CN109838696A - 基于卷积神经网络的管道故障诊断方法 - Google Patents

Abstract

本发明提供一种基于卷积神经网络的管道故障诊断方法，该方法对待测的管道施加外力，在管道的测试点收集测量激励响应信号；将收集到的测量信号做消噪后提取管道故障特征信号并进行标准处理；再将故障信号分为训练集和测试集输入基于卷积神经网络的管道故障诊断模型进行故障识别分类。提高了故障的识别诊断能力，这种管道故障诊断模型方法通过卷积神经网络的学习和识别能力，能够快速、准确地识别出管道所处的故障状态，对管道泄漏准确的监测和预警有着重大意义。

Description

基于卷积神经网络的管道故障诊断方法

技术领域

本发明涉及管道状态监测技术领域，特别是涉及一种基于卷积神经网络的 管道故障诊断方法。

背景技术

管道大多铺设地下，地质结构复杂、不易观察，导致发生泄漏等问题难以 察觉，容易诱发安全事故造成人员、环境、经济的严重损失。

目前，国内外已有多种管道泄漏诊断识别方法，主要有BP网络、模糊神经 网络、D-S证据理论。在实际应用中，BP网络学习收敛速度比较慢、目标函数 易陷入局部极小。另外，BP网络只能以实验经验选取学习率和动量项这两个参 数的大小，一旦选取失当，可能导致网络不能收敛而失效；模糊神经网络虽能 在一定程度上改善BP网络的弊端，但存在网络节点数与应用逼近效果相矛盾的 问题；D-S证据理论的归一化处理以及样本输入的要求使得数据处理的结果与实 际情况存在冲突。其他方法在管道检测诊断方面也存在某些不足，这些方法在 管道监测方面都有显著成效，但随着计算机水平的进步和实际运用要求的提高，已经不能满足当今管道监测的需求。

因此，为了提高为了提高管道泄漏故障的诊断能力，判断管道故障泄漏的 类型，将深度学习神经网络应用到管道故障诊断领域，提出了一种基于卷积神 经网络与softmax分类器的管道故障诊断技术。进而设计出基于卷积神经网络的 管道故障诊断方法、模型和诊断装置。

发明内容

本发明所要解决的技术问题是：为了克服现有技术中的不足，本发明提供 一种基于卷积神经网络的管道故障诊断方法，以解决传统管道故障检测效率低， 误判高的技术问题。

本发明解决其技术问题所要采用的技术方案是：一种基于卷积神经网络的 管道故障诊断方法，其步骤如下：

S1：信号收集和处理：给待测管道施加激励，在管道的测试点收集激励响 应信号；

S2：将收集到的管道故障信号进行消噪处理后进行归一化处理并提取故障 特征信号，得到管道故障特征信号，将处理后的信号分为训练样本和测试样本；

S3：构建卷积神经网网络模型，并设置基于卷积神经网络的管道故障诊断 模型的初始参数，包括卷积神经网络层数、卷积核个数、采样宽度；该步骤为 基于卷积神经网络的管道故障诊断模型的初试参数设定；

S4：设置管道故障状态，共有三种状态包括：泄漏状态、断裂状态、正常 状态；并用二进制数字表示：100表示泄漏状态，010表示断裂状态，001表示 正常状态。

S5：训练基于卷积神经网络的管道故障诊断模型，对模型参数进行重置， 并进行诊断正确率的测试，确定卷积神经网络的具体参数为卷积核个数为8，卷 积核大小为2×1，采样宽度为2×1，卷积层、采样层和连接softmax回归分类器 的全连接层组成的三层神经网络；

S6：将待检测的实验特征信号输入训练基于卷积神经网络的管道故障诊断 模型，进行分类诊断。

进一步，在步骤S1中，分别对被测管道进行断铅、纱布摩擦、打开泄漏阀 等操作模拟管道断裂、裂纹、泄漏，并且不对管道进行任何操作模拟管道正常 运行。

进一步，在步骤S2中，将收集到的信号进行归一化处理其取值范围为[0,1]， 并将样本分为训练集和测试集。

进一步，在步骤S3中，基于卷积神经网络的管道故障诊断模型的参数设定 包括：卷积核个数、卷积核大小、采样宽度、输入层、卷积层个数、采样层个 数和全采样层及输出层，以及包含softmax回归分类器的全连接层组成的神经网 络模型。

进一步，在步骤S5中，训练基于卷积神经网络的管道故障诊断模型，并对 模型参数进行重置其步骤如下：

S5.1：计算实际输出层输出与理论输出之间的误差。由于选用的激活函数是sigmoid函数，则理论输出在所有结果中对应的输出节点只有0和1。

S5.2：计算CNN网络中各层误差灵敏度：误差灵敏度表示了节点输入信息 对目标函数的影响程度。设输入样本x所对应的期望输出为y；输入样本x对应 的实际模型输出为F(x)；M为权重。则输出层的误差灵敏度可以表示为： β＝-(y-F(x))；

S5.3：若网络中第n层和n+1层全连接，则第n的误差灵敏度为： βⁿ＝(M)^Tβⁿ⁺¹·f(zⁿ)；

S5.4：若卷积层和降采样层相连时，设upsample表示逆向均值采样，通过 逆向采样，采样层的误差会平均分布在卷积层的采样区，k为第k个卷积核，zⁿ _k为第n层第k个卷积核的输入，f(·)为求导的激活函数。则卷积层误差灵敏度为： β＝upsample(β_k ^l+1)·f(z_k ^l)；

S5.5：设aⁿ为第n层输出，则目标函数对权重M及偏置d的偏导为：

S5.6：设ɑ为学习率则0≦ɑ≦1，则更新偏置参数d和迭代权重M为：

S5.7：将训练完毕的卷积神经网络测试，即输入测试集检验卷积神经网络的 分类正确率。

进一步，在步骤S6中将待测的样本输入卷积神经网络故障诊断模型中，进 行分类识别。具体步骤为：卷积神经网络的管道故障诊断模型分类诊断的流程 为：训练集数据的前向传播获取相应的特征及模型参数的初试值；然后通过后 向传播对模型参数进行重置、优化调节，直至达到模型参数所需优化条件；最 后通过softmax分类器对测试集的数据进行分类处理。

本发明的有益效果是：本发明提供的一种基于卷积神经网络的管道故障诊 断方法，提高了故障的识别诊断能力，这种管道故障诊断模型方法通过卷积神 经网络的学习和识别能力，能够快速、准确地识别出管道所处的故障状态，对 管道泄漏准确的监测和预警有着重大意义。

附图说明

下面结合附图和实施例对本发明作进一步说明。

图1是卷积神经网络分类流程图；

图2是卷积神经网络诊断流程；

图3是实验室管道声发射检测系统安装图；

图4是传感器安装位置图；

图5是卷积神经网络诊断模型。

具体实施方式

现在结合附图对本发明作详细的说明。此图为简化的示意图，仅以示意方 式说明本发明的基本结构，因此其仅显示与本发明有关的构成。

本发明的一种基于卷积神经网络的管道故障诊断方法，如图1所示，为本 发明方法的分类流程图，分类流程中前向后向训练步骤如下：

S1：信号收集和处理：给待测管道施加激励，在管道的测试点收集激励响 应信号；

S2：将收集到的管道故障信号进行消噪处理后进行归一化处理并提取故障 特征信号，得到管道故障特征信号，将处理后的信号分为训练样本和测试样本；

S3：构建卷积神经网网络模型，并设置基于卷积神经网络的管道故障诊断 方法参数，包括卷积神经网络层数、卷积核个数、采样宽度；

S4：设置管道故障状态，共有三种状态包括：泄漏状态、断裂状态、正常 状态；并用二进制数字表示：100表示泄漏状态，010表示断裂状态，001表示 正常状态；

S5：训练基于卷积神经网络的管道故障诊断方法，对模型参数进行重置， 并进行不同参数下模型正确率的诊断测试，确定卷积神经网络的具体参数为卷 积核个数为8，卷积核大小为2×1，采样宽度为2×1，卷积层、采样层和连接softmax 回归分类器的全连接层组成的三层神经网络。图2为本发明方法的诊断流程图， 如图所示，其步骤如下：

S5.1：计算实际输出层输出与理论输出之间的误差。由于选用的激活函数是sigmoid函数，则理论输出在所有结果中对应的输出节点只有0和1。

S5.2：计算CNN网络中各层误差灵敏度：误差灵敏度表示了节点输入信息 对目标函数的影响程度。设输入样本x所对应的期望输出为y；输入样本x对应 的实际模型输出为F(x)；M为权重。则输出层的误差灵敏度可以表示为： β＝-(y-F(x))；

S5.3：若网络中第n层和n+1层全连接，则第n的误差灵敏度为： βⁿ＝(M)^Tβⁿ⁺¹·f(zⁿ)；

S5.4：若卷积层和降采样层相连时，设upsample表示逆向均值采样，通过 逆向采样，采样层的误差会平均分布在卷积层的采样区，k为第k个卷积核，zⁿ _k为第n层第k个卷积核的输入，f(·)为求导的激活函数。则卷积层误差灵敏度为： β＝upsample(β_k ^l+1)·f(z_k ^l)；

S5.5：设aⁿ为第n层输出，则目标函数对权重M及偏置d的偏导为：

S5.6：设ɑ为学习率则0≦ɑ≦1，则更新偏置参数d和迭代权重M为：

S5.7：将训练完毕的卷积神经网络测试，即输入测试集检验卷积神经网络的 分类正确率。

S6：将待检测的实验特征信号输入训练基于卷积神经网络的管道故障诊断 方法，进行分类诊断。

在本实施例中，将通过以下步骤来证明本发明的有效性：

如图3和图4所示，为实验室管道声发射检测系统安装图和传感器安装位 置图。管道单元可分为三部分：阀门、空气压缩机和输运管道。将无缝钢管(直 径25mm、20号碳素钢、壁厚5mm)模拟为燃气管道，总体布置四圈盘绕的长 方形(上下圈间隔320mm)。输运管道设有4个模拟故障点(阀门)模拟管道发 生故障，4个模拟故障点分别位于距离进气端44000mm、30600mm、17000mm、750mm处，管道总长为55000mm。用空气压缩机(排气量60m3/h、额定压力 为0.3～1.2Mpa)提供的空气来代替燃气。数据采集系统由工业计算机(XP系统)、声发射卡(PCI-Ⅱ型双通道)、滤波范围为20～120KHz的S/N2462026504型声 发射前置放大器、声发射传感器(型号为R15、单端宽频带)以及对应处理软件 组成。实验时将两个传感器分别固定于故障点(阀门)左右两侧1m处，传感器 安装时需敷以耦合剂使其与管道紧密贴合，防止不能全面收集待测信号。用空 气压缩机对管道加压鼓风模拟燃气管道，打开泄漏阀门模拟管道泄漏，然后对 收集到的声发射检测信号处理并进行故障识别。

如图5所示为卷积神经网络诊断模型，下面结合附图进行具体说明。

第一步：根据声发射系统采集数据的特性以及CNN模型的学习分类特点， 选取撞击计数、事件计数、振铃计数、能量计数、幅度、持续时间、上升时间、 有效值电压、到达时间等9个参数作为管道运行状态的特征向量。为了使特征 向量之间的差距尽量减小，也使数据尽量的精确，需要对数据进行如式的标准 化处理。式中：v_n为标准化后特征值；v为特征参数原来的值；v_m表 示各样本集合中所占所有参数值总量的均值；v_s表示样本集合中此特征参数的标 准差值。

第二步：基于卷积神经网络的管道故障诊断方法的参数设定包括：卷积核 个数为8、定量测试不同卷积核、采样宽度、输入层个数、卷积层个数、采样层 个数和全采样层及输出层个数的分类正确率，以及包含softmax回归分类器的全 连接层组成的神经网络模型。

实验数据采集过程如下：由空气压缩机为管道提供空气模拟燃气管道，对 被测管道进行断铅、纱布摩擦、打开泄漏阀等操作模拟管道断裂、裂纹、泄漏， 并且不对管道进行任何操作模拟管道正常运行。通过两个R15单端宽频带声发 射传感器进行声发射数据的采集，继而对两个传感器信号数据进行特征提取。 实验验证分析。

表1卷积核数量对模型准确度的影响

表2卷积核大小对模型准确度的影响

表3卷积核大小对模型准确度的影响

第三步：通过以上实验测试可知，CNN模型分类准确度随着卷积核个数的 增大先增大后保持不变；随着卷积核大小减小而增大；随着采样宽度的减少而 增大。在实际运用中，可以依据以上研究进行参数的设定，以达到更好地分类 效果和更少的训练时间。因此，选取卷积核个数为8，卷积核大小为2×1，采样 宽度为2×1，卷积层、采样层和连接softmax回归分类器的全连接层组成的三层 神经网络进行模拟训练。依据网络诊断情况，将全连接层神经元设置为8个， 构建卷积神经诊断网络。

同时，对比不同神经网络的诊断正确率。

表4 BP网络与CNN准确率对比

将BP神经网络模型与建立的CNN模型进行对比，如表4中的管道故障诊 断结果可知，CNN研究方法的唯一的不足是训练时间较长，但故障诊断准确度 较高，而且避免了BP神经网络方法中人工提取和选择特征的过程，从输入数据 中自动地逐层学习特征，提取重构出代表故障信号本质的特征，并输入到适用 于多分类问题的分类器softmax中进行分类。因此，基于CNN模型的研究方法 相比于BP神经网络在管道诊断上具有更好的诊断效果，能够为抢、检修人员对 于判断管道是否故障提供更科学的参考依据。此外，笔者在实验中发现，CNN管 道故障平均准确率会随着训练集的增大而提高，当达到一定程度时，准确率提高的速度会明显变慢；而BP神经网络方法在诊断时的训练集达到400时，故障 诊断准确度就基本保持不变了，这说明了CNN比采用监督式学习的BP网络方 法具有更强的学习能力和扩展能力。

最后说明的是，以上实例仅说明本发明技术方案和装置而非限制，尽管以 上实例一堆＝对本发明进行了详细的说明，但相关技术人员应当理解，可以在细 节上和形式上对其进项变形，而不偏离本发明权利要求书所限定的范围。

Claims (5)

1.一种基于卷积神经网络的管道故障诊断方法，其特征在于：所述故障诊断方法指对待测的管道施加外力，在管道的测试点收集测量激励响应信号；将收集到的测量信号做消噪后提取管道故障特征信号并进行标准处理；再将故障信号分为训练集和测试集输入基于卷积神经网络的管道故障诊断模型进行故障识别分类，其具体步骤如下：

S1：信号收集和处理：给待测管道施加激励，在管道的测试点收集激励响应信号；

S2：将收集到的管道故障信号进行消噪处理后进行归一化处理并提取故障特征信号，得到管道故障特征信号，将处理后的信号分为训练样本和测试样本；

S3：构建卷积神经网网络模型，并设置基于卷积神经网络的管道故障诊断模型参数，包括卷积神经网络层数、卷积核个数和采样宽度；

S4：设置管道故障状态，共有三种状态包括：泄漏状态、裂纹状态、正常状态；

S5：训练基于卷积神经网络的管道故障诊断模型，对模型参数进行重置，并进行不同参数下模型正确率的诊断测试，确定卷积神经网络的具体参数为卷积核个数为9，实验卷积核大小，采样宽度及若干卷积层、采样层和连接softmax回归分类器的全连接层组成的多层神经网络；

S6：将待检测的实验特征信号输入训练基于卷积神经网络的管道故障诊断模型，进行分类诊断。

2.如权利要求1所述的基于卷积神经网络的管道故障诊断方法，其特征在于：在步骤S1中，信号运用声发射仪器进行收集，运用断铅作用和打开阀门的方法模拟管道的断裂和泄漏，并收集相应信号。

3.如权利要求2所述的基于卷积神经网络的管道故障诊断方法，其特征在于：在步骤S2中，将收集到的信号进行归一化处理其取值范围为[0,1]，并将样本分为训练集和测试集。

4.如权利要求3所述的基于卷积神经网络的管道故障诊断方法，其特征在于：在步骤S4中，用二进制数字表示管道故障类型的三种状态：100表示泄漏状态，010表示断裂状态，001表示正常状态。

5.如权利要求4所述的基于卷积神经网络的管道故障诊断方法，其特征在于：在步骤S5中，模型训练包括前向传播和后向传播两个过程，其中，前向是将样本输入网络获得结果；后向传播是指计算出网络输出与理论输出的误差，然后把得到的误差反向传播指输入层，得到各个层级的误差，再调节网络参数使网络收敛到指定的终止条件，然后测试模型分类识别的正确率。