(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210729622.2 (22)申请日 2022.06.24 (71)申请人 广东粤海水务投资有限公司 地址 518000 广东省深圳市罗湖区黄贝街 道水库社区东湖二路68号粤海水务1 号楼整套 申请人 哈尔滨工业大 学水资源国家工程研 究中心有限公司 　 郑州大学 (72)发明人 郑成志　王晶惠　张文轩　武睿　 高新磊　孙国胜　 (74)专利代理 机构 成都东恒知盛知识产权代理 事务所 (特殊普通合伙) 51304 专利代理师 李英(51)Int.Cl. G06F 30/20(2020.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于LSTM的地下 管道寿命预测方法 (57)摘要 本发明公开了一种基于LSTM的地下管道寿 命预测方法， 包括如下步骤： 采集应变监测数据； 数据预处理， 得到正常的时间序列数据； 将时间 序列数据构造样本集， 划分为训练集和测试集； 将训练集数据输入到LS TM模型中进行迭代训练， 训练完成后保存模型， 将测试集数据输入到训练 好的LSTM模型中进行预测结果； 采用评估指标对 预测结果进行评价。 本发明采用LSTM神经网络对 地下排水管道的寿命进行预测。 首先对荷载作用 下管道上的应变数据进行监测； 然后采用3δ准 则和小波变换对 得到的监测数据进行预处理， 得 到平稳的数据序列； 进而采用长短期记忆网络模 型对数据进行训练， 使用Adam优化算法对网络进 行调整， 得出最优预测结果， 从而达到对其寿命 进行预测的目的。 权利要求书1页 说明书3页 附图2页 CN 115310258 A 2022.11.08 CN 115310258 A 1.一种基于LSTM的地下 管道寿命预测方法， 其特 征在于， 包括如下步骤： S1、 采集应 变监测数据； S2、 数据预处 理， 得到正常的时间序列数据； S3、 将时间序列数据构造样本集， 划分为训练集和 测试集； S4、 将训练集数据输入到LSTM模型中进行迭代训练， 训练完成后保存模型， 将测试集数 据输入到训练好的LSTM模型中进行 预测结果； S5、 采用评估指标对预测结果进行评价。 2.根据权利 要求1所述的基于LSTM的地下管道寿命预测方法， 其特征在于： 所述步骤S1 具体包括： S1.1、 将应 变片布置在管道的内壁和外壁， 包括承口、 插口以及管身的各个截面； S1.2、 在循环荷载的作用下， 利用应力 ‑应变仪采集各个监测点的应 变监测数据。 3.根据权利 要求1所述的基于LSTM的地下管道寿命预测方法， 其特征在于： 所述步骤S2 具体包括： S2.1、 对于步骤S1得到的应变监测数据中的异常值进行处理， 采用3δ准则对数据中的 粗大误差进行检测 和剔除； S2.2、 将异常值剔除过的数据采用小 波变换进行去噪处 理。 4.根据权利 要求1所述的基于LSTM的地下管道寿命预测方法， 其特征在于： 所述步骤S3 具体包括： S3.1、 训练集和 测试集按9： 1的比例分开， 其中训练集和 测试集分别为90％和10％； S3.2、 训练集包括训练输入trainX及目标输出trainY； 测试集包括测试输入testX及测 试输出testY 。 5.根据权利 要求1所述的基于LSTM的地下管道寿命预测方法， 其特征在于： 所述步骤S4 具体包括： S4.1、 将t rainX、 trainY输入LSTM模型进行训练， 得到训练输出 S4.2、 通过误差损失函数的计算， 得 出训练输出 和目标输出t rainY的差值； S4.3、 反向计算每个神经元的误差,使用Adam优化算法对LSTM网络权重参数进行调整 和更新， 对网络进行迭代训练； S4.4、 将测试集数据输入到训练好的LSTM模型中进行 预测结果。 6.根据权利要求5所述的基于LSTM的地下管道寿命预测方法， 其特征在于： 所述步骤 S4.3中， 对网络进 行迭代训练， 当模 型训练到每一次迭代损失误差不再下降时， 或已达到最 大迭代次数时， 保存权 重参数和模型。 7.根据权利要求1所述的基于LSTM的地下管道寿命预测方法， 其特征在于： 所述评估指 标具体包括均方根 误差值。 8.根据权利要求1或5所述的基于LSTM的地下管道寿命预测方法， 其特征在于： 所述 LSTM模型包括输入层、 LSTM层、 全连接层、 输出层； 所述训练集数据依次通过输入层、 LSTM 层、 全连接层、 输出层。权　利　要　求　书 1/1 页 2 CN 115310258 A 2一种基于LSTM的地下管道寿命 预测方法 技术领域 [0001]本发明涉及管道寿命预测技术领域， 具体涉及一种基于LSTM的地下管道寿命预测 方法。 背景技术 [0002]城市地下排水管网是市政基础设施中的重要组成部分， 在人们的日常生活中起着 必不可少的作用， 是维持城市环境清洁的重要保障。 近年来， 由于城市化进程的不断加快， 城市不透水铺装覆盖率显著增加， 加上气候条件的变化， 导致城市雨洪灾害频发。 研究发 现， 城市内涝不仅由极端天气和日益增长的城市化进程引起， 也可由设备故障， 管道堵塞与 腐蚀等内部原因引起。 随着管道使用年限的增长， 管段呈现出一些缺陷， 例如管道变形、 堵 塞、 渗漏、 坍塌等。 因此对排水 管道寿命进行 预测至关重要。 [0003]现有的对管道寿命进行预测的方法主要包括电化学理论、 剩余强度、 可靠性理论 和数学物理方法等。 电化学理论方法现场试验数据获取简单， 但适用于管道内部发生均匀 腐蚀， 剩余 强度一般适用于评价低钢级、 超期服役管道的单一型缺陷， 可靠性 强度需要全面 齐全的数据参数才能实现较高预测精度， 现有的数学物理方法需要各种 试验数据， 预测方 法精度有待提高。 管道长期在污水的冲刷下， 内部出现各种损伤， 导致使用寿命受到影响， 已有的方法存在各种局限性且预测精度有待提高， 因此需要一种更好的方法对管道寿命进 行预测。 发明内容 [0004]为解决现有技术中存在的问题， 本 发明提供了一种基于LSTM的地下管道寿命预测 方法， 预测精度高， 解决了上述背景技 术中提到的问题。 [0005]为实现上述目的， 本发明提供如下技术方案： 一种基于LSTM的地下管道寿命预测 方法， 包括如下步骤： [0006]S1、 采集应 变监测数据； [0007]S2、 数据预处 理， 得到正常的时间序列数据； [0008]S3、 将时间序列数据构造样本集， 划分为训练集和 测试集； [0009]S4、 将训练集数据输入到LSTM模型中进行迭代训练， 训练完成后保存模型， 将测试 集数据输入到训练好的LSTM模型中进行 预测结果； [0010]S5、 采用评估指标对预测结果进行评价。 [0011]优选的， 所述 步骤S1具体包括： [0012]S1.1、 将应 变片布置在管道的内壁和外壁， 包括承口、 插口以及管身的各个截面； [0013]S1.2、 在循环荷载的作用下， 利用应力 ‑应变仪采集各个监测点的应 变监测数据。 [0014]优选的， 所述 步骤S2具体包括： [0015]S2.1、 对于步骤S1得到的应变监测数据中的异常值进行处理， 采用3δ准则对数据 中的粗大误差进行检测 和剔除；说　明　书 1/3 页 3 CN 115310258 A 3