基于改进深度神经网络的阀门故障诊断研究*

2022-10-26章修龙刘贵杰宁东红

机电工程 2022年10期

关键词：声压水声阀门

章修龙,刘贵杰,宁东红

（中国海洋大学机电工程系,山东青岛 266100）

0 引言

水下采油树结构复杂,在高温、高压的恶劣海洋环境中作业容易发生故障。深海设备检修维护非常困难,维修成本极高[1],一旦在生产中出现故障,会给日常生产造成很大的损失。

阀门作为水下采油树中的关键装置,工作时处于高温、高压的恶劣环境中[2],受到介质的长期冲刷;且高温阀门关闭后会迅速冷却,使密封面出现漏孔或裂纹,易导致泄漏,影响水下采油树的正常工作[3]。

阀门受损后产生的泄漏故障,会影响水下油气开采设备的正常工作,造成重大的经济损失。因此,为保障水下采油树健康、高效地正常运行,对水下采油树阀门泄漏故障进行诊断具有重要的意义。

不少学者已经对阀门进行了故障诊断的研究,并提出了不少方法。宁方立等人[4]为了检测输气管道阀门泄漏,提出了基于改进卷积神经网络（convolutional neural network, CNN）的阀门泄漏超声信号识别方法,提高了阀门故障的识别性能。杨海荣等人[5]提出了一种基于主元分析和支持向量多分类器的故障诊断方法,实现了对阀门故障快速、准确检测与诊断目的。

在水下环境中,为克服接触式故障诊断方法中存在的安装和维护困难问题,可采用声学传感器采集的水声信号对故障进行诊断。在该研究领域中,XIE Ying-chun等人[6]利用数字水听器收集的声学泄漏信号检测了海底生产系统管道泄漏,并利用经验模态分解和希尔伯特-黄变换获得的信号,准确识别了管道泄漏。

然而,声音在水下的传输过程中,由于吸收了水下环境背景噪声,声传感器吸收了大量的噪声成分,会对最终的诊断结果造成重大影响。因此,需要寻找一种合适的降噪方法,从收集的原始声信号中去除噪声成分。

传统的信号处理方法通常是使用基于经验的方法对信号进行预处理。例如,ZHOU Peng等人[7]利用集合经验模态分解（ensembleempirical mode decomposition, EEMD）对信号进行降噪预处理,获得了清晰的故障特征信号,提高了故障诊断的准确性。JIANG Wei-xiong等人[8]通过使用自适应噪声的集成经验模态分解（complementary EEMD with adaptive noise, CEEMDAN）方法,实现了从原始声压信号中去除部分噪声的目的。

然而,当噪声信号与水下声音信号处于同一频带范围时,这些方法无法取得有效的降噪效果。当噪声信号与水声信号存在频率混叠（即二者有部分频率处于相同的范围内）时,虽然采用基于时频域的降噪方法[9],可以实现去除噪声的目的（比如,小波变换[10]和S-变换[11,12]等）,但是基于这些方法去除含有混叠噪声信号时,对阈值函数的选择要求极高,使其在实际应用中受到限制。

近年来,基于深度学习的降噪方法受到了业界的广泛关注,同时该类方法也确实可用于学习水声数据的特征[13]。但由于复杂的海洋环境和信号传输过程中的水声噪声,需要找到一种自适应智能降噪方法,以最大限度地减少数字水听器收集的水声数据中的噪声成分,提高故障诊断的准确性。

针对上述问题,笔者通过研究莱特希尔声比拟理论、降噪的基本理论及方法,结合数值分析与实验验证,提出一种基于深度神经网络（deep neural network, DNN）的阀门故障诊断方法,以降低水声信号数据中噪声成分,提高阀门故障诊断的准确率。

1 理论基础

1.1 阀门泄漏理论研究

阀门泄露主要由密封结构被破坏引起,而阀门密封面未关严导致缝隙泄漏,以及阀门出现漏孔导致泄漏,都是较为常见的泄漏方式。以缝隙泄漏和漏孔泄漏为例,流体在经过缝隙或漏孔高速喷出后,进入到一个足够大的空间内,由于不再受边界的限制而进一步扩散流动,该现象称为射流。

液体从泄漏口高速喷射出来,所产生的喷流噪声可用轴对称自由射流表示,如图1所示。

图1中,阀门漏孔泄漏口的直径为D,当液体从泄漏口高速喷射出去时（射流的分布可分为混合区、过渡区和充分发展区）,混合区的液体流速最快,只有少量湍流的产生,其内部的速度可以看作与泄漏口的流速近似相同;过渡区中有大量的湍流产生,该部分区域的液体流速随着距离的增加而减小,混合区与过渡区之间的湍流也是射流噪声生成的主要原因;过渡区之后是宽广的充分发展区,该区域的流速相对较小,且随着距离的增加,流速呈递减趋势。

阀门泄漏发声机理实质上是属于射流产生的噪声,而射流噪声通常是基于莱特希尔声比拟方法来处理的。莱特希尔（Lighthill）[14,15]将声场分为声源场（近场）和远场两部分。声源场处,高速喷射的流体产生湍流,湍流中的部分能量转换成声能,声能经海水介质传播到远场。

为方便计算,笔者将声源点y作为坐标原点建立笛卡尔坐标系,如图2所示。

图2中,r表示近场声源与远场之间的距离,远场与坐标轴i之间的夹角记为α,坐标轴j与坐标轴k之间的夹角记为β。

液体喷流产生的声场遵循有源声场的波动方程,莱特希尔声比拟方法的基本理论如下:

根据纳维-斯托克斯方程导出的基本公式,考虑静止介质及有源声场的情况,假设介质密度为ρ,声速为c,则其连续方程可表示为:

（1）

式中:vi—质点速度矢量。

vi的动量方程可以表示为:

（2）

式中:pij—微元体表面上的应力张量。

结合式（1,2）可得:

（3）

式（1,3）消去ρvi,可得莱特希尔方程:

（4）

令p=c2ρ,则式（4）可表示为:

（5）

从式（4,5）可以看出:流体右边存在声源,表明其存在传播现象,可以计算出远场的声压。

由于液体喷流产生的声场遵循有源声场的波动方程,大量的研究结果表明,射流产生的声源属于四极子声源,该类型声源在结构上完全对称。四极子声源中两个偶极子之间距离为d,且存在应力pij,即存在应力张量Tij。

因此,四级子声源声波方程的解为:

（6）

由于r=|x-y|,式（6）经过微分计算后可得:

（7）

（8）

式（8）中,括号内第一项代表远场的声压,即:

（9）

由式（9）可以看出,远场声压的大小与近场至远场之间的距离成反比,与频率成正相关关系。

1.2 水声信号降噪处理方法研究

1.2.1 降噪基本理论

数字水听器采集的信号类型为远场的声压信号,从水下环境中收集的原始声压信号与环境背景噪声信号混合在一起。因此,为了获得准确的故障诊断结果,需要对采集到的原始声压信号进行去噪。

将时域中带有噪声的阀门泄漏信号转换为时频域后,在时频域中,笔者将带有噪声的阀门泄漏信号标记为:

Y（t,f）=X（t,f）+N（t,f）

（10）

式中:X（t,f）—阀门泄漏产生的不含噪声成分的时频域信号,也是该实验降噪处理后希望得到的目标信号;N（t,f）—复杂的环境背景噪声的时频域信号。

（11）

1.2.2 DNN模型

受到卷积降噪自动编码器的启发,基于降噪的基本理论,笔者建立用于水声信号降噪处理的DNN模型结构,如图3所示。

该神经网络设计为由一系列的二维卷积层、批量归一化层和整流线性单元（rectified linear unit, ReLU）层组成。输入的幅值频谱,通过这些二维卷积层进行处理和转换。通过使用2×2的步幅,减少了网络反卷积层的特征空间,但卷积滤波器尺寸保持在3×3。卷积处理和下采样操作可以实现网络的特征提取功能,并压缩特征矩阵,使下一次卷积操作的参数数量最小化。

在该神经网络的反卷积层中,这些层被用来重建特征,并对降噪信号的输出幅值谱生成高维非线性映射。神经网络结构在最后一层中使用一个回归函数,用来降低其输出结果与输入目标之间的均方误差。因为，随着设计的神经网络层数的增多、深度的增加,神经网络的准确度会出现饱和现象,可能还会出现梯度消失的问题。因此,该网络使用跨层连接将卷积层与反卷积层连接起来,以实现加快训练的收敛性,达到高质量局部最优目的。

模型的详细参数如表1所示。

1.2.3 原始水声信号数据降噪处理流程

笔者提出的基于DNN的降噪方法的基本流程为:

（1）对其进行数据预处理。通过使用短时傅里叶变换（short-time Fourier transform, STFT）,将时域信号转换为时频域信号,使其成为神经网络可以训练学习的数据类型;

（2）将不含噪声的阀门泄漏水声信号和含噪声的阀门泄漏水声信号的幅值频谱,输入神经网络中,通过神经网络对含噪声与不含噪声的阀门泄漏水声信号进行学习训练,对含噪声的阀门泄漏水声信号进行降噪处理;

表1 改进的DNN模型的详细参数

（3）将降噪后的信号与噪声信号的幅值时频谱输出;

（4）通过使用短时傅里叶逆变换,将时频域信号转换为时域信号,得到笔者所需要的降噪后的阀门泄漏水声信号数据。

在其训练和测试过程中,模型输入的是含噪声的阀门泄漏水声信号幅值频谱,和不含噪声的阀门泄漏水声信号幅值频谱,输出的是降噪后的阀门泄漏水声信号的幅值频谱,与降噪后得到的噪声信号的幅值频谱。

基于DNN降噪方法流程图如图4所示。

2 阀门泄漏故障诊断模型

水下采油树阀门泄漏的故障诊断方法主要有3个步骤,分别为原始数据获取、原始数据预处理及降噪、故障诊断。

基于深度卷积神经网络进行水声信号降噪处理的,水下采油树阀门泄漏故障诊断模型的流程,如图5所示。

笔者使用COMSOL软件对声场进行仿真处理,以确定数字水听器的位置,并通过数字水听器获取原始水声数据,然后将采集好的原始水声数据按照故障类型标记进行分类,对其使用STFT将时域信号转变为时频域信号,再利用设计训练好的水声信号降噪改进的DNN处理该时频域信号,信号经过降噪处理后,最后将其输入至用于故障分类的卷积神经网络中,诊断其故障类型。

2.1 数据获取

笔者采用数字水声器采集水下采油树阀门泄漏产生的水声信号,还应用Lighthill理论、水声传播理论和COMSOL软件进行数值模拟分析,获得了数字水听器的最优位置。

在测试水下采油树阀门泄漏的远场声压信号时,以图2所建立的坐标系为基础,将坐标系中的x用水听器代替,以确定距离和方位（图中,α和β分别为俯仰角补角和方位角）。

2.2 原始数据预处理与降噪

数字水听器采集到的原始水声信号数据中含有大量的环境背景噪声成分,信号的信噪比较高,对故障诊断的结果产生很大的影响。因此,需要在进行故障诊断之前对原始水声信号数据进行处理。

由于数字水听器采集到的原始水声信号为时域信号,无法对其进行频域分析,因此,笔者采用STFT将时域的原始阀门泄漏水声信号转换为时频域的信号,便于对其进行频域分析,再将转换后的时频域信号作为DNN的输入数据,进行降噪处理。

2.3 故障诊断

采用基于神经网络的故障诊断方法进行诊断时,需要对处理后的数据进行特征提取,再分类标记,然后对其进行故障诊断。而卷积神经网络在卷积处理过程中,卷积层可以自主进行特征提取,因此,对神经网络进行一定的改进有望实现该目的。

受一维残差卷积神经网络的启发[16],笔者设计了一种用于故障诊断的卷积神经网络（其不需要大量的标记图像,可以无监督、自适应地提取降噪后的阀门泄漏水声信号特征,实现故障诊断目标）。

卷积神经网络的结构如图6所示。

3 阀门泄漏模拟声学实验

3.1 实验场及数字水听器位置确定

该实验在中国海洋大学工程训练实验中心的水池中进行。实验水池由钢架、高强度防水布组成,其长、宽和深度分别为2.00 m、1.00 m和0.98 m。该实验用的阀门类型为#DN10,以液体侵蚀和机械故障引起的阀门泄漏作为典型的故障类型。

实验设计了4个不同漏孔直径的阀门作为实验组,阀门的漏孔直径分别为d1=0 mm,d2=3.00 mm,d3=4.00 mm,d4=5.00 mm。

实验中,阀门的出水压力由一个恒压水箱提供,它可以调节出水口的压力。由于水箱的压力限制,通过设计使用更小内径的管道来提高阀门出水口的压力,将阀门前部的水压最高提高到0.40 MPa,因此,该实验将阀门泄漏口之前的水压设置为0.10 MPa,0.20 MPa,0.30 MPa。

实验中设计的9种不同的工况类型如表2所示。

表2 不同压力及孔径下的故障类型

为了模拟真正的实验环境,笔者设计了流动面积大小为长度2.00 m、宽度1.00 m、深度0.98 m的矩形域,与实验的实际尺寸相匹配,分别表示向量坐标系中x轴、y轴、z轴的坐标。

阀门模型安装在流场底部,内外流体密度分别为1 000 kg/m3。z方向的上边界由声音软边界条件控制,用于模拟池中空气介质与水介质之间的界面。

笔者将其他边界作为声音硬边界条件,以最小化池的混响对声压的影响。

多体动力学和声学响应分析结果如图7所示。

图7（a）为0.30 MPa故障条件下的声压场分布。由于水和空气接触表面的散射效应和池体边界的反射效应,笔者发现声场分布图中的声压在泄漏孔处有很强的波动;声压沿y轴方向迅速下降,沿x轴方向逐渐减弱,声压峰值出现在混合区和湍流区之间;

图7（b）为相同故障条件下流场的速度分布。液体泄漏产生的射流沿x轴波动最大,流速在泄漏孔附近达到峰值后迅速下降。该现象表明,在混合区和湍流区之间的边界附近是声场的最强值区域。因此,该处是安装数字水听器,以提高原始声压信号信噪比的最佳位置。

笔者将阀门固定在实验池底部,阀门泄漏处朝向数字水听器,数字水听器的安装方向与水平面垂直,角度为90°,安装位置处于混合区和湍流区之间的边界附近。

实验现场如图8所示。

实验现场可分为实验平台数据采集区及实验区。当阀门泄漏发生时,泄漏产生的水声信号在水中传播之后,由远场的数字水听器进行收集,并通过线缆传输至电脑。传输过程中,使用声学信号放大器对水声信号进行放大处理,增强信号的信噪比。

3.2 原始数据预处理与降噪

水声信号数据由实验采集得到。实验中,使用构建好的改进DNN来降低原始声压数据中的噪声成分,将采集到的时域声压信号转换为时频图,并利用转换好的时频图来训练神经网络,并测试其性能。

笔者将采集到的信号进行分割,得到2 400个不含噪声成分的阀门泄漏水声频谱,作为泄漏信号样本（该部分信号具有高信噪比,需要10个不同类型的噪声数据作为噪声信号样本）;在2 400个泄漏信号样本中,笔者随机选取80%作为训练样本,10%作为验证样本,10%作为测试样本。

在训练过程中,为了确保神经网络能够识别泄漏信号和噪声信号的特征,笔者对训练泄漏信号样本进行反复迭代,每次迭代中选择一个噪声样本,并将其叠加到泄漏信号样本上,以降低泄漏信号的信噪比,通过连续训练,积累训练数据集。

在预测过程中,计算和记录归一化均方误差。笔者将泄漏信号的振幅和含有噪声的泄漏信号的振幅输入神经网络中,进行独立学习,该神经网络的预测目标为泄漏信号的振幅（即期望的输出结果）。在验证过程中,利用验证样本调整网络参数,防止神经网络出现过拟合现象,以实现更好的降噪性能。

利用测试样本去分析网络的降噪性能,在实验中,笔者用采集到的由水下设备机械振动引起的噪声（简称振动噪声）波形来测试该网络,其实验结果如图9所示。

图9中（1）图表示的是无噪声的原始阀门泄漏声压信号的频谱图及波形图。对泄漏信号样本进行迭代的过程中,将该振动噪声样本叠加到泄漏信号样本上,得到如图9中（2）图所示的频谱图及波形图。

含有振动噪声的复合信号经过神经网络降噪处理后,降噪后的水声信号其结果如图9中（3）图所示,降噪后的噪声信号其结果如图9中（4）图所示。

通过对比降噪后的阀门泄漏水声信号与降噪后的振动噪声可以发现:降噪后的阀门泄漏水声信号,与添加噪声之前的阀门泄漏水声数据的波形图类似,由于振动噪声波形的幅值、周期性、频率等特征明显,有利于提取噪声特征。

该结果表明：该神经网络可以成功地将含有振动噪声的复合信号分解为振动噪声和降噪信号;该降噪方法能有效地降低复合信号中的噪声成分,较好地恢复原始信号。因此,该方法能有效地从复合信号中分离出振动类的噪声。

3.3 降噪有效性验证

为了进一步验证该降噪方法的有效性,笔者将基于深度卷积神经网络的降噪方法与其他降噪方法进行对比分析[17]。

笔者选择全卷积神经网络（fully convolutional neutral network, FCNN）[18]与常规的卷积神经网络[19]作为对比方法组进行比较测试。其中,全卷积神经网络为所有层都是卷积层的神经网络,比卷积神经网络计算速度更快、效率更高,有助于网络性能的提升。

笔者从收集到的具有环境背景噪声的声压信号中,分别选择100～600个数据样本进行实验,每次递增100个数据样本。

为了避免样本选择对降噪结果的影响,笔者采用控制变量法,对相同条件下的不同方法都使用相同的样本;此外,增加样本数量,同时保证神经网络的结构和参数保持不变。

为了更好地衡量该方法降噪效果的优劣,笔者还设置了一组对照组,将其与上述3种方法进行对比,即通过设置含有环境背景噪声的原始阀门泄漏声压信号（简称含噪声的信号）作为对照组,将降噪后得到的信号其归一化均方误差值变化进行对比,结果如图10所示。

由图10可知:随着样本数量的增加,未经处理的含噪声的信号归一化均方误差值稳定在0.50附近;

经过降噪处理后,基于FCNN的降噪方法所得到的信号归一化均方误差值由0.499 2最低降至0.011 2,降幅达97.76%;基于CNN的降噪方法所得到的信号归一化均方误差值由0.499 2最低降至0.015 6,降幅达96.88%;笔者所提出的降噪方法所得到的信号归一化均方误差值由0.499 2最低降至0.011 0,降幅达97.80%。

归一化均方误差值在该实验中用于衡量降噪后信号与目标信号之间的相似度,数值越小代表二者之间的相似度越高。

因此,在归一化均方误差值这一评价指标中,笔者提出的降噪方法的表现优于其他两种降噪方法,这也证明经过降噪后的信号波形更接近目标信号,具有更好的精度和更强的鲁棒性。

3.4 故障诊断

通过对9种不同工况下的含噪声的原始水声信号进行降噪处理,笔者得到了9种降噪后不同类型的水声故障数据,它们分别对应于故障1至故障9,并将其存储在一个数据集中（该数据集包含4 500个数据组。每种故障类型包含500个数据组（每个数据组包含1 024个数据点）,随机选取其中的80%为训练样本,10%为测试样本,10%为验证样品）;

然后,笔者将3 600个训练样本纳入CNN模型进行训练,用450个测试样本评估模型的泛化能力,用450个验证样本对模型的参数进行调整;

经过参数调整处理后,得到了网络模型,模型中E—卷积层+批量归一化层+整流线性单元层;F—卷积层+整流线性单元层。

模型的详细参数如表3所示。