基于大数据驱动的恒电位仪故障诊断模型

2023-10-18夏太武张文艳

西南民族大学学报（自然科学版） 2023年5期

夏太武，张文艳，王飞，王峰，陈墨，张炜

(1.中国石油西南油气田分公司集输工程技术研究所，四川成都 610042；2.中国石油西南油气田分公司管道管理部，四川成都 610042)

随着天然气广泛使用于千家万户，埋地燃气管道已遍布城市大街小巷，受城市轨道交通、废弃物排放等因素影响，以钢质管道为主的燃气管网经过多年运营后，其腐蚀泄漏已成为燃气企业安全生产无法回避的问题，十分有必要对埋地燃气管道实施阴极保护措施[1].强制电流作为阴极保护的重要措施之一，常被用于埋地钢制管道的特殊区域[2-3]，但强制电流阴极保护在运行过程中不可避免出现各种各样的问题，导致阴极保护系统不能正常运行，危害管道的安全[4-5]，而产生强制电流的恒电位仪是否有效运行便成为整个阴保系统的重中之重.恒电位仪故障通常由恒电位仪内部电子元器件或电路受到电磁干扰而显示异常、结构损坏等引起[6]，遗憾的是阴保系统目前还比较缺乏基于专家系统的故障智能诊断技术，恒电位本身的技术问题主要还依托其生产厂家来解决.本文正是基于此情况，借助大数据分析技术，研究建立针对恒电位仪的故障诊断模型，一方面为阴保系统预测预警提供支撑，另一方面解决管道生产企业阴保专业技术人员配置不足的问题.

1 恒电位仪故障诊断概况

1.1 恒电位仪工作原理

恒电位仪是阴极保护系统的控制中心和电源输出端.通过恒电位仪的正极电缆与辅助阳极相连接，通电后在地下形成一个半球面电场，负极接在被保护管道上，参比电极接线柱与参比电极相连接，参比电极埋设在管道附近，测量输气管道电位，监测保护效果.恒电位保护开启后，保护电流从恒电位仪正极流出，经过辅助阳极进入土壤，再流到管道上，又沿阴极导线回到电源负极，从而起到保护管道的作用.

1.2 恒电位仪故障分析

根据统计，恒电位仪故障在阴保系统全部故障种类中占比最高，且一旦发生对系统正常运行的影响也最为严重.如果恒电位仪故障不能及时进行预警和诊断，从而根据腐蚀情况进行动态调整，有时可能会加速管道的腐蚀，给企业生产埋下安全隐患.因此，借助于人工智能的技术手段积极开展阴极保护的智能故障诊断是企业安全和可持续发展的重要途径.

但现有简单的机器学习系统和专家系统主要依赖低维度小数据集进行训练，或者依赖专家在燃气管道领域基础知识和故障维护的固有经验规则形成，存在一定的局限，无法将故障模型与监测数据有效结合，严重影响了故障定位和分析的效率.

1.3 恒电位仪故障智能诊断存在的技术问题

当前恒电位仪故障智能诊断中存在四个较为突出的技术问题，具体表现在[7]:

1)不能对恒电位仪运行过程中涉及多知识领域、无量纲和高度离散的数据进行合理的量化和针对性的特征处理，显著降低了数据集信息采集维度，严重限制了后续神经网络建模的拟合复杂度，影响分析准确性.

2)不能对恒电位仪运行过程中的高密度连续过程运行数据进行时序分析，只能进行概率统计分析，显著降低了数据集信息采集维度，限制了后续神经网络建模的拟合复杂度，影响了分析准确性.

3)因受采集数据集规模的限制，较多地依靠专家针对应用场景进行人工数据分析和特征提取，无法完全依靠采集数据自动生成恒电位仪故障分析神经网络模型，系统的移植性和适配性较差.

4)因受数据分析能力的限制，只能依靠多个小模型对恒电位仪不同来源的数据进行分离式分析及分析结论融合，分析准确度低、操作强度大、操作所需的技术门槛较高，系统的应用受限.

为了实现针对阴保系统恒电位仪的智能故障诊断，融合技术人员在长期阴极保护研究中积累的经验，并利用监测点数据的时序特点，本文提出利用图卷积神经网络和Transformer 模型结合的智能诊断系统，提高燃气管道阴保系统恒电位仪故障的诊断精度.

2 阴保系统故障智能诊断模型研究

文献[8]提出了基于信号的故障诊断方法，文献[9]对基于解析模型的故障诊断方法、基于信号的故障诊断方法、基于知识的故障诊断方法、混合与主动故障诊断方法进行了分析总结.考虑在恒电位仪故障诊断中，检测位点之间具有复杂的逻辑关系，检测点位上的数据长远来说会趋于自动采集，且具备时序数据的特点，加之在长期的现场工作中已经总结出一套恒电位仪故障的经验模型.因此本文综合了文献[9]中的四种障诊断方法，提出通过图积神经网络对图结构的故障诊断经验模型进行复杂逻辑关系的建模，通过时序Transformer 对故障图中的检测点时序信号进行建模，通过网络空间结构和时间序列结构两个方向的建模，进行恒电位仪故障类别的诊断推理.

2.1 现有故障诊断理论方法分析

图积神经网络相比于传统的深度学习方法只擅长提取欧氏空间数据特征，它能够建模非欧式空间生成的数据，而传统的深度学习方法在处理非欧式空间数据上的表现却仍难以使人满意.例如，在故障诊断经验模型中，一个基于图(Graph)的学习系统能够利用故障节点数据和故障节点逻辑关系的交互来做出非常准确的推理，但广义图的复杂性使得现有的深度学习算法在处理时面临着巨大的挑战.这是因为图是不规则的，每个图都有一个大小可变的无序节点，图中的每个节点都有不同数量的相邻节点，导致一些重要的操作(例如卷积)在图像(Image)上很容易计算，但不再适合直接用于图.此外，现有深度学习算法的一个核心假设是数据样本之间彼此独立.然而，对于图来说，情况并非如此，图中的每个数据样本(节点)都会有边与图中其他实数据样本(节点)相关，这些信息可用于捕获实例之间的相互依赖关系.

Transformer 网络是一种只用自注意力机制构建的神经网络结构，相比于传统的循环神经网络(RNN)和卷积神经网络(CNN)，具备更好的远距离时序特征抽取和隐式强关联数据融合能力，通过在时间序列上的建模调整，使用模型除具备过程数据的统计特征分析能力外还兼具时间序列的特征分析能力，从而有效扩展了数据的分析维度，提高故障分类的精确度[10].

2.2 故障诊断技术路线

故障诊断模型的核心任务流程围绕大数据驱动的混合神经网络进行展开，可分为决策单元、训练单元和辅助单元.三类任务单元互为支撑，共同完成数据分析任务[11]，如图1所示.

图1 大数据驱动的智能故障诊断任务流程Fig.1 Big data driven intelligent fault diagnosis task process

图1 中，决策单元的核心部分是在线模型库，其中包含故障判断的神经网络模型，神经网络模型是基于统计数据生成的判决参数网络，其构建过程只与数据的统计概率有关，而与模块功能之间逻辑相似性无关；训练单元的核心部分主要是数据统计功能和离线训练功能，数据统计功能是系统持续进行神经网络模型训练优化的数据基础，因此大数据处理功能对大系统持续提交的各种场景下的新运行数据进行统计分析，自主完成运行数据的分类标定，并将带有分类标定的新数据传送至离线训练，保证数据分析模块适用于所有的已有数据；辅助单元的核心部分主要是程序运行后台、数据库和数据接口.这些基于数据分析模块工作流和数据流形成的基本架构是支撑故障诊断模型正常运行的必要条件[12].

2.3 故障诊断技术方案

首先根据恒电位仪故障的经验模型构建一套诊断图谱，图谱的节点为检测位点，边为节点之间的关系；然后利用GCN 对图谱结构进行建模，再利用时序Transformer 网络对图卷神经网络的输出进行时序建模，最后输出故障诊断信息，如图2所示.

图2 恒电位仪故障诊断技术路线图Fig.2 Technology roadmap diagram of potentiostat fault dagnosis

具体方案如下[13-14]:

1)通过分析人工对阴极保护系统恒电位仪类无正常输出故障的研究，将故障分为外部供电故障、恒电位仪输入保险管熔断稳压电源变压器保险管熔断、恒电位仪输出保险管熔断、阴极保护外围电缆回路短路四种故障类型.每种故障类型中均包含多种可能的原因以及对应的解决指导原则.因此可以构建不同监测点位与故障原因、故障类别之间的关系图谱，将故障诊断的逻辑进行结构化存储，便于下一步进行推理和计算.

2)结构化的恒电位仪故障图谱中节点由监测点位、故障原因、故障类别构成，边由他们之间的指向关系构成，边的数值表示概率大小.采集到的监测点数值赋值给故障图谱中对应的节点，然后通过使用GCN对每个节点上数值进行迭代更新，得到节点的最新表示.

3)将每个时间点上三层GCN 的输出构建成Transformer 模型的输入，通过Transformer 模型的计算输出每个节点的概率大小.

4)通过将Transformer 输出的概率和实际节点的类别计算cross entropy loss，得到梯度后调整Transformer 和GCN 网络的参数权重，直到loss 低于设定值则停止训练.

5)将训练好的模型应用于新的监测数据，将故障图谱上对应节点的值赋值为监测得到的数据，然后使用GCN 对节点进行更新，再通过Transformer 模型计算每个故障原因节点的输出概率，选择最大概率的故障原因作为输出.

2.4 故障诊断模型建立

按照2.2 的技术路线，恒电位仪故障诊断模型建立过程如下[15]:

1)依据对恒电位仪故障系统经验模型的研究，将根据系统故障诊断技术、系统智能预警及控制技术、系统智能分析构建燃气管网智能阴极保护系统知识图谱G，如图3、图4所示.

图3 模型结构图Fig.3 Model structure diagram

图4 恒电位仪故障诊断知识图谱形成过程Fig.4 Formation process of knowledge graph for potentiostat fault diagnosis

2) 将上一步骤的故障知识图谱结构化为G＝(V，E)，其中V 表示图谱G 上m 个检测节点，E表示节点之间的边，邻接矩阵A∈Rm×m表示节点的连接，元素为0/1.定义特征矩阵X∈Rm×P，p 表示节点属性特征的数量(历史时间序列的长度).

3)给定邻接矩阵A 和特征矩阵X，图卷积神经网络通过一阶邻居节点更新节点信息，图卷积神经网络每层的输出可以表示为:

4)采用三层GCN 网络来抽取图谱的空间特征，将上一步骤中网络进行叠加后输出为:

其中，f(X，A)表示整个图谱的空间特征，W0∈RP×H表示从输入到隐藏层的权重矩阵，W0表示隐藏层到输出层的权重矩阵，P 是特征矩阵的长度，H 是隐藏层的单元数，ReLU 表示非线性激活函数.

5)将GCN 网络输出的t-n 到t 时刻空间特征f(A，Xt)作为输入序列，输入到Transformer 模型中，通过多头注意力机制(如图5所示)，输出MultiHead 值如下:

图5 Transformer 结构和多头注意力机制结构图Fig.5 Transformer structure and multi head attention mechanism structure diagram

6)将上步骤的输出MultiHead 输入到前馈网络Feed Forward 层和归一化层Layer Normalization 后得到最终的模型输出，计算公式如下:

最后输出通过线性模型和softmax 层后输出故障类别的概率分布，选择其中概率最大的故障作为预测值.

7)将上步骤的输出和实际节点的分类计算损失，损失函数定义如下:

其中，y表示模型的输出分类，表示模型真实分类.

采用Adam 优化方法进行梯度优化，反向传播修改网络参数的权重.

8)当loss 低于0.01 或者迭代步数超过10 000 步时，则停止训练，将训练好的模型应用于恒电位仪故障诊断.

3 故障分析模型验证

3.1 数据预处理

以恒电位仪无输出故障场景为例，为了分离提取故障特征维度，首先需要对原始数据特征进行预处理，如图6所示进行缺失值的填充，统计每个特征维度数据中非缺失值的数量.

图6 “恒电位仪无输出”状态下有效特征维度统计示意图Fig.6 Statistical schematic diagram of effective feature dimensions in the state of "no output from thepotentiostat"

缺失值的具体位置如图7所示，图中“true”为有缺失值.

图7 “恒电位仪无输出”状态下统计缺失值具体位置示意图Fig.7 Schematic diagram of the specific location of missing values in the state of "no output from thepotentiostat"

其次是特征选择，需要过滤掉上一步骤中缺失值过多特征(共18 个)，对非参数型数据进行数值量化后采用皮尔逊相关性计算两两特征之间相关性，获取特征之间的相关性，如图8所示.

图8 特征选择过滤后的数据统计示意图Fig.8 Statistical diagram of filtered data of feature selection

计算过程中发现有6 项特征与其他特征的相关性高于0.9，且经过图卷积神经网络分析此6 项特征有关的关键步骤聚集度低于0.3，因此可以去除此6项特征维度，最后获取64 维特征可与构建“恒电位仪无输出”故障场景的层次化对等模型进行超参数匹配，如图9所示.

图9 “恒电位仪无输出”状态下特征相关性热图Fig.9 Characteristic correlation heat map in the state of "no output from thepotentiostat"

最后进行模型训练，为了增强系统性能，需要进行样本训练持续更新网络中的参数.例如针对数据集的训练，数据采样维度为87 维，每种维度具有13 500条采样记录.总迭代轮数设置为1 000 轮，每训练10轮计算并记录一次模型对测试集的准确率与损失值.训练过程统计如图10所示.

3.2 实验结果

通过上一节的数据预处理和本文提出的GCN ＋Transformer 模型训练，得到恒电位仪无输出状态的预测结果如表1所示，其中对比方法为SVM，LSTM ＋CRF，Transformer 模型.

表1 恒电位仪无输出状态预测结果对比Table 1 Comparison of predictive resultson “no output from the potentiostat”

从表1 中可以看出，本文提出的GCN ＋Transformer 模型在大部分类别中能够提升准确性，只在“外电输入故障”类别要低于Transformer 模型0.9，但是本文所提出的模型在F1 值上能够超越所有对比模型，证明该模型在恒电位仪无输出状态预测的先进性.而其他模型由于缺乏GCN 进行节点图结构的推理，无法很好地建模各节点之间的关系，导致预测性能较低.