基于LSTM的水下電子模塊溫度預測及預警方法*

王瑩瑩 安維崢 喬婷婷 朱春麗 楊旭光 祝鴻山

(1. 中國石油大學(北京) 人工智能學院 北京 102249; 2. 中國石油大學(北京) 安全與海洋工程學院 北京 102249;3. 中海油研究總院有限責任公司 北京 100028)

水下控制模塊(Subsea Control Module,SCM)是復合電液水下控制系統的關鍵設備，可實時監測水下井口和水下生產系統的工作狀況，被稱為水下生產系統的中樞神經系統[1]。水下電子模塊(Subsea Electronic Module,SEM)，主要用于接收水上控制單元的命令，同時將水下監測的數據實時發送給水上控制單元，是SCM數據交換中的核心部件。SEM的機械結構是一個外部抗壓、內部充滿氮氣的密封殼體，其內部安裝有可編程邏輯控制器(Programmable Logic Controller，PLC)模塊、模擬量輸入模塊、數字量輸入輸出模塊、傳感器、工業以太網交換機等，頂部安裝有電連接器和光纖連接器，用于連接外部傳感器和控制閥的尾部電纜。SEM長期處于密閉環境中，內部PLC在運行時會產生自熱現象，導致SEM內部溫度升高，盡管通過熱傳導、熱對流、熱輻射等手段與介質進行熱交換，會帶走一定的熱量，但因其長期在密閉環境中，加上外部海水溫度基本恒定，溫度散熱到一定程度將會達到平衡，持續密閉溫度產生的熱應力將對 SEM內部傳感器產生較大影響，容易引發SEM出現短路、開路、電氣擊穿、過熱燒毀等問題，從而導致水下控制系統發生失效故障，甚至造成水下生產系統停工從而造成油氣田停產等風險。盡管復合電液水下控制系統本身具備溫度實時監測報警功能，但尚不具備溫度預測預警功能。因此，開展SEM內部溫度趨勢預測與故障預警研究，對于后期運維階段提高SEM的安全可靠性，減少SCM的檢查維修時間十分必要。

近年來，已有不少學者針對水下控制系統故障診斷與可靠性等方面開展了一定的研究[2-6]，但針對水下控制系統的SEM溫度預測和預警方面的研究尚未見公開報道。目前，學者們利用人工智能方法進行溫度預測的研究，主要集中在航空發動機尾氣溫度、車輛軸承溫度、風力發電機等領域[7-12]。本文基于國內首套水下控制系統中的SEM內部溫度預警早期微弱故障特征不敏感，抗異常值干擾能力差，以及溫度變化具有非線性、季節性和周期性變化特征等問題，提出了一種基于長短期記憶網絡(Long-short Term Memory,LSTM)的SEM溫度趨勢預測與預警模型，基于移動平均技術和二叉決策算法，實現了SEM溫度健康狀態的整體趨勢預測和故障預警。

1 SEM工作原理與內部溫度傳感器失效模式

SEM與外部交互主要通過蓋板上的電氣及光纖接頭，其主要工作原理如圖1所示。通過電氣接頭得到電力供應，將電力單元輸入的高壓交流電轉換成電路板芯片所需要的3 V、5 V直流電源以及各類傳感器和電磁換向閥所需要的24 V直流穩壓電源。通過電氣或光纖接頭接受主控站發送的控制命令，由通訊模塊將電力載波信號解調成相應指令傳輸給主控板。主控板將主控站發出的控制命令分配并通過數字量輸入輸出模塊(I/O口)發送至方向控制閥(DCV)，從而控制水下生產設備上的各類功能閥門。同時，由數據采集模塊采集壓力、溫度、濕度、高壓交流電壓及低壓直流電流等傳感器上的信號，處理后傳送給主控板，再通過電氣或光纖接頭傳至主控站，使平臺工作人員能實時監測水下生產設備的運行狀況并發出相關操作指令。

圖1 SEM工作原理圖[1]

SEM的溫度傳感器為電流型傳感器，輸出信號為標準的兩線制4～20 mA信號，量程為-40～70 ℃，閾值為-20～40 ℃。量程范圍比閾值范圍相對大些，若溫度超過量程，傳感器將可能遭到永久性損壞，無法正常顯示。若溫度超過閾值，傳感器不會立即損壞，而是發生性能下降，但若長期超出閾值，會逐漸影響其性能和使用壽命，進而導致永久性損壞。故若能預測出數據何時將到達閾值，進而發出相應預警提示信息，對延長SEM的使用壽命，提高水下控制系統的安全可靠性具有重要工程意義。

2 基于LSTM的SEM溫度預測及預警模型構建

研究SEM硬件失效的模式特征與信息，經相應的接口采集到溫度傳感器的測試數據后，需要通過對數據的綜合分析判斷SEM的運行狀態，建立基于硬件運行參數的SEM溫度預測模型，開展SEM溫度傳感器的溫度趨勢預測和故障預警研究，算法路線如圖2所示。

圖2 SEM溫度傳感器溫度趨勢預測及預警算法路線圖

2.1 LSTM神經網絡模型構建

由Hochreiter和Schmidhuber[14]在1997年首次提出的LSTM屬于遞歸神經網絡(Recurrent Neural Network,RNN)。LSTM在傳統的RNN結構上做了相對復雜的改進，使得LSTM相對于經典的RNN能更好地解決梯度爆炸和梯度消失的問題，讓循環神經網絡具備更好更強的記憶功能。圖3是t時刻下LSTM網絡的實施過程[15]。

圖3 t時刻的一個LSTM單元[15]

(1)

(2)

(3)

(4)

(5)

(6)

式(1)～(6)中：[at-1,xt]為兩個向量相連接；Wf、Wu、Wo、Wc為待訓練的參數矩陣；bf、bu、bo、bc為待訓練的偏置項；Ct-1表示t-1時刻的細胞態，*表示矩陣中的每個相同位置的元素對應相乘。

綜上所述，各個控制門的權重可通過對其相應的輸入數據進行訓練而得到。第n-1層所獲得的輸出yt的數據信息將作為 LSTM 模型下一層的輸入信息，從而遞歸可得LSTM的預測模型。

基于LSTM的SEM溫度預測模型(圖4)，由1個輸入層、3個LSTM層、2個防止過擬合(Dropout)層和1個輸出層組成。輸入層將一定時間間隔內的溫度測試數據輸入至LSTM層，LSTM層學習數據規律進行下階段溫度數據預測，Dropout層防止模型訓練效果過擬合，輸出層輸出溫度預測數據。同時，輸出層數據將進一步借助移動平均技術和二叉決策算法，從而實現SEM溫度趨勢預測和故障預警功能。

圖4 基于LSTM的SEM溫度預測模型

2.2 基于移動平均技術的SEM溫度趨勢預測

實現SEM溫度趨勢預測需要根據訓練好的LSTM神經網絡，由歷史及實時溫度數據給出溫度數據變化預測，再利用移動平均技術，給出溫度數據整體的變化走向或趨勢，形成溫度變化趨勢圖。移動平均對原序列有修勻或平滑的作用，使得原序列的上下波動被削弱，可以更直觀地看出預測數據走勢[16-17]。假設預測數據為x1,x2，…，xn，取m組數據(遠小于n)按如下過程，對預測數據進行k次雙向取均值操作，具體如下：

1) 正向移動平均，即

(7)

2) 反向移動平均，即

(8)

3) 重復前兩個步驟，循環k次。

訓練好的SEM溫度預測模型輸出預測數據后，借助移動平均技術進行平滑處理(本模型經調節優化最終取參數m=7,k=5)，從而實現SEM溫度趨勢預測功能，完成SEM健康狀態整體趨勢預測。同時，模型輸出預測數據可借助二叉決策算法實現后續SEM溫度故障預警功能。

2.3 基于二叉決策算法的SEM溫度預警

SEM的溫度趨勢預測算法主要用于解決溫度數據的實時預測問題，同時實現波動浮度相對減少的預測數據整體走勢，但當預測數據達到一定的閾值范圍時需進行SEM溫度故障預警實現。首先需確定SEM溫度預測數據在某個時間段內超出閾值的頻次,以及是否存在超出閾值較大的預測數據(用flag=1代表存在，flag=0代表不存在)。根據頻次大小和是否有超出閾值較大的數據綜合判斷，給出相應的SEM預警消息。定義溫度閾值大小為df，超出閾值較大的溫度界限為maxdata，一定時間段內超出溫度閾值df的頻次大小為f，頻次閾值為f0，其算法判斷過程如圖5所示。

圖5 二叉決策算法流程圖

3 SEM溫度預測及預警算法實現與結果分析

3.1 溫度數據獲取及處理

由于目前缺少實際工況數據，為驗證本文模型與算法的可行性，這里采用Max Planck Institute for Biogeochemistry[18]的大氣溫度數據作為SEM溫度模擬數據源，該模擬數據源共包括4 764組數據。

SEM 內部溫度傳感器的量程為-40～70 ℃，閾值為-20～40 ℃，對溫度模擬數據整體經適當變換，使溫度數值大致分布在-20～40 ℃，但保留少量超出閾值的異常點(表1)。

表1 模擬溫度數據源變換表

3.2 SEM溫度預測及預警算法實現

SEM溫度趨勢預測與故障預警算法實現分為5個步驟，數據準備、數據預處理、模型訓練、模型評估、趨勢預測及故障預警實現(圖6)。

圖6 SEM溫度預測及預警算法實現框圖

1) 數據準備。將溫度模擬數據存儲到相應的.csv文件中，后續將借助Pycharm平臺進行后續預處理操作。

2) 數據預處理。首先，通過滑動窗口技術將時間序列問題轉換為監督學習問題，創建滯后觀察列和預測列是必需的，滯后觀察列X作為模型數據輸入，預測列Y作為模型期望輸出，即有監督學習中的數據標簽；其次，對溫度模擬數據進行歸一化處理，LSTM網絡內部激活函數對數據比較敏感，將數據歸一到0～1模型效果會更好；最后，劃分數據集，將輸入數據集劃分為訓練集、驗證集及預測集，遵循6∶2∶2的劃分比例，每個數據集在模型訓練的不同階段發揮不同的作用。

3) 模型訓練。在此階段，使用訓練集和驗證集作為模型輸入數據，訓練集用于訓練優化模型，調試模型的參數；驗證集階段性查看模型訓練的效果是否朝著壞的方向進行，不參與網絡參數更新。首先借助Pycharm和Tensorflow平臺構建LSTM神經網絡模型，然后向構建好的LSTM模型中輸入訓練集和驗證集數據，可以觀察到輸出數據集(即經過LSTM模型產生的預測值)與溫度模擬數據值之間的損失逐步下降至平穩。

4) 模型評估。用預測集作為模型輸入數據，驗證模型泛化能力，選取均方根誤差和擬合系數作為評估指標，評價所建立的LSTM網絡模型的預測效果是否滿足要求。

5) 趨勢預測、故障預警。在此階段，可以得到SEM溫度預測數據整體趨勢曲線，并利用移動平均達到趨勢擬合，得到SEM溫度實時數據預測曲線；若溫度預測數據達到一定閾值范圍，則SEM產生預警提醒。

3.3 SEM溫度預測及預警模型結果分析

采取均方根誤差(RMSE)和擬合系數(R2)對SEM溫度預測預警模型進行定量評價。利用模擬溫度數據測試集試驗得到RMSE為0.476 89，表明SEM的溫度預測模型具有較高的計算精度。同時得到R2為0.792 775，表明SEM溫度預測模型和模擬溫度數據擬合程度較高，SEM溫度預測模型處于強相關等級。

3.3.1SEM溫度趨勢預測曲線

圖7為SEM溫度預測數據波動走勢圖，可以看出，溫度模擬數據與溫度預測數據相差不大，但SEM溫度預測數據波動幅度較大，不易觀察數據整體的變化走向。

圖8為溫度預測數據平滑趨勢圖。對比圖7，本文利用移動平均技術減弱了溫度時間序列中的不規則變動，更易顯示溫度的變化趨勢，其預測波動浮動也相對減少，更有利于判斷溫度預測數據的整體走勢。

圖7 SEM溫度預測數據波動走勢

圖8 SEM溫度預測數據平滑趨勢

3.3.2SEM溫度預警效果圖

圖9為SEM溫度預警曲線，其中黑色虛線為設置的溫度閾值上限df，將df設置為40 ℃，超出閾值較大的溫度界限maxdata設置為45 ℃，超出閾值df的頻次上限f0設置為3。圖9中藍色為溫度模擬數據，該數據源劃分為5段，前3段輸入得到預測數據顯示綠色，表明SEM溫度正常，在該時間段內沒有產生超出閾值df的預測數據；第4段預測顯示黃色，表明SEM溫度有異常跡象，在該時間段內出現超出閾值df的預測數據，但異常數據的數值大小尚未超過溫度界限maxdata且出現頻次小于f0；第5段預測顯示紅色，表明SEM溫度異常，在該時間段內出現超出閾值df但尚未超過maxdata的預測數據，且異常數據的頻次≥f0。

圖9 溫度預警效果

圖10為SEM溫度預測模型期望輸出與SEM溫度預測數據值之間的絕對誤差圖，其誤差范圍在-0.8～0.4 ℃，集中分布在-0.6～0.2 ℃，模型精確度較高。

圖10 SEM溫度預測模型期望輸出與溫度預測值誤差

4 結論

1) 通過劃分不相交訓練、驗證、測試數據集對SEM內部溫度進行預測，建立了基于LSTM的SEM溫度預測模型，對其進行超參數網格優化及交叉驗證，驗證了SEM溫度預測模型的精度和穩定性能。

2) 構建了一種基于LSTM和移動平均技術的SEM溫度趨勢預測方法，能夠實現SEM內部的溫度趨勢整體預測。

3) 提出了一種基于二叉決策算法的SEM溫度故障預警方法，用戶可以實現不同預警級別的溫度預警功能。同時，通過溫度模擬數據與SEM溫度預測數據值之間的絕對誤差，用戶可直觀判斷模型的故障預警效果。