基于ECA改進1D-CNN的柱塞泵故障診斷*

楊光喬 李 穎 王國程 劉明魁 柳小勤 鄧云楠

(1.中國石油長慶油田分公司第三采油廠 2.昆明理工大學機電工程學院)

0 引 言

油田注水能夠彌補原油開采造成的地下虧空，保持或提高油層壓力進而穩定油田產能，提高采收率。柱塞泵作為油田開發過程中的關鍵設備，其運行中存在壓力高、能耗高、故障率高、安全風險高等問題，監控不當容易造成事故發生，成為油田設備管理的難點和重點[1-2]。保障柱塞泵系統安全穩定生產、提高設備運行可靠度，對于提高油田開發經濟效益具有重要意義。近年來，隨著基于振動信號處理的在線監測系統建設日益成熟，柱塞泵在線監測系統逐漸取代周期性人力現場檢修，承擔著油田的注水系統維護任務[3-4]。振動信號包含大量機械運行狀態信息及機組運行狀態信息，不同的故障特征、運行參數都能夠映射到振動數據特征中。在柱塞泵系統運行過程中完成數據實時傳輸及在線診斷能夠幫助維護人員及時掌握機組運行狀態，對于故障缺陷能夠快速響應并調整運行策略，做到發現故障并及時處理。然而，生產計劃的頻繁變動往往導致柱塞泵機組的運行工況產生波動，進一步導致振動強度發生波動[5]。由于故障缺陷和運行參數都影響著振動數據特征數值，油田柱塞泵振動信號特征往往受到工況擾動，傳統方法對故障特征的捕捉和學習能力較弱，難以對故障特征進行診斷，進而出現“不預警”或“錯誤預警”等威脅設備運行安全的問題。因此，探索高精度的智能化故障診斷方法是保障油田柱塞泵故障診斷準確率，提高油田運行監測效率的關鍵[6]。

近年來，深度學習優秀的自適應故障特征學習能力成為故障診斷領域的熱點方向，并在機械設備故障診斷領域得到廣泛關注。大量研究表明，基于卷積神經網絡(Convolutional Neural Network，CNN)的故障診斷在工業場景具有關鍵意義，通過對工業數據強關聯特性的學習和表征，CNN能對工業環境下高溫、嘈雜等負面因素對故障診斷的干擾進行消除，實現魯棒特征的學習能力[7-9]。由于一維卷積神經網絡(One-dimensional Convolutional Neuyql Network，1D-CNN)相比傳統二維卷積神經網絡具有輸入簡單、運算速度快，能夠獲取輕量化模型而受到廣泛關注[10-12]。卷積核在一維數據的連續滑動令1D-CNN能夠適用于各類傳感器數據的時間序列分析，并發掘出深層非線性特征用于表征目標的性能，從而在保證預測精度的基礎上簡化模型結構，提高模型訓練效率。但柱塞泵體積較大、振動傳播路徑復雜，導致故障特征在信號中受到大量干擾而難以被提取。

目前關于油田柱塞泵故障診斷的深度學習方法尚未被探索，且現有基于深度學習的故障診斷方法缺乏對振動信號的有效數據特征強化，多通道特征不具備有效的深度交互。鑒于此，本文提出基于高效通道注意力(Efficient Channel Attention，ECA)改進1D-CNN的油田柱塞泵故障診斷方法，針對柱塞泵體積大、振動傳播路徑復雜導致傳統方法在振動故障信號特征提取中的局限，基于深度學習方法開展油田柱塞泵故障診斷智能模型研究。使用1D-CNN作為故障診斷基準模型，并引入ECA，通過增強通道特征交互實現深層次柱塞泵振動信號特征挖掘，提高模型預測精度。在某采油廠的柱塞泵實際運行在線監測數據中進行試驗，通過實際的應用和驗證結果，展示了本文方法在柱塞泵監測應用中的魯棒性和準確性。

1 理論基礎

1.1 卷積神經網絡

卷積神經網絡通過稀疏連接和權值參數共享將數據的簡單特征映射到更復雜的高維模式。其組成部分描述如下。

CNN主要由不同卷積參數的卷積層組成并對輸入數據進行一系列卷積運算以獲取卷積特征，其數學表達為：

(1)

由于分布統一的數據能讓模型更容易學習到數據之中的規律，卷積處理后的數據通常需要批量歸一化(Batch Normalization，BN)處理，使隱含神經元趨于標準正態分布，從而減少數據特征分布差異并有效緩解梯度消失問題。BN通過獨立的方式使每一個特征向量具有零均值和單位方差。當卷積層輸出d維空間向量，則BN輸入X=(x(1)，…，x(d))。為減小內部協變量轉移，將對每一維特征歸一化，可以被表示為：

(2)

式中：E[x(i)]為x(i)的期望值；Var[x(i)]為x(i)的方差。

使用式(2)對特征進行歸一化會影響模型的表征能力，于是引入重構參數γi和βi對歸一化值進行調整，恢復原始網絡的特征分布，上述過程可以描述如下：

(3)

對數據進行BN規范化后，采用激活函數對數據實施非線性映射。選用Rectified linear unit(ReLU)激活函數對輸入特征進行處理得到輸出：

(4)

隨后進行池化(Pooling)操作減小模型規模、提高運算速度，同時提高所提取特征的魯棒性，實現目標區域特征提取并減少參數數量，防止模型過擬合。本文采用最大池化操作，函數表示如下：

(5)

經過最大池化后的特征將被展平處理輸入全連接層，其表達式如下：

(6)

式中：wh表示相鄰層之間的權重矩陣；bh為偏置；dm表示輸入數據；σ(·)是激活函數。

在全連接層之后，通過SoftMax函數實現類別分類，即有：

(7)

式中：fk(y)是SoftMax函數對每個類別的預測值；k為目標的輸出類別索引；C為訓練中所涉及的樣本總數。

同時，模型訓練采用交叉熵作為損失函數，公式如下：

(8)

式中：θ為模型的訓練參數；hk為第k個目標的輸出類別；fk(θ)為第k類樣本預測概率值；L(θ)為誤差損失值。

1.2 高效通道注意力

高效通道注意力(ECA)[13]是在SENet[14]的基礎上做出改進，提出一種不降維的局部跨通道交互策略和自適應選擇一維卷積核尺寸的方法。ECA通過不降低維數的通道級全局平均池化操作，將特征圖由二維矩陣壓縮成為單個數值，從而獲取特征圖的全局感受野信息。當給定特征y∈RC，高效通道注意力可以被表示為：

ω=σ(Wy)

(9)

其中：W為學習通道注意力帶狀矩陣，被表示為：

(10)

W包含p×C個參數，相比原始通道注意力機制更少。其中每個通道特征yn的權重wn可以通過與鄰域內p個參數的交互，該過程被表示為：

(11)

所有通道的特征權重共享，即共同使用wv，此時可以通過以卷積核尺寸為p的一維卷積來表示式(11)中的計算，即有：

w=σ(Conv1Dp(y))

(12)

式中：Conv1D表示一維卷積操作。

式(12)即為ECA的計算表達式，詳細模塊架構如圖1所示。

圖1 注意力機制Fig.1 Attention mechanism

1.3 基于ECA的1D-CNN故障診斷模型

1.3.1 模型構建

在1D-CNN的基礎上引入高效通道注意力模塊，基于1D-CNN從油田柱塞泵振動信號中學習各類故障的多層次特征；然后引入高效通道注意力模塊對特征通道的重要程度進行提取，根據這個重要程度實現故障特征增強，對無效的特征進行抑制，使網絡獲得魯棒性更高的分類線索。其網絡拓撲結構如圖2所示。

圖2 ECA改進的1D-CNN油田柱塞泵故障診斷模型結構Fig.2 Structure of fault diagnosis model for oilfield plunger pump based on ECA improved 1D-CNN

故障診斷模型主要由輸入層、隱含層、注意力層以及全連接層組成。輸入層以油田柱塞泵一維振動信號樣本作為輸入，隱含層包括卷積層、BN層、池化層，本文設計的網絡結構包含2個隱含層。輸入數據經過卷積操作后生成特征圖，隨后經過卷積核尺寸為2的最大池化操作得到第1個隱含層的輸出；其次經過第2隱含層經過卷積和池化操作；隨后將隱含層輸出送入ECA模塊進行通道交互；進一步地，將ECA輸出展平進行全連接計算，通過激活函數獲得模型輸出；最后將標記好的特征序列送到SoftMax分類器中實現柱塞泵故障分類。

1.3.2 油田柱塞泵故障診斷流程

基于ECA改進的1D-CNN故障診斷流程如圖3所示。將ECA引入1D-CNN實現網絡模型構建，然后進行模型參數θ初始化設定，采用SoftMax分類器映射輸出特征，以交叉熵作為損失函數L(θ)更新模型參數；通過迭代計算損失函數判斷其收斂特性，最后完成模型訓練并保存模型參數。具體步驟信息如下：

(1)信號采集。采用HY-107Z測振系統對油田柱塞泵振動加速度信號進行采集，用于狀態分析和診斷模型構建。

(2)數據集準備。按預設比例將油田柱塞泵振動加速度數據劃分為訓練集和測試集。

(3)模型構建與訓練。設計故障診斷模型架構并初始化模型參數，基于訓練集數據對模型進行訓練，并利用前向傳播和反向傳播迭代求取梯度、更新模型參數，完成指定迭代次數后，結束訓練保存最優模型。

(4)故障診斷測試。以訓練獲取的最優模型進行測試，基于測試集數據開展模型的性能驗證和評估。

2 試驗驗證

2.1 試驗介紹

本文在某油田柱塞泵上開展信號采集分析試驗，以驗證提出的故障預警技術。柱塞泵型號為5DSB，主要信息如圖4所示。

圖4 油田柱塞泵實物及傳感器安裝示意圖Fig.4 Schematic diagram of oilfield plunger pump and installed sensors

5DSB系列柱塞泵裝置主要由驅動電機、皮帶輪、柱塞泵及基座組成，其中柱塞泵分為動力端與液力端2部分。傳感器安裝位置如下：電機驅動端軸承垂直方向2V-a；泵前軸承垂直方向3V-a；泵后軸承垂直方向4V-a。文中所有數據均來自3V測點。

試驗數據為通過油田日常運行與檢修維護獲取的現場在線監測數據，包含油田柱塞泵3種狀態：正常狀態、連桿斷裂故障、軸承斷裂故障，在文中用F1～F3來表示3種狀態。油田柱塞泵數據采集及分析使用上海華陽檢測器進行狀態監測，具體為：設備的振動數據采集選用的儀器為華陽檢測公司研發的HY-107Z工作測振儀。本次測量采用機械振動狀態監測中加速度參數，單位為m/s2，取有效值；數據的采樣頻率為12.8 kHz，單次采樣點數為8 192個點，采樣間隔為5 min。每類柱塞泵狀態數據在試驗中共選取300組信號作為總樣本數據，其中訓練集隨機選擇信號總樣本數據的70%，其余30%的信號樣本數據作為測試集。具體信息如表1所示。

表1 油田柱塞泵健康狀態及數據參數Table 1 Health status and data parameters of oilfield plunger pump

2.2 模型參數選擇

針對所處理油田柱塞泵振動加速度信號，設計2層卷積層，以保證故障診斷性能的同時避免參數過多導致算法效率下降。考慮到在線監測數據的工況波動特性，設計較少的卷積層以避免對當前數據分布的過擬合。輸入層所輸入的是原始一維振動信號，因此在卷積層1中設計了寬卷積核以抑制干擾特征[15]。

為了覆蓋更多參數組合的選擇及降低人工選擇參數引入的隨機性，引入了網格搜索算法來尋最優模型的參數，即將各個參數可能的取值進行排列與組合，然后使用各參數組合對構建的模型進行訓練，通過交叉驗證對模型診斷性能進行測試[16-17]。擬合函數遍歷所有的參數組合后，自動選擇最佳參數組合。參數優化結果如表2所示。

表2 模型主要參數Table 2 Main parameters of the model

此外，試驗Batchsize設為64，訓練Epoch為30，正則化選用L2范數。優化器設置為Adam(學習率為0.000 1)，最后保存最優的模型進行測試。

2.3 數據波形和頻譜分析

導出系統中的油田注水泵振動加速度數據進行波形和頻譜分析。試驗中F1正常狀態數據來源于2021年12月的在線監測數據，F2連桿斷裂故障及F3軸承斷裂故障數據來源于2022年1月在線監測數據。信號時域波形、頻譜如圖5所示。

圖5 柱塞泵不同狀態下的數據波形和頻譜Fig.5 Data waveform and spectrum of plunger pump under different states

從圖5的時域信號可以看出，受到實際運行環境中的各類干擾因素影響，信號波形呈現出復雜、多變的特征，即使相近時間段內的數據特征也可能出現較大差異。從3種狀態數據的頻譜來看，頻帶能量分布的不確定性更加顯著，相同狀態在不同頻帶均可能出現顯著的能量分布。

上述分析表明，傳統故障特征分析難以在環境復雜、背景嘈雜、工況多變的油田柱塞泵實際運行監測中實現及時、準確的故障診斷，基于學習能力更強、魯棒性更優的深度學習方法進行故障診斷對于油田生產具有重要意義。

2.4 試驗結果分析

通過引入回調函數，結合模型在訓練過程中的表現，進行預先保存，得到最佳的模型參數。訓練集數據和測試集數據的故障診斷準確率及損失率分別如圖6a和圖6b所示。

圖6 診斷準確率曲線Fig.6 Diagnostic accuracy curve

從圖6可以看出，模型驗證性能良好，經過40次的循環迭代，測試集的準確率能夠達到93.7%。為了進一步地評價構建的模型對油田柱塞泵故障的診斷效果，引入多分類混淆矩陣對試驗結果進行詳細分析。基于高效通道注意力的一維卷積神經網絡與1D-CNN混淆矩陣如圖7所示。

圖7 多分類混淆矩陣Fig.7 Multi-classification confusion matrix

從圖7可以看出，測試集300個樣本中，本文提出的方法只有F1的5個樣本被誤判為連桿斷裂狀態，其余的數據都能達到100%的診斷正確率，這表明本文提出的模型有較高的故障識別率。對比之下，1D-CNN在F1狀態的診斷中出現了15個誤判，F2的預測中出現了3個誤判，出現了較多診斷失效的案例。

為了驗證本文構建模型的性能，將廣泛應用的1D-CNN、全連接神經網絡(FCNN)和多尺度卷積神經網絡(MC-CNN)[18-19]對數據進行分析和試驗結果比較。激活函數、優化器、損失函數、Dropout的比例和迭代次數等均和本文構建的模型設置相同。所應用的模型試驗結果如表3所示。

表3 4種模型的故障診斷準確率Table 3 Fault diagnosis accuracy of 4 models

從表3可以看出，本文模型、1D-CNN，MC-CNN及FCNN的診斷準確率分別為98.1%、93.3%、93.4%及67.6%，本文構建的模型診斷準確率顯著優于其他模型，并且本文在F1和F3的診斷中達到100%的正確率。這表明本文提出的方法具有較高精度的同時泛化性能也較好。狀態F2數據的診斷正確率相比其余狀態表現不高，主要是被誤判為F1狀態，這可能是網絡特征提取能力不足造成的。相比其他算法，本文提出的算法具有顯著的性能優勢。

3 結 論

本文提出基于高效通道注意力的一維卷積神經網絡故障診斷方法，研究得出以下結論：

(1)針對柱塞泵體積大、振動傳播路徑復雜導致傳統方法在振動故障信號特征提取中的局限性，開發了基于深度學習的油田柱塞泵故障診斷智能模型，有效提高了油田柱塞泵故障診斷效率。

(2)使用1D-CNN作為故障診斷基準模型，并引入高效通道注意力，通過增強通道特征交互實現網絡性能改進，從而實現深層次柱塞泵振動信號特征挖掘，成功改善了柱塞泵故障診斷模型的預測性能。

(3)通過油田生產在線監測數據的試驗驗證，與當前其他深度學習模型相比，基于高效通道注意力的1D-CNN模型具有出色的診斷精度和魯棒性，具備理論指導意義和工程實用價值。