基于門控循環神經網絡的閥門泄漏檢測方法

余吉超,姚 燕,歐陽航

(中國計量大學 計量測試工程學院,浙江 杭州 310018)

閥門是管道系統中的基本部件,通過控制閥門可以改變流體介質的壓力和流量變化。對絕大多數閥門來說,泄漏是主要的破壞形式,其中最常見的是由于密封性差或器件老化所導致的閥門內漏和外漏。閥門泄漏不僅會造成經濟方面的損失,易燃、易爆、有毒氣體的泄漏還會對人身安全造成巨大威脅,因此迫切需要實現閥門泄漏故障的及時檢測。目前,閥門外漏故障有一套成熟的檢測技術,但閥門內漏依然主要依賴于傳統檢測方法,如人工巡檢、超聲波檢測、紅外測溫法等。這些方法均存在一定的缺陷,如人工巡檢需要手動拆卸閥門進行檢查而耗費大量的人力,紅外測溫法受環境局限較大,超聲波檢測法對于微小泄漏的檢測存在缺陷。

傳統方法的局限性使得許多學者將聲發射技術應用到閥門內漏的檢測上。閥門內漏檢測的首要工作就是認識內漏聲源產生的機制。張穎[1]對氣體內漏過程動態流體源的聲源特性進行了理論分析,并用四極子聲源近似表示閥門氣體內漏噴流噪聲源,同時建立了閥門氣體內漏噴流噪聲聲源強度的流動參量描述方程。在理論模型的基礎上,Prateepasen[2]等提出了一種基于聲發射技術的新型理論模型來預測泄漏率;高倩霞[3]等基于最小二乘法建立了基于聲發射信號特征的閥門泄漏故障特征參數與閥門泄漏狀態的定量關系;鄒兵[4]等建立了預置缺陷閘閥內漏模擬試驗平臺,利用小波分析技術,研究了內漏聲發射信號頻率分布規律;YAN[5]等通過最近鄰節點算法(K-NearestNeighbor,KNN)和支持向量機(Support Vector Machine,SVM)等分類算法對閥門狀態進行分類。

近年來,隨著機器學習研究的不斷推進,研究人員利用機器學習方法對聲發射信號進行處理,有效提高了閥門的最小可檢測泄漏量。如雷紅祥[6]開發的閥門內漏檢測裝置在實驗現場測得球閥內漏流量為1.6 L/min;張庚[7]通過搭建檢測實驗平臺測得旋塞閥內漏流量為0.87 L/min;吳石恩[8]基于支持向量數據描述方法,測得最小可檢測泄漏量為0.328 L/min;周文[9]基于深度置信網絡評估得到閥門最小泄漏率為0.416 L/min。

盡管存在以上進展,但上述方法大都從頻域的角度開展研究?？紤]到閥門聲發射數據可以在一定時間段內體現出閥門內漏的發展趨勢,可以用時間序列模型對閥門內漏趨勢進行預測。因此,本文提出了基于聲發射技術和門控循環神經網絡(Gated Recurrent Unit,GRU)[10-11]的閥門內漏監測方法,利用聲發射技術在動態檢測以及GRU在時間預測方面的優勢,期望能夠提高閥門所能檢測到的最小泄漏量,從而實現閥門泄漏的更準確檢測。

1 門控循環單元神經網絡原理

GRU是一種新型的循環神經網絡(Recurrent Neural Network,RNN)[12]。傳統的神經網絡在對序列信息進行預測時,無法基于長時間序列建立模型,而循環神經網絡可以通過將信息進行循環操作,保持信息持續存在來解決上述問題。最典型的RNN方法是長短期記憶網絡(Long Short-Term Memory,LSTM)[13]。相比于傳統RNN網絡以及其他深度網絡,LSTM對數據時序性的適應能力更強,但LSTM網絡存在參數量較多、模型收斂速度較慢等缺點。作為LSTM的一個變式,GRU簡化了LSTM的內部單元結構,在保證較高預測精度的同時可有效縮短模型的訓練時間,因此得到了廣泛關注。GRU由一系列的門控循環單元構成,其中單個門控循環單元的結構示意圖如圖1。

圖1 門控循環單元示意圖Figure 1 Schematic diagram of gated loop unit

(1)

rt=σ(W(r)xt+U(r)ht-1),

(2)

(3)

(4)

2 閥門內漏聲發射檢測實驗及數據預處理

2.1 閥門內漏聲發射檢測實驗

為實現基于聲發射的閥門內漏檢測,本文設計了對應的實驗系統,如圖2。實驗系統主要由高壓氮氣鋼瓶、壓力表、控制球閥、待測閥門、流量計、聲發射傳感器、前置放大器、信號采集處理終端組成。

圖2 閥門內漏聲發射檢測實驗系統的設計圖Figure 2 Design drawing of valve internal leakage acoustic emission detection experimental system

實驗中用到的發射傳感器是由北京聲華科技公司生產的SR150N型聲發射傳感器,檢測頻率為22～220 kHz。為其配套的前置放大器增益為40 dB,分辨率為16 bit。前置放大器的作用是將聲發射傳感器采集到的極微弱的信號通過模擬電路進行放大,以便后續信號處理終端對信號進行采集。聲發射傳感器固定在待測閥門的外側閥壁上,當調節閥門時,采集聲發射信號到采集終端中進行進一步的處理。

采用0.2 MPa,0.3 MPa,0.4 MPa,0.5 MPa,0.6 MPa,0.7 MPa共6組壓力進行實驗,測試采用DN8球閥,通過調節球閥開度調整泄漏流量,采用流量計進行測定。在泄漏率為0.2 L/min、0.4 L/min、0.6 L/min、0.8 L/min、1 L/min、1.2 L/min的情況下進行實驗,每個壓力值下5組實驗,得到了不同工況下聲發射信號數據。

2.2 小波包信號降噪研究

閥門內漏檢測方法由圖3,固定于閥門壁上的聲發射傳感器將采集到聲發射信號轉換為電信號,并經過前置放大器放大。此時的信號包含大量環境噪聲,需要對其進行降噪處理,之后再經由深度學習模型對信號進行診斷,判斷閥門內漏狀態。

圖3 閥門內漏檢測方法Figure 3 Valve internal leakage detection method

小波包分解是一種常用的信號頻譜分析方法,通過對信號的多次迭代,將其按頻率逐層分解。相比于小波分解,小波包分解更為精細,它在分解的過程中不僅對低頻信號再分解,對高頻信號也會再實施分解,因此更適用于信號高頻部分的分析[14]。在小波包分解的過程中,依據特點不同,不同的小波基函數對小波包分解的效果有很大影響,選擇合適的小波基函數就顯得相當重要。

常用的小波基函數主要包括haar小波、db小波、bior小波、coif小波、sym小波等,如表1。

表1 小波基函數特性比較

考慮到閥門內漏聲發射信號復雜且數據量較大,采用具有雙正交性的對稱小波函數可以讓信號在多尺度分解和重構中盡量不出現邊緣失真。另外,為了獲取信號的局部特征,應盡量選用具有緊撐性的小波函數。因此,針對閥門聲發射信號,本文采用db小波作為小波包分解重構的小波基函數?；赿b小波的分解結果如圖4。

圖4 db-N小波的尺度函數與時域波形Figure 4 Scaling function and time-domain waveform of db-N wavelet

由圖4可知,不同階數下的db小波的尺度函數趨勢幾乎沒有變化,只是在光滑度上隨階數變高也在不斷變高。而在不同階數的db小波函數圖像上也幾乎沒有變化,僅有光滑度隨階數提升不斷提高。由此可見,不同階數的db小波圖像本質是類似的。dbN小波消失矩階數為N,高階db小波的消失矩過大不利于計算,不適用于閥門泄漏聲發射信號處理。

選擇db3～db5、coif3～coif5、sym3～sym5小波包基函數,分解尺度為4對信號進行降噪處理,不同小波包基函數降噪后信號的信噪比結果如圖5。由圖可知db小波具有更高的信噪比,且當階數為3時,取得最好效果。

圖5 不同小波包基函數下降噪對比結果Figure 5 Comparison results of different wavelet packet basis functions for noise reduction

由于存在噪聲干擾,無法直接從時域圖上對聲發射信號進行確認。因此,需要從頻域的角度進行分析,確認聲發射信號的確切頻率范圍。結合上述分析和實驗對比結果,本文利用db3小波對閥門泄漏聲發射信號進行4層分解,觀察不同頻域段信號能量占總能量的比例,以確認聲發射信號所在頻域。

為確認聲發射信號所在頻段,需要在不改變聲發射傳感器與閥門的相對位置的情況下,僅僅控制閥門的開度,采集未發生和已發生泄漏時的聲發射信號。將其進行小波包分解后,計算不同頻段能量占總能量的比例。由圖6所示,橫坐標為將0到300 kHz頻率范圍內的信號進行4層小波包分解后的16個窗口頻率窗口;縱坐標為各頻率窗口能量占總信號能量的百分比。在引入聲發射信號后,能量分布從56.25～93.75 kHz頻段,集中到0～18.75 kHz頻段?？芍暟l射信號能量的加入,使得0～18.75 kHz頻段能量占比大幅增加,56.25～93.75 kHz頻段能量占比相對減少。由此可以確認閥門聲發射信號所在頻段為0～18.75 kHz,而原先集中在56.25～93.75 kHz頻段的信號可以認為是環境噪聲。

圖6 各頻段能量比較圖Figure 6 Energy comparison chart of each frequency band

其后,利用閾值去噪法對信號進行處理。在確定聲發射信號集中在0～18.75 kHz后,保留該頻段的小波包節點系數,將其他頻段噪聲信號的小波包節點系數降為0,重構聲發射信號。原始信號與降噪后信號頻域對比如圖7。經過小波包降噪,重構后信號濾除了聲發射信號所在頻段外,環境中其他頻段的噪聲,有利于之后對聲發射信號的進一步處理。

圖7 重構前后信號頻域圖Figure 7 Signal frequency domain diagram before and after reconstruction

3 基于GRU的閥門內漏數據分析

在對聲發射信號進行了降噪處理之后,分別使用支持向量機(SVM)、BP神經網絡以及門控循環神經網絡對降噪信號進行分類識別,比較不同模型對閥門內漏故障的識別效果。

3.1 基于支持向量機閥門內漏故障診斷模型

支持向量機是一種監督學習算法,在二元分類方面有很好的適用性[15]。為了降低誤判率,本文采用了徑向基函數(RBF)作為閥門內漏故障識別SVM模型的核函數,RBF核中有gamma和C兩個參數,本文選擇網格搜索的方法尋找各種可能的gamma和C,其后使用交叉驗證的方法,確定精確度最高的參數[16]。

為了對閥門內漏進行準確識別,將閥門完好狀態下的聲發射信號分別和泄漏程度不同的多組閥門聲發射信號進行組合,并作為數據集進行識別。每種泄漏率下,分別輸入10組數據集,每組數據集約有300個采樣點。將數據集以及其標簽文件分別輸入SVM模型中,每組隨機選取其中200個樣本作為訓練集,余下作為測試集;求不同泄漏率測試集的準確率均值;評價不同泄漏率下的SVM模型故障識別準確性。表2為SVM模型閥門內漏檢測的平均準確率,由表可知,隨著泄漏率越小,SVM模型故障識別效果也在不斷變差。在泄漏率低于0.8 L/min時,SVM模型識別準確率已低于85%。

表2 SVM模型閥門內漏檢測平均準確率

3.2 基于BP神經網絡閥門內漏故障診斷模型

BP神經網絡是一種按照誤差逆向傳播算法訓練的多層前饋神經網絡。它廣泛應用于工業場合下的故障診斷中,將一個待定的輸出向量與它的輸入向量聯系起來,實現模式識別[17]。

本文將不同泄漏率下的閥門聲發射信號的特征值提取出來,將特征值作為BP神經網絡的輸入值,輸出值則是閥門內漏速率。作為輸入量的特征值包括壓力、平均信號電平(ASL)以及有效值電壓(RMS)。BP神經網絡的輸入端所輸入特征量為3個,網絡的輸入節點數設置為3。根據本文需確定閥門泄漏率,所以輸出節點應設置為7?？紤]到隱層節點數過多會導致訓練效率下降,再通過經驗公式的推導與多次實驗,確定最佳隱層節點數為7。那么診斷的網絡結構可以確定為N(3,7,7)。

圖8為BP神經網絡的訓練曲線,它表示的是訓練過程中收斂精度的變化,由圖可知在訓練初期收斂精度下降較大,當迭代到100步時,曲線開始平緩,逐漸收斂,均方誤差陷入局部極值無法跳出。

圖8 BP神經網絡的訓練曲線Figure 8 Training curve of BP neural network

表3為不同工況下,閥門運行狀態標簽,表4為BP神經網絡對測試集的部分輸出和分類準確率。

表3 不同工況下閥門運行狀態標簽

表4 BP神經網絡對測試集的部分輸出和分類準確率

由神經網絡的訓練結果和測試結果,可以看出BP神經網絡算法訓練后期陷入了局部極小值且迭代的花費的時間較長。測試結果中BP網絡輸出的精度不夠高,正確識別的數量還有待提高。

3.3 基于GRU的閥門內漏故障診斷模型

利用未泄漏閥門的聲發射數據對GRU模型進行訓練;將未泄漏的聲發射數據輸入GRU模型;取預測數據與真實數據的差值,將差值由小到大排列,較小的99%的數據為可信數據,較大的1%的數據則不可信,99%為設定的置信率。

如圖9,圖中前10 000個數據是閥門尚未發生泄漏時采樣所得的數據,后10 000個數據是閥門發生內漏時的采樣數據。將它們與GRU網絡輸出的預測值數據進行比較,得到預測值與真實值的差值。將之前的99%置信率的數值作為基準,低于此值的為不可信數據,高于此值的為不可信數據,分別得到前后10 000個數據的置信率。

圖9 閥門泄漏程度的GRU預測Figure 9 GRU prediction of valve leakage

如表5,取前1 000個正常聲發射數據與后10 000個泄漏聲發射數據置信率的差值。經過比對可以發現發生內漏時,置信率差值明顯出現變化,隨著泄漏率變大,置信率偏離程度也在不斷變大。由置信率的偏離程度,可以判斷閥門是否發生內漏。

表5 壓力為0.4 MPa時預測數據與真實數據置信率差值比較

在不同實驗壓力下對內漏程度不同的閥門進行實驗,對所采集得到的數據進行進一步分析。如表6,可以發現在不同閥門壓力下,當閥門發生泄漏時,其置信率差值變化明顯,且隨著泄漏的不斷增大,差值逐漸變大。在不同的閥門壓力下,仍可由置信率偏離程度判斷閥門是否發生內漏。

表6 不同壓力下預測數據與真實數據置信率差值比較

當置信率差值大于1%時,可判斷閥門發生泄漏,表7為GRU對測試集的分類準確率。比較表4BP神經網絡對測試集的分類準確率,可知GRU在閥門內漏檢測方面效果更好。

表7 GRU對測試集的分類準確率

比較支持向量機、BP神經網絡和門控循環神經網絡對閥門內漏聲發射信號的處理效果如表8所示,可知門控循環神經網絡利用時間序列對閥門故障進行判別的方法所取得的效果更佳。

表8 不同研究方法可測的最小泄漏量比較

4 結 論

閥門的內漏故障程度可以表征為閥門內漏時聲發射信號的變化情況。給出一種基于門控循環神經網絡的閥門內漏狀態判別新方法。門控循環神經網絡對于長時間序列數據十分敏感,并且能夠保存長期記憶,以用于對短期記憶包含的信息進行校正。當發生泄漏后,聲發射所接收數據的微小變化會與長期記憶所存儲信息不同,因而造成與無泄漏工況下不同的差值,利用此差值可以判斷泄漏率。在本文的實驗工況下,門控循環神經網絡的預測方法能夠識別最小泄漏量為0.2 L/min的閥門內漏,其效果優于本文中實現的支持向量機以及BP神經網絡預測方法。區別現有研究中所使用的檢測方法,利用時間序列分析進行故障診斷的方法,使得檢測效果有所提升,從而為閥門泄漏故障判斷提供了一種新的方向。