基于棧式自編碼網絡的復雜工況管道故障診斷方法研究

沈偉偉

摘 要：目前管道系統的不確定和復雜性不斷增大，以往基于模型以及管道拓撲結構的診斷方法已經不能滿足實際需求，對輸油管道的泄漏故障診斷精度及效率并不能達到預期目標。因此，針對管道工況任務復雜且多變，且數據量大的情況，需要應用數據驅動的方式進行管道建模，并且在分析原始數據的基礎上，挖掘數據的潛在特征，以此進行管道泄漏故障診斷。

關鍵詞：管道系統;故障診斷;復雜工況;數據驅動

中圖分類號：TH133.3 文獻標識碼：A 文章編號：1671-2064（2019）13-0153-02

1 管道故障診斷的具體闡述

隨著目前管道系統日益多變且復雜的工況任務，以及設備量增加所造成的管道系統數據量驟增，管道系統的不確定和復雜性也不斷增大。所以，如何解決復雜工況條件下數據量驟增的管道泄漏故障診斷問題成為當務之急。自編碼網絡是一種非監督學習領域中的一種網絡結構，其可以從無標簽的樣本中學習特征，是一種基于對輸入信號重構的一種神經網絡，自編碼網絡可以提取出比原始數據更好的特征描述，具有較強的特征學習能力。相比傳統方法，基于深度學習的管道故障診斷方法可以避免傳統建模在復雜工況條件下對管道物理系統描述不足的弊端，并且管道故障診斷實際為多分類的問題，結合當前管道工況任務復雜與數據量大的特點，所以深度網絡適用于現有管道泄漏故障診斷的研究。

綜上所述，本文提出了一種基于棧式自編碼網絡的管道泄漏故障診斷方法，用以實現復雜工況條件下的管道故障診斷。

2 基于棧式自編碼網絡的管道故障診斷模型

2.1 管道泄漏檢測模型

在管道泄漏檢測模型中，主要包含輸入原始數據、數據處理、特征提取、分類模型以及輸出最終預測結果五部分。

其中數據處理部分主要包含以下六部分：

（1）利用小波濾波方法對壓力與流量序列進行濾波去噪，并在濾波降噪處理后進行數據標準化處理。

（2）由于壓力流量數據存在一定的相關性，所以利用KPCA對壓力、流量時間序列進行約減，構成約減后的時間序列矩陣。

（3）同時，為體現壓力、流量數據之間的時間相關性，計算步驟（2）中約減后時間序列中各個變量的DTW距離，構成變量間距離矩陣。

（4）同理，同一時間閥門、泵機組的動作也存在一定相關性，且同一時間所有設備并不同時動作，換言之，同時刻只有部分設備動作對管道狀態產生影響，所以利用KPCA對閥門、泵機組時間序列進行約減，構成約減后的時間序列矩陣。

（5）同理，計算步驟（4）中約減后時間序列中各個變量的DTW距離，構成變量間距離矩陣。

（6）將以上步驟形成的矩陣與向量進行組合，結合管線長度、直徑、油品溫度，形成最終的一維向量形式數據。

2.2 管道泄漏定位模型

在管道泄漏定位模型中，管線其他數據與泄漏點位置不相關，所以僅適用管線兩端壓力數據、溫度數據、管線長度、直徑作為網絡模型的輸入數據。

其中數據處理主要包含以下兩個部分：

（1）利用小波濾波方法對壓力與流量序列進行濾波去噪，并進行數據標準化處理。

（2）將壓力數據、管線長度、直徑、油品溫度，形成一維向量形式數據。

3 基于棧式自編碼網絡的管道故障診斷算法設計

3.1 基于棧式自編碼網絡的管道故障診斷模型訓練

將所有自編碼器級聯形成棧式自編碼網絡，首先使用訓練好的自編碼器參數初始化棧式自編碼網絡參數，然后利用管道故障樣本對棧式自編碼網絡進行訓練，其采用與自編碼器相似的訓練方式進行訓練。

自編碼器的損失函數中的標簽實際為其自身的輸入值，而級聯后形成的棧式自編碼網絡的樣本標簽為真實的管道數據標簽，即管道的運行狀態與管道泄漏點的位置，其中，管道泄漏檢測模型訓練樣本的標簽為：管道泄漏，工況調整，正常運行;自編碼網絡的參數初始化并不需要隨機初始化，而是利用自編碼器訓練好的參數作為棧式自編碼網絡的參數初始值。

3.2 基于棧式自編碼網絡的管道故障診斷算法

訓練完成基于棧式自編碼網絡的管道泄漏故障診斷模型后，再利用該模型進行管道泄漏故障檢測與泄漏點定位。首先，依照所述的數據處理方法，對輸入數據進行處理，并形成管道故障診斷樣本。然后，利用管道泄漏故障檢測模型，對管道運行狀態進行監測。在檢測到管道發生泄漏故障時，再利用管道泄漏定位模型對管道泄漏點的位置進行定位。最終，模型輸出管道是否發生泄漏故障，以及發生泄漏時泄漏點的具體位置，以此實現管道泄漏故障的實時診斷功能。

4 仿真分析

為驗證本文設計的管道故障診斷算法的有效性，本文采用真實管道數據進行實驗仿真。輸油站場的數據采樣頻率為10Hz，在進行管道泄漏故障診斷過程中，根據輸油現場實際泄漏故障情況，本文采用2min做為管道泄漏樣本時長。針對所設計的管道故障診斷模型，管道樣本分為有標簽樣本和無標簽樣本兩種，經過預處理后的數據組成輸入樣本，泄漏檢測模型輸入樣本維度為：1*2400;泄漏定位模型輸入的樣本維度為：1*1200。

針對所設計的管道故障診斷模型，管道樣本分為有標簽樣本和無標簽樣本兩種，泄漏檢測模型輸入樣本維度為：1*2400;泄漏定位模型輸入的樣本維度為：1*1200。自編碼器的特征表達能力如圖1所示。

針對管道泄漏檢測模型，本文采用模型分類的綜合F1-Measure與模型訓練時間模型效果進行衡量。首先，假設本文設計的管道泄漏檢測模型將管道運行狀態分為兩類：正類別與其他類別。由此假設，管道泄漏檢測模型結果可以分為三種：正常運行與其他類別、工況調整與其他類別、管道泄漏與其他類別。

針對管道泄漏定位模型，由于泄漏定位模型最終采用的是自編碼網絡與回歸模型相結合的方式，所以對于泄漏定位模型仍然使用均方誤差來衡量模型的定位效果，并且使用回歸曲線來定性的衡量泄漏定位模型的定位效果，效果圖如圖2所示。

5 結語

本文針對輸油管道工況日益復雜的情況，從多源管道數據的角度出發，提出了基于棧式自編碼網絡的復雜工況條件下的管道故障診斷方法。在復雜工況條件下，基于棧式自編碼網絡的管道泄漏檢測方法優勢尤為明顯。因為在該條件下，棧式自編碼網絡相對于其他方法能夠更好的擬合管道數據，并且從數據中提取有效的特征進行管道泄漏檢測，因此，相較于普通的機器學習算法和傳統的負壓波算法，其泄漏檢測準確率有非常顯著的提升。實驗結果表明，本文設計的基于棧式自編碼網絡的管道泄漏檢測方法在本次實驗管段上，復雜工況條件下泄漏檢測準確率達到94.75%，定位平均相對誤差可降至1.45%，管道故障診斷指標明顯優于其他方法。

參考文獻

[1] 許倩文，吉興全，張玉振，李軍，于永進.棧式降噪自編碼網絡在變壓器故障診斷中的應用[J].電測與儀表，2018，55（17）：62-67.

[2] 楊夢鐸，欒詠紅，劉文軍，李凡長.基于自編碼器的特征遷移算法[J].智能系統學報，2017，12（06）：894-898.

[3] 胡旭光，馬大中，孫秋野，王占山，李曉瑜.基于要素矩陣觸發的管道異常分布式檢測[J].控制理論與應用，2017，34（08）：1035-1045.

[4] 馬大中，胡旭光，孫秋野.基于大維數據驅動的油氣管網泄漏監控模糊決策方法[J].自動化學報，2017，43（08）：1370-1382.

[5] 劉金海，馮健.基于模糊分類的流體管道泄漏故障智能檢測方法研究[J].儀器儀表學報，2011，32（01）：26-32.

[6] 劉金海.基于混沌時間序列分析的輸油管道泄漏故障診斷方法研究[D].東北大學，2009.

[7] 馮健，張化光.管道監控技術現狀與發展趨勢[J].信息技術，2003（12）：41-43.