基于一维卷积神经网络的燃气管道泄漏声发射信号识别*

2021-03-12张瑞程王新颖胡磊磊林振源黄旭安

中国安全生产科学技术 2021年2期

张瑞程，王新颖，胡磊磊，林振源，黄旭安，赵斌

(常州大学环境与安全工程学院，江苏常州 213164)

0 引言

城市燃气管道作为城市能源重要生命线，一旦发生泄漏，将引发火灾爆炸等安全事故，造成人员伤亡与财产损失[1-2]。由于管网建设标准、时间、规格不同，输送介质多为易燃易爆气体，大部分管网深埋地下导致日常检修困难，使城市燃气管道稳定、安全运营面临巨大考验[3]。

目前，国内外主要通过采集管道故障产生的声发射信号，人为提取管道故障特征参数，并采用人工神经网络或支持向量机等模式识别法诊断管道故障，但故障诊断模型仍存在数据预处理繁琐，欠拟合及难以收敛等问题[4-6];卷积神经网络在图像识别领域的成功应用，为故障诊断提供新的研究思路[7]；文献[8-9]通过将故障信号进行时频变换，满足二维卷积神经网络对二维输入的要求，可实现较高准确率的故障诊断，但没有最大化发挥卷积神经网络对原始信号的特征自提取优势[8-9]；Cho等[10]通过测试数据锐化，利用高斯滤波器提高活动识别精度，并采用一维卷积核处理一维数据;Ince等[11]将一维卷积用于通用智能轴承故障诊断系统，以原始时间序列传感器数据作为输入，通过适当训练学习最优特征；刘星辰等[12]针对旋转机械智能诊断方法计算量大与抗噪能力差等问题，在经典LeNet-5基础上提出基于一维卷积神经网络的故障诊断算法；吴春志等[13]提出基于一维卷积神经网络的齿轮箱故障诊断模型，该模型可直接从原始振动信号中学习特征并完成故障诊断，且对于单一与复合故障诊断的准确率均高于传统诊断方法。已有故障诊断模型测试集较少，测试集样本丰富度较低,测试结果不能充分反应故障诊断模型的稳定与普适性[14]。

卷积神经网络故障诊断模型准确率较高，部分诊断准确率可达100%，但应用于管道声发射信号预测识别方面的研究较少[15-17]。因此,在前人研究成果基础上提出基于一维卷积神经网络的燃气管道故障诊断模型，将一维卷积核与池化层直接作用于原始声发射信号，利用偏移采样技术扩充测试数据集，并通过生成器的方式读取训练样本，减少训练时间，实现端到端的燃气管道故障诊断。

1 卷积神经网络

20世纪60年代，Hubel和Wiesel通过研究猫脑皮层中用于局部敏感和方向选择的神经元发现，其独特的网络结构可有效降低反馈神经网络的复杂性，并提出卷积神经网络(Convolutional Neural Networks，CNN)[18]的概念。卷积神经网络是前馈神经网络，人工神经元可响应周围单元，处理大型图像，尤其在模式分类领域表现突出。

卷积神经网络除全连接层外还包括卷积层和池化层。卷积层用于提取特征，关键参数为步长和padding：步长用于控制卷积核移动距离，padding用于对数据进行操作。padding包括2种：1种是不进行操作，另外1种是补0，使卷积后的激活映射保持不变。池化层用于减少参数量。卷积神经网络可分为一维卷积神经网络、二维卷积神经网络和三维卷积神经网络：一维卷积神经网络用于分析传感器数据时间序列；二维卷积神经网络用于计算机视觉与图像处理；三维卷积神经网络主要用于医学图像及视频类数据识别。针对管道泄漏产生的一维声发射信号，采用一维卷积神经网络进行分析。

1.1 一维卷积神经网络运算

在计算机视觉领域，卷积适用于边缘查找、特征检测、运动检测、图像匹配等任务。在信号处理领域，卷积是执行平滑或锐化的任何物理设备或计算程序的核心。对于连续变量x的函数f(x)和g(x)，卷积定义如式(1)所示:

(1)

式中：*表示卷积运算；τ表示时间常数；f(τ)，g(τ)为时间常数τ的函数；g(x-τ)为g(τ)经翻转平移后的结果。对于所有实数x，上述积分是存在的。

随x取值不同，积分定义新的函数即f(x)和g(x)的卷积。卷积是2个变量在某范围内相乘然后求和的结果。对于离散变量x的函数，卷积定义如式(2)所示:

(2)

式中：k为时序；f[x]和g[x]表示不同序列；f[k]为时序k的序列；当x=0时，序列g[-k]为g[k]时序k取反的结果；g[x-k]为x使g[-k]位移的量，x取值不同，卷积结果不同。

1.2 一维卷积神经网络原理

一维卷积神经网络能识别序列中局部模式。对每个序列段执行相同输入变换，在序列中某个位置学到的模式可以在其他位置被识别，使一维卷积神经网络具有平移不变性(针对时间平移而言)。一维卷积神经网络工作原理如图1所示。利用一维卷积，从时间序列中提取局部一维序列段，进行卷积和池化操作，提取序列特征。

图1 一维卷积神经网络工作原理Fig.1 Working principle of one-dimensional convolution neural network

1.3 一维卷积神经网络优势

传统故障诊断技术采用声发射等监测仪器获取一维故障数据，通过对故障数据时域与能量域进行分析，得到单变量与多变量特征，并利用人工神经网络、决策树、支持向量机等模式识别技术对故障进行分类识别。但传统故障诊断技术存在准确率低、鲁棒性差、特征提取困难及数据预处理过程复杂等问题。卷积神经网络能有效提高故障诊断准确率，其中二维卷积神经网络需要将一维信号通过时频变换转换为二维时频图，以实现二维卷积神经网络的图像识别优势。本文提出的一维卷积神经网络，直接从原始一维数据出发分类识别故障数据，让一维卷积核对一维数据进行特征自提取，省略复杂的数据预处理过程。一维卷积与其他故障诊断方法对比如图2所示。

图2 一维卷积与其他故障诊断方法对比Fig.2 Comparison of one-dimensional convolution and other fault diagnosis methods

2 一维卷积神经网络故障诊断模型

2.1 VGGNet卷积神经网络模型

VGGNet是牛津大学计算机视觉组和Google DeepMind公司研究员共同研发的深度卷积神经网络，用来探索神经网络深度与性能间相关关系。通过对大小相同卷积核和最大池化核重复堆叠方式加深网络结构，并进行性能对比，最终构建出16～19层深层卷积神经网络结构。卷积神经网络结构的加深能有效提升模型性能，而网络参数量并没有显著增加，因为最后3个全连接层占据大量参数。

VGGNet网络深度由11层到19层不等，其中VGGNet-16和VGGNet-19较常用。VGGNet把网络划分为5段，每段由多个3*3卷积网络串联组成，每段卷积后面连接1个最大池化层，其次为3个全连接层和1个Softmax层。

本文实验模型在VGG-16模型基础上做了部分改进：共有4段卷积，每段卷积由2层卷积层和1个最大池化层构成；同段卷积层的卷积核长度相同，前3段卷积步长均为2，即卷积核每次移动步长为2，经过3段卷积，数据长度不断减小，所以将第4段卷积步长设置为1，确保能够更好地提取样本特征。Padding方式为same，即在数据外层补0，避免数据边缘特征遗失；激活函数均设置为Relu，加快收敛速度；全连接层采用4分类的Softmax Classifier，设置Dropout为0.3，随机去除30%神经元，防止模型过度拟合。

2.2 一维卷积神经网络故障诊断流程

一维卷积神经网络燃气管道故障诊断流程如图3所示。首先采集管道声发射信号，将数据集分为训练集和测试集；在Keras上建立一维卷积神经网络模型，根据数据集大小选择网络参数，训练完成后输出准确率与损失函数变化曲线；将400组测试数据集与经偏移采样技术扩充后的4 004组数据集输入训练好的模型中，输出故障诊断结果，并通过混淆矩阵、召回率、精准度等多个指标评价模型效果。

图3 燃气管道故障诊断流程Fig.3 Flow chart of fault diagnosis on gas pipeline

3 燃气管道泄漏检测实验

3.1 实验设计

燃气管道故障模拟实验模型主要包括管道输运、数据采集和仪表仪器3个单元，故障模拟实验台如图4所示。

图4 燃气管道故障模拟实验台Fig.4 Simulation test bench of gas pipeline fault

管道输运单元包括阀门、空气压缩机和输运管道。其中，无缝钢管用来模拟燃气管道，输运管道上设4个模拟故障点(泄漏阀)模拟管道故障，空气压缩机提供的空气代替燃气。数据采集单元由工业计算机、声发射卡、滤波范围为20～120 kHz的声发射前置放大器、声发射传感器以及对应处理软件组成。仪器仪表单元主要由压力表、转子流量计、温度传感器组成。

3.2 数据采集与预处理

由空气压缩机为燃气管道提供进口压力，模拟燃气管道运行情况。通过调节泄漏阀开度模拟管道正常、轻微故障、中度故障及重度故障4种运行状态：泄漏阀全闭，管道为正常运行状态，采集数据为背景噪声信号；泄漏阀打开，采集数据为背景噪声和泄漏引发声发射信号。4种运行状态下采集到的部分实验数据如图5所示。

图5 4种运行状态下部分实验数据Fig.5 Partial experimental data under four operating states

每种状态选取200个样本，样本集共包含800个样本。每个样本包含5 000个采样点，对应一维卷积神经网络输入维度为5 000，输出维度为4，将70%样本作为模型训练集，30%样本作为模型验证集。

为保证测试结果可靠性，利用偏移采样技术对长度为505 000的声发射信号进行扩充，每次偏移500个单位长度，最终生成1 001个样本，4种故障类型原始声发射信号，共生成4 004个样本。

3.3 改进后的一维卷积神经网络模型结构

改进后的一维卷积神经网络模型结构，见表1。数据经预处理，每条声发射数据包含有5 000个时间点，得到1个5 000×1的矩阵，设置卷积核大小为16，移动的步长为2，第1个卷积层输出矩阵2 497×16；第2个卷积层步长与卷积核大小与第1层相同，输出矩阵大小为1 249×16。为降低输出复杂度，在2个卷积后添加1个大小为2的最大池化层，输出矩阵的大小变为输入矩阵的1/2。为提取更多特征，减少卷积核长度增大卷积核个数，以同样方式堆叠3层，并在第4个最大池化层之后添加1个均值池化层和Dropout层，避免过拟合的发生，最终输出矩阵的大小为1×512，最后1层向量长度由512降为4。Softmax作为激活函数，由于强制神经网络4个输出值和为1，所以，输出值可代表4种运行情况出现概率。

表1 模型结构参数Table 1 Structure parameters of model

3.4 实验结果分析

实验共采集800组数据，其中，560组作为模型训练集，240组作为模型验证集。将所有数据输入一维卷积神经网络模型，批处理量20，共执行50个训练周期。训练完成后，用Matplotlib对训练数据集与验证数据集准确率和损失函数做可视化处理，准确率和损失函数变化曲线如图6所示。

图6 准确率和损失函数变化曲线Fig.6 Variation curves of accuracy and loss function

由图6可知，当训练处于第6世代时，训练集与验证集准确率第1次同时达到90%以上；当大于第10世代，小于第30世代时，模型基本趋于稳定，准确率与损失函数在最大值附近小幅度波动；当训练处于31、39、48世代时，验证集准确率和损失函数曲线波动幅度较大，拟合程度相对较低，验证集准确率约为80%，损失函数值约为0.6。原因是批处理量值过小，网络收敛不稳定，收敛速度慢。将批处理量由20调整为30，优化后的模型准确率和损失函数变化曲线如图7所示。

图7 优化后的模型准确率和损失函数变化曲线Fig.7 Variation curves of accuracy and loss function after model optimization

由图7可知，5世代之后曲线逐渐趋于稳定，准确率保持在98%左右，模型拟合程度较高，训练集与验证集基本持平；损失函数值在0～0.2小范围波动，鲁棒性较高；根据数据集大小适当增大批处理量值，使大矩阵乘法并行化效率提高，损失函数下降趋势明确，能有效解决验证集曲线波动幅度过大的问题。训练集和验证集准确率均大于98%。因此，采用以VGG16为基础的一维卷积神经网络识别管道原始声发射信号，可有效提高燃气管道故障诊断准确率。将未经训练的400组测试数据集输入保存好的一维卷积神经网络模型中进行故障识别，得到混淆矩阵如图8所示。

图8 400组测试集的混淆矩阵Fig.8 Confusion matrix of 400 groups test sets

由图8可知，一维卷积神经网络模型对管道4种运行状态识别准确率较高；其中，对于正常、重度故障的识别准确率达到100%；仅在轻微故障、中度故障之间发生混淆。但由于测试数据集样本量较少，不能充分验证模型的泛化性与普适性。因此，将经过偏移采样技术的4 004组数据输入一维卷积神经网络模型中，得到混淆矩阵如图9所示。

图9 4 004组测试集的混淆矩阵Fig.9 Confusion matrix of 4 004 groups test sets

由图9可知，模型对管道正常运行情况的识别准确率达到100%，混淆主要发生在轻微故障、中度故障和重度故障之间，且相邻故障之间更容易发生混淆，仅有少量轻微故障和重度故障之间发生混淆。模型故障诊断准确率平均值达98%，对比小样本测试集并没有发生明显变化，说明一维卷积神经网络能够有效诊断燃气管道故障，且不需进行复杂的数据预处理。

为进一步评价模型性能，根据混淆矩阵计算得到模型对管道4种运行状态识别的精准率、召回率、特异度以及F1分数等指标，见表2。其中，精准率表示预测为该类故障样本中实际为该类故障样本的概率；召回率表示实际为该类故障的样本中被预测为该类故障的概率；特异度表示实际不是该类故障样本中预测为不是该类故障样本的概率；F1分数指标综合精准率与召回率的产出结果。F1分数指标取值范围为0～1，1表示模型输出结果最好，0表示模型输出结果最差。

由表2可知，一维卷积神经网络故障诊断模型的精准率、召回率、特异度均大于96%；F1分数均趋近于1。其中管道正常运行指标最高，其次是轻微故障和重度故障，中度故障相较于其他3种运行情况指标较低，但F1分数高达0.97。结果表明：一维卷积神经网络的燃气管道故障诊断模型，不仅能准确判断管道是否出现故障，对管道运行过程中的故障程度也能准确区分。