基于聲發(fā)射和長短時記憶神經(jīng)網(wǎng)絡的端對端燃氣高壓調(diào)壓器故障診斷

王玉玲，陳濤濤，李紅浪

（1.中國科學院大學，北京 100049；2.中國科學院聲學研究所，北京 100190；3.北京燃氣集團有限責任公司，北京 100011；4.中國科學院納米科學卓越創(chuàng)新中心，國家納米科學中心，北京 100190）

0 引 言

隨著燃氣供應規(guī)模的不斷擴大，燃氣管網(wǎng)已經(jīng)遍布城市的各個角落，燃氣調(diào)壓器作為燃氣管網(wǎng)系統(tǒng)中的關(guān)鍵設備之一，它的穩(wěn)定可靠運行是安全供應燃氣的重要保障[1-3]。當調(diào)壓器出現(xiàn)故障無法正常運行時，下游會出現(xiàn)氣壓不足、不穩(wěn)等問題，在得不到有效控制的情況下，會持續(xù)惡化導致火災、爆炸、中毒等事故發(fā)生，因此，快速實時地對調(diào)壓器進行故障診斷具有重要的意義[4-5]。

故障檢測、故障類型判斷、故障定位及故障修復均屬于故障診斷技術(shù)[6]。故障診斷方法主要包括：（1）基于數(shù)學模型的故障診斷方法，系統(tǒng)故障采用參數(shù)估計法進行判別與分析[7]。（2）基于系統(tǒng)輸入輸出信號奇異性的故障診斷方法，通過對系統(tǒng)輸入輸出的信號進行預處理，消除噪聲和輸入突變，剩余的信號奇異點則對應系統(tǒng)故障[8]。（3）基于人工智能的故障診斷方法，其主要是應用于一些很難建立精確數(shù)學模型的復雜系統(tǒng)進行故障診斷[9]。劉瑤等提出利用聲發(fā)射技術(shù)對燃氣調(diào)壓器進行故障診斷，通過聲發(fā)射信號的奇異性來檢測高壓調(diào)壓器是否發(fā)生故障，但并沒有對調(diào)壓器的具體故障類型進行判斷[10]。

聲發(fā)射信號本質(zhì)上是一個時間序列[11]，如果能夠通過時域數(shù)據(jù)進行調(diào)壓器故障診斷，則更容易在實踐中應用。深度學習具有自動學習提取信號內(nèi)部特征的能力，在故障診斷研究方面可以得到很好的分類效果[12]。深度學習模型的優(yōu)勢在于具有優(yōu)良的特征提取能力，能夠直接利用時域聲發(fā)射信號進行燃氣調(diào)壓器的故障診斷，可以擺脫依賴人工進行特征選取的傳統(tǒng)方法的束縛[13]。理解長短期記憶（Long Short Term Memory,LSTM）是一種經(jīng)過改進的特殊循環(huán)神經(jīng)網(wǎng)絡（Recurrent Neural Networks,RNN），能夠解決RNN不能處理長距離依賴性的問題，挖掘潛在的時序信息進行計算得到預測值[14-16]。

因此，本文提出一種基于聲發(fā)射的LSTM端到端燃氣高壓調(diào)壓器故障診斷方法，直接利用聲發(fā)射時域信號對調(diào)壓器的運行狀態(tài)進行診斷。所建的基于聲發(fā)射的e2e-LSTM模型能夠有效提取聲發(fā)射信號的時間和空間特征，充分學習具有時序特性的故障信息，進一步提高燃氣高壓調(diào)壓器故障診斷率。

1 聲發(fā)射技術(shù)

聲發(fā)射（Acoustic Emission,AE）技術(shù)是一種檢測設備聲與振動信號的方法。聲發(fā)射本質(zhì)是一種機械波，是材料在一定應力作用后發(fā)生變形或裂紋擴展，材料局域快速釋放能量而產(chǎn)生瞬態(tài)彈性波的現(xiàn)象[17]。一般而言，聲發(fā)射信號十分微弱，該信號不能被人耳直接聽到，需要借助靈敏的傳感器才能探測到。聲發(fā)射源產(chǎn)生聲發(fā)射信號，材料在一定外力或者內(nèi)力作用下的形變或者斷裂是主要的聲發(fā)射源[18]。而與材料變形或斷裂無直接關(guān)系的彈性波源，如流體泄漏、物體撞擊、機械摩擦、燃燒等稱為二次聲發(fā)射源[19]。

因為長時間運行受到的閥座腐蝕損傷、彈簧疲勞、閥口磨損、閥口缺陷、筒壁氣蝕變薄等一些原因?qū)е抡{(diào)壓器運行異常。當調(diào)壓支路進、出口閥門全部開啟時，調(diào)壓器處于工作狀態(tài)。調(diào)壓器閥門開啟前后，閥口處巨大的壓力差導致內(nèi)部流體天然氣從閥口處噴涌而出，因此會產(chǎn)生波動壓力場，形成湍流，調(diào)壓器的聲發(fā)射信號主要來源于以下兩種原因：

（1）湍流或空氣動力學發(fā)聲：當天然氣從閥口噴涌而出時，高速流體天然氣突然減速或膨脹，從而產(chǎn)生湍流。它是聲發(fā)射信號產(chǎn)生的主要原因，其大小與流體天然氣速度、閥口大小、形狀等有關(guān)。

（2）機械振動發(fā)聲：閥體內(nèi)流體天然氣壓力產(chǎn)生的波動不規(guī)則，流體天然氣對閥筒、閥門彈性等部件的沖擊、擾動而產(chǎn)生振動，從而產(chǎn)生機械振動發(fā)聲，此振動模式產(chǎn)生的聲發(fā)射與金屬的拍擊聲相類似。

五種故障的產(chǎn)生和發(fā)展過程中，都會伴隨聲發(fā)射現(xiàn)象的產(chǎn)生。經(jīng)過實驗發(fā)現(xiàn)在高壓環(huán)境下，傳感器能夠監(jiān)測到聲信號的變化，調(diào)壓器聲發(fā)射信號是一種非平穩(wěn)連續(xù)型信號。五種故障情況如下：

（1）閥座損傷：燃氣中會含有60 mg·m-3～150 mg·m-3的硫，與鋼管發(fā)生化學反應后，生成硫化亞鐵后脫落為顆粒，沖擊閥座，造成閥座損傷；

（2）彈簧異常：彈簧疲勞縮短或變形，會導致調(diào)壓器關(guān)閉性能下降；

（3）閥口磨損：缺少潤滑油或O型圈硬化后出現(xiàn)的閥口磨損；

（4）筒壁氣蝕：閥筒進口或出口端外壁氣蝕嚴重，出現(xiàn)減薄現(xiàn)象；

（5）閥口缺陷：閥口處出現(xiàn)多處缺口。

2 基于聲發(fā)射的e2e-LSTM的故障診斷系統(tǒng)

2.1 基于聲發(fā)射的e2e-LSTM的故障診斷流程

本研究提出的基于聲發(fā)射的e2e-LSTM故障診斷模型流程如圖1所示。首先，對聲發(fā)射信號進行預處理，劃分得到訓練集和測試集；其次，構(gòu)建e2e-LSTM模型，通過訓練集數(shù)據(jù)對e2e-LSTM模型進行訓練，通過調(diào)整模型參數(shù)來優(yōu)化模型，當交叉閥值達到設定值時，結(jié)束訓練，保存訓練好的模型；最后將測試集輸入該模型，通過評價指標值是否接近最優(yōu)，輸出模型訓練結(jié)果。故障診斷率計算如公式1所示，對故障數(shù)據(jù)集進行學習并診斷故障類型：

2.2 聲發(fā)射預處理

燃氣調(diào)壓器由于其工作環(huán)境的特殊性，存在干擾噪聲，所以需要對采集的聲發(fā)射信號進行預處理。通過FFT確定噪聲的大致范圍，輸入信號時頻域波形圖如圖2所示，根據(jù)頻域波形可看出低頻干擾嚴重。1 Hz以下信號濾波后波形如圖3所示，濾波前后時域放大圖如圖4所示。

圖1 基于聲發(fā)射的e2e-LSTM故障診斷模型流程圖Fig.1 Flow chart of e2e-LSTM fault diagnosis model based on acoustic emission

圖2 輸入聲發(fā)射信號的時域波形和頻譜Fig.2 Time domain waveform of input acoustic emission signal and its frequency spectrum

高通濾波器可以濾掉若干高次諧波，有綜合濾波功能。通過圖4中的濾波前1 Hz放大圖，發(fā)現(xiàn)低頻段干擾嚴重，因此設計一個二階巴特沃斯高通濾波器，截止頻率保守設定為1 Hz，對信號中的低頻段激擾進行預處理結(jié)果如圖3所示。由圖4可以看出小于1 Hz的信號全部被過濾。

圖3 濾波后信號時頻域波形Fig.3 Time domain waveform of the signal after filtering and its frequency spectrum

圖4 濾波前后1 Hz以下的信號頻譜Fig.4 The frequency spectrum below 1 Hz of the signal before and after filtering

五種故障濾波后信號頻域波形圖如圖5所示，可以看出不同故障聲發(fā)射信號的特征差異。

2.3 基于聲發(fā)射的e2e-LSTM模型構(gòu)建

一個LSTM里面包含三個門來控制細胞狀態(tài)，這三個門分別稱為遺忘門、輸入門和輸出門[20]。門實際上就是一層全連接層，輸入是一個向量，輸出是[0,1]之間的一個實數(shù)向量，這代表有多少信息能夠流過sigmoid層，如式（2）[21]所示：

其中，W是門權(quán)重矩陣，b是門的偏置項，σ是sigmoid函數(shù)。利用LSTM的長期記憶特性，構(gòu)建基于聲發(fā)射的e2e-LSTM模型，模型結(jié)構(gòu)如圖6所示，實現(xiàn)燃氣高壓調(diào)壓器故障類型診斷。

首先對采集到的原始聲發(fā)射數(shù)據(jù)進行預處理，并將其輸入LSTM層中，利用LSTM的長期記憶性，輸入波形與前期輸出在該層得到融合，對聲發(fā)射數(shù)據(jù)信息進行連續(xù)處理同時輸出特征；然后全連接層通過加權(quán)計算燃氣調(diào)壓器的故障特征來實現(xiàn)特征空間轉(zhuǎn)換，模型的診斷能力、復雜程度受到全連接層的層數(shù)影響，全連接層的層數(shù)過少將會導致模型的非線性表達能力受到限制，全連接層的層數(shù)過多將會導致模型參數(shù)劇增[13]；最后經(jīng)過softmax層分類輸出作為e2e-LSTM模型的輸入，實現(xiàn)信息的傳遞，e2e-LSTM 模型對故障數(shù)據(jù)樣本進行訓練，并且實現(xiàn)對未知樣本的故障類型進行診斷。

圖5 五種故障聲發(fā)射信號的頻譜圖Fig.5 Spectrum diagrams of five kinds of fault emitted acoustic signals

圖6 基于聲發(fā)射的e2e-LSTM模型結(jié)構(gòu)圖Fig.6 Structural diagram of e2e-LSTM model based on acoustic emission

基于聲發(fā)射的e2e-LSTM模型的構(gòu)建流程如下：

（1）將原始的聲發(fā)射數(shù)據(jù)預處理后進行特征提取，構(gòu)成訓練集。

（3）初始化LSTM網(wǎng)絡。給出初始權(quán)值矩陣，初始權(quán)值是0～1間均勻分布的隨機數(shù)，設定合理的最大迭代訓練次數(shù)和最小誤差值[22]。

（4）前向計算過程。輸入到隱含層的X，首先通過N個LSTM層，再通過N個全連接層，將提取的特征映射到樣本標記空間，最后經(jīng)過softmax層輸出該模型的預測值Y′[23]。

（5）誤差反向傳播。計算Y′與Y之間的交叉閥值，得到損失函數(shù)值，經(jīng)過多次迭代訓練，采用梯度下降算法調(diào)節(jié)輸入門、遺忘門、輸出門以及全連接層的權(quán)重W和偏置b，使得損失函數(shù)值逐漸減小。

對檢修結(jié)果標簽中五種不同的故障（如表1所示），分別建立基于聲發(fā)射的e2e-LSTM模型，表1給出了五種故障模型的主要參數(shù)。

表1 五種故障的模型參數(shù)Table 1 Parameters of e2e-LSTM model of five faults

針對 S1、S4、S5故障，建立的e2e-LSTM模型包含：兩個LSTM基礎單元模型層、一層全連接層以及一個softmax層。其中，兩個LSTM層進行特征提取，全連接層無激活函數(shù)，前幾層提取的特征被映射到樣本標記空間，最后經(jīng)過softmax層輸出該模型的預測診斷結(jié)果。

針對S2故障，建立的e2e-LSTM模型包含：3個LSTM基礎單元模型層、一層全連接層以及一個Softmax層。其中，3個LSTM層進行特征提取，全連接層無激活函數(shù)，前幾層提取的特征被映射到樣本標記空間，最后經(jīng)過softmax層輸出該模型的預測診斷結(jié)果。

針對S3故障，建立的e2e-LSTM模型包含：兩個LSTM基礎單元模型層、兩層全連接層、一個dropout層以及一個Softmax層。其中，2個LSTM層進行特征提取，激活函數(shù)為第一層全連接層Relu，第二層全連接層無激活函數(shù)，dropout層是用來減少過擬合的，前幾層提取的特征被映射到樣本標記空間，最后經(jīng)過softmax層輸出該模型的預測診斷結(jié)果。

3 實驗設置和結(jié)果

為了驗證本文提出的基于聲發(fā)射信號的長短時記憶網(wǎng)絡端到端故障診斷方法的可靠性，在燃氣高壓調(diào)壓站進行數(shù)據(jù)采集與實驗，在調(diào)壓器實際運行狀態(tài)正常基礎上采集的聲發(fā)射數(shù)據(jù)，配合檢修中心的檢修結(jié)果，進行燃氣高壓調(diào)壓器故障診斷的研究。

3.1 實驗設置

據(jù)統(tǒng)計高壓燃氣調(diào)壓站中多數(shù)為FL型調(diào)壓器，所以本研究是在FL型調(diào)壓器基礎上進行研究。FL型調(diào)壓器屬于軸流式調(diào)壓器，進口壓力范圍0.1～9.0 MPa，其流通能力好，通過能力強，可以適應較復雜情況的流體，其性能穩(wěn)定，精密度高。

在各個燃氣調(diào)壓站采集數(shù)據(jù)，補充調(diào)壓站環(huán)境下各種故障類型調(diào)壓器的聲發(fā)射數(shù)據(jù)，為高準確率的調(diào)壓器故障診斷模型打下堅實基礎。在某臺調(diào)壓器上進行了不同位置的聲發(fā)射信號采集對比實驗，對比傳感器在調(diào)壓器閥桶兩側(cè)和管道兩側(cè)的聲發(fā)射信號。發(fā)現(xiàn)在閥桶兩側(cè)能夠采集到較多高頻聲發(fā)射信號，管道兩側(cè)采集到高頻聲發(fā)射信號較少，因此在整個數(shù)據(jù)采集實驗中都選取在調(diào)壓器閥桶兩側(cè)吸附傳感器的方案，更能觀測到調(diào)壓器的故障特征，具體位置如圖7所示。

圖7 待測高壓調(diào)壓器圖Fig.7 High pressure regulator to be tested

實驗中聲發(fā)射數(shù)據(jù)采集裝置包括：多個傳感器，數(shù)據(jù)采集卡以及計算機。如圖8所示，同一燃氣管道上有運行臺和監(jiān)控臺兩個燃氣調(diào)壓器，燃氣流動方向是從運行臺到監(jiān)控臺，傳感器吸附在待測的燃氣高壓調(diào)壓器壁上，每個傳感器獲得來自所在燃氣調(diào)壓器的聲發(fā)射數(shù)據(jù)，將所采集的聲發(fā)射數(shù)據(jù)通過數(shù)據(jù)采集卡傳送至計算機進行數(shù)據(jù)儲存。

吸附在待測的燃氣高壓調(diào)壓器壁上的傳感器，頻率響應范圍為0.8～15 000 Hz的耐高壓防爆型，動態(tài)范圍為±50 g（峰峰值），g=9.8 m·s-2，共振頻率為23 kHz，穩(wěn)定時間小于2.5 s。數(shù)據(jù)采集卡通道采樣頻率為 96 kHz，AD分辨率為24 bit，輸入為4通道電壓或IEPE型電壓輸出傳感器（2mA/+24V直流），頻率范圍為電壓輸入直流30 kHz或IEPE輸入0.3 Hz～30 kHz，多通道并行采集、連續(xù)大容量數(shù)據(jù)傳輸。

圖8 聲發(fā)射測試系統(tǒng)Fig.8 Acoustic emission testing system

3.2 實驗結(jié)果

每個燃氣調(diào)壓器故障診斷樣本的采樣頻率為96 kHz的聲發(fā)射信號。實驗中共采集來自于不同調(diào)壓器的78個樣本，其中，訓練樣本58個，測試樣本20個。將58個訓練樣本輸入到e2e-LSTM模型中，數(shù)據(jù)特征經(jīng)過N層LSTM模型和N層全連接層進行提取和處理，最后經(jīng)過softmax層進行分類輸出。

通過多次迭代，采用梯度下降算法不斷調(diào)節(jié)e2e-LSTM輸入門、遺忘門、輸出門以及全連接層的權(quán)重W和偏置b，使得損失函數(shù)值逐漸減小至0，如圖9所示。

圖9 損失函數(shù)值Fig.9 Loss function curve

針對五種故障分別建立五種模型，20個測試樣本輸入模型后得到的實驗結(jié)果如表2所示。輸入到任意故障模型中，正確預測正常或者正確預測異常，則說明預測正確，輸出為1；正常預測為異常，或者異常預測為正常，則說明預測錯誤，輸出0。S1、S5故障模型輸出全為1，20個測試樣本分類都正確；S2、S4故障模型輸出兩個0，20個測試樣本分類錯誤兩個；S3故障模型輸出一個0，20個測試樣本分類錯誤1個。診斷率計算方法見式（1），對故障類型及診斷率進行可視化，如圖10所示。

表2 五種故障診斷結(jié)果Table 2 Diagnosis results of five faults

圖10 故障類型及診斷率Fig.10 Fault types and diagnostic rates

4 結(jié) 論

在前人基于聲發(fā)射信號的燃氣高壓調(diào)壓器故障診斷研究的基礎上，本文提出了一種基于聲發(fā)射信號的LSTM端到端故障診斷方法，直接利用聲發(fā)射時域信號對調(diào)壓器的運行狀態(tài)進行診斷。利用LSTM的記憶特性，建立基于聲發(fā)射的LSTM端到端（e2e-LSTM）故障診斷模型。根據(jù)采集的聲發(fā)射信號及檢修標簽，實驗結(jié)果表明，該模型能夠以端到端模式一次性地診斷五種高壓調(diào)壓器故障，每種類型故障準斷率可以達到90%以上，為基于聲發(fā)射信號的LSTM端對端燃氣高壓調(diào)壓器故障診斷提供了依據(jù)及方法。