CN115824519A

CN115824519A - 基于多传感器信息融合的阀门泄露故障综合诊断方法

Info

Publication number: CN115824519A
Application number: CN202310106833.5A
Authority: CN
Inventors: 刘正杰; 刘贵杰; 穆为磊; 宁昊
Original assignee: Ocean University of China
Current assignee: Ocean University of China
Priority date: 2023-02-14
Filing date: 2023-02-14
Publication date: 2023-03-21
Anticipated expiration: 2043-02-14
Also published as: CN115824519B

Abstract

本发明涉及阀门泄露故障诊断技术领域，特别是一种基于多传感器信息融合的阀门泄露故障综合诊断方法。包括以下步骤：S1.数据预处理；S2.离线训练；S3.在线监测。其利用具有分析复杂高频非平稳信号能力的高能量集中时频分析方法—TSST表征时频和模态信息，并结合多传感器融合卷积神经网络引入空间信息，在离线训练过程中，通过TSST得到源域多种工作条件下无泄漏、阀门内漏、阀门外漏的不同位置传感器的时频图像，增加模型泛化能力，将源域中保存的模型参数导入目标域阀门泄漏综合诊断模型从而实现在线监测，有效提高了阀门泄露故障识别的准确率。

Description

基于多传感器信息融合的阀门泄露故障综合诊断方法

技术领域

本发明涉及阀门泄露故障诊断技术领域，特别是一种基于多传感器信息融合的阀门泄露故障综合诊断方法。

背景技术

阀门作为流体管路的控制装置，在石油、天然气、化工等领域具有广泛应用。阀门开启频繁，并长期处于高温、高压、强腐蚀的恶劣环境中，经常出现内漏或外漏故障。阀门泄漏将产生直接的经济损失，其中，阀门内漏极易引起介质污染等事故，当管道内介质为有毒气体时，阀门外漏则极易引发中毒事故。目前，阀门泄漏监测往往仅聚焦于阀门内漏这一单一故障类型，例如Ye等人于2018年11月1日在英文期刊SENSORS AND ACTUATORS A-PHYSICAL（传感器和执行器A-物理）发表的“Standard deviation based acousticemission signal analysis for detecting valve internal leakage（用于检测阀门内漏的基于标准差的声发射信号分析方法）”分析了阀门内部泄漏的声发射机理和特征，确定了阀门泄漏声发射信号标准差与泄漏率的理论关系, 实现了不同工况下阀门泄漏的在线检测。专利申请号CN202110829139.7、名称为 “基于光纤测温技术的阀门内漏监测系统及监测方法”的发明专利申请利用温度场变化间接诊断内漏情况，实现阀门内漏的有效监测，但上述方法均仅适用于阀门内漏故障场景，无法同时监测阀门内漏和外漏故障，无法实现阀门泄露故障的综合诊断。

声发射传感器往往布置在管壁上拾取泄漏声发射信号，阀门外漏产生的声发射信号较易拾取，但阀门内漏发生在管道内部，且所处环境复杂，测量得到的声发射信号一般都包含较强的背景噪声，这导致分析单一传感器测得的信号难以得到全面的故障特征，影响故障识别的准确率。

阀门泄漏引起的声发射信号沿着包括管内气体和管壁在内的多个路径传播，并且不同传输路径中的声发射信号具有不同的模态分布和不同的色散行为，因此，气体泄漏引起的声发射信号是一种多模态混合信号，并且多模态在时域和频域中相互交叉。阀门内漏与外漏的泄漏方向不同，因此内、外漏声发射信号中的模态信息存在差异。阀门内漏与外漏都会激发出弯曲模态（F模态）和纵向模态（L模态），且弯曲模态成分略大于纵向模态，但当阀门外漏时，纵向模态（L模态）所占比例明显升高，使得内漏与外漏在模态信息上产生差异，但是这种差异形式复杂，无法使用常规方法来有效区分。

传统滤波和谱分析技术难以区分时频域混叠信号中的不同模态成分，但时频分析（TFA）方法可给出时域信号各频率成分的时变能流密度分布情况，具有分析多模态混叠信号的能力。但是普通的时频分析方法例如短时傅里叶变换（STFT）、小波变换（WT）、希尔伯特-黄变换（HHT）很难清晰的表征模态信息。同步压缩变换（SST）能够为非平稳信号产生高能量集中度的时频表示，然而，大多数传统的同步压缩技术隐含地假设所分析的信号表现出慢时变特性，而泄漏产生的声发射信号可以在很短的时间内发生，具有很宽的频带，因此，慢时变模型在这种情况下不再有效。

综上所述，目前阀门泄漏诊断技术的主要缺陷如下：

（1）阀门泄漏故障类型多样性和所处环境复杂性导致难以使用通用的数学模型或单一的特征参数来识别故障类型；

（2）阀门内漏与阀门外漏两种故障类型在时域和频域内表现出强烈的相似性，因此很难通过常规方法实现这两种故障的准确分类，另外，声发射传感器对内漏不敏感，导致分析单一传感器测得的信号难以得到全面的故障特征，影响故障识别的准确率；

（3）阀门泄漏声发射信号频带很宽，是一种多模态混叠信号，各种模态在时域和频域中相互交叉，尽管阀门内漏信号和外漏信号在模态组成上存在差异，但这种差异形式复杂，难以区分，另外，传统方法无法获得泄漏声发射信号清晰的模态信息。

发明内容

本发明的目的在于克服现有技术存在的上述缺陷，提出了一种基于多传感器信息融合的阀门泄露故障综合诊断方法，其利用具有分析复杂高频非平稳信号能力的高能量集中时频分析方法—TSST表征时频和模态信息，并结合多传感器融合卷积神经网络引入空间信息，提出一种新的耦合了时频信息、模态信息、空间信息的多传感器融合阀门泄漏综合诊断方法，在离线训练过程中，通过TSST得到源域多种工作条件下无泄漏、阀门内漏、阀门外漏的不同位置传感器的时频图像，增加模型泛化能力，将源域中保存的模型参数导入目标域阀门泄漏综合诊断模型从而实现在线监测，有效提高了阀门泄露故障识别的准确率。

本发明的技术方案是：一种基于多传感器信息融合的阀门泄露故障综合诊断方法，其中，包括以下步骤：

S1.数据预处理；

通过模拟实验采集多种工况下的阀门内部泄漏、外部泄漏和无泄漏声发射信号，以此作为源域，分别对两个声发射传感器采集到的声发射时域信号进行切片，共得到20000个长度为400微秒的声发射时域信号，将20000个声发射时域信号转换为TSST时频图像；得到TSST时频图像后，对所有图像添加标签，分别得到标签为阀门内漏、阀门外漏、无泄漏的三类源域数据集；

S2.离线训练；

两个声发射传感器采集到的时域信号经过步骤S1处理后，分别得到两个传感器的TSST时频图像，搭建TSST-MCFCNN阀门泄露综合诊断模型，其包含两个支路，且两个支路中卷积层的数量、核的大小和激活函数相同，以尺寸为224×224的TSST时频图像作为模型的输入，每一传感器支路的TSST时频图像经过三次“卷积-归一化-激活-池化”提取深度特征；

在分支结尾位置将提取的特征图压平，将数据转化为10368×1的一维特征向量，将来自两个声发射传感器的特征向量在融合层连接，组成20736×1的一维特征向量；

在融合层之后，使用全连接层来对输入信号进行故障分类，其神经元数量对应于分类任务的类别，分别为阀门内漏、阀门外漏和无泄漏；

通过20000张泄露声发射TSST时频图像训练TSST-MCFCNN模型，当模型达到收敛时，保存源域模型参数；

S3.在线监测；

两个声发射传感器实时采集到的声发射信号经前置放大器被采集仪采集，将采集到的信号读入计算机并切片为长度为400微秒的声发射时域信号，经TSST转换为时频图像后作为待诊断数据，将离线训练中保存的模型参数置入目标域TSST-MCFCNN，使用目标域TSST-MCFCNN对待诊断数据进行分类，最终输出故障诊断结果。

本发明中，步骤S1中，对于单个声发射信号，将单个声发射时域信号转换为TSST时频图像的过程包括以下步骤：

S1.1计算声发射信号的短时傅里叶变换：

，其中

为移动窗口函数，

为声发射信号的频域表示，t为时间，ω为角频率，i为虚数单位，η为滑动窗口频率;

S1.2计算信号的经典群延迟估计：

，式中

为信号的短时傅里叶变换，

为群延迟估计;

S1.3通过一维时间域积分将模糊的时频能量压缩到群延迟轨迹中，将

处的时频系数转换至点

上，

，式中

为狄拉克函数，u为时间，

为TSST时频图像矩阵。

步骤S2中，对于卷积操作，

，其中

为第

层输出的n个特征图，

为第

层输出的m个特征图或为原始输入图像，k为卷积核，b为偏置项，

表示卷积操作，ｆ（）为激活函数，卷积核尺寸均为3×3×32；在每一个卷积层后都使用组归一化提升训练和收敛速度,使用ReLU作为激活函数，

。

在融合层与全连接层之间引入Dropout正则化方法，速率为50%。

在全连接层采用SoftMax函数，用于将全连接层的向量转换为概率分布形式。

步骤S2中，对于单个分支，第一轮“卷积-归一化-激活”后得到32层222×222的特征图，第一次池化后得到32层111×111的特征图；第二轮“卷积-归一化-激活”后得到32层109×109的特征图，第二次池化后得到32层37×37的特征图；第三轮“卷积-归一化-激活”后得到32层35×35的特征图，第三次池化后得到32层18×18的特征图。

搭建好模型后，采用试错法对批量大小和学习率两个超参数进行优化，确定批量大小为32、学习率为0.01时，模型效果最佳。

步骤S3中，经TSST转换为时频图像后作为待诊断数据的具体步骤采用步骤S1中声发射时域信号转换为TSST时频图像的具体步骤。

本发明的有益效果是：

（1）解决了现有阀门泄露诊断方法仅关注单一故障类型的弊端，采用离线训练与在线监测相结合的方式，同时监测阀门内漏故障与阀门外漏故障，提出了阀门泄漏综合诊断方法；

（2）使用多传感器信息融合的方法，提出一种新的耦合了时频信息、模态信息、空间信息的多传感器融合阀门泄漏综合诊断方法，有效提高了阀门泄露故障识别的准确率；

（3）将高能量集中的时频分析方法-时间重分配同步压缩变换（TSST）与多传感器信息融合卷积神经网络（MCFCNN）相结合，巧妙的提取出泄露声发射信号的模态信息，进而实现内外漏的同时监测。

综上所述，本申请克服了现有阀门故障诊断方法中只能单独诊断阀门内漏或外漏的弊端，为适情维护和应急处置提供了参考，经过实验验证，基于TSST-MCFCNN的阀门泄漏综合诊断模型相较于现有神经网络模型具有更高的预测精度。

附图说明

图1是本方法的系统流程图；

图2是本方法中TSST-MCFCNN模型的结构图；

图3是在线监测场景示意图；

图4是本发明所述方法与人工神经网络（ANN）、普通卷积神经网络（CNN）的混淆矩阵对比结果。

图中：1声发射传感器；2前置放大器；3采集仪。

具体实施方式

为了使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。

在以下描述中阐述了具体细节以便于充分理解本发明。但是本发明能够以多种不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广。因此本发明不受下面公开的具体实施方式的限制。

本发明所述的基于多传感器信息融合的阀门泄露故障综合诊断方法包括以下步骤。

第一步，数据预处理。

阀门泄漏综合诊断模型的泛化性能与源域数据集的多样性密切相关。因此，需要采集多种工况下的阀门内部泄漏、外部泄漏和无泄漏声发射信号，多种工况包括常见的流量为10-50L/min的内部和外部泄漏以及带有背景噪声的无泄漏情况。通过模拟实验采集多种工况下的阀门内部泄漏、外部泄漏和无泄漏声发射信号，以此作为源域，分别对两个声发射传感器采集到的声发射时域信号进行切片，共得到20000个长度为400微秒的声发射时域信号，将20000个声发射时域信号转换为TSST时频图像。

具体的，对于单个声发射信号，将单个声发射时域信号转换为TSST时频图像的过程包括以下步骤。

首先，计算声发射信号的短时傅里叶变换（STFT）：

，式中

为移动窗口函数，

为声发射信号的频域表示，t为时间，ω为角频率，i为虚数单位，η为滑动窗口频率。

其次，计算信号的经典群延迟估计：

，式中

为信号的短时傅里叶变换，

为群延迟估计。

最后，通过一维时间域积分将模糊的时频能量压缩到群延迟轨迹中，将

处的时频系数转换至点

上，

，式中

为狄拉克函数，u为时间，

为TSST时频结果。

得到TSST时频图像后，对所有图像添加标签，分别得到标签为阀门内漏、阀门外漏、无泄漏的三类源域数据集。

第二步，离线训练。

构建TSST-MCFCNN模型，其两个支路中卷积层的数量、核的大小和激活函数等都是相同的，输入的TSST时频图像经过三次“卷积-归一化-激活-池化”提取深度特征。

本申请中，模型输入是尺寸为224×224的TSST时频图像。

对于卷积操作，

，其中

为第

层输出的n个特征图，

为第

表示卷积操作，ｆ（）为激活函数，本发明所使用的卷积核尺寸均为3×3×32。

在每一个卷积层后都使用组归一化（Group Normalization）来提升训练和收敛速度。使用ReLU作为激活函数，

。

池化方式选择大小为2×2的最大池化，步长为2。对于单个分支，第一轮“卷积-归一化-激活”后得到32层222×222的特征图，第一次池化后得到32层111×111的特征图；第二轮“卷积-归一化-激活”后得到32层109×109的特征图，第二次池化后得到32层37×37的特征图；第三轮“卷积-归一化-激活”后得到32层35×35的特征图，第三次池化后得到32层18×18的特征图。

在分支结尾位置使用融合层将提取的特征图压平，将数据转化为10368×1的一维特征向量。

将来自两个声发射传感器的特征向量在融合层连接，组成20736×1的一维特征向量。

在融合层之后，使用全连接层来对输入信号进行故障分类，其神经元数量对应于分类任务的类别，本发明所述模型的分类结果有三种，分别为阀门内漏、阀门外漏和无泄漏。

在融合层与全连接层之间引入Dropout正则化方法，速率为50%，避免过度拟合训练数据。

为了控制网络的学习率，使用sgdm优化算法更新网络参数，Validation-Frequency设置为50。

搭建好模型后，采用试错法对批大小和学习率两个超参数进行优化，最后确定批量大小和学习率分别设置为32和0.01时，模型效果最佳。

通过20000张泄露声发射TSST时频图像训练TSST-MCFCNN模型，当模型达到收敛时，保存源域模型参数。

本申请中的TSST-MCFCNN模型如图2所示。

第三步，在线监测。

两个声发射传感器1实时采集到的声发射信号经前置放大器2被采集仪3采集，采集仪3的采样频率为2.5MHz，将采集到的信号读入计算机并切片为长度为400微秒的声发射时域信号，经TSST转换为时频图像后作为待诊断数据，此处具体操作与离线训练过程中相同。

将离线训练模型参数置入目标域TSST-MCFCNN。

使用目标域TSST-MCFCNN对待诊断数据进行分类，最终输出故障诊断结果。

在线监测场景如图3所示。

针对阀门泄漏故障诊断问题，选取人工神经网络（ANN）和传统卷积神经网络（CNN）作为对比方法，以TSST时频图像作为输入数据，将各种模型都运行10次取测试集上的平均预测准确率作为指标，验证本申请所提出的多传感器融合方法的优越性。

其中ANN模型中隐藏层中的神经元数量设置为128，迭代561次后保存训练结果。

TSST-MCFCNN(Multi-sensor)模型使用本申请建立的TSST-MCFCNN模型进行训练，迭代561次后保存训练结果。

CNN (Single-sensor)模型利用来自单个传感器的TSST图像作为输入，具体结构参数与TSST-MCFCNN中的单个CNN分支相同，迭代561次后保存训练结果。

表1 各种模型识别准确率

模型	准确率(%)
		ANN	80.8
CNN (Single-sensor)	91.55
		TSST-MCFCNN(Multi-sensor)	99.85

各种模型的平均预测准确率如表1所示。本发明所提方法在测试集上的平均预测准确率为99.85%，相较于ANN提升了19.05%，相较于传统CNN提升了8.3%，可见，在阀门泄漏故障诊断方面，TSST-MCFCNN相较于ANN和传统CNN具有明显优势。进一步分析三种模型的混淆矩阵，混淆矩阵的纵轴表示样本的实际标签，横轴表示样本的预测标签，如图4所示。ANN模型将20.2%的无泄漏样本错误的识别为阀门内漏故障，将17.87%的阀门内漏样本识别为无泄漏，可见，ANN模型无法较好的区分阀门内漏与无泄漏两种情况。此外，ANN模型还将6.14%的阀门外漏样本识别为阀门内漏，将5.07%的阀门内漏样本识别为阀门外漏故障，其同样无法准确区分阀门内漏和外漏故障。显然，ANN模型的识别精度难以应用于真实工作场景。CNN(Single-sensor)模型的表现强于ANN模型，但其在无泄漏情况样本的识别上非常糟糕，将24.2%的无泄漏样本错误的识别为阀门内漏故障，同时，其在识别阀门内漏故障时也存在困难，分别将4.8%和1.1%的阀门内漏样本错误的识别为无泄漏和阀门外漏故障。TSST-MCFCNN模型表现出了极高的识别准确率，其将阀门内漏故障样本和无泄漏样本全部识别正确，在阀门外漏故障识别中，仅有0.4%的样本被错误的分类，这样的识别精度在实际工业生产中是可以接受的。综上所述，TSST-MCFCNN模型在阀门内漏、阀门外漏和无泄漏三种故障的分类中表现最好，其他两种模型无法有效区分这三种故障类型。

以上对本发明所提供的基于多传感器信息融合的阀门泄露故障综合诊断方法进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims

1.一种基于多传感器信息融合的阀门泄露故障综合诊断方法，其特征在于，包括以下步骤：

S1.数据预处理；

通过模拟实验采集多种工况下的阀门内部泄漏、外部泄漏和无泄漏声发射信号，以此作为源域，分别对两个声发射传感器采集到的声发射时域信号进行切片，共得到20000个长度为400微秒的声发射时域信号，将20000个声发射时域信号转换为TSST时频图像；

得到TSST时频图像后，对所有图像添加标签，分别得到标签为阀门内漏、阀门外漏、无泄漏的三类源域数据集；

S2.离线训练；

S3.在线监测；

两个声发射传感器实时采集到的声发射信号经前置放大器被采集仪采集，将采集到的信号读入计算机并切片为长度为400微秒的声发射时域信号，经TSST转换为时频图像后作为待诊断数据，将离线训练中保存的模型参数置入目标域TSST-MCFCNN，使用目标域TSST-MCFCNN模型对待诊断数据进行分类，最终输出故障诊断结果。

2.根据权利要求1所述的基于多传感器信息融合的阀门泄露故障综合诊断方法，其特征在于，

步骤S1中，对于单个声发射信号，将单个声发射时域信号转换为TSST时频图像的过程包括以下步骤：

S1.1计算声发射信号的短时傅里叶变换：

，式中

为移动窗口函数，

S1.2计算信号的经典群延迟估计：

，式中

为信号的短时傅里叶变换，

为群延迟估计;

处的时频系数转换至点

上，

，式中

为狄拉克函数，u为时间，

为TSST时频图像矩阵。

3.根据权利要求1所述的基于多传感器信息融合的阀门泄露故障综合诊断方法，其特征在于，

步骤S2中，对于卷积操作，

，其中

为第

层输出的n个特征图，

为第

表示卷积操作，ｆ（）为激活函数，卷积核尺寸均为3×3×32；

在每一个卷积层后都使用组归一化提升训练和收敛速度,使用ReLU作为激活函数，

。

4.根据权利要求1所述的基于多传感器信息融合的阀门泄露故障综合诊断方法，其特征在于，步骤S2中，在融合层与全连接层之间引入Dropout正则化方法，速率为50%。

5.根据权利要求1所述的基于多传感器信息融合的阀门泄露故障综合诊断方法，其特征在于，步骤S2中，在全连接层采用SoftMax函数，用于将全连接层的向量转换为概率分布形式。

6.根据权利要求1所述的基于多传感器信息融合的阀门泄露故障综合诊断方法，其特征在于，步骤S2中，对于单个分支，第一轮“卷积-归一化-激活”后得到32层222×222的特征图，第一次池化后得到32层111×111的特征图；第二轮“卷积-归一化-激活”后得到32层109×109的特征图，第二次池化后得到32层37×37的特征图；第三轮“卷积-归一化-激活”后得到32层35×35的特征图，第三次池化后得到32层18×18的特征图。

7.根据权利要求1所述的基于多传感器信息融合的阀门泄露故障综合诊断方法，其特征在于，搭建好模型后，采用试错法对批量大小和学习率两个超参数进行优化，确定批量大小为32、学习率为0.01时，模型效果最佳。

8.根据权利要求2所述的基于多传感器信息融合的阀门泄露故障综合诊断方法，其特征在于，步骤S3中，经TSST转换为时频图像后作为待诊断数据的具体步骤与步骤S1中声发射时域信号转换为TSST时频图像的具体步骤相同。