【技术实现步骤摘要】
基于CNN分类和RNN预测的管道内检测器定位方法
[0001]本专利技术涉及一种管道内检测器定位方法，特别涉及一种基于CNN分类和RNN预测的管道内检测器定位方法。
技术介绍
[0002]目前，随着世界经济的飞速发展，石油资源逐渐成为当今世界最重要的能源和化工原料。这种现实情况迫使石油的运输成了当下热议的话题。目前，石油资源的运输主要包括四种方式：铁路运输、公路运输、水运以及管道运输。其中石油的管道运输在国民经济和国防建设领域中发挥着越来越大的作用。随着我国管道总里程的迅速增长，管道腐蚀、人工破坏和老化开裂的现象频频发生，造成巨大的经济损失的同时，也对环境造成严重的污染。目前应用最广泛的检测方法是使用管道内检测器进行管道巡检的漏磁检测方法，而内检测器管外定位技术又是管道检测系统中极为重要的组成部分。
[0003]不同的管道内检测器定位方法有不同的优缺点和适用范围。通过对比和分析多种国内外基于不同原理进行管道内检测器定位的技术，可以发现虽然这些技术都能够实现内检测的定位，但它们在实际应用中都具有一定的局限性。目前，我国...
【技术保护点】
【技术特征摘要】
1.一种基于CNN分类和RNN预测的管道内检测器定位方法，其特征在于，对原始管道振动信号样本进行归一化和分类截取预处理，得到预处理样本集，然后对预处理样本集进行降噪处理及特征提取，得到训练样本集；建立CNN模型，用于对管道振动信号进行分类识别；建立RNN模型，用于对已分类识别的管道振动信号进行管道内检测器的位置预测；采用训练样本集对CNN模型进行训练，由完成训练的CNN模型对训练样本集进行分类识别，得到已分类识别的训练样本集；采用已分类识别的训练样本集对RNN模型进行训练；将实时采集的管道振动信号，依次经过均已完成训练的CNN模型和RNN模型处理，得到管道内检测器的定位数据。2.根据权利要求1所述的基于CNN分类和RNN预测的管道内检测器定位方法，其特征在于，该方法包括如下步骤：步骤1，提取管道信号的原始数据作为原始数据样本集，对原始数据样本集进行归一化及校正处理；依据工况类别对处理后的原始数据样本集进行分类截取，得到样本集A；步骤2，用小波包分解
‑
软阈值的方法对样本集A进行降噪处理，得到样本集A1；对样本集A进行时频域特征提取，得到信号特征样本集A2；对样本集A进行能量谱特征提取得到信号能量谱特征样本集A3；步骤3，构建CNN模型对样本集进行分类识别，将A1、A2、A3作为CNN模型的输入；步骤4，构建RNN模型预测管道内检测器过球时刻，将CNN模型的输出作为RNN模型的输入；步骤5，从样本集A1、A2、A3中各对应选取一部分作为训练样本集，将其余的部分作为测试样本集；用训练样本集训练CNN模型及RNN模型；用测试样本集测试CNN模型及RNN模型；步骤6，按照步骤2中处理样本集A的方法，对实时采集的管道振动信号进行处理；将处理后的数据依次经过训练完成的CNN模型及RNN模型，得到管道内检测器过球时刻。3.根据权利要求2所述的基于CNN分类和RNN预测的管道内检测器定位方法，其特征在于，步骤1中，采用滑动且叠加的时间窗，对管道振动信号进行数据提取；采用Z
‑
score标准化的方法，对数据样本集进行归一化；用中值校正方法对数据样本集进行校正处理。4.根据权利要求2所述的基于CNN分类和RNN预测的管道内检测器定位方法，其特征在于，步骤2中，设样本集A＝[X
i1
；X
i2
；
…
X
ig
…
；X
iM
]；其中i为工况类别；X
ig
为第i类数据样本集的第g个数据；M为样本数量；用小波包分解
‑
软阈值的方法进行降噪处理；得到t
×
t的小波包模均值矩阵用Markov方法进行特征提取；得到t
×
t的矩阵用Markov方法提取能量谱特征，得到t
×
t的系数时频图其中t
×
t＝M。5.根据权利要求4所述的基于CNN分类和RNN预测的管道内检测器定位方法，其特征在于，用小波包分解
‑
软阈值的方法对样本集A进行降噪处理的具体方法如下：对信号进行基
于db7的3层小波包分解；并对小波包分解系数进行逆小波重构。6.根据权利要求4所述的基于CNN分类和RNN预测的管道内检测器定位方法，其特征在于，步骤2包括如下分步骤：步骤A1，Markov链上下边界的选取：B、A分别表示窗体的上边界、下边界；其中表示该数据段的均值，X
max
、X
...
【专利技术属性】
技术研发人员：蔡永桥，卢进，唐建华，倪先锋，魏海，赵可天，徐龙，王金榜，徐永杰，任长弘，
申请(专利权)人：中海石油技术检测有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。