基于聲發射和長短時記憶神經網絡的端對端燃氣高壓調壓器故障診斷

王玉玲，陳濤濤，李紅浪

（1.中國科學院大學，北京 100049；2.中國科學院聲學研究所，北京 100190；3.北京燃氣集團有限責任公司，北京 100011；4.中國科學院納米科學卓越創新中心，國家納米科學中心，北京 100190）

0 引 言

隨著燃氣供應規模的不斷擴大，燃氣管網已經遍布城市的各個角落，燃氣調壓器作為燃氣管網系統中的關鍵設備之一，它的穩定可靠運行是安全供應燃氣的重要保障[1-3]。當調壓器出現故障無法正常運行時，下游會出現氣壓不足、不穩等問題，在得不到有效控制的情況下，會持續惡化導致火災、爆炸、中毒等事故發生，因此，快速實時地對調壓器進行故障診斷具有重要的意義[4-5]。

故障檢測、故障類型判斷、故障定位及故障修復均屬于故障診斷技術[6]。故障診斷方法主要包括：（1）基于數學模型的故障診斷方法，系統故障采用參數估計法進行判別與分析[7]。（2）基于系統輸入輸出信號奇異性的故障診斷方法，通過對系統輸入輸出的信號進行預處理，消除噪聲和輸入突變，剩余的信號奇異點則對應系統故障[8]。（3）基于人工智能的故障診斷方法，其主要是應用于一些很難建立精確數學模型的復雜系統進行故障診斷[9]。劉瑤等提出利用聲發射技術對燃氣調壓器進行故障診斷，通過聲發射信號的奇異性來檢測高壓調壓器是否發生故障，但并沒有對調壓器的具體故障類型進行判斷[10]。

聲發射信號本質上是一個時間序列[11]，如果能夠通過時域數據進行調壓器故障診斷，則更容易在實踐中應用。深度學習具有自動學習提取信號內部特征的能力，在故障診斷研究方面可以得到很好的分類效果[12]。深度學習模型的優勢在于具有優良的特征提取能力，能夠直接利用時域聲發射信號進行燃氣調壓器的故障診斷，可以擺脫依賴人工進行特征選取的傳統方法的束縛[13]。理解長短期記憶（Long Short Term Memory,LSTM）是一種經過改進的特殊循環神經網絡（Recurrent Neural Networks,RNN），能夠解決RNN不能處理長距離依賴性的問題，挖掘潛在的時序信息進行計算得到預測值[14-16]。

因此，本文提出一種基于聲發射的LSTM端到端燃氣高壓調壓器故障診斷方法，直接利用聲發射時域信號對調壓器的運行狀態進行診斷。所建的基于聲發射的e2e-LSTM模型能夠有效提取聲發射信號的時間和空間特征，充分學習具有時序特性的故障信息，進一步提高燃氣高壓調壓器故障診斷率。

1 聲發射技術

聲發射（Acoustic Emission,AE）技術是一種檢測設備聲與振動信號的方法。聲發射本質是一種機械波，是材料在一定應力作用后發生變形或裂紋擴展，材料局域快速釋放能量而產生瞬態彈性波的現象[17]。一般而言，聲發射信號十分微弱，該信號不能被人耳直接聽到，需要借助靈敏的傳感器才能探測到。聲發射源產生聲發射信號，材料在一定外力或者內力作用下的形變或者斷裂是主要的聲發射源[18]。而與材料變形或斷裂無直接關系的彈性波源，如流體泄漏、物體撞擊、機械摩擦、燃燒等稱為二次聲發射源[19]。

因為長時間運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導致調壓器運行異常。當調壓支路進、出口閥門全部開啟時，調壓器處于工作狀態。調壓器閥門開啟前后，閥口處巨大的壓力差導致內部流體天然氣從閥口處噴涌而出，因此會產生波動壓力場，形成湍流，調壓器的聲發射信號主要來源于以下兩種原因：

（1）湍流或空氣動力學發聲：當天然氣從閥口噴涌而出時，高速流體天然氣突然減速或膨脹，從而產生湍流。它是聲發射信號產生的主要原因，其大小與流體天然氣速度、閥口大小、形狀等有關。

（2）機械振動發聲：閥體內流體天然氣壓力產生的波動不規則，流體天然氣對閥筒、閥門彈性等部件的沖擊、擾動而產生振動，從而產生機械振動發聲，此振動模式產生的聲發射與金屬的拍擊聲相類似。

五種故障的產生和發展過程中，都會伴隨聲發射現象的產生。經過實驗發現在高壓環境下，傳感器能夠監測到聲信號的變化，調壓器聲發射信號是一種非平穩連續型信號。五種故障情況如下：

（1）閥座損傷：燃氣中會含有60 mg·m-3～150 mg·m-3的硫，與鋼管發生化學反應后，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，會導致調壓器關閉性能下降；

（3）閥口磨損：缺少潤滑油或O型圈硬化后出現的閥口磨損；

（4）筒壁氣蝕：閥筒進口或出口端外壁氣蝕嚴重，出現減薄現象；

（5）閥口缺陷：閥口處出現多處缺口。

2 基于聲發射的e2e-LSTM的故障診斷系統

2.1 基于聲發射的e2e-LSTM的故障診斷流程

本研究提出的基于聲發射的e2e-LSTM故障診斷模型流程如圖1所示。首先，對聲發射信號進行預處理，劃分得到訓練集和測試集；其次，構建e2e-LSTM模型，通過訓練集數據對e2e-LSTM模型進行訓練，通過調整模型參數來優化模型，當交叉閥值達到設定值時，結束訓練，保存訓練好的模型；最后將測試集輸入該模型，通過評價指標值是否接近最優，輸出模型訓練結果。故障診斷率計算如公式1所示，對故障數據集進行學習并診斷故障類型：

2.2 聲發射預處理

燃氣調壓器由于其工作環境的特殊性，存在干擾噪聲，所以需要對采集的聲發射信號進行預處理。通過FFT確定噪聲的大致范圍，輸入信號時頻域波形圖如圖2所示，根據頻域波形可看出低頻干擾嚴重。1 Hz以下信號濾波后波形如圖3所示，濾波前后時域放大圖如圖4所示。

圖1 基于聲發射的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 輸入聲發射信號的時域波形和頻譜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，發現低頻段干擾嚴重，因此設計一個二階巴特沃斯高通濾波器，截止頻率保守設定為1 Hz，對信號中的低頻段激擾進行預處理結果如圖3所示。由圖4可以看出小于1 Hz的信號全部被過濾。

圖3 濾波后信號時頻域波形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頻域波形圖如圖5所示，可以看出不同故障聲發射信號的特征差異。

2.3 基于聲發射的e2e-LSTM模型構建

一個LSTM里面包含三個門來控制細胞狀態，這三個門分別稱為遺忘門、輸入門和輸出門[20]。門實際上就是一層全連接層，輸入是一個向量，輸出是[0,1]之間的一個實數向量，這代表有多少信息能夠流過sigmoid層，如式（2）[21]所示：

其中，W是門權重矩陣，b是門的偏置項，σ是sigmoid函數。利用LSTM的長期記憶特性，構建基于聲發射的e2e-LSTM模型，模型結構如圖6所示，實現燃氣高壓調壓器故障類型診斷。

首先對采集到的原始聲發射數據進行預處理，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，對聲發射數據信息進行連續處理同時輸出特征；然后全連接層通過加權計算燃氣調壓器的故障特征來實現特征空間轉換，模型的診斷能力、復雜程度受到全連接層的層數影響，全連接層的層數過少將會導致模型的非線性表達能力受到限制，全連接層的層數過多將會導致模型參數劇增[13]；最后經過softmax層分類輸出作為e2e-LSTM模型的輸入，實現信息的傳遞，e2e-LSTM 模型對故障數據樣本進行訓練，并且實現對未知樣本的故障類型進行診斷。

圖5 五種故障聲發射信號的頻譜圖Fig.5 Spectrum diagrams of five kinds of fault emitted acoustic signals

圖6 基于聲發射的e2e-LSTM模型結構圖Fig.6 Structural diagram of e2e-LSTM model based on acoustic emission

基于聲發射的e2e-LSTM模型的構建流程如下：

（1）將原始的聲發射數據預處理后進行特征提取，構成訓練集。

（3）初始化LSTM網絡。給出初始權值矩陣，初始權值是0～1間均勻分布的隨機數，設定合理的最大迭代訓練次數和最小誤差值[22]。

（4）前向計算過程。輸入到隱含層的X，首先通過N個LSTM層，再通過N個全連接層，將提取的特征映射到樣本標記空間，最后經過softmax層輸出該模型的預測值Y′[23]。

（5）誤差反向傳播。計算Y′與Y之間的交叉閥值，得到損失函數值，經過多次迭代訓練，采用梯度下降算法調節輸入門、遺忘門、輸出門以及全連接層的權重W和偏置b，使得損失函數值逐漸減小。

對檢修結果標簽中五種不同的故障（如表1所示），分別建立基于聲發射的e2e-LSTM模型，表1給出了五種故障模型的主要參數。

表1 五種故障的模型參數Table 1 Parameters of e2e-LSTM model of five faults

針對 S1、S4、S5故障，建立的e2e-LSTM模型包含：兩個LSTM基礎單元模型層、一層全連接層以及一個softmax層。其中，兩個LSTM層進行特征提取，全連接層無激活函數，前幾層提取的特征被映射到樣本標記空間，最后經過softmax層輸出該模型的預測診斷結果。

針對S2故障，建立的e2e-LSTM模型包含：3個LSTM基礎單元模型層、一層全連接層以及一個Softmax層。其中，3個LSTM層進行特征提取，全連接層無激活函數，前幾層提取的特征被映射到樣本標記空間，最后經過softmax層輸出該模型的預測診斷結果。

針對S3故障，建立的e2e-LSTM模型包含：兩個LSTM基礎單元模型層、兩層全連接層、一個dropout層以及一個Softmax層。其中，2個LSTM層進行特征提取，激活函數為第一層全連接層Relu，第二層全連接層無激活函數，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記空間，最后經過softmax層輸出該模型的預測診斷結果。

3 實驗設置和結果

為了驗證本文提出的基于聲發射信號的長短時記憶網絡端到端故障診斷方法的可靠性，在燃氣高壓調壓站進行數據采集與實驗，在調壓器實際運行狀態正常基礎上采集的聲發射數據，配合檢修中心的檢修結果，進行燃氣高壓調壓器故障診斷的研究。

3.1 實驗設置

據統計高壓燃氣調壓站中多數為FL型調壓器，所以本研究是在FL型調壓器基礎上進行研究。FL型調壓器屬于軸流式調壓器，進口壓力范圍0.1～9.0 MPa，其流通能力好，通過能力強，可以適應較復雜情況的流體，其性能穩定，精密度高。

在各個燃氣調壓站采集數據，補充調壓站環境下各種故障類型調壓器的聲發射數據，為高準確率的調壓器故障診斷模型打下堅實基礎。在某臺調壓器上進行了不同位置的聲發射信號采集對比實驗，對比傳感器在調壓器閥桶兩側和管道兩側的聲發射信號。發現在閥桶兩側能夠采集到較多高頻聲發射信號，管道兩側采集到高頻聲發射信號較少，因此在整個數據采集實驗中都選取在調壓器閥桶兩側吸附傳感器的方案，更能觀測到調壓器的故障特征，具體位置如圖7所示。

圖7 待測高壓調壓器圖Fig.7 High pressure regulator to be tested

實驗中聲發射數據采集裝置包括：多個傳感器，數據采集卡以及計算機。如圖8所示，同一燃氣管道上有運行臺和監控臺兩個燃氣調壓器，燃氣流動方向是從運行臺到監控臺，傳感器吸附在待測的燃氣高壓調壓器壁上，每個傳感器獲得來自所在燃氣調壓器的聲發射數據，將所采集的聲發射數據通過數據采集卡傳送至計算機進行數據儲存。

吸附在待測的燃氣高壓調壓器壁上的傳感器，頻率響應范圍為0.8～15 000 Hz的耐高壓防爆型，動態范圍為±50 g（峰峰值），g=9.8 m·s-2，共振頻率為23 kHz，穩定時間小于2.5 s。數據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、連續大容量數據傳輸。

圖8 聲發射測試系統Fig.8 Acoustic emission testing system

3.2 實驗結果

每個燃氣調壓器故障診斷樣本的采樣頻率為96 kHz的聲發射信號。實驗中共采集來自于不同調壓器的78個樣本，其中，訓練樣本58個，測試樣本20個。將58個訓練樣本輸入到e2e-LSTM模型中，數據特征經過N層LSTM模型和N層全連接層進行提取和處理，最后經過softmax層進行分類輸出。

通過多次迭代，采用梯度下降算法不斷調節e2e-LSTM輸入門、遺忘門、輸出門以及全連接層的權重W和偏置b，使得損失函數值逐漸減小至0，如圖9所示。

圖9 損失函數值Fig.9 Loss function curve

針對五種故障分別建立五種模型，20個測試樣本輸入模型后得到的實驗結果如表2所示。輸入到任意故障模型中，正確預測正常或者正確預測異常，則說明預測正確，輸出為1；正常預測為異常，或者異常預測為正常，則說明預測錯誤，輸出0。S1、S5故障模型輸出全為1，20個測試樣本分類都正確；S2、S4故障模型輸出兩個0，20個測試樣本分類錯誤兩個；S3故障模型輸出一個0，20個測試樣本分類錯誤1個。診斷率計算方法見式（1），對故障類型及診斷率進行可視化，如圖10所示。

表2 五種故障診斷結果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 論

在前人基于聲發射信號的燃氣高壓調壓器故障診斷研究的基礎上，本文提出了一種基于聲發射信號的LSTM端到端故障診斷方法，直接利用聲發射時域信號對調壓器的運行狀態進行診斷。利用LSTM的記憶特性，建立基于聲發射的LSTM端到端（e2e-LSTM）故障診斷模型。根據采集的聲發射信號及檢修標簽，實驗結果表明，該模型能夠以端到端模式一次性地診斷五種高壓調壓器故障，每種類型故障準斷率可以達到90%以上，為基于聲發射信號的LSTM端對端燃氣高壓調壓器故障診斷提供了依據及方法。