02 | 浙江运达风电股份有限公司 | 一种基于长短期记忆时间神经网络的风速预测方法及系统 |
CN110942100A (zh) * | 2019-11-29 | 2020-03-31 | 山东大学 | 一种基于深度去噪神经网络的空间调制系统的工作方法 |
CN111080001A (zh) * | 2019-12-09 | 2020-04-28 | 华北电力大学 | 一种应用于风电场风速的深度神经网络预测方法 |
Non-Patent Citations (4)
Title |
---|
基于三轴漏磁与电涡流检测的管道内外壁缺陷识别方法;王少平 等;《控制工程》;572-578 * |
基于自编码器和循环神经网络的短期风电功率预测研究;姚添和;《中国优秀硕士学位论文全文数据库 工程科技II辑》;C042-1540 * |
基于自编码器的分组光网络监测数据分析与优化方法研究;赵星 等;《信息通信技术与政策》;51-56 * |
管道漏磁内检测信号的自适应成像算法研究;王增国 等;《石油工程建设》;5-9 * |
Also Published As
Publication number | Publication date |
---|---|
CN111815561A (zh) | 2020-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106950276B (zh) | 一种基于卷积神经网络的管道缺陷深度的反演方法 | |
US11562224B2 (en) | 1D-CNN-based distributed optical fiber sensing signal feature learning and classification method | |
CN113076975A (zh) | 一种基于无监督学习的大坝安全监测数据异常检测方法 | |
CN110879253B (zh) | 一种基于改进长短时记忆网络的钢轨裂纹声发射信号检测方法 | |
CN111815561B (zh) | 一种基于深度时空特征的管道缺陷及管道组件的检测方法 | |
CN111861272B (zh) | 一种基于多源数据的复杂机电系统异常状态检测方法 | |
CN111367959B (zh) | 一种零时滞非线性扩展Granger因果分析方法 | |
CN111880158A (zh) | 一种基于卷积神经网络序列分类的雷达目标检测方法及系统 | |
Wang et al. | Prediction model of natural gas pipeline crack evolution based on optimized DCNN-LSTM | |
CN114548375B (zh) | 基于双向长短期记忆神经网络的斜拉桥主梁动挠度监测方法 | |
CN111753776B (zh) | 基于回声状态与多尺度卷积联合模型的结构损伤识别方法 | |
Zhang et al. | Data recovery of magnetic flux leakage data gaps using multifeature conditional risk | |
CN108009566A (zh) | 一种时空窗口下的改进型pca损伤检测方法 | |
CN116486305B (zh) | 一种基于图像识别的深海悬浮颗粒物浓度预测方法 | |
CN110555235A (zh) | 基于向量自回归模型的结构局部缺陷检测方法 | |
CN113901927B (zh) | 一种基于流场压力时程的水下物体外形识别方法 | |
CN116304912A (zh) | 一种基于深度学习transformer神经网络的传感器气体浓度检测方法 | |
Yuksel et al. | A novel cascaded deep learning model for the detection and quantification of defects in pipelines via magnetic flux leakage signals | |
CN112215495B (zh) | 一种基于长短时记忆神经网络的污染源贡献度计算方法 | |
Giglioni et al. | Deep autoencoders for unsupervised damage detection with application to the Z24 benchmark bridge | |
CN115184054B (zh) | 机械设备半监督故障检测分析方法、装置、终端及介质 | |
CN115455838A (zh) | 一种面向时程数据的高空间分辨率流场重构方法 | |
Li et al. | Outlier identify based on BP neural network in dam safety monitoring | |
Liu et al. | A sudden fault detection network based on Time-sensitive gated recurrent units for bearings | |
Bono et al. | An approach based on convolutional autoencoder for detecting damage location in a mechanical system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |