基于聲發(fā)射和長短時(shí)記憶神經(jīng)網(wǎng)絡(luò)的端對(duì)端燃?xì)飧邏赫{(diào)壓器故障診斷

王玉玲，陳濤濤，李紅浪

（1.中國科學(xué)院大學(xué)，北京 100049；2.中國科學(xué)院聲學(xué)研究所，北京 100190；3.北京燃?xì)饧瘓F(tuán)有限責(zé)任公司，北京 100011；4.中國科學(xué)院納米科學(xué)卓越創(chuàng)新中心，國家納米科學(xué)中心，北京 100190）

0 引 言

隨著燃?xì)夤?yīng)規(guī)模的不斷擴(kuò)大，燃?xì)夤芫W(wǎng)已經(jīng)遍布城市的各個(gè)角落，燃?xì)庹{(diào)壓器作為燃?xì)夤芫W(wǎng)系統(tǒng)中的關(guān)鍵設(shè)備之一，它的穩(wěn)定可靠運(yùn)行是安全供應(yīng)燃?xì)獾闹匾Ｕ蟍1-3]。當(dāng)調(diào)壓器出現(xiàn)故障無法正常運(yùn)行時(shí)，下游會(huì)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(huì)持續(xù)惡化導(dǎo)致火災(zāi)、爆炸、中毒等事故發(fā)生，因此，快速實(shí)時(shí)地對(duì)調(diào)壓器進(jìn)行故障診斷具有重要的意義[4-5]。

故障檢測(cè)、故障類型判斷、故障定位及故障修復(fù)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(xué)模型的故障診斷方法，系統(tǒng)故障采用參數(shù)估計(jì)法進(jìn)行判別與分析[7]。（2）基于系統(tǒng)輸入輸出信號(hào)奇異性的故障診斷方法，通過對(duì)系統(tǒng)輸入輸出的信號(hào)進(jìn)行預(yù)處理，消除噪聲和輸入突變，剩余的信號(hào)奇異點(diǎn)則對(duì)應(yīng)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(yīng)用于一些很難建立精確數(shù)學(xué)模型的復(fù)雜系統(tǒng)進(jìn)行故障診斷[9]。劉瑤等提出利用聲發(fā)射技術(shù)對(duì)燃?xì)庹{(diào)壓器進(jìn)行故障診斷，通過聲發(fā)射信號(hào)的奇異性來檢測(cè)高壓調(diào)壓器是否發(fā)生故障，但并沒有對(duì)調(diào)壓器的具體故障類型進(jìn)行判斷[10]。

聲發(fā)射信號(hào)本質(zhì)上是一個(gè)時(shí)間序列[11]，如果能夠通過時(shí)域數(shù)據(jù)進(jìn)行調(diào)壓器故障診斷，則更容易在實(shí)踐中應(yīng)用。深度學(xué)習(xí)具有自動(dòng)學(xué)習(xí)提取信號(hào)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(xué)習(xí)模型的優(yōu)勢(shì)在于具有優(yōu)良的特征提取能力，能夠直接利用時(shí)域聲發(fā)射信號(hào)進(jìn)行燃?xì)庹{(diào)壓器的故障診斷，可以擺脫依賴人工進(jìn)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(jìn)的特殊循環(huán)神經(jīng)網(wǎng)絡(luò)（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(shí)序信息進(jìn)行計(jì)算得到預(yù)測(cè)值[14-16]。

因此，本文提出一種基于聲發(fā)射的LSTM端到端燃?xì)飧邏赫{(diào)壓器故障診斷方法，直接利用聲發(fā)射時(shí)域信號(hào)對(duì)調(diào)壓器的運(yùn)行狀態(tài)進(jìn)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(hào)的時(shí)間和空間特征，充分學(xué)習(xí)具有時(shí)序特性的故障信息，進(jìn)一步提高燃?xì)飧邏赫{(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(cè)設(shè)備聲與振動(dòng)信號(hào)的方法。聲發(fā)射本質(zhì)是一種機(jī)械波，是材料在一定應(yīng)力作用后發(fā)生變形或裂紋擴(kuò)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(hào)十分微弱，該信號(hào)不能被人耳直接聽到，需要借助靈敏的傳感器才能探測(cè)到。聲發(fā)射源產(chǎn)生聲發(fā)射信號(hào)，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(jī)械摩擦、燃燒等稱為二次聲發(fā)射源[19]。

因?yàn)殚L時(shí)間運(yùn)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(yùn)行異常。當(dāng)調(diào)壓支路進(jìn)、出口閥門全部開啟時(shí)，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(dǎo)致內(nèi)部流體天然氣從閥口處噴涌而出，因此會(huì)產(chǎn)生波動(dòng)壓力場(chǎng)，形成湍流，調(diào)壓器的聲發(fā)射信號(hào)主要來源于以下兩種原因：

（1）湍流或空氣動(dòng)力學(xué)發(fā)聲：當(dāng)天然氣從閥口噴涌而出時(shí)，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(hào)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(jī)械振動(dòng)發(fā)聲：閥體內(nèi)流體天然氣壓力產(chǎn)生的波動(dòng)不規(guī)則，流體天然氣對(duì)閥筒、閥門彈性等部件的沖擊、擾動(dòng)而產(chǎn)生振動(dòng)，從而產(chǎn)生機(jī)械振動(dòng)發(fā)聲，此振動(dòng)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(huì)伴隨聲發(fā)射現(xiàn)象的產(chǎn)生。經(jīng)過實(shí)驗(yàn)發(fā)現(xiàn)在高壓環(huán)境下，傳感器能夠監(jiān)測(cè)到聲信號(hào)的變化，調(diào)壓器聲發(fā)射信號(hào)是一種非平穩(wěn)連續(xù)型信號(hào)。五種故障情況如下：

（1）閥座損傷：燃?xì)庵袝?huì)含有60 mg·m-3～150 mg·m-3的硫，與鋼管發(fā)生化學(xué)反應(yīng)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(huì)導(dǎo)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(jìn)口或出口端外壁氣蝕嚴(yán)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(duì)聲發(fā)射信號(hào)進(jìn)行預(yù)處理，劃分得到訓(xùn)練集和測(cè)試集；其次，構(gòu)建e2e-LSTM模型，通過訓(xùn)練集數(shù)據(jù)對(duì)e2e-LSTM模型進(jìn)行訓(xùn)練，通過調(diào)整模型參數(shù)來優(yōu)化模型，當(dāng)交叉閥值達(dá)到設(shè)定值時(shí)，結(jié)束訓(xùn)練，保存訓(xùn)練好的模型；最后將測(cè)試集輸入該模型，通過評(píng)價(jià)指標(biāo)值是否接近最優(yōu)，輸出模型訓(xùn)練結(jié)果。故障診斷率計(jì)算如公式1所示，對(duì)故障數(shù)據(jù)集進(jìn)行學(xué)習(xí)并診斷故障類型：

2.2 聲發(fā)射預(yù)處理

燃?xì)庹{(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(duì)采集的聲發(fā)射信號(hào)進(jìn)行預(yù)處理。通過FFT確定噪聲的大致范圍，輸入信號(hào)時(shí)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(yán)重。1 Hz以下信號(hào)濾波后波形如圖3所示，濾波前后時(shí)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(hào)的時(shí)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(yán)重，因此設(shè)計(jì)一個(gè)二階巴特沃斯高通濾波器，截止頻率保守設(shè)定為1 Hz，對(duì)信號(hào)中的低頻段激擾進(jìn)行預(yù)處理結(jié)果如圖3所示。由圖4可以看出小于1 Hz的信號(hào)全部被過濾。

圖3 濾波后信號(hào)時(shí)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(hào)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(hào)頻域波形圖如圖5所示，可以看出不同故障聲發(fā)射信號(hào)的特征差異。

2.3 基于聲發(fā)射的e2e-LSTM模型構(gòu)建

一個(gè)LSTM里面包含三個(gè)門來控制細(xì)胞狀態(tài)，這三個(gè)門分別稱為遺忘門、輸入門和輸出門[20]。門實(shí)際上就是一層全連接層，輸入是一個(gè)向量，輸出是[0,1]之間的一個(gè)實(shí)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(xiàng)，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(shí)現(xiàn)燃?xì)飧邏赫{(diào)壓器故障類型診斷。

首先對(duì)采集到的原始聲發(fā)射數(shù)據(jù)進(jìn)行預(yù)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(duì)聲發(fā)射數(shù)據(jù)信息進(jìn)行連續(xù)處理同時(shí)輸出特征；然后全連接層通過加權(quán)計(jì)算燃?xì)庹{(diào)壓器的故障特征來實(shí)現(xiàn)特征空間轉(zhuǎn)換，模型的診斷能力、復(fù)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(huì)導(dǎo)致模型的非線性表達(dá)能力受到限制，全連接層的層數(shù)過多將會(huì)導(dǎo)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(shí)現(xiàn)信息的傳遞，e2e-LSTM 模型對(duì)故障數(shù)據(jù)樣本進(jìn)行訓(xùn)練，并且實(shí)現(xiàn)對(duì)未知樣本的故障類型進(jìn)行診斷。

圖5 五種故障聲發(fā)射信號(hào)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(yù)處理后進(jìn)行特征提取，構(gòu)成訓(xùn)練集。

（3）初始化LSTM網(wǎng)絡(luò)。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(jī)數(shù)，設(shè)定合理的最大迭代訓(xùn)練次數(shù)和最小誤差值[22]。

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

（5）誤差反向傳播。計(jì)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(xùn)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(duì)檢修結(jié)果標(biāo)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(duì) S1、S4、S5故障，建立的e2e-LSTM模型包含：兩個(gè)LSTM基礎(chǔ)單元模型層、一層全連接層以及一個(gè)softmax層。其中，兩個(gè)LSTM層進(jìn)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(biāo)記空間，最后經(jīng)過softmax層輸出該模型的預(yù)測(cè)診斷結(jié)果。

針對(duì)S2故障，建立的e2e-LSTM模型包含：3個(gè)LSTM基礎(chǔ)單元模型層、一層全連接層以及一個(gè)Softmax層。其中，3個(gè)LSTM層進(jìn)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(biāo)記空間，最后經(jīng)過softmax層輸出該模型的預(yù)測(cè)診斷結(jié)果。

針對(duì)S3故障，建立的e2e-LSTM模型包含：兩個(gè)LSTM基礎(chǔ)單元模型層、兩層全連接層、一個(gè)dropout層以及一個(gè)Softmax層。其中，2個(gè)LSTM層進(jìn)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(biāo)記空間，最后經(jīng)過softmax層輸出該模型的預(yù)測(cè)診斷結(jié)果。

3 實(shí)驗(yàn)設(shè)置和結(jié)果

為了驗(yàn)證本文提出的基于聲發(fā)射信號(hào)的長短時(shí)記憶網(wǎng)絡(luò)端到端故障診斷方法的可靠性，在燃?xì)飧邏赫{(diào)壓站進(jìn)行數(shù)據(jù)采集與實(shí)驗(yàn)，在調(diào)壓器實(shí)際運(yùn)行狀態(tài)正?；A(chǔ)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(jìn)行燃?xì)飧邏赫{(diào)壓器故障診斷的研究。

3.1 實(shí)驗(yàn)設(shè)置

據(jù)統(tǒng)計(jì)高壓燃?xì)庹{(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(chǔ)上進(jìn)行研究。FL型調(diào)壓器屬于軸流式調(diào)壓器，進(jìn)口壓力范圍0.1～9.0 MPa，其流通能力好，通過能力強(qiáng)，可以適應(yīng)較復(fù)雜情況的流體，其性能穩(wěn)定，精密度高。

在各個(gè)燃?xì)庹{(diào)壓站采集數(shù)據(jù)，補(bǔ)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(zhǔn)確率的調(diào)壓器故障診斷模型打下堅(jiān)實(shí)基礎(chǔ)。在某臺(tái)調(diào)壓器上進(jìn)行了不同位置的聲發(fā)射信號(hào)采集對(duì)比實(shí)驗(yàn)，對(duì)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(hào)。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(hào)，管道兩側(cè)采集到高頻聲發(fā)射信號(hào)較少，因此在整個(gè)數(shù)據(jù)采集實(shí)驗(yàn)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(cè)到調(diào)壓器的故障特征，具體位置如圖7所示。

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

實(shí)驗(yàn)中聲發(fā)射數(shù)據(jù)采集裝置包括：多個(gè)傳感器，數(shù)據(jù)采集卡以及計(jì)算機(jī)。如圖8所示，同一燃?xì)夤艿郎嫌羞\(yùn)行臺(tái)和監(jiān)控臺(tái)兩個(gè)燃?xì)庹{(diào)壓器，燃?xì)饬鲃?dòng)方向是從運(yùn)行臺(tái)到監(jiān)控臺(tái)，傳感器吸附在待測(cè)的燃?xì)飧邏赫{(diào)壓器壁上，每個(gè)傳感器獲得來自所在燃?xì)庹{(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(jì)算機(jī)進(jìn)行數(shù)據(jù)儲(chǔ)存。

吸附在待測(cè)的燃?xì)飧邏赫{(diào)壓器壁上的傳感器，頻率響應(yīng)范圍為0.8～15 000 Hz的耐高壓防爆型，動(dòng)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(shí)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(cè)試系統(tǒng)Fig.8 Acoustic emission testing system

3.2 實(shí)驗(yàn)結(jié)果

每個(gè)燃?xì)庹{(diào)壓器故障診斷樣本的采樣頻率為96 kHz的聲發(fā)射信號(hào)。實(shí)驗(yàn)中共采集來自于不同調(diào)壓器的78個(gè)樣本，其中，訓(xùn)練樣本58個(gè)，測(cè)試樣本20個(gè)。將58個(gè)訓(xùn)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(jìn)行提取和處理，最后經(jīng)過softmax層進(jìn)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(duì)五種故障分別建立五種模型，20個(gè)測(cè)試樣本輸入模型后得到的實(shí)驗(yàn)結(jié)果如表2所示。輸入到任意故障模型中，正確預(yù)測(cè)正常或者正確預(yù)測(cè)異常，則說明預(yù)測(cè)正確，輸出為1；正常預(yù)測(cè)為異常，或者異常預(yù)測(cè)為正常，則說明預(yù)測(cè)錯(cuò)誤，輸出0。S1、S5故障模型輸出全為1，20個(gè)測(cè)試樣本分類都正確；S2、S4故障模型輸出兩個(gè)0，20個(gè)測(cè)試樣本分類錯(cuò)誤兩個(gè)；S3故障模型輸出一個(gè)0，20個(gè)測(cè)試樣本分類錯(cuò)誤1個(gè)。診斷率計(jì)算方法見式（1），對(duì)故障類型及診斷率進(jìn)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(hào)的燃?xì)飧邏赫{(diào)壓器故障診斷研究的基礎(chǔ)上，本文提出了一種基于聲發(fā)射信號(hào)的LSTM端到端故障診斷方法，直接利用聲發(fā)射時(shí)域信號(hào)對(duì)調(diào)壓器的運(yùn)行狀態(tài)進(jìn)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(hào)及檢修標(biāo)簽，實(shí)驗(yàn)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(zhǔn)斷率可以達(dá)到90%以上，為基于聲發(fā)射信號(hào)的LSTM端對(duì)端燃?xì)飧邏赫{(diào)壓器故障診斷提供了依據(jù)及方法。