基于多尺度一維卷積神經(jīng)網(wǎng)絡(luò)的彎管沖蝕損傷智能檢測(cè)方法

陳傳智, 李寧, 王暢, 陳家梁, 羅錦達(dá)

(長(zhǎng)江大學(xué)機(jī)械結(jié)構(gòu)強(qiáng)度與振動(dòng)研究所, 荊州 434023)

高壓管匯常用于石油化工設(shè)備中,起運(yùn)輸和連接作用。由于通常工作于高壓狀態(tài)下,并且輸送的流體常伴有腐蝕性,管匯會(huì)同時(shí)承受高壓和流體的沖蝕磨損[1-2]。隨著時(shí)間的推移,管匯內(nèi)壁會(huì)被高壓以及沖蝕作用破壞的越來越嚴(yán)重,最終導(dǎo)致管匯穿孔、失效,造成巨大的安全隱患。因此,開展高壓管匯沖蝕損傷檢測(cè)的研究具有重要意義。常用的管道損傷檢測(cè)方法包括超聲波檢測(cè)[3-6]、磁檢測(cè)[7-9]、渦流檢測(cè)[10]等。這些方法存在著一些不足之處,如檢測(cè)效率低、成本高等。

隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展,損傷檢測(cè)趨向智能化,基于數(shù)據(jù)驅(qū)動(dòng)的智能損傷檢測(cè)方法逐漸得到更多的關(guān)注。損傷檢測(cè)的實(shí)質(zhì)是檢測(cè)有無損傷以及檢測(cè)出損傷后類別的判定。損傷檢測(cè)中最關(guān)鍵的就是特征的提取,特征提取的方法包括小波變換(wavelet transform, WT)[11]和傅里葉變換(Fourier transform, FT)[12]等。在人工提取到損傷特征后,一般輸入到反向傳播(back propagation, BP)神經(jīng)網(wǎng)絡(luò)、支持向量積(support vector machine, SVM)、決策樹(decision tree, DT)等分類模型中實(shí)現(xiàn)損傷的類別判定。這些方法雖然取得了一定的成果,但是,其依賴專業(yè)知識(shí)提取損傷信號(hào)的特征,且人工提取特征往往停留在淺層,難以對(duì)深層次的信息進(jìn)行挖掘。

近年來,深度學(xué)習(xí)由于其強(qiáng)大的數(shù)據(jù)處理能力和特征學(xué)習(xí)能力吸引了眾多研究者的興趣并展開持續(xù)的研究,如循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network, RNN)、卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network, CNN)等。CNN作為深度學(xué)習(xí)的代表算法之一,已被應(yīng)用于圖像處理、語音識(shí)別和故障診斷等領(lǐng)域。CNN不僅能夠自動(dòng)提取數(shù)據(jù)特征,挖掘更深層次的特征信息,且具有較強(qiáng)的魯棒性。李恒等[13]使用短時(shí)傅里葉變換把一維振動(dòng)信號(hào)轉(zhuǎn)化成二維時(shí)頻圖,結(jié)合CNN實(shí)現(xiàn)了滾動(dòng)軸承的故障診斷。Yang等[14]將振動(dòng)數(shù)據(jù)轉(zhuǎn)化為二維矩陣提出一種基于CNN的往復(fù)式壓縮機(jī)故障診斷方法。CNN一般處理的是二維數(shù)據(jù),對(duì)于一維數(shù)據(jù)來說,使用一維卷積神經(jīng)網(wǎng)絡(luò)(1-dimensional CNN, 1DCNN)可避免數(shù)據(jù)轉(zhuǎn)換的過程,提高診斷效率。祝道強(qiáng)等[15]針對(duì)軸承在變負(fù)載下工況下故障難以診斷的問題,提出一種適用于變負(fù)載的一維卷積神經(jīng)網(wǎng)絡(luò)模型,且故障診斷的平均準(zhǔn)確率超過98%。張瑞程等[16]針對(duì)燃?xì)夤艿腊踩珕栴},在VGG-16(牛津大學(xué)視覺幾何組于2014年的ImagNet大賽中提出的模型)的基礎(chǔ)上對(duì)模型進(jìn)行修改,成功用于燃?xì)夤艿酪痪S故障信號(hào)的識(shí)別。上述方法均取得了一定的成果,但是,1DCNN中單一尺度的卷積核易忽略一些精細(xì)度的特征,導(dǎo)致對(duì)信號(hào)特征提取不夠充分,會(huì)降低檢測(cè)的準(zhǔn)確率。

針對(duì)1DCNN中單一尺度的卷積核存在的問題,有研究者開始嘗試使用多尺度的卷積核代替?zhèn)鹘y(tǒng)的單一尺度卷積核。陳向民等[17]針對(duì)旋轉(zhuǎn)機(jī)械在多工況下故障診斷準(zhǔn)確率低的問題,提出一種基于多尺度1DCNN(multi-scale 1DCNN, MS-1DCNN)的故障診斷方法,相比于傳統(tǒng)的單一尺度1DCNN方法,準(zhǔn)確率提升明顯。陳仁祥等[18]通過MS-1DCNN實(shí)現(xiàn)了風(fēng)機(jī)基礎(chǔ)螺栓松動(dòng)的檢測(cè)。MS-1DCNN可以提取輸入數(shù)據(jù)不同尺度范圍的特征,提高檢測(cè)精度。

基于上述問題,現(xiàn)提出一種基于MS-1DCNN的彎管沖蝕損傷智能檢測(cè)方法。以彎管沖蝕損傷原始時(shí)域信號(hào)作為輸入,無需進(jìn)行復(fù)雜的信號(hào)處理過程,同時(shí),由于采用多尺度卷積層,能夠?qū)p傷信號(hào)特征提取更加充分,提高檢測(cè)效率和準(zhǔn)確率。通過對(duì)實(shí)驗(yàn)采集到的彎管沖蝕損傷信號(hào)進(jìn)行損傷分類,以期為高壓管匯沖蝕損傷的智能檢測(cè)提供一定參考,對(duì)于高壓管匯在使用過程中因沖蝕磨損導(dǎo)致的安全性問題具有重要指導(dǎo)意義。

1 多尺度一維卷積神經(jīng)網(wǎng)絡(luò)理論

1.1 一維卷積神經(jīng)網(wǎng)絡(luò)

(1)

圖1 1DCNN模型結(jié)構(gòu)圖

(2)

池化層的主要作用是降低特征的維數(shù),將特征圖變小,在減少參數(shù)量的同時(shí)還能在一定程度上防止過擬合。池化層包括平均值池化和最大值池化,最大值池化在CNN中的應(yīng)用更多。其表達(dá)式為

(3)

經(jīng)過卷積層與池化層的操作后,輸入信號(hào)的特征提取完成,把提取的特征信息通過平坦層(flatten)整合成一列,經(jīng)由全連接層(fully connection layer, FC)獲取全局信息。全連接層之后是輸出層,一般用softmax函數(shù)來實(shí)現(xiàn)多目標(biāo)的分類。

1.2 多尺度一維卷積神經(jīng)網(wǎng)絡(luò)

從特征提取范圍的角度出發(fā),不同尺度的卷積核具有不同大小的特征提取范圍,能提取不同精細(xì)程度的特征。卷積核越大,能提取尺度范圍越大的特征信息;卷積核越小,能提取局部更加細(xì)致的特征信息。MS-1DCNN正是融合了不同尺度卷積核的特點(diǎn),可避免傳統(tǒng)1DCNN的單一尺度卷積核對(duì)輸入信號(hào)特征提取不充分的問題。圖2為MS-1DCNN的模型結(jié)構(gòu)圖,其中多尺度卷積層由多個(gè)并行的卷積層組成,這些并行的卷積層所包含的卷積核大小不同,能夠提取不同尺度范圍的特征信息,使特征信息提取更加充分。在對(duì)多個(gè)并行的卷積層所提取的特征信息進(jìn)行拼接后,輸出到下一層。

圖2 MS-1DCNN模型結(jié)構(gòu)圖

1.3 MS-1DCNN模型參數(shù)設(shè)置

對(duì)MS-1DCNN模型參數(shù)設(shè)置如下:多尺度卷積層1中卷積核的尺度分別為16×2,16×32,16×64,多尺度卷積層2中卷積核的尺度分別為32×5,32×10,32×20,前者為卷積核的個(gè)數(shù),后者為卷積核的長(zhǎng)度。第一層卷積核尺度范圍較大,以此能提取范圍更大的不同精細(xì)度特征,第二層卷積核尺度范圍較小,能對(duì)第一層提取的特征再次精細(xì)化,步長(zhǎng)分別設(shè)置為3和2,同時(shí)設(shè)置邊緣補(bǔ)零的方式防止丟失邊緣信息。針對(duì)兩層多尺度卷積層進(jìn)行批量歸一化(batch normalization,BN)[19],它能緩解梯度消失的問題,加速網(wǎng)絡(luò)的收斂,同時(shí)能夠有效防止過擬合。池化層為最大值池化層,池化核長(zhǎng)度和步長(zhǎng)都為2。全連接層設(shè)置在卷積層和池化層之后,單元數(shù)為128,最后經(jīng)由輸出層完成目標(biāo)的分類。激活函數(shù)均采用ReLu激活函數(shù),損失函數(shù)選用交叉熵?fù)p傷函數(shù),模型優(yōu)化器選用adam優(yōu)化器,學(xué)習(xí)率設(shè)置為0.000 1,動(dòng)量參數(shù)beta_1和beta_2分別為0.8和0.9。

2 MS-1DCNN模型的彎管沖蝕損傷檢測(cè)流程

2.1 MS-1DCNN模型的沖蝕損傷檢測(cè)流程

基于MS-1DCNN模型的彎管沖蝕損傷檢測(cè)流程如圖3所示,詳細(xì)步驟如下。

圖3 MS-1DCNN模型損傷檢測(cè)流程圖

步驟1獲取彎管沖蝕損傷原始時(shí)域信號(hào)并進(jìn)行預(yù)處理,然后將所得樣本數(shù)據(jù)劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。

步驟2初始化模型參數(shù),把訓(xùn)練集分批次輸入MS-1DCNN中,通過前向傳播和最小誤差的反向傳播進(jìn)行模型訓(xùn)練,更新模型參數(shù),驗(yàn)證集用于檢驗(yàn)?zāi)Ｐ途仁欠襁_(dá)到要求,若達(dá)到要求,則保存模型,若達(dá)不到要求,則重新設(shè)置模型的參數(shù),并重復(fù)上述步驟。

步驟3模型確定之后,通過測(cè)試集評(píng)估模型的性能,最后經(jīng)由全連接層輸出損傷檢測(cè)結(jié)果。

2.2 數(shù)據(jù)集樣本構(gòu)造

MS-1DCNN模型的輸入為實(shí)驗(yàn)所得彎管沖蝕損傷原始時(shí)域信號(hào),鑒于模型的深度特性對(duì)樣本量的需求,采用滑窗法構(gòu)造訓(xùn)練樣本和測(cè)試樣本。如圖4所示,滑窗長(zhǎng)度即為所構(gòu)造的樣本長(zhǎng)度,滑窗會(huì)不斷向前移動(dòng),移動(dòng)的距離即為步長(zhǎng),一般小于滑窗長(zhǎng)度,因此相鄰的兩個(gè)樣本間會(huì)有重疊部分。通常步長(zhǎng)為滑窗長(zhǎng)度的1/2,采取此法構(gòu)造樣本可使樣本數(shù)量大大增加,同時(shí)可避免因樣本截?cái)鄬?dǎo)致特征不連續(xù)。

圖4 滑窗法構(gòu)造樣本

3 彎管沖蝕損傷信號(hào)采集與預(yù)處理

3.1 高壓直角彎管沖蝕損傷信號(hào)采集實(shí)驗(yàn)

由于高壓直角彎管在所有高壓彎管失效樣件中占比最高[20],因此,以高壓直角彎管為對(duì)象模擬彎管沖蝕損傷。彎管沖蝕損傷檢測(cè)的實(shí)驗(yàn)裝置如圖5所示,由函數(shù)信號(hào)發(fā)生器、數(shù)字示波器、PZT傳感器和高壓直角彎管等組成。彎管的左端貼一片PZT,作為驅(qū)動(dòng)器與函數(shù)發(fā)生器相連,右端在同一圓周上各間隔90°排列4片PZT傳感器,PZT傳感器與數(shù)字示波器相連,示波器顯示采集的超聲回波信號(hào)。

圖5 實(shí)驗(yàn)裝置圖

采用砂輪打磨的方式來模擬高壓直角彎管的沖蝕損傷,使獲得的損傷均勻增加,模擬實(shí)際工況下彎管隨時(shí)間增長(zhǎng)沖蝕逐漸加重的過程。首先測(cè)量完整彎管的壁厚,然后再分4次打磨,每次打磨之后用超聲波測(cè)厚儀對(duì)打磨處進(jìn)行測(cè)厚且與未打磨前的厚度進(jìn)行對(duì)比得出損傷的深度。實(shí)驗(yàn)時(shí)把待測(cè)彎管置于泡沫板上,以防超聲波被外部固體介質(zhì)吸收導(dǎo)致實(shí)驗(yàn)結(jié)果不精確。在不同的沖蝕工況下彎管壁厚變化如表1所示。

表1 彎管壁厚與損傷深度

分別將無損傷時(shí)和4種不同損傷深度時(shí)的高壓直角彎管接入試驗(yàn)裝置,通過實(shí)驗(yàn)獲得這5種不同程度的彎管損傷信號(hào),實(shí)驗(yàn)時(shí)接收端分為A、B、C、D共4個(gè)通道接收超聲信號(hào),一次實(shí)驗(yàn)分別對(duì)4個(gè)接收端依次采集信號(hào),同時(shí)每種損傷深度的彎管進(jìn)行4次重復(fù)實(shí)驗(yàn),所以每種損傷深度的彎管共獲得16組信號(hào),5種不同類型的損傷深度的彎管信號(hào)一共有80組。

3.2 彎管沖蝕損傷信號(hào)預(yù)處理

為了獲取更多的樣本數(shù)據(jù),采取第2節(jié)中所述的樣本構(gòu)造方法,即通過滑窗法對(duì)每條信號(hào)進(jìn)行樣本擴(kuò)充,每個(gè)樣本長(zhǎng)度取4 096,每條信號(hào)獲得90個(gè)樣本,4個(gè)通道獲得1 440個(gè)樣本,5種缺陷共有7 200個(gè)可用于網(wǎng)絡(luò)模型訓(xùn)練、驗(yàn)證與測(cè)試的樣本。對(duì)于深度學(xué)習(xí)模型,通常用于訓(xùn)練的樣本數(shù)量越多,模型取得的效果也會(huì)越好。對(duì)7 200個(gè)樣本數(shù)據(jù)進(jìn)行劃分,樣本以8∶1∶1的比例劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。

4 彎管沖蝕損傷檢測(cè)試驗(yàn)

4.1 MS-1DCNN模型試驗(yàn)

使用python軟件在Keras(由谷歌工程師開發(fā)的深度學(xué)習(xí)框架)環(huán)境下對(duì)MS-1DCNN模型進(jìn)行編程,使用的計(jì)算機(jī)處理器為Intel(R)Core(TM)i5-7 200 UCPU@2.71 GHz,內(nèi)存為4 GB。設(shè)計(jì)好模型后把訓(xùn)練集輸入到模型中進(jìn)行訓(xùn)練,用驗(yàn)證集對(duì)模型進(jìn)行驗(yàn)證,測(cè)試集用于評(píng)估模型的性能,同時(shí)輸出檢測(cè)結(jié)果。模型每次送入32個(gè)訓(xùn)練樣本進(jìn)行訓(xùn)練,單次實(shí)驗(yàn)的迭代次數(shù)設(shè)置為100。

4.2 MS-1DCNN模型試驗(yàn)結(jié)果與分析

訓(xùn)練集和驗(yàn)證集的準(zhǔn)確率與損失曲線如圖6所示,從圖6(a)可以看出,訓(xùn)練集在迭代至30次時(shí)模型準(zhǔn)確率趨于穩(wěn)定,且準(zhǔn)確率達(dá)到100%,驗(yàn)證集在迭代40次以后趨于穩(wěn)定,但準(zhǔn)確率還在緩慢增加,在迭代100次左右時(shí)準(zhǔn)確率超過98%。從圖6(b)中可以看出,訓(xùn)練集和驗(yàn)證集的損失在分別在30次和40次左右收斂,此時(shí)驗(yàn)證集的損失還在降低,最終不論訓(xùn)練集還是驗(yàn)證集的損失都趨近于0,說明模型的收斂性能優(yōu)秀。

圖6 訓(xùn)練過程中訓(xùn)練集與驗(yàn)證集的準(zhǔn)確率和損失函數(shù)曲線

僅從模型的準(zhǔn)確率來看并不能對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行量化,為了進(jìn)一步觀測(cè)模型在測(cè)試時(shí)對(duì)彎管不同深度損傷類別的分類情況,引入混淆矩陣[21]對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行分析。模型試驗(yàn)效果最好的一次分類結(jié)果的混淆矩陣如圖7所示,Y軸為不同損傷深度類別的真實(shí)標(biāo)簽,X軸為預(yù)測(cè)標(biāo)簽,對(duì)角線上的數(shù)值表示對(duì)每個(gè)類別的分類準(zhǔn)確率,主對(duì)角線以外的數(shù)值代表了錯(cuò)誤分類的具體分布。其中標(biāo)簽為C0、C1、C4的損傷類別準(zhǔn)確率為100%,即對(duì)無損傷、損傷深度為0.48 mm和1.34 mm的彎管沖蝕損傷信號(hào)判斷完全正確;標(biāo)簽為C2和C3的準(zhǔn)確率均為99%,其中標(biāo)簽為C2的有1%錯(cuò)誤判斷為標(biāo)簽C3,標(biāo)簽為C3的有1%錯(cuò)誤判斷為標(biāo)簽C2,即損傷深度為1.10 mm和1.19 mm的彎管信號(hào)判斷準(zhǔn)確率為99%,其中1%的1.10 mm深度損傷錯(cuò)誤判斷為1.19 mm深度損傷,1%的1.19 mm深度損傷錯(cuò)誤判斷為1.10 mm深度損傷,原因是第三類和第四類的損傷深度差距非常微小,僅有0.09 mm,多尺度卷積神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)后仍不能100%識(shí)別。

圖7 彎管沖蝕損傷分類結(jié)果的混淆矩陣

為了進(jìn)一步評(píng)價(jià)模型的性能,對(duì)每一種損傷類別采用精準(zhǔn)率、召回率和F1得分(F1得分是綜合了精確率和召回率的結(jié)果)進(jìn)行全面評(píng)價(jià)。模型指標(biāo)的數(shù)值如表2所示,其中精確率反映了對(duì)分類為正類樣本的樣本,有多大的把握能夠保證正確,召回率指真實(shí)值為正類的所有樣本中模型正確分為正類的比例,它反映了實(shí)際是正類的樣本有多大的比率被正確的區(qū)分。以上指標(biāo)取值范圍均在0～1,值越接近于1,代表模型的綜合性能越好。從表2中可以看出各指標(biāo)數(shù)值都在0.98以上,說明滿足高壓彎管沖蝕損傷智能檢測(cè)的要求。

表2 模型性能評(píng)價(jià)指標(biāo)

4.3 MS-1DCNN模型特征可視化

為了驗(yàn)證MS-1DCNN模型提取彎管不同深度損傷信號(hào)特征的能力,采用t分布隨機(jī)鄰域嵌入(distributed stochastic neighbor embedding,t-SNE)[22]技術(shù)對(duì)模型提取的特征進(jìn)行降維可視化,把全連接層中的特征作為模型提取的故障特征進(jìn)行可視化分析。模型提取特征的散點(diǎn)圖如圖8所示,可以看出,同一種深度的損傷特征能夠較好地聚集在一起,不同類別深度的損傷特征則能夠被有效區(qū)分開。結(jié)果表明,該模型特征提取能力出色。因此,MS-1DCNN模型能夠完成提取高壓彎管不同深度沖蝕損傷信號(hào)特征的任務(wù)。

圖8 基于t-SNE技術(shù)的MS-1DCNN模型特征可視化散點(diǎn)圖

4.4 模型對(duì)比

為驗(yàn)證本文模型的優(yōu)勢(shì),將本文模型與單一尺度1DCNN和BP神經(jīng)網(wǎng)絡(luò)對(duì)比,準(zhǔn)確率取10次模型試驗(yàn)結(jié)果的平均值,1DCNN兩層卷積層卷積核尺度分別為16×15,32×7,其他參數(shù)設(shè)置與MS-1DCNN相同,BP神經(jīng)網(wǎng)絡(luò)的輸入為提取損傷信號(hào)的平均值、峭度、峰值因子等13個(gè)常用的時(shí)域特征組成的數(shù)據(jù)集。對(duì)比結(jié)果如表3所示,可以看出,BP神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確率為20.44%,卷積神經(jīng)網(wǎng)絡(luò)方法的平均準(zhǔn)確率遠(yuǎn)遠(yuǎn)高于BP神經(jīng)網(wǎng)絡(luò)的方法。之所以與前兩種方法差距較大,是由于BP神經(jīng)網(wǎng)絡(luò)需要人工提取損傷信號(hào)特征,且彎管沖蝕損傷深度差距較小,人工提取出的信號(hào)特征難以辨別,導(dǎo)致BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練時(shí)準(zhǔn)確率降低。本文方法高于其他算法,且準(zhǔn)確率達(dá)到99.18%。進(jìn)一步證明了本文模型在彎管沖蝕損傷檢測(cè)方面的優(yōu)勢(shì)與先進(jìn)性。

表3 不同模型對(duì)比結(jié)果

5 結(jié)論

針對(duì)高壓管匯沖蝕損傷缺乏智能檢測(cè)方法的問題,提出一種多尺度一維卷積神經(jīng)網(wǎng)絡(luò)的彎管沖蝕損傷智能檢測(cè)方法。通過對(duì)實(shí)驗(yàn)所得彎管沖蝕損傷信號(hào)進(jìn)行損傷檢測(cè),證明了該方法的優(yōu)勢(shì),得出以下結(jié)論。

(1)該方法直接作用于彎管沖蝕損傷原始時(shí)域信號(hào),無需人工提取特征,成功實(shí)現(xiàn)了管道沖蝕損傷的智能檢測(cè),且檢測(cè)的精度達(dá)到99.18%,值得注意的是對(duì)于損傷深度差距很小的管道損傷類別也能高精度的識(shí)別。

(2)通過引入混淆矩陣可以對(duì)彎管的損傷診斷結(jié)果進(jìn)行量化,分析正確分類的結(jié)果以及錯(cuò)誤分類的分布情況。結(jié)果表明,正確分類的精度很高,每種類別都不低于99%。錯(cuò)誤分類主要集中在第三和第四種工況,是由于第三類和第四類損傷差距過小導(dǎo)致的。

(3)通過模型對(duì)比發(fā)現(xiàn),MS-1DCNN模型取得了更加優(yōu)異的結(jié)果,其檢測(cè)準(zhǔn)確率高于其他算法,并且網(wǎng)絡(luò)在訓(xùn)練完成后,測(cè)試的時(shí)間僅需1 s,有利于進(jìn)一步實(shí)現(xiàn)在線智能損傷檢測(cè)。

(4)基于MS-1DCNN的彎管沖蝕損傷智能檢測(cè)方法的應(yīng)用可為高壓管匯沖蝕損傷的智能檢測(cè)提供一定參考,對(duì)于高壓管匯在使用過程中因沖蝕磨損導(dǎo)致的安全性問題具有重要指導(dǎo)意義。