基于PSO-SAE神经网络的城市燃气管道剩余寿命预测

陈晓冬

（江苏省特种设备安全监督检验研究院（扬州分院） 扬州 225000）

燃气已成为现代社会中供应城市居民生活以及工业生产的重要能源,是城市建设的重要组成部分。城市居民生活用气主要通过管道运输、液化天然气储运2种方式输送到用户所在位置。城市燃气管道大多埋于地下,且网点多、铺设线路长、覆盖面广,具有复杂性和不可见性,且管内输送的燃气具有易燃易爆、扩散速度快等特点,一旦管道出现破损极易发生爆炸、泄漏等重大安全事故,对企业和社会造成恶劣影响。因此对燃气管道剩余寿命做出准确预测,保证燃气管道在使用期的可靠性和稳定性,是各大燃气企业现阶段的首要目标。深度学习是机器学习中一种基于对数据进行表征学习的算法,通过逐层挖掘数据中的深层特征,使机器能够像人一样具有分析学习能力。由于其不依赖专家经验、区域化分层学习、多元非线性拟合等特点,能够很好地满足企业在过程优化、故障诊断、安全预警和大数据分析等方面的智能化需求,助力燃气企业实现数字化转型,走向智能高效的发展道路。

1 研究现状

21世纪以来,欧美国家针对管线安全运行和经济效益2个重要因素,依靠不断进步的科学技术,提出了建立综合治理体系的概念,并不断在工程化、智能化、模式化方向深入发展。在城市燃气管道剩余寿命预测方向,我国的有关研究起步相对比较晚,在研究初期主要是针对燃气管道缓蚀剂和涂料开展研究。随着全球范围内的相关学者、从业人员对燃气管道剩余寿命及完整性的深入研究,国内的科研人员也开展了大量研究,不过我国对城市燃气管道剩余寿命预测仍然处于探索的初级阶段。

梁成浩等[1]通过概率统计的方法建立了材料腐蚀寿命预测系统,分析推算腐蚀管道的剩余寿命。余建星等[2]统计了多起海底管道事故原因,采用ANSYS有限元软件分析多种参数对海底管道疲劳寿命的影响作用,并得出了管道失效的主要原因。李增杰等[3]提出一种结合统计模型的BP神经网络,通过用统计模型修正BP神经网络的误差,实现对城市燃气管道剩余寿命的预测。刘颖等[4]提出了一种基于WS-LSTM算法的海底管道剩余寿命预测方法,结合小波变换和LSTM网络提高了模型的鲁棒性和泛化能力。

综上所述,国内外学者对管道剩余寿命预测方法基本大多建立在数学模型的基础上,部分还依赖专家的经验和评估,且得到的精确度较低,而利用深度学习算法预测管道剩余寿命还处于萌芽阶段。本文尝试将深度学习算法应用在城市管道剩余寿命的预测上,提出了一种基于PSO-SAE算法的城市燃气管道剩余寿命预测方法。

2 PSO-SAE预测模型

2.1 粒子群优化算法

粒子群优化算法（Particle Swarm Optimization,PSO）是一种通过模拟鸟类群体搜索食物的行为的进化算法,其基本思想在于通过群体中个体之间的协作和信息共享来寻找最优解[5]。粒子群优化算法是一种高效的并行搜索算法,同时保留了基于种群的全局搜索策略,操作模型比较简单,避免了复杂的遗传操作,并且保留了每个粒子的个体历史极值。PSO算法流程如图1所示。

图1 粒子群优化算法流程

PSO优化过程可以描述为：首先初始化一个随机粒子群即该问题的一组随机解。然后通过重复迭代找到最优解。在每一轮的进化求解迭代中,粒子算法通过关注2个极限粒子即全局最优粒子和个体最优粒子（pbest,gbest）来更新整个种群的全局状态。在找到这2个极限粒子后,通过式（1）和式（2）来更新个体的速度和位置以达到全局最优解：

式中：

vi—— 粒子个体的速度；

xi—— 粒子个体当前位置；

rand() —— 一个介于0和1之间的随机数；

c1,c2—— 学习因子,通常c1=c2=2；

ω —— 一个非负常数,是搜索函数的惯性因子,当ω较大时,模型具有较强的全局求解能力,而局部求解能力较弱；当ω较小时,优化算法的全局求解能力较弱,局部求解能力较强。

动态变化ω能获得比固定ω更好的寻优求解结果。动态变化ω在PSO迭代的过程中线性改变大小,也可以通过PSO优化算法的某个测度函数自适应改变大小。现阶段一种较为普遍的动态变化策略是线性递减权值（Linearly Decreasing Weight,LDW）策略,可表示为式（3）：

式中：

Gk——最大迭代次数；

ωini——初始惯性权值；

ωend——迭代到最大次数时的惯性权值。

一组比较常用的权值是：ωini=0.9,ωend=0.4。

引入惯性因子ω,极大地提高了PSO算法的寻优能力,针对不同的最优解求解问题,可以自适应地调整局部和全局求解能力,使得PSO算法有效地应用于实际求解问题。

2.2 稀疏自编码网络

稀疏自编码网络（Sparse Autoencoder,SAE）是一种无监督的机器学习算法,通过编码器和解码器,得到输入样本数据的隐藏低维特征。同时克服低维特征中具有冗余特征的不足,对隐藏层节点增加稀疏性约束来限定不是所有的神经元任何时刻都是处于激活状态。网络原理如图2所示。

图2 稀疏自编码网络结构

其编码和解码过程分别用式（4）和式（5）表示：

式中：

σ ——映射函数；

x ——输入数据；

h ——编码器输出的隐藏层特征；

z ——解码器输出的重构特征；

W,b ——编码器的权重和偏置；

W ',b'——解码器的权重和偏置。

将KL散度作为正则项加入网络的损失函数中,以此对网络加以稀疏性约束,见式（6）～式（9）：

式中：

Jsparse(W,b),J(W,b)——稀疏化前后的惩罚函数；

hW,b(x(i))——训练中的权重暂存系数；

s——隐藏层中隐藏神经元的数量；

nl——第l层隐藏层的输入；

λ——正则化系数；

i ——每层的节点；

索引j——依次代表隐藏层中的每一个神经元；

x(i)和y(i)——神经元的输入及输出；

β——控制稀疏性惩罚因子的权重；

aj(2)(x) ——在输入数据x,样本数为m的情况下,隐藏神经元j的激活度。

为了保证平均激活度维持在一个比较低的水平,引入超参数稀疏ρ,稀疏率通常是一个比较小的常数,使神经元激活度以此来降低隐含层神经元的活跃度。把相对熵加入目标函数中,惩罚平均激活度和稀疏率相差较大的权重,保证最后训练得出的权重矩阵能够让隐藏层神经元的平均激活度维持ρ这个水平。

2.3 PSO-SAE

稀疏自编码网络的训练结果一定程度上取决于网络超参数的设置,不恰当的超参数会导致网络陷入局部最优解或是进入过拟合状态,使得网络提取不恰当的低维特征表达,影响预测结果。针对这一问题本文提出利用粒子群优化算法,在网络训练过程中利用粒子群优化算法对SAE网络中的学习率、稀疏率等构成等高维超参数空间进行最优求解,动态更新当前最优超参数集,自适应地调整网络超参数来改进SAE算法。该算法流程如图3所示。

图3 PSO-SAE算法流程

首先初始化SAE网络的权重和阈值,计算此时的准确率。以此时的准确率作为PSO的适应度值,并根据该适应度更新SAE网络的超参数。以PSO寻优得出的超参数训练SAE网络更新网络权重和阈值。重复以上两步直至网络收敛。

3 城市燃气管道剩余寿命预测

为验证本文提出算法的可行性,首先选择与燃气管道腐蚀密切相关的影响因素作为输入特征,具体特征为湿度、温度、含盐量、电阻率、压力。通过PSO-SAE网络提取输入数据的隐藏特征,利用softmax层建立前置网络提取的隐藏特征和管道剩余寿命之间的映射关系,使网络最终输出管道剩余寿命的预测结果,将燃气管道寿命预测值与真实值之间的均方误差作为评价指标。

考虑城市燃气管道所属环境复杂,管道长时间受土壤理化特性影响,因此本文对输入的数据首先进行归一化处理以消除单位量纲以及尺度之间的差异对网络造成的影响。将总计1 000个数据样本按4:1的比例划分为训练集和测试集,设置初始学习率为0.001,稀疏率为0.5,对比固定超参数的普通SAE算法和自适应更新超参数的PSO-SAE算法的预测能力。普通SAE算法的训练损失和预测准确率如图4、图5所示。

从图4、图5中可以看出,固定超参数的普通SAE算法无法很好地克服求解参数多、收敛速度慢、收敛后震荡明显、易过拟合等不足。本文构建的SAE模型的预测结果误差较大,且测试集准确率相比于训练集准确率也有明显的降低,说明SAE算法泛化能力不强,无法准确预测城市燃气管道剩余寿命,容易导致企业对管道运行状况做出错误的预估,进而导致严重的安全事故,造成人员伤亡和经济损失,对企业和社会带来不可估量的损失。因此普通的SAE算法无法满足企业对城市燃气管道寿命预测的要求。

图4 普通SAE算法训练损失

图5 普通SAE算法预测结果

相比于普通的SAE算法,本文所提出的PSOSAE算法则很好地克服了这些问题。PSO-SAE算法训练损失和预测结果如图6、图7所示。

图6 PSO-SAE算法训练损失

图7 PSO-SAE算法预测结果

从图6、图7中不难看出,PSO-SAE算法损失函数的收敛速度更快,在5 000轮训练后就实现收敛,且收敛后震荡不明显更加稳定。随着损失函数的收敛,模型预测的准确率也稳定在更高水平,训练集准确率达到93.92%,测试集准确率达到92.16%,且二者差距不大。这充分说明PSO-SAE算法有较强的泛化能力,对企业目前已收集到的城市燃气管道特征数据进行充分学习后对该特征下的管道寿命有很强的预测能力,而且对企业未采集的陌生数据同样也具备准确预测能力,可以实现管理现有燃气管道的同时,在土壤环境发生变化、新管道铺设等场景下快速支撑燃气企业安全维护工作。

为了进一步验证PSO-SEA算法的有效性,本文通过横向对比的方法,将PSO-SAE算法与目前较为常见的人工智能算法对城市燃气管道寿命预测能力进行比较。通过对相同数据集充分学习后,各个算法预测准确率结果如图8所示。

图8 不同算法预测结果对比

从结果中不难看出,本文提出的PSO-SAE算法在各种智能算法中具有最准确的预测能力,同时该算法采用轻量化的网络结构,通过较少的算力就可以实现对燃气管道寿命的高精度预测,且训练效率高、训练速度快。成本低、见效快,可以在燃气企业的安全管控项目中快速落地,长效化监测燃气管道安全情况。

以上实验充分说明该算法可以精确预测城市燃气管道寿命,解决了企业风险评估方法缺乏、检验检测技术单一及风险防控技术不足等问题,赋能企业安全生产、风险防控,推动企业数字化、智能化转型进入新台阶。

4 结论

本文提出了一种基于PSO-SAE算法的城市燃气管道剩余寿命预测办法,该算法通过PSO优化算法自适应地调整SAE网络中的超参数很好地解决了普通SAE网络自身泛化能力弱、容易陷入过拟合的不足。通过实验数据对其进行测试和对照分析,实验结果充分表明该算法学习能力强、训练效率高、泛化能力强、预测结果准确。同时相比于传统方法,该算法不依赖专家经验、成本低,对于燃气企业的安全生产、管理具有积极的参考意义。