基于声发射和长短时记忆神经网络的端对端燃气高压调压器故障诊断

王玉玲，陈涛涛，李红浪

（1.中国科学院大学，北京 100049；2.中国科学院声学研究所，北京 100190；3.北京燃气集团有限责任公司，北京 100011；4.中国科学院纳米科学卓越创新中心，国家纳米科学中心，北京 100190）

0 引 言

随着燃气供应规模的不断扩大，燃气管网已经遍布城市的各个角落，燃气调压器作为燃气管网系统中的关键设备之一，它的稳定可靠运行是安全供应燃气的重要保障[1-3]。当调压器出现故障无法正常运行时，下游会出现气压不足、不稳等问题，在得不到有效控制的情况下，会持续恶化导致火灾、爆炸、中毒等事故发生，因此，快速实时地对调压器进行故障诊断具有重要的意义[4-5]。

故障检测、故障类型判断、故障定位及故障修复均属于故障诊断技术[6]。故障诊断方法主要包括：（1）基于数学模型的故障诊断方法，系统故障采用参数估计法进行判别与分析[7]。（2）基于系统输入输出信号奇异性的故障诊断方法，通过对系统输入输出的信号进行预处理，消除噪声和输入突变，剩余的信号奇异点则对应系统故障[8]。（3）基于人工智能的故障诊断方法，其主要是应用于一些很难建立精确数学模型的复杂系统进行故障诊断[9]。刘瑶等提出利用声发射技术对燃气调压器进行故障诊断，通过声发射信号的奇异性来检测高压调压器是否发生故障，但并没有对调压器的具体故障类型进行判断[10]。

声发射信号本质上是一个时间序列[11]，如果能够通过时域数据进行调压器故障诊断，则更容易在实践中应用。深度学习具有自动学习提取信号内部特征的能力，在故障诊断研究方面可以得到很好的分类效果[12]。深度学习模型的优势在于具有优良的特征提取能力，能够直接利用时域声发射信号进行燃气调压器的故障诊断，可以摆脱依赖人工进行特征选取的传统方法的束缚[13]。理解长短期记忆（Long Short Term Memory,LSTM）是一种经过改进的特殊循环神经网络（Recurrent Neural Networks,RNN），能够解决RNN不能处理长距离依赖性的问题，挖掘潜在的时序信息进行计算得到预测值[14-16]。

因此，本文提出一种基于声发射的LSTM端到端燃气高压调压器故障诊断方法，直接利用声发射时域信号对调压器的运行状态进行诊断。所建的基于声发射的e2e-LSTM模型能够有效提取声发射信号的时间和空间特征，充分学习具有时序特性的故障信息，进一步提高燃气高压调压器故障诊断率。

1 声发射技术

声发射（Acoustic Emission,AE）技术是一种检测设备声与振动信号的方法。声发射本质是一种机械波，是材料在一定应力作用后发生变形或裂纹扩展，材料局域快速释放能量而产生瞬态弹性波的现象[17]。一般而言，声发射信号十分微弱，该信号不能被人耳直接听到，需要借助灵敏的传感器才能探测到。声发射源产生声发射信号，材料在一定外力或者内力作用下的形变或者断裂是主要的声发射源[18]。而与材料变形或断裂无直接关系的弹性波源，如流体泄漏、物体撞击、机械摩擦、燃烧等称为二次声发射源[19]。

因为长时间运行受到的阀座腐蚀损伤、弹簧疲劳、阀口磨损、阀口缺陷、筒壁气蚀变薄等一些原因导致调压器运行异常。当调压支路进、出口阀门全部开启时，调压器处于工作状态。调压器阀门开启前后，阀口处巨大的压力差导致内部流体天然气从阀口处喷涌而出，因此会产生波动压力场，形成湍流，调压器的声发射信号主要来源于以下两种原因：

（1）湍流或空气动力学发声：当天然气从阀口喷涌而出时，高速流体天然气突然减速或膨胀，从而产生湍流。它是声发射信号产生的主要原因，其大小与流体天然气速度、阀口大小、形状等有关。

（2）机械振动发声：阀体内流体天然气压力产生的波动不规则，流体天然气对阀筒、阀门弹性等部件的冲击、扰动而产生振动，从而产生机械振动发声，此振动模式产生的声发射与金属的拍击声相类似。

五种故障的产生和发展过程中，都会伴随声发射现象的产生。经过实验发现在高压环境下，传感器能够监测到声信号的变化，调压器声发射信号是一种非平稳连续型信号。五种故障情况如下：

（1）阀座损伤：燃气中会含有60 mg·m-3～150 mg·m-3的硫，与钢管发生化学反应后，生成硫化亚铁后脱落为颗粒，冲击阀座，造成阀座损伤；

（2）弹簧异常：弹簧疲劳缩短或变形，会导致调压器关闭性能下降；

（3）阀口磨损：缺少润滑油或O型圈硬化后出现的阀口磨损；

（4）筒壁气蚀：阀筒进口或出口端外壁气蚀严重，出现减薄现象；

（5）阀口缺陷：阀口处出现多处缺口。

2 基于声发射的e2e-LSTM的故障诊断系统

2.1 基于声发射的e2e-LSTM的故障诊断流程

本研究提出的基于声发射的e2e-LSTM故障诊断模型流程如图1所示。首先，对声发射信号进行预处理，划分得到训练集和测试集；其次，构建e2e-LSTM模型，通过训练集数据对e2e-LSTM模型进行训练，通过调整模型参数来优化模型，当交叉阀值达到设定值时，结束训练，保存训练好的模型；最后将测试集输入该模型，通过评价指标值是否接近最优，输出模型训练结果。故障诊断率计算如公式1所示，对故障数据集进行学习并诊断故障类型：

2.2 声发射预处理

燃气调压器由于其工作环境的特殊性，存在干扰噪声，所以需要对采集的声发射信号进行预处理。通过FFT确定噪声的大致范围，输入信号时频域波形图如图2所示，根据频域波形可看出低频干扰严重。1 Hz以下信号滤波后波形如图3所示，滤波前后时域放大图如图4所示。

图1 基于声发射的e2e-LSTM故障诊断模型流程图Fig.1 Flow chart of e2e-LSTM fault diagnosis model based on acoustic emission

图2 输入声发射信号的时域波形和频谱Fig.2 Time domain waveform of input acoustic emission signal and its frequency spectrum

高通滤波器可以滤掉若干高次谐波，有综合滤波功能。通过图4中的滤波前1 Hz放大图，发现低频段干扰严重，因此设计一个二阶巴特沃斯高通滤波器，截止频率保守设定为1 Hz，对信号中的低频段激扰进行预处理结果如图3所示。由图4可以看出小于1 Hz的信号全部被过滤。

图3 滤波后信号时频域波形Fig.3 Time domain waveform of the signal after filtering and its frequency spectrum

图4 滤波前后1 Hz以下的信号频谱Fig.4 The frequency spectrum below 1 Hz of the signal before and after filtering

五种故障滤波后信号频域波形图如图5所示，可以看出不同故障声发射信号的特征差异。

2.3 基于声发射的e2e-LSTM模型构建

一个LSTM里面包含三个门来控制细胞状态，这三个门分别称为遗忘门、输入门和输出门[20]。门实际上就是一层全连接层，输入是一个向量，输出是[0,1]之间的一个实数向量，这代表有多少信息能够流过sigmoid层，如式（2）[21]所示：

其中，W是门权重矩阵，b是门的偏置项，σ是sigmoid函数。利用LSTM的长期记忆特性，构建基于声发射的e2e-LSTM模型，模型结构如图6所示，实现燃气高压调压器故障类型诊断。

首先对采集到的原始声发射数据进行预处理，并将其输入LSTM层中，利用LSTM的长期记忆性，输入波形与前期输出在该层得到融合，对声发射数据信息进行连续处理同时输出特征；然后全连接层通过加权计算燃气调压器的故障特征来实现特征空间转换，模型的诊断能力、复杂程度受到全连接层的层数影响，全连接层的层数过少将会导致模型的非线性表达能力受到限制，全连接层的层数过多将会导致模型参数剧增[13]；最后经过softmax层分类输出作为e2e-LSTM模型的输入，实现信息的传递，e2e-LSTM 模型对故障数据样本进行训练，并且实现对未知样本的故障类型进行诊断。

图5 五种故障声发射信号的频谱图Fig.5 Spectrum diagrams of five kinds of fault emitted acoustic signals

图6 基于声发射的e2e-LSTM模型结构图Fig.6 Structural diagram of e2e-LSTM model based on acoustic emission

基于声发射的e2e-LSTM模型的构建流程如下：

（1）将原始的声发射数据预处理后进行特征提取，构成训练集。

（3）初始化LSTM网络。给出初始权值矩阵，初始权值是0～1间均匀分布的随机数，设定合理的最大迭代训练次数和最小误差值[22]。

（4）前向计算过程。输入到隐含层的X，首先通过N个LSTM层，再通过N个全连接层，将提取的特征映射到样本标记空间，最后经过softmax层输出该模型的预测值Y′[23]。

（5）误差反向传播。计算Y′与Y之间的交叉阀值，得到损失函数值，经过多次迭代训练，采用梯度下降算法调节输入门、遗忘门、输出门以及全连接层的权重W和偏置b，使得损失函数值逐渐减小。

对检修结果标签中五种不同的故障（如表1所示），分别建立基于声发射的e2e-LSTM模型，表1给出了五种故障模型的主要参数。

表1 五种故障的模型参数Table 1 Parameters of e2e-LSTM model of five faults

针对 S1、S4、S5故障，建立的e2e-LSTM模型包含：两个LSTM基础单元模型层、一层全连接层以及一个softmax层。其中，两个LSTM层进行特征提取，全连接层无激活函数，前几层提取的特征被映射到样本标记空间，最后经过softmax层输出该模型的预测诊断结果。

针对S2故障，建立的e2e-LSTM模型包含：3个LSTM基础单元模型层、一层全连接层以及一个Softmax层。其中，3个LSTM层进行特征提取，全连接层无激活函数，前几层提取的特征被映射到样本标记空间，最后经过softmax层输出该模型的预测诊断结果。

针对S3故障，建立的e2e-LSTM模型包含：两个LSTM基础单元模型层、两层全连接层、一个dropout层以及一个Softmax层。其中，2个LSTM层进行特征提取，激活函数为第一层全连接层Relu，第二层全连接层无激活函数，dropout层是用来减少过拟合的，前几层提取的特征被映射到样本标记空间，最后经过softmax层输出该模型的预测诊断结果。

3 实验设置和结果

为了验证本文提出的基于声发射信号的长短时记忆网络端到端故障诊断方法的可靠性，在燃气高压调压站进行数据采集与实验，在调压器实际运行状态正常基础上采集的声发射数据，配合检修中心的检修结果，进行燃气高压调压器故障诊断的研究。

3.1 实验设置

据统计高压燃气调压站中多数为FL型调压器，所以本研究是在FL型调压器基础上进行研究。FL型调压器属于轴流式调压器，进口压力范围0.1～9.0 MPa，其流通能力好，通过能力强，可以适应较复杂情况的流体，其性能稳定，精密度高。

在各个燃气调压站采集数据，补充调压站环境下各种故障类型调压器的声发射数据，为高准确率的调压器故障诊断模型打下坚实基础。在某台调压器上进行了不同位置的声发射信号采集对比实验，对比传感器在调压器阀桶两侧和管道两侧的声发射信号。发现在阀桶两侧能够采集到较多高频声发射信号，管道两侧采集到高频声发射信号较少，因此在整个数据采集实验中都选取在调压器阀桶两侧吸附传感器的方案，更能观测到调压器的故障特征，具体位置如图7所示。

图7 待测高压调压器图Fig.7 High pressure regulator to be tested

实验中声发射数据采集装置包括：多个传感器，数据采集卡以及计算机。如图8所示，同一燃气管道上有运行台和监控台两个燃气调压器，燃气流动方向是从运行台到监控台，传感器吸附在待测的燃气高压调压器壁上，每个传感器获得来自所在燃气调压器的声发射数据，将所采集的声发射数据通过数据采集卡传送至计算机进行数据储存。

吸附在待测的燃气高压调压器壁上的传感器，频率响应范围为0.8～15 000 Hz的耐高压防爆型，动态范围为±50 g（峰峰值），g=9.8 m·s-2，共振频率为23 kHz，稳定时间小于2.5 s。数据采集卡通道采样频率为 96 kHz，AD分辨率为24 bit，输入为4通道电压或IEPE型电压输出传感器（2mA/+24V直流），频率范围为电压输入直流30 kHz或IEPE输入0.3 Hz～30 kHz，多通道并行采集、连续大容量数据传输。

图8 声发射测试系统Fig.8 Acoustic emission testing system

3.2 实验结果

每个燃气调压器故障诊断样本的采样频率为96 kHz的声发射信号。实验中共采集来自于不同调压器的78个样本，其中，训练样本58个，测试样本20个。将58个训练样本输入到e2e-LSTM模型中，数据特征经过N层LSTM模型和N层全连接层进行提取和处理，最后经过softmax层进行分类输出。

通过多次迭代，采用梯度下降算法不断调节e2e-LSTM输入门、遗忘门、输出门以及全连接层的权重W和偏置b，使得损失函数值逐渐减小至0，如图9所示。

图9 损失函数值Fig.9 Loss function curve

针对五种故障分别建立五种模型，20个测试样本输入模型后得到的实验结果如表2所示。输入到任意故障模型中，正确预测正常或者正确预测异常，则说明预测正确，输出为1；正常预测为异常，或者异常预测为正常，则说明预测错误，输出0。S1、S5故障模型输出全为1，20个测试样本分类都正确；S2、S4故障模型输出两个0，20个测试样本分类错误两个；S3故障模型输出一个0，20个测试样本分类错误1个。诊断率计算方法见式（1），对故障类型及诊断率进行可视化，如图10所示。

表2 五种故障诊断结果Table 2 Diagnosis results of five faults

图10 故障类型及诊断率Fig.10 Fault types and diagnostic rates

4 结 论

在前人基于声发射信号的燃气高压调压器故障诊断研究的基础上，本文提出了一种基于声发射信号的LSTM端到端故障诊断方法，直接利用声发射时域信号对调压器的运行状态进行诊断。利用LSTM的记忆特性，建立基于声发射的LSTM端到端（e2e-LSTM）故障诊断模型。根据采集的声发射信号及检修标签，实验结果表明，该模型能够以端到端模式一次性地诊断五种高压调压器故障，每种类型故障准断率可以达到90%以上，为基于声发射信号的LSTM端对端燃气高压调压器故障诊断提供了依据及方法。