基于WS-LSTM的海底管道剩余壽命預測

劉 穎，麻柳影，王立凡

(天津科技大學人工智能學院，天津300457)

海底管道是實現海上油氣資源遠距離運輸的最便捷和最經濟的方式，然而海洋環境復雜，各種因素對海底管道存在不同程度的損傷[1-4]．腐蝕是造成海底管道損傷的重要因素[5]．由腐蝕造成的海底管道失效，不僅會導致財產損失和環境破壞，嚴重時還會威脅到管道人員的生命[6-7]．因此，對腐蝕狀態下的海底管道進行剩余壽命預測，不僅能夠了解海底管道的健康狀態，同時也有利于進行維修決策的計劃管理，避免資源和資金的浪費，使得海底管道能夠安全、穩定的運行．

目前，國內外學者對管道剩余壽命預測進行了深入研究．張新生等[8]利用灰色系統預測海底管道的腐蝕深度，使用Markov模型分析海底管道未來腐蝕狀態，預測其剩余壽命．王丹丹等[9]結合掛片法獲得的數據，推薦4種剩余壽命估算方法分析腐蝕發展模式對剩余壽命的影響．黨學博[10]基于灰色模型對管道內的均勻腐蝕和局部腐蝕進行了預測，并根據預測的結果計算出管道的極限內壓和剩余壽命．張東衛等[11]評估了腐蝕海底管道剩余強度和剩余壽命，并分析了其腐蝕原因．Teixeira等[12]、趙事等[13]、支希哲等[14]和Caleyo等[15]計算了內壓作用下腐蝕管道的可靠性以及預測其剩余壽命．

上述管道剩余壽命預測方法基本建立在數學模型的基礎上，部分還依賴專家的經驗和評估，且得到的精確度較低．本文為了提高海底管道剩余壽命預測精確度，嘗試將深度學習算法應用在海底管道剩余壽命的智能化預測上，提出基于WS-LSTM的剩余壽命預測方法．

1 基于WS-LSTM剩余壽命預測

基于WS-LSTM的剩余壽命預測，即基于小波變換(wavelet transform，WT)和堆疊自編碼器(stacked auto-encoder，SAE)的長短期記憶網絡(long shortterm memory network，LSTM)的剩余壽命預測方法．本文的創新點在于將WS-LSTM應用于海底管道并預測其剩余壽命．實驗結果表明，該方法可以緩解噪聲數據產生的影響，使得特征選擇快速進行，同時有效地避免了訓練過程中容易出現的梯度消失和梯度爆炸的問題．圖1為基于WS-LSTM的剩余壽命預測方法示意圖．

1.1 原始腐蝕數據預處理

本文使用小波變換對采集的腐蝕數據進行去噪處理，為了克服待測數據經過小波變換后特征維數較高的缺陷，進一步縮小數據之間的相似信息，故使用堆疊自編碼器進行特征選擇．

1.1.1 小波變換去噪

在實際工程中，因人員、設備和復雜環境的限制以及操作難度的影響，導致采集的腐蝕數據中往往摻雜噪聲數據．本文選擇使用小波閾值去噪法對采集到的腐蝕數據進行噪聲去除，從而降低噪聲數據對海底管道剩余壽命預測精確度的影響．

圖1 基于WS-LSTM的剩余壽命預測方法示意圖 Fig. 1 Schematic diagram of residual life prediction method based on WS-LSTM

小波變換去噪步驟如下：

(1)將含有噪聲的腐蝕數據表示為

其中：s(i)為采集的腐蝕數據，f(i)為去噪后的數據，e(i)為噪聲數據，n為測試集中腐蝕數據的總量．

(2)通過第一層小波分解，噪聲數據在cD1中，去噪后的數據在cA1中，第二層小波分解則把cA1中的數據分解到cA2和cD2中．經過第三層小波分解，噪聲數據在cD1、cD2、cD3中，去噪后的數據在cA1、cA2、cA3中．隨后，將小波分解后cD1、cD2、cD3中的噪聲數據適當地減小或者用0代替，以便更好地保留真實數據．對于小波閾值去噪法，傳統的閾值選擇法是每層的選擇方式相同，其可以表示為

但傳統的閾值選擇法會使經過小波變換去噪后被選擇下來的真實數據失去平滑性．因此，本文采用一種改進的閾值函數

式中：λ為閾值；di為進行閾值選擇的小波系數；ε為隨小波系數di變化的變量；N為常數．

(3)小波分解后的低頻數據信號與閾值量化過的高頻數據信號進行重構，以形成一個新的數據信號．

(4)對小波重構后的數據信號進行判斷，如果達到理想效果則結束，否則繼續進行小波變換．

1.1.2 堆疊自編碼器特征選擇

為了取得良好的預測結果以及防止過擬合問題的發生，本文采用堆疊自編碼器進行特征選擇．

堆疊自編碼器特征選擇步驟如下：

(1)將小波變換去噪后的腐蝕數據集作為訓練樣本進行歸一化處理，然后放入到自編碼器中進行編碼．由于每層的輸入和輸出都有不同的維度，因此選擇一個字典數據結構表示每層的權重、偏置和輸入．

(2)在訓練時不斷嘗試為每個自編碼器找到最優參數，并把上一層的輸出結果作為當前層的輸入，然后定義損失函數．最后，根據原始樣本和處理后樣本之間的差異，調整權重，直到迭代次數達到設定的迭代次數為止．

(3)對每個自編碼器進行批量預訓練，然后進行微調．在訓練時使用正常的樣本數據作為輸入，在微調時使用受損輸入．這樣不僅調整了權重，也使得輸入的樣本數據在堆疊自編碼器中進行了重構，進而使得誤差不斷減小．

1.2 LSTM預測模型

首先計算輸出層的預期結果與真實結果之間的誤差，然后通過鏈式法則逐層傳遞權值，使得誤差在輸出層到輸入層傳遞的過程中不斷地進行迭代修改，從而將誤差分攤給各層的所有單元，進而使得各層的連接權值在迭代過程中被進一步的修正． 如下為使用LSTM預測時信息在網絡中的傳遞過程．

(1)輸入的數據由遺忘門決定是否通過并由Sigmoid控制．即上一次的輸出數據和當前的輸入數據生成一個在(0，1)之間的數值，根據該數值決定上次訓練的數據是否通過．

(2)由輸入門決定上一次傳遞進來的數據哪些需要更新，由Sigmoid控制更新，使用Tanh將數據映射到(-1，1)之間，產生可能會放入Cell里的候選值．將更新后的新值和Cell里的候選值結合起來進行數據更新．

(3)輸入的數據經過Sigmoid的映射會產生一個新值，然后該新值通過Tanh再進行變換．將Sigmoid和Tanh得到的數值相乘，作為神經元的輸出結果．

2 海底管道剩余壽命計算

由于本文采用有監督的學習方式，而采集到的腐蝕數據集不包含海底管道的剩余壽命，因此需要計算其剩余壽命去訓練LSTM預測模型．本文采用剩余強度接受標準計算剩余壽命，即自檢測年度起，隨著時間的增長，當剩余強度等于最大允許運行壓力時，輸出終止服役的時間，即為海底管道的剩余壽命．

(1)結合海底管道的腐蝕速率，計算T時間后的腐蝕缺陷深度(dT)

其中：d0為檢測時的腐蝕缺陷深度；ccorr為預計腐蝕速率．

(2)通過長度方向上單獨的腐蝕速率計算T時間后的腐蝕缺陷長度(lT)，或者假定與深度成比例增長

或者

其中：l0為檢測時腐蝕缺陷長度；ccorr,length為預計長度方向上的腐蝕速率．

(3)通過(1)和(2)計算出T時間后的腐蝕缺陷深度和長度，即可得到剩余強度pcorr與時間Δ0T的關系曲線．該曲線與最大允許運行壓力曲線的交點所對應的時間為剩余壽命．圖2為pcorr與Δ0T的關系示意圖，其中pcorr表示管道的剩余強度，pint表示管道初始壓力，pmax表示最大允許運行壓力．

(4)按照上述步驟，對實測的不同管段分別進行計算并將最小值作為海底管道的剩余壽命．

圖2 pcorr與ΔT0的關系示意圖Fig. 2 Schematic diagram of relation between pcorrand ΔT 0

3 實驗過程

本文使用的腐蝕數據集來源于某管道公司，為2017年11月由某技術服務中心負責執檢并提供的數據．在正式檢測前，應用多種類型的清管設備于2017年11月進行了清管及測徑．在檢測過程中，沿著整條海底管道的走向進行探測、定位并測量尺寸，記錄檢測到的凹痕、橢圓度、環形焊縫、壁厚變化和管道其他裝置的特征，如三通和閥門．結果表明，該管道內沒有存在阻礙清管器運行的重大阻礙，記錄的絕大部分管道長度內的數據完整且有效，符合本實驗使用數據的要求．

采集的腐蝕數據集分別由17個維度組成，但這些數據中有些特征和剩余壽命的相關性不強，因此本文采用熱度圖并結合專家意見，選取其中5個特征作為剩余壽命的輸入量，見表1．

表1 海底管道剩余壽命預測輸入量Tab. 1 The input of submarine pipeline residual life prediction

采用WS-LSTM預測海底管道剩余壽命的實驗步驟如下：

(1)對空值數據進行處理以及對無效數據進行預處理，劃分訓練集和測試集．本文中將腐蝕數據集的80%作為訓練集，20%作為測試集．

(2)采用離散小波變換方法將腐蝕數據分為低頻和高頻信號，將高低頻的方差作為小波變換去噪的閾值，其中噪聲分量主要集中在小波解的細節分量(高頻)中．

(3)對去噪后的數據采用堆疊自編碼器進行特征選擇．將每一層的輸出當作原始信息，訓練一個新的自編碼器，得到新的特征表達．然后，逐層地學習原始數據的特征值，每一層都以低一層的表達為基礎．為防止過擬合問題，在每一層的輸出上使用L2正則化．

(4)初始化模型參數，包括生成LSTM的網絡權重和偏置．LSTM包含2層的LSTM單元，設定第一層LSTM單元數為10，第二層的LSTM單元數為5，將一個單一的神經單元的全連接層作為預測模型的輸出層，從輸出層得到的結果再經反歸一化得到最終的預測值，其中激活函數為Relu函數，并使用L2正則化防止梯度消失和梯度爆炸．

(5)將測試集數據輸入到訓練后的LSTM中，得到最終的預測結果．在整個訓練過程中，采用反向傳播算法并使用Adam算法進行梯度優化．

(6)輸入測試數據對模型進行檢測，將最后的預測結果進行反歸一化處理，驗證其預測及曲線擬合的效果．

4 實驗結果及分析

在本文中，使用平均絕對誤差(mean absolute error，MAE)和均方根誤差(root mean square error，RMSE)這兩個評價標準，對海底管道的剩余壽命的預測結果進行評價，MAE和RMSE越小，表明由該預測方法得出的預測結果的精確度越高．MAE與RMSE可表示為

其中：yi為i管段剩余壽命的真實值；為i管段使用WS-LSTM剩余壽命預測方法得到的預測值；n為測試集中的數據總量．

表2為基于WS-LSTM的剩余壽命預測方法及對比實驗的預測結果．圖3為某管道公司的海底管道使用WS-LSTM剩余壽命預測方法進行預測的結果．從精確度、均方根誤差和平均絕對誤差3個評估指標上進行比較，本文提出的WS-LSTM比單獨使用LSTM和GRU的預測結果更符合實際發生的情形．

表2 海底管道剩余壽命預測實驗結果Tab. 2 Experimental results of submarine pipeline residual life prediction

圖3 基于WS-LSTM的海底管道剩余壽命預測圖Fig. 3 Diagram of submarine pipeline residual life prediction based on WS-LSTM

5 結 語

通過與LSTM和GRU比較，使用WS-LSTM預測海底管道剩余壽命的方法不僅可以降低噪聲數據的影響，還能夠在保持其特征不變的情況下抓住數據的特點，使得海底管道剩余壽命預測精確度得到進一步的提升，能夠有效彌補傳統剩余壽命預測方法的不足．