基于卷積神經(jīng)網(wǎng)絡(luò)的閃蒸汽壓縮機(jī)故障診斷方法

楊波,崔澤昊,彭程,孫恪成,陳俊鋒

(中海油能源發(fā)展股份有限公司采油服務(wù)分公司,天津 300452)

壓縮系統(tǒng)內(nèi)包含三類設(shè)備,洗滌器、壓縮機(jī)、后冷卻器,壓縮機(jī)主要有雙螺桿式和往復(fù)式兩種類型[1-2]。在設(shè)備運(yùn)行的過(guò)程中獲取的數(shù)據(jù)信息對(duì)設(shè)備運(yùn)行狀態(tài)潛在的故障及運(yùn)行趨勢(shì)進(jìn)行準(zhǔn)確的分析是必不可少的環(huán)節(jié)[3]。而當(dāng)前國(guó)內(nèi)大多數(shù)工廠采集數(shù)據(jù)方式落后,導(dǎo)致對(duì)機(jī)組產(chǎn)生故障原因的分析不夠全面有效。近幾年人工智能發(fā)展迅速,機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等得到了迅速發(fā)展?，F(xiàn)有的基于深度學(xué)習(xí)的診斷模型包括深度自動(dòng)編碼器、深度信念網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)(CNN)四大主流診斷模型[4]。

運(yùn)用深度學(xué)習(xí)的方法能夠?qū)?shù)據(jù)進(jìn)行自動(dòng)提取并進(jìn)行組合輸入特征,這種方式避免了人工判別造成的主觀性問(wèn)題,降低了傳統(tǒng)故障判別法的不確定性因素[5]。本文提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的閃蒸汽壓縮機(jī)故障分析和診斷的研究方法,希望通過(guò)數(shù)據(jù)的深度挖掘與分析,能夠?qū)㈤W蒸汽壓縮機(jī)的各項(xiàng)監(jiān)測(cè)數(shù)據(jù)更加直觀簡(jiǎn)明的呈現(xiàn),且能正確的映射各級(jí)設(shè)備之間健康狀況的關(guān)系,以提升系統(tǒng)監(jiān)測(cè)數(shù)據(jù)的能力。并且,通過(guò)卷積神經(jīng)網(wǎng)絡(luò)中自有的分類器實(shí)現(xiàn)在監(jiān)測(cè)系統(tǒng)中自主提取數(shù)據(jù)中的特征參數(shù),提取之后進(jìn)行識(shí)別和儲(chǔ)存。通過(guò)模型訓(xùn)練之后,能夠有效對(duì)數(shù)據(jù)進(jìn)行預(yù)測(cè)。

1 功能框架

提出的故障分析過(guò)程有四個(gè)部分:①數(shù)據(jù)收集與預(yù)處理:對(duì)數(shù)據(jù)進(jìn)行收集整理,對(duì)存在缺陷的數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理;②故障分析:對(duì)壓縮機(jī)常見(jiàn)的故障進(jìn)行分析;③模型建立:對(duì)數(shù)據(jù)進(jìn)行分析,建立模型并預(yù)測(cè)未來(lái)工作狀態(tài)的模型;④可視化:分析的數(shù)據(jù)以圖表和表格的形式呈現(xiàn)給工作人員,以便進(jìn)行實(shí)時(shí)管理。閃蒸汽壓縮機(jī)組故障分析框架圖見(jiàn)圖1。

圖1 閃蒸汽壓縮機(jī)組故障分析框架

2 卷積神經(jīng)網(wǎng)絡(luò)介紹

所采用的卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks, CNN)最初是由多層感知機(jī)(MLP)演變而來(lái)[6],其能夠?qū)崿F(xiàn)局部連接和共享權(quán)值,權(quán)值共享可以減少權(quán)值數(shù)量達(dá)到降低卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜的效果,可簡(jiǎn)化數(shù)據(jù)在時(shí)間上和空間上的維數(shù),局部連接使得過(guò)度擬合的程度降低。

2.1 卷積神經(jīng)網(wǎng)絡(luò)的原理

卷積神經(jīng)網(wǎng)絡(luò)(CNN)由權(quán)重和偏置常量構(gòu)成。其優(yōu)點(diǎn)是能夠共享權(quán)值和進(jìn)行局部連接,在處理高維數(shù)據(jù)時(shí)可以減少數(shù)據(jù)量,縮短運(yùn)行時(shí)間。主要由輸入層、全連接層、激活函數(shù)、卷積層和池化層組成。通過(guò)卷積神經(jīng)網(wǎng)絡(luò)能夠完成監(jiān)測(cè)數(shù)據(jù)的特征提取、降維和分類的全過(guò)程,可避免數(shù)據(jù)的丟失,也減少了計(jì)算量[7]。卷積神經(jīng)網(wǎng)絡(luò)工作原理見(jiàn)圖2。

圖2 卷積神經(jīng)網(wǎng)絡(luò)原理示意

2.2 卷積神經(jīng)網(wǎng)絡(luò)理論方法

壓縮機(jī)組工作環(huán)境較為嘈雜,采集到的數(shù)據(jù)量較多且復(fù)雜,因而需要對(duì)原始數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗,重點(diǎn)是對(duì)原始數(shù)據(jù)中的缺失值進(jìn)行處理,故考慮采用樣條插值對(duì)數(shù)據(jù)進(jìn)行補(bǔ)全[8]。樣條插值是將原始長(zhǎng)序列分割成若干段并構(gòu)造多個(gè)n次函數(shù),使得分段的銜接處具有n-1階導(dǎo)數(shù)連續(xù)的性質(zhì)即平滑連接,設(shè)在區(qū)間a=x0

f(xi)=yi(i=0,1,…,n)

(1)

將壓縮機(jī)原始數(shù)據(jù)進(jìn)行處理后,輸入神經(jīng)網(wǎng)絡(luò)模型中,進(jìn)入到卷積層對(duì)輸入信號(hào)進(jìn)行卷積計(jì)算從而提取特征。根據(jù)壓縮機(jī)數(shù)據(jù)特點(diǎn),采用下式替代卷積運(yùn)算。

(2)

卷積層進(jìn)行特征提取后,輸出的特征通過(guò)池化層(Pooling Layer)完成特征選擇和信號(hào)過(guò)濾。這里采用的池化操作為最大池化,最大池化操作可以在周期性信號(hào)中剔除與信號(hào)位置無(wú)關(guān)的特征,均值化與最大值池化原理見(jiàn)圖3。

圖3 均值化與最大值化示意

在神經(jīng)網(wǎng)絡(luò)中添加激活層是為了將輸出信號(hào)添加一些非線性因素,使得神經(jīng)網(wǎng)絡(luò)能夠較好的解決復(fù)雜問(wèn)題。激活函數(shù)分為雙曲正切函數(shù)、S型函數(shù)和修正線性單元函數(shù)。

采用修正線性單元ReLU(Rectified Linear Unit)函數(shù)的計(jì)算公式如下,其函數(shù)圖見(jiàn)圖4。

圖4 ReLU(Rectified Linear Unit)函數(shù)

al(i,j)=f(yl(i,j))=max{0,yl(i,j)}

(3)

在經(jīng)過(guò)卷積層、激活層和池化層提取到的特征,在全連接層將在濾波級(jí)提取出的數(shù)據(jù)特征來(lái)分類,見(jiàn)圖5,采用ReLU函數(shù)、Softmax函數(shù)有便于目標(biāo)函數(shù)的分析和對(duì)比[9]。

圖5 全連接層展開(kāi)示意

(4)

3 CNN模型的建立與訓(xùn)練

根據(jù)閃蒸汽壓縮機(jī)的數(shù)據(jù)特點(diǎn),建立一維卷積神經(jīng)網(wǎng)絡(luò)模型(簡(jiǎn)稱:1DCNN),對(duì)監(jiān)測(cè)到的數(shù)據(jù)分別進(jìn)行訓(xùn)練和測(cè)試[10]。

3.1 一維CNN模型

3.1.1 數(shù)據(jù)整合與劃分

閃蒸汽壓縮機(jī)數(shù)據(jù)主要由壓縮機(jī)、洗滌器、后冷卻器、調(diào)節(jié)閥四個(gè)功能點(diǎn)相對(duì)應(yīng)的傳感器收集的數(shù)據(jù)作為數(shù)據(jù)集。采集一個(gè)周期內(nèi)閃蒸汽壓縮機(jī)的運(yùn)行數(shù)據(jù),對(duì)收集到的數(shù)據(jù)進(jìn)行劃分,數(shù)據(jù)樣本由原始數(shù)據(jù)和數(shù)據(jù)標(biāo)簽(標(biāo)簽為各點(diǎn)位數(shù)據(jù)增大、減小、正常三個(gè)標(biāo)簽組成,記為X0、X1、X2)組成,壓縮機(jī)監(jiān)測(cè)數(shù)據(jù)能夠用于本卷積神經(jīng)網(wǎng)絡(luò)模型的測(cè)試和訓(xùn)練,選取1 000個(gè)訓(xùn)練樣本,按20%作為測(cè)試集、80%作為訓(xùn)練集。訓(xùn)練集作為CNN模型訓(xùn)練,測(cè)試集用于訓(xùn)練的CNN模型的測(cè)試。數(shù)據(jù)劃分見(jiàn)表1。

表1中X0、X1、X2分別代表各點(diǎn)位數(shù)據(jù)X0為增大、X1為減小、X2為正常,Y0、Y1、Y2、Y3分別代表Y0為壓縮機(jī)、Y1為洗滌器、Y2為后冷卻器、Y3為調(diào)節(jié)閥。

表1 數(shù)據(jù)劃分表

3.1.2 CNN模型訓(xùn)練

根據(jù)前述神經(jīng)網(wǎng)絡(luò)層數(shù)組成方法,針對(duì)壓縮機(jī)組數(shù)據(jù)的故障特性,設(shè)計(jì)一維卷積神經(jīng)網(wǎng)絡(luò)模型,其具體組成見(jiàn)圖6。

圖6 一維卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

建立的CNN模型由2個(gè)卷積層,2個(gè)池化層,1個(gè)全連接層及1個(gè)Softmax層組成,數(shù)據(jù)通過(guò)第1個(gè)卷積層和激活函數(shù)ReLU層,形成第一組特征數(shù)據(jù),輸入最大池化層進(jìn)行降采樣。重復(fù)上述操作后將全連接層通過(guò)激活函數(shù)傳遞到Softmax層。第一層卷積核大小設(shè)置為12×1,步長(zhǎng)設(shè)置為8×1,第一層池化大小設(shè)置為2×1,第二層卷積核大小為3×x1,池化大小設(shè)置為2×1,步長(zhǎng)為2×1,全連接層的神經(jīng)元個(gè)數(shù)設(shè)置為600。

該模型第一卷積層的卷積核設(shè)置為12×1,第二層的卷積核設(shè)置為3×1,其一大一小的設(shè)置主要目的在于:將第一層設(shè)置為大卷積核可以有效提取輸入信號(hào)的最大特征,并自動(dòng)學(xué)習(xí)面向故障診斷的特征,自動(dòng)去除與故障無(wú)關(guān)的特征。大卷積核的設(shè)置將輸入信號(hào)最大化利用,有助于后續(xù)的分析。將第二層的卷積核設(shè)置為小卷積核能夠有效防止神經(jīng)網(wǎng)絡(luò)的過(guò)度擬合。設(shè)置CNN各項(xiàng)參數(shù)見(jiàn)表2。

表2 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)

3.2 結(jié)果分析

通過(guò)Python在Tensorflow環(huán)境下設(shè)計(jì)本實(shí)驗(yàn)所需要的CNN模型。經(jīng)過(guò)設(shè)計(jì)的模型訓(xùn)練監(jiān)測(cè)數(shù)據(jù)后可得出本次實(shí)驗(yàn)所需的目標(biāo)函數(shù)值,通過(guò)更新訓(xùn)練模塊中模型的權(quán)值可以在測(cè)試階段更好的對(duì)輸入數(shù)據(jù)進(jìn)行識(shí)別和診斷。所建立的一維卷積神經(jīng)網(wǎng)絡(luò)故障診斷流程見(jiàn)圖7。

圖7 一維卷積神經(jīng)網(wǎng)絡(luò)故障診斷流程

閃蒸汽壓縮機(jī)組的故障通常在壓縮機(jī)、洗滌器、后冷卻器、調(diào)節(jié)閥這4個(gè)功能點(diǎn)上,因此分別取來(lái)自4個(gè)功能點(diǎn)的數(shù)據(jù)組成4個(gè)數(shù)據(jù)集,通過(guò)數(shù)據(jù)集來(lái)判斷具體的故障點(diǎn)和故障類型。分別取4個(gè)功能點(diǎn)的1 000組數(shù)據(jù)組成A、B、C、D 4個(gè)數(shù)據(jù)集,每組數(shù)據(jù)點(diǎn)為1 000個(gè)傳感器采集的數(shù)據(jù),周期為2 min內(nèi)產(chǎn)生的數(shù)據(jù)。訓(xùn)練數(shù)據(jù)集隨機(jī)選擇800組,余下的200組作為測(cè)試數(shù)據(jù)集。用搭建的模型對(duì)4個(gè)數(shù)據(jù)集A、B、C、D進(jìn)行訓(xùn)練,為保證訓(xùn)練的可靠性,對(duì)于A、B、C、D數(shù)據(jù)集,每個(gè)數(shù)據(jù)集訓(xùn)練20次,訓(xùn)練后的結(jié)果見(jiàn)圖8。

圖8 迭代20次結(jié)果

從圖8中可得出:所設(shè)計(jì)的卷積神經(jīng)網(wǎng)絡(luò)模型在4個(gè)數(shù)據(jù)集上的識(shí)別率都達(dá)到了99.7%以上,經(jīng)全連接層識(shí)別之后,輸出的結(jié)果可以用于故障診斷,確切的識(shí)別故障產(chǎn)生的原因。

由于卷積神經(jīng)網(wǎng)絡(luò)初始權(quán)值具有隨機(jī)性,為了驗(yàn)證訓(xùn)練結(jié)果的可靠性,對(duì)于4個(gè)數(shù)據(jù)集分別進(jìn)行迭代50、500、1 000次模型的故障識(shí)別準(zhǔn)確率分析,其結(jié)果見(jiàn)圖9、10。從3項(xiàng)迭代結(jié)果可知,隨著迭代次數(shù)的增加故障準(zhǔn)確率率也更準(zhǔn)確,當(dāng)訓(xùn)練次數(shù)達(dá)到1 000次時(shí),故障識(shí)別準(zhǔn)確率升到了99%左右。由此可知,該神經(jīng)網(wǎng)絡(luò)模型相對(duì)于傳統(tǒng)的故障診斷方法,其故障識(shí)別率更準(zhǔn)確。

圖9 迭代500次結(jié)果

圖10 迭代1 000次結(jié)果

3.3 實(shí)驗(yàn)對(duì)比分析

不同方法應(yīng)用于閃蒸汽壓縮機(jī)故障的準(zhǔn)確率不一致,比如傳統(tǒng)的人工判斷的方法相較于本文所使用的方法,其準(zhǔn)確率遠(yuǎn)低于本文所使用的方法。相關(guān)學(xué)者對(duì)于壓縮機(jī)故障診斷方法的研究表明,基于卷積神經(jīng)網(wǎng)絡(luò)的故障診斷方法其準(zhǔn)確率優(yōu)于其他方法。具體方法及其準(zhǔn)確率比較見(jiàn)表3。

表3 不同方法對(duì)比表

4 結(jié)論

1)收集的原始監(jiān)測(cè)數(shù)據(jù)作為CNN模型的輸入,通過(guò)卷積層對(duì)數(shù)據(jù)進(jìn)行特征提取,可避免因人工選取特征而導(dǎo)致故障分析出現(xiàn)誤差。

2)提出的基于卷積神經(jīng)網(wǎng)絡(luò)故障分析和診斷的方法與傳統(tǒng)故障診斷方法相比,識(shí)別和診斷故障的準(zhǔn)確率更高。

3)通過(guò)訓(xùn)練和測(cè)試后的一維卷積神經(jīng)網(wǎng)絡(luò)模型具備自我學(xué)習(xí)能力,能夠較好地實(shí)現(xiàn)故障識(shí)別和診斷。