深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)在管道故障診斷中的應(yīng)用研究

王新穎，宋興帥，楊泰旺

(常州大學(xué)環(huán)境與安全工程學(xué)院，江蘇 常州 213164)

由于油氣管道在不同輸運(yùn)狀態(tài)時(shí)產(chǎn)生的聲發(fā)射信號(hào)不同，所以利用聲發(fā)射信號(hào)對管道進(jìn)行檢測成為無損監(jiān)測中的一種有效方法[1-2]。近些年，隨著人工智能技術(shù)和計(jì)算機(jī)的迅速發(fā)展，國內(nèi)外專家基于已采集的聲發(fā)射信號(hào)提出了反向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)[3-5]、DS融合[6-7]和支持向量機(jī)(Support Vector Machine，SVM)[8-10]等方法對管道故障進(jìn)行智能診斷。然而BPNN方法存在收斂速度過慢的問題，并且容易陷入局部最優(yōu)；DS融合方法通常在識(shí)別過程中無法獲得大量的樣本數(shù)據(jù)；SVM方法其實(shí)是一個(gè)針對二分類問題的分類器，而針對多分類問題，其存在參數(shù)和核函數(shù)不容易確定等缺點(diǎn)，并且分類器的構(gòu)造比較困難，最終的分類效果也不佳。此外，以上幾種方法大多是淺層機(jī)器學(xué)習(xí)方法，其學(xué)習(xí)能力都受到了一定限制，而且特征的提取和選擇也大多都是根據(jù)人工經(jīng)驗(yàn)來完成，其診斷結(jié)果不能令人滿意；而且，以上方法對數(shù)據(jù)樣本的完整性要求較高，因此無法充分利用聲發(fā)射檢測系統(tǒng)中的大量無標(biāo)簽數(shù)據(jù)。

深度機(jī)器學(xué)習(xí)是由Hinton教授等[11]在2006年提出的，深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)就是其中之一，較強(qiáng)的自動(dòng)學(xué)習(xí)能力是它的最大特點(diǎn)，主要體現(xiàn)在可以對輸入數(shù)據(jù)進(jìn)行逐層的特征學(xué)習(xí)，并能夠轉(zhuǎn)換重構(gòu)新的特征，避免了特征的人工選擇和提取，所以其漸漸成為了近幾年國內(nèi)外的研究熱點(diǎn)之一[12-14]。深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)是用無監(jiān)督的方式對樣本數(shù)據(jù)進(jìn)行訓(xùn)練，將采集到的聲發(fā)射無標(biāo)簽樣本數(shù)據(jù)對深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)分類模型進(jìn)行預(yù)訓(xùn)練和參數(shù)優(yōu)化，從而使分類模型的辨識(shí)率有一定的提升。如今，這種方法已成功地應(yīng)用于文字識(shí)別、圖片識(shí)別、人臉識(shí)別等方面[15-17]，但是在油氣管道故障診斷方面的應(yīng)用研究才剛開始。

本文在深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，建立了深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)分類模型，并以4個(gè)經(jīng)典機(jī)器學(xué)習(xí)分類數(shù)據(jù)集為樣本進(jìn)行分類性能測試，同時(shí)根據(jù)管道聲發(fā)射檢測系統(tǒng)中已采集的數(shù)據(jù)樣本與故障狀態(tài)，提出了一種基于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的管道故障診斷方法。該方法以半監(jiān)督的方式進(jìn)行特征學(xué)習(xí)，以其較強(qiáng)的特征學(xué)習(xí)能力可以得出管道不同運(yùn)行狀況的出現(xiàn)概率，能夠?yàn)楣ぷ魅藛T判斷搶修和檢修管道提供依據(jù)。為了驗(yàn)證該方法的有效性，本文將該方法應(yīng)用于實(shí)驗(yàn)室油氣儲(chǔ)運(yùn)管道檢測系統(tǒng)中，并在相同的條件下與BPNN方法和SVM方法進(jìn)行了分析比較。

1 深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)

深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)(Deep Learning Neural Network，DLNN)是一種通常含有3個(gè)或3個(gè)以上隱含層的機(jī)器學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，能夠?qū)μ卣鬟M(jìn)行提取和轉(zhuǎn)換，并以這種方式實(shí)現(xiàn)了機(jī)器自動(dòng)學(xué)習(xí)、數(shù)據(jù)本質(zhì)屬性的挖掘，從而更有利于樣本的分類，也使辨識(shí)準(zhǔn)確率在一定程度上有所提升。DLNN常用的方法有：卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)、自動(dòng)編碼器(Auto-Encoder，AE)、深度信念網(wǎng)絡(luò)(Deep Belief Network，DBN)和限制波爾茲曼機(jī)(Restricted Boltzmann Machine，RBM)。其中，CNN大多數(shù)情況下用于圖像、語音等方面的識(shí)別，而RBM和DBN對數(shù)據(jù)樣本要求過高，這里選取自動(dòng)編碼器(AE)作為深度神經(jīng)網(wǎng)絡(luò)分類的基本模型。

1. 1 自動(dòng)編碼器(AE)

由美國斯坦福大學(xué)Andrew教授的課程筆記[18]可知，自動(dòng)編碼器(AE)是一種以輸出信號(hào)來代替輸入信號(hào)的神經(jīng)網(wǎng)絡(luò)。為了實(shí)現(xiàn)輸出信號(hào)和輸入信號(hào)盡可能的一致，AE就必須提取出具有原數(shù)據(jù)本質(zhì)成分的特征來代表輸入信號(hào)。具體的實(shí)現(xiàn)過程如下：首先，以非/半監(jiān)督方式來學(xué)習(xí)無標(biāo)簽數(shù)據(jù)的本質(zhì)特征；其次，由編碼器輸出特征來訓(xùn)練下一層，并這樣循環(huán)逐層訓(xùn)練；最后，進(jìn)行有監(jiān)督的微調(diào)。

對于一般情況，最基本的AE是一個(gè)三層的神經(jīng)網(wǎng)絡(luò)，如圖1所示，x為輸入層，h為隱含層，y為輸出層，x和y一般有相同的節(jié)點(diǎn)。將樣本從x到h轉(zhuǎn)換的過程叫作編碼，而將h到y(tǒng)轉(zhuǎn)換的過程叫作解碼，如圖2所示。假設(shè)f為編碼函數(shù)，g為解碼函數(shù)，則兩個(gè)函數(shù)的表達(dá)式如下：

h=f(x)=Sf(Wx+p)

(1)

y=g(h)=Sg(WT+q)

(2)

式中：Sf和Sg一般取Sigmoid函數(shù)；Wx為x和h之間的權(quán)值矩陣；WT為h和y之間的權(quán)值矩陣；p為h的偏置向量；q為y的偏置向量。

圖1 自動(dòng)編碼器網(wǎng)絡(luò)圖Fig.1 Network diagram of AE

圖2 自動(dòng)編碼器機(jī)理圖Fig.2 Mechanism diagram of AE

為了更加準(zhǔn)確地將特征表示出來，AE參數(shù)W、p和q簡記為θ。

假設(shè)訓(xùn)練樣本集S={x1，x2，…，xn}，對AE進(jìn)行預(yù)訓(xùn)練實(shí)際上是通過S對參數(shù)θ進(jìn)行訓(xùn)練。因此，通常先把訓(xùn)練后的目標(biāo)定義出來，即解碼后輸出的y應(yīng)該與輸入x盡最大限度地逼近，重構(gòu)誤差函數(shù)L(X,Y)可以用來表示這種逼近程度，L(x,y)可定義為

L(x,y)=∑ni=1[xiln(yi)+(1-xi)ln(1-yi)]

(3)

基于上式關(guān)于訓(xùn)練樣本集S的損失函數(shù)可表示為

JAE(θ)=1N∑x∈SL[x,g(f(x))]

(4)

式中：JAE(θ)為關(guān)于參數(shù)θ的損失函數(shù);N為訓(xùn)練樣本集中輸入樣本的個(gè)數(shù)。

每層AE的參數(shù)θ就是將式(4)進(jìn)行最小化處理得到的。但是，對于大多數(shù)的實(shí)際應(yīng)用，假如僅僅將損失函數(shù)做極小化處理，很多時(shí)候或許會(huì)獲得一個(gè)恒等函數(shù)。為了避免這種情況的出現(xiàn)，使用AE的一種變體——稀疏自動(dòng)編碼器進(jìn)行處理。

1. 2 稀疏自動(dòng)編碼器

一般情況下，自動(dòng)編碼器有兩種變體：稀疏自動(dòng)編碼器(Sparse Auto-Encoder)和降噪自動(dòng)編碼器(Denosing Auto-Encoder)。為了避免恒等式的出現(xiàn)，這里選擇稀疏自動(dòng)編碼器對損失函數(shù)進(jìn)行處理。稀疏自動(dòng)編碼器就是在AE的基礎(chǔ)上加上一些規(guī)則限制條件，以便使獲得的編碼盡可能稀疏，其中稀疏的表達(dá)方式是各種表達(dá)方式中最好的一種。針對以上損失函數(shù)容易出現(xiàn)恒等的問題，能夠通過對其進(jìn)行稀疏性限制來解決，又稱作稀疏自編碼。這里選用一種基于相對熵的方法來實(shí)現(xiàn)，下式表示具體的損失函數(shù):

JAE+sp(θ)=∑x∈SL[x,g(f(x))]+β∑mj=1KL(ρ·ρ∧j)

(5)

式中：β為權(quán)重系數(shù)；ρ為稀疏性參數(shù)；ρ∧j為xi在隱含層上第j個(gè)神經(jīng)元的平均激活度。

其中，KL(ρ·ρ∧j)的表達(dá)式為

KL(ρ·ρ∧j)=ρlnρρ∧j+(1-ρ)ln1-ρρ∧j

(6)

從公式(6)中可以看出,ρ∧與ρ差值的增大可以使KL(ρ·ρ∧j)漸漸減小，只有兩者的值相等時(shí)才能獲得最小值0。因此，ρ∧j與ρ的差值逼近于0的過程能夠通過最小化函數(shù)來實(shí)現(xiàn)。

2 深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)分類模型的建立與測試

2. 1 深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)分類模型的建立

本文建立了深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)分類(Classification Deep Learning Neural Network，CDLNN)模型，它是由輸入層、若干個(gè)AE層、分類層、輸出層組合而成，其中若干個(gè)AE層是以堆疊的形式存在的。CDLNN模型的框架見圖3。為了解決多分類的問題，選擇SOFTMAX作為分類器，由于該分類器能夠輸出分類結(jié)果的概率，而且可以與AE較好地結(jié)合，通常能夠得到較佳的分類效果[19-20]。

圖3 深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)分類模型Fig.3 The CDLNN model

CDLNN模型解決多分類問題的訓(xùn)練過程通常有預(yù)訓(xùn)練和微調(diào)兩個(gè)過程：預(yù)訓(xùn)練的第一步就是選取無標(biāo)簽數(shù)據(jù)或者去標(biāo)簽數(shù)據(jù)構(gòu)建輸入樣本，然后利用BP算法使一系列AE參數(shù)完成初始化；微調(diào)就是利用帶有標(biāo)簽的樣本對整個(gè)網(wǎng)絡(luò)參數(shù)進(jìn)行調(diào)整，使輸出特征與輸入數(shù)據(jù)樣本的誤差最小，從而使CDLNN模型的識(shí)別性能達(dá)到最佳。

2. 2 CDLNN模型分類性能的測試

本文利用所建立的CDLNN模型對Iris、Adult、Wine、Car Evaluation這4個(gè)經(jīng)典機(jī)器學(xué)習(xí)數(shù)據(jù)集進(jìn)行分類性能測試，初始學(xué)習(xí)速率值設(shè)置為0.1，網(wǎng)絡(luò)參數(shù)θ初始化遵從高斯分布的隨機(jī)較小值，參數(shù)更新速率值設(shè)置為0.01。表1為CDLNN模型對4個(gè)數(shù)據(jù)集的分類性能測試結(jié)果。

表1 CDLNN模型對4個(gè)數(shù)據(jù)集的分類性能測試結(jié)果

由表1可見，CDLNN模型對各個(gè)數(shù)據(jù)集的分類效果均達(dá)到了令人滿意的結(jié)果，平均分類正確率均達(dá)到96%以上，這表明建立的CDLNN模型能夠用來解決多分類的問題。

3 基于CDLNN模型的管道故障診斷方法

3. 1 選取樣本數(shù)據(jù)

為了使樣本集不至于太偏斜，又確保能夠獲得充足的數(shù)據(jù)樣本，本次研究選用近期實(shí)驗(yàn)室多次管道泄漏試驗(yàn)所采集的聲發(fā)射數(shù)據(jù)，由于這些數(shù)據(jù)沒有標(biāo)簽，因此可以作為預(yù)訓(xùn)練樣本。實(shí)驗(yàn)室進(jìn)行燃?xì)夤艿佬孤┰囼?yàn)時(shí)，用斷鉛來模擬管道斷裂時(shí)管道發(fā)出的聲發(fā)射信號(hào)，用紗布摩擦來模擬管道發(fā)生裂紋時(shí)管道發(fā)出的聲發(fā)射信號(hào)，打開泄漏閥模擬燃?xì)夤艿佬孤顟B(tài)時(shí)管道發(fā)出的聲發(fā)射信號(hào)，并采集正常輸運(yùn)情況下管道發(fā)出的聲發(fā)射信號(hào)。由于微調(diào)需要用少量的帶標(biāo)簽樣本，所以本次研究將模擬管道故障時(shí)獲得的數(shù)據(jù)作為微調(diào)所需樣本。

3. 2 選取特征變量

參照聲發(fā)射檢測系統(tǒng)采集到的數(shù)據(jù)，并根據(jù)CDLNN模型的自動(dòng)學(xué)習(xí)、轉(zhuǎn)換特征和分類的能力，選取幅值、絕對能量、振鈴計(jì)數(shù)、上升時(shí)間、持續(xù)時(shí)間、平均信號(hào)電平、有效值電壓和事件計(jì)數(shù)這8個(gè)反映管道運(yùn)行狀態(tài)的特征變量，為了使各特征變量之間的差異盡可能縮小，也為了使計(jì)算更加精確，利用下式對各個(gè)特征變量進(jìn)行標(biāo)準(zhǔn)化處理:

xnew=x-xmeanxstd

(7)

式中：xnew為特征參數(shù)標(biāo)準(zhǔn)化后的值；x為特征參數(shù)原來的值；xmean為各樣本集中此特征參數(shù)的均值；xstd為樣本集中此特征參數(shù)的標(biāo)準(zhǔn)差值。

3. 3 管道運(yùn)行狀態(tài)編碼

參照管道實(shí)際輸運(yùn)過程中容易出現(xiàn)的故障，將故障的診斷結(jié)果歸納為4種類型，并將各種故障類型進(jìn)行了編碼，見表2。

表2 管道運(yùn)行狀態(tài)編碼

3. 4 管道故障診斷CDLNN模型的建立

圖4為管道故障診斷CDLNN模型的結(jié)構(gòu)。輸入模型中是已標(biāo)準(zhǔn)化處理的8個(gè)特征參數(shù)值，輸出模型中則是管道各輸運(yùn)狀態(tài)的概率值，其中最大概率所對應(yīng)的運(yùn)行狀態(tài)就是管道故障診斷的結(jié)果。

圖4 管道故障診斷CDLNN模型的結(jié)構(gòu)Fig.4 Structure of the pipeline fault diagnosis model based on CDLNN model

管道故障診斷CDLNN模型的訓(xùn)練過程與CDLNN模型相似，主要分為預(yù)訓(xùn)練和微調(diào)兩個(gè)過程。首先將已標(biāo)準(zhǔn)化處理的8個(gè)特征參數(shù)輸入模型，并利用大量的訓(xùn)練樣本對一系列AE參數(shù)進(jìn)行初始化；然后對參數(shù)進(jìn)行微調(diào)，利用少量帶有標(biāo)簽的數(shù)據(jù)樣本對整個(gè)網(wǎng)絡(luò)進(jìn)行調(diào)整，從而使CDLNN模型的故障診斷效果獲得最佳；最后輸出管道各輸運(yùn)狀態(tài)的概率，其中最大的概率所對應(yīng)的管道運(yùn)行狀態(tài)即為診斷結(jié)果。

3. 5 基于CDLNN模型的管道故障診斷流程

基于CDLNN模型的管道故障診斷流程如下(見圖5)：

圖5 基于CDLNN模型的管道故障診斷流程Fig.5 Flowchart of pipeline fault diagnosis based on CDLNN model

(1) 采集管道故障數(shù)據(jù)：對被測管道加以斷鉛、紗布摩擦、打開泄漏閥等激勵(lì)措施，在聲發(fā)射采集系統(tǒng)中采集不同故障狀態(tài)下的聲發(fā)射信號(hào)。

(2) 數(shù)據(jù)預(yù)處理：將采集到不同類型故障數(shù)據(jù)標(biāo)準(zhǔn)化，并劃分為訓(xùn)練樣本和測試樣本。

(3) 編碼及CDLNN模型的建立：針對管道不同的故障狀態(tài)進(jìn)行編碼，并構(gòu)建CDLNN模型。

(4) 初始化網(wǎng)絡(luò)：將網(wǎng)絡(luò)的結(jié)構(gòu)和相關(guān)參數(shù)進(jìn)行初始化，一般包括AE網(wǎng)絡(luò)層數(shù)、學(xué)習(xí)率、特征向量維數(shù)和迭代次數(shù)等。

(5) AE預(yù)訓(xùn)練：輸入管道故障聲發(fā)射信號(hào)的訓(xùn)練樣本集逐層訓(xùn)練堆疊自動(dòng)編碼器，直到達(dá)到收斂標(biāo)準(zhǔn)才結(jié)束訓(xùn)練。

(6) 全局微調(diào)：使用BP算法或CD算法輸入堆疊自動(dòng)編碼器的特征輸出和相應(yīng)的類別標(biāo)簽來訓(xùn)練整個(gè)網(wǎng)絡(luò)。

(7) 診斷性能測試：將已訓(xùn)練好的網(wǎng)絡(luò)保存，并用選取的測試樣本進(jìn)行故障診斷測試。

(8) 輸出診斷結(jié)果。

4 檢測試驗(yàn)與結(jié)果分析

4. 1 試驗(yàn)設(shè)計(jì)

為了驗(yàn)證該方法的有效性，本試驗(yàn)設(shè)計(jì)了實(shí)驗(yàn)室管道泄漏聲發(fā)射檢測系統(tǒng)，并在該系統(tǒng)中模擬管道故障點(diǎn)兩側(cè)放置2個(gè)聲發(fā)射傳感器，分別采集若干周期的管道運(yùn)行正常、管道泄漏、管道斷裂、管道裂紋的信號(hào)數(shù)據(jù)。圖6為實(shí)驗(yàn)室管道泄漏聲發(fā)射檢測系統(tǒng)，該系統(tǒng)是由數(shù)據(jù)采集及處理、管道儲(chǔ)運(yùn)和測量儀器儀表3個(gè)單元組成，測量儀器為PCI-Ⅱ聲發(fā)射卡、S/N2462026504放大器、R15單端寬頻帶聲發(fā)射傳感器。圖7為兩個(gè)R15單端寬頻帶聲發(fā)射傳感器，這兩個(gè)聲發(fā)射傳感器放置在管道故障點(diǎn)的兩側(cè)。

圖6 實(shí)驗(yàn)室管道泄漏聲發(fā)射檢測系統(tǒng)Fig.6 Acoustic emission detection system in laboratory

圖7 故障點(diǎn)兩側(cè)的兩個(gè)聲發(fā)射傳感器Fig.7 Two acoustic emission sensors on two sides of the point of failure

試驗(yàn)數(shù)據(jù)采集過程如下：由空氣壓縮機(jī)為管道提供空氣模擬燃?xì)夤艿?，對被測管道進(jìn)行斷鉛、紗布摩擦、打開泄漏閥等操作以模擬管道斷裂、管道裂紋、管道泄漏，并且不對管道進(jìn)行任何操作以模擬管道正常運(yùn)行；通過圖7中的兩個(gè)R15單端寬頻帶聲發(fā)射傳感器進(jìn)行聲發(fā)射數(shù)據(jù)的采集，繼而采用小波分析法對兩個(gè)傳感器信號(hào)數(shù)據(jù)進(jìn)行特征提取，選擇幅值、絕對能量、振鈴計(jì)數(shù)、上升時(shí)間、持續(xù)時(shí)間、平均信號(hào)電平、有效值電壓和事件計(jì)數(shù)這8個(gè)特征參數(shù)作為輸入模型的原始數(shù)據(jù)。

本試驗(yàn)選取正常、故障和近似故障樣本去標(biāo)簽數(shù)據(jù)共2 500組作為預(yù)訓(xùn)練集，將故障、正常狀態(tài)帶標(biāo)簽數(shù)據(jù)共600組作為微調(diào)集和測試集，其比例為2∶1,利用已建立的CDLNN模型對管道故障診斷進(jìn)行測試。

4. 2 試驗(yàn)結(jié)果與分析

4.2.1 不同AE層數(shù)時(shí)CDLNN模型的管道故障診斷效果

在實(shí)際情況中，AE的層數(shù)并不是固定不變的，而是要根據(jù)當(dāng)前解決的問題進(jìn)行不斷嘗試后選取的，因此本試驗(yàn)依次選取0～10的AE層數(shù)對CDLNN模型的管道故障診斷效果進(jìn)行了測試，其測試結(jié)果見圖8。

圖8 AE層數(shù)為0～10時(shí)CDLNN模型的管道故障診斷效果Fig.8 Effect of CDLNN based pipeline fault diagnosis when the layer number of AE is 0 to 10

由圖8可見，當(dāng)AE層數(shù)達(dá)到4層時(shí)，CDLNN模型的管道故障平均診斷正確率已經(jīng)非常高，但隨著AE層數(shù)的逐漸增加，其平均診斷正確率的增長急劇變緩，并且CDLNN模型的訓(xùn)練時(shí)間也會(huì)變長，因此為了以最少的訓(xùn)練時(shí)間得到最佳的診斷效果，本試驗(yàn)中將AE的層數(shù)設(shè)置為4層。

4.2.2 不同預(yù)訓(xùn)練集樣本數(shù)量時(shí)CDLNN模型的管道故障診斷效果

針對不同預(yù)訓(xùn)練集樣本數(shù)量時(shí)CDLNN模型的管道故障診斷效果測試結(jié)果，見表3。

表3 不同預(yù)訓(xùn)練集樣本數(shù)量時(shí)CDLNN模型的管道故障 診斷效果測試結(jié)果

由表3可見，CDLNN模型的管道故障平均診斷正確率隨著預(yù)訓(xùn)練集樣本數(shù)量的增加而不斷提升，當(dāng)預(yù)訓(xùn)練集樣本數(shù)量達(dá)到2 500組時(shí)，管道故障平均診斷正確率已經(jīng)達(dá)到了90%以上，這表明CDLNN模型有較優(yōu)的故障診斷性能，并且可以適用于不同管道故障情況的診斷。

目前應(yīng)用于管道故障診斷的方法較多，其他常用的方法還有BPNN方法和SVM方法，本文將這兩種方法在相同的試驗(yàn)條件下進(jìn)行了管道故障診斷效果測試，并與本文方法進(jìn)行了對照比較，其測試結(jié)果見表4。其中，BPNN方法的最大訓(xùn)練迭代次數(shù)cepochs取1 500，學(xué)習(xí)速率vIr取0.01；SVM方法的規(guī)則化系數(shù)C取2 048，核函數(shù)參數(shù)γ取0.03，向量機(jī)核函數(shù)選用RBF函數(shù)。

表4 不同訓(xùn)練集樣本數(shù)量時(shí)SVM方法和BPNN方法的 管道故障診斷效果測試結(jié)果

通過比較表3和表4中的管道故障診斷效果測試結(jié)果可知：本文研究方法對管道故障的平均診斷正確率最高，SVM方法次之，其診斷效果相比傳統(tǒng)的BPNN方法要好，但SVM方法一般適用于二分類問題，對于多分類問題，則在尋找最優(yōu)參數(shù)方面存在不足，而且必須依靠多次試驗(yàn)才能獲得理想的判別效果；而本文研究方法的管道故障診斷效果更優(yōu)于SVM方法，且避免了BPNN方法和SVM方法人工提取和選擇特征的過程，該方法從輸入數(shù)據(jù)中自動(dòng)地逐層學(xué)習(xí)特征，提取重構(gòu)出代表故障信號(hào)本質(zhì)的特征，并輸入到適用于多分類問題的分類器SOFTMAX中進(jìn)行分類。因此，本文的研究方法相比于BPNN方法、SVM方法在管道故障診斷上具有更優(yōu)的診斷效果，能夠?yàn)閾尅z修人員判斷管道是否故障提供更科學(xué)的參考依據(jù)。此外，在試驗(yàn)中發(fā)現(xiàn)，CDLNN模型的管道故障平均診斷準(zhǔn)確率會(huì)隨著訓(xùn)練集樣本數(shù)量的增加而提高，當(dāng)訓(xùn)練集樣本數(shù)量達(dá)到一定程度時(shí)，其準(zhǔn)確率提高的速度會(huì)明顯變慢；而SVM方法和BPNN方法在對訓(xùn)練集樣本數(shù)量達(dá)到400組時(shí)，管道故障平均診斷準(zhǔn)確率就基本保持不變了，這說明采用半監(jiān)督式學(xué)習(xí)的CDLNN方法比采用監(jiān)督式學(xué)習(xí)的SVM方法和BPNN方法具有更強(qiáng)的學(xué)習(xí)能力和擴(kuò)展能力。

5 結(jié) 論

本文針對管道故障模式識(shí)別方法中存在的識(shí)別率低、人工選取特征復(fù)雜等弊端，提出了一種基于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的管道故障診斷方法，并將該方法應(yīng)用于實(shí)驗(yàn)室油氣儲(chǔ)運(yùn)管道泄漏檢測系統(tǒng)中，試驗(yàn)結(jié)果表明：該方法能夠較好地應(yīng)用于管道故障檢測領(lǐng)域，管道故障平均診斷準(zhǔn)確率達(dá)92.86%，顯著提高了管道故障診斷的準(zhǔn)確率和可操作性。

[1] 于蕊.泄漏聲發(fā)射信號(hào)特征提取與識(shí)別方法研究[D].昆明：昆明理工大學(xué)，2016.

[2] 孫立瑛，李一博，曲志剛，等.EMD信號(hào)分析方法的聲發(fā)射管道泄漏檢測研究[J].振動(dòng)與沖擊，2007，26(10)：161-163.

[3] 楊宏宇.基于小波分析與BP神經(jīng)網(wǎng)絡(luò)的管道泄漏診斷方法的研究[D].沈陽：東北大學(xué)，2009.

[4] 孫曉松，譚興強(qiáng).基于小波分解的管道泄漏神經(jīng)網(wǎng)絡(luò)檢測與定位[J].石油機(jī)械，2006，34(8)：56-58.

[5] 李群燕，幸福堂，桂瞬豐，等.基于BP神經(jīng)網(wǎng)絡(luò)的機(jī)械系統(tǒng)故障診斷[J].安全與環(huán)境工程，2015，22(6)：116-119.

[6] 王新穎，江志偉，于永亮，等.多信息融合的城市燃?xì)夤艿佬孤┰\斷技術(shù)研究[J].中國安全科學(xué)學(xué)報(bào)，2014，24(6)：165-171.

[7] Ai L M，Wang J，Wang X L.Multi-features fusion diagnosis of tremor based on artificial neural network and D-S evidence theory[J].SignalProcessing，2008，88(12)：2927-2934.

[8] 駱正山，畢傲睿，王小完.基于PCA-SVM的高含硫油氣混輸管道腐蝕預(yù)測[J].中國安全科學(xué)學(xué)報(bào)，2016，26(2)：85-89.

[9] 姚琦，牛瑞卿，趙金童，等.基于經(jīng)驗(yàn)?zāi)B(tài)分解-支持向量機(jī)的滑坡位移預(yù)測方法研究[J].安全與環(huán)境工程，2017，24(1)：26-31.

[10]Guyon I，Weston J，Barnhill S，et al.Gene selection for cancer classification using support vector machines[J].MachineLearning,2006，12(3):222-225.

[11]Hinton G E，Salakhutdinov R R．Reducing the dimensionality of data with neural networks [J]．Science，2006，313 (5786):504-506．

[12]Bengio Y．Learning deep architectures for AI[J]．FoundationsandTrendsinMachineLearning，2009，2(1):1-127．

[13]Hinton G E，Osindero S，Teh Y W． A fast learning algorithm for deep belief nets[J]．NeuralComputation，2006，18 (7):1527-1554．

[14]Hinton G E．UMTLTR2010-003APracticalGuidetoTrainingRestrictedBoltzmannMachines[R/OL].(2011-08-02)[2011-11-09]． https://www.cs.toronto.edu/～hinton/absps/guideTR.pdf.

[15]Baker J，Deng L，Glass J，et al． Developments and directions in speech recognition and understanding，Part 1[J]．IEEESignalProcessingMagazine，2009，26(3):76-80．

[16]Yu D，Deng L． Deep learning and its applications to signal and information processing [J]．IEEESignalProcessingMagazine，2011，28( 1) :146-153．

[17]Kalal Z，Mikolajczyk K，Matas J． Face-TLD:Tracking-learning-detection applied to faces[C]//2010InternationalConferenceonImageProcessing(ICIP)，September 26-29,2010,Hong Kong.[S.l.]:IEEE,2010:3789-3792．

[18]Bengio S,Dean T,Ng A．UFLDLTutorial[EB/OL]．[2011-11-09].http://openclassroom.stanford.edu/MainFolder/CoursePage. php?course=DeepLearning.

[19]孫勁光，蔣金葉，孟祥福，等．一種數(shù)值屬性的深度置信網(wǎng)絡(luò)分類方法[J]． 計(jì)算機(jī)工程與應(yīng)用，2014，50(2):113-114．

[20]馬勇，鮑長春，夏丙寅． 基于辨別性深度信念網(wǎng)絡(luò)的說話人分割[J]． 清華大學(xué)學(xué)報(bào)(自然科學(xué)版)，2013，53(6):805-807．