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(tǒng)中的基本部件,通過控制閥門可以改變流體介質(zhì)的壓力和流量變化。對絕大多數(shù)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(nèi)漏和外漏。閥門泄漏不僅會造成經(jīng)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(xiàn)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(shù),但閥門內(nèi)漏依然主要依賴于傳統(tǒng)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(huán)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(tǒng)方法的局限性使得許多學者將聲發(fā)射技術(shù)應用到閥門內(nèi)漏的檢測上。閥門內(nèi)漏檢測的首要工作就是認識內(nèi)漏聲源產(chǎn)生的機制。張穎[1]對氣體內(nèi)漏過程動態(tài)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(nèi)漏噴流噪聲源,同時建立了閥門氣體內(nèi)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(chǔ)上,Prateepasen[2]等提出了一種基于聲發(fā)射技術(shù)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(fā)射信號特征的閥門泄漏故障特征參數(shù)與閥門泄漏狀態(tài)的定量關(guān)系;鄒兵[4]等建立了預置缺陷閘閥內(nèi)漏模擬試驗平臺,利用小波分析技術(shù),研究了內(nèi)漏聲發(fā)射信號頻率分布規(guī)律;YAN[5]等通過最近鄰節(jié)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(tài)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(fā)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(fā)的閥門內(nèi)漏檢測裝置在實驗現(xiàn)場測得球閥內(nèi)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(nèi)漏流量為0.87 L/min;吳石恩[8]基于支持向量數(shù)據(jù)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(wǎng)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(fā)射數(shù)據(jù)可以在一定時間段內(nèi)體現(xiàn)出閥門內(nèi)漏的發(fā)展趨勢,可以用時間序列模型對閥門內(nèi)漏趨勢進行預測。因此,本文提出了基于聲發(fā)射技術(shù)和門控循環(huán)神經(jīng)網(wǎng)絡(Gated Recurrent Unit,GRU)[10-11]的閥門內(nèi)漏監(jiān)測方法,利用聲發(fā)射技術(shù)在動態(tài)檢測以及GRU在時間預測方面的優(yōu)勢,期望能夠提高閥門所能檢測到的最小泄漏量,從而實現(xiàn)閥門泄漏的更準確檢測。

1 門控循環(huán)單元神經(jīng)網(wǎng)絡原理

GRU是一種新型的循環(huán)神經(jīng)網(wǎng)絡(Recurrent Neural Network,RNN)[12]。傳統(tǒng)的神經(jīng)網(wǎng)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(huán)神經(jīng)網(wǎng)絡可以通過將信息進行循環(huán)操作,保持信息持續(xù)存在來解決上述問題。最典型的RNN方法是長短期記憶網(wǎng)絡(Long Short-Term Memory,LSTM)[13]。相比于傳統(tǒng)RNN網(wǎng)絡以及其他深度網(wǎng)絡,LSTM對數(shù)據(jù)時序性的適應能力更強,但LSTM網(wǎng)絡存在參數(shù)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(nèi)部單元結(jié)構(gòu),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(guān)注。GRU由一系列的門控循環(huán)單元構(gòu)成,其中單個門控循環(huán)單元的結(jié)構(gòu)示意圖如圖1。

圖1 門控循環(huán)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(nèi)漏聲發(fā)射檢測實驗及數(shù)據(jù)預處理

2.1 閥門內(nèi)漏聲發(fā)射檢測實驗

為實現(xiàn)基于聲發(fā)射的閥門內(nèi)漏檢測,本文設(shè)計了對應的實驗系統(tǒng),如圖2。實驗系統(tǒng)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(fā)射傳感器、前置放大器、信號采集處理終端組成。

圖2 閥門內(nèi)漏聲發(fā)射檢測實驗系統(tǒng)的設(shè)計圖Figure 2 Design drawing of valve internal leakage acoustic emission detection experimental system

實驗中用到的發(fā)射傳感器是由北京聲華科技公司生產(chǎn)的SR150N型聲發(fā)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(fā)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(xù)信號處理終端對信號進行采集。聲發(fā)射傳感器固定在待測閥門的外側(cè)閥壁上,當調(diào)節(jié)閥門時,采集聲發(fā)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(diào)節(jié)球閥開度調(diào)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(fā)射信號數(shù)據(jù)。

2.2 小波包信號降噪研究

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

圖3 閥門內(nèi)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(jù)特點不同,不同的小波基函數(shù)對小波包分解的效果有很大影響,選擇合適的小波基函數(shù)就顯得相當重要。

常用的小波基函數(shù)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(shù)特性比較

考慮到閥門內(nèi)漏聲發(fā)射信號復雜且數(shù)據(jù)量較大,采用具有雙正交性的對稱小波函數(shù)可以讓信號在多尺度分解和重構(gòu)中盡量不出現(xiàn)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(shù)。因此,針對閥門聲發(fā)射信號,本文采用db小波作為小波包分解重構(gòu)的小波基函數(shù)?；赿b小波的分解結(jié)果如圖4。

圖4 db-N小波的尺度函數(shù)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(shù)下的db小波的尺度函數(shù)趨勢幾乎沒有變化,只是在光滑度上隨階數(shù)變高也在不斷變高。而在不同階數(shù)的db小波函數(shù)圖像上也幾乎沒有變化,僅有光滑度隨階數(shù)提升不斷提高。由此可見,不同階數(shù)的db小波圖像本質(zhì)是類似的。dbN小波消失矩階數(shù)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(fā)射信號處理。

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

圖5 不同小波包基函數(shù)下降噪對比結(jié)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(fā)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(fā)射信號的確切頻率范圍。結(jié)合上述分析和實驗對比結(jié)果,本文利用db3小波對閥門泄漏聲發(fā)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(fā)射信號所在頻域。

為確認聲發(fā)射信號所在頻段,需要在不改變聲發(fā)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(fā)生和已發(fā)生泄漏時的聲發(fā)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(nèi)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(fā)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(fā)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(fā)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(huán)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(fā)射信號集中在0～18.75 kHz后,保留該頻段的小波包節(jié)點系數(shù),將其他頻段噪聲信號的小波包節(jié)點系數(shù)降為0,重構(gòu)聲發(fā)射信號。原始信號與降噪后信號頻域?qū)Ρ热鐖D7。經(jīng)過小波包降噪,重構(gòu)后信號濾除了聲發(fā)射信號所在頻段外,環(huán)境中其他頻段的噪聲,有利于之后對聲發(fā)射信號的進一步處理。

圖7 重構(gòu)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(nèi)漏數(shù)據(jù)分析

在對聲發(fā)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(jīng)網(wǎng)絡以及門控循環(huán)神經(jīng)網(wǎng)絡對降噪信號進行分類識別,比較不同模型對閥門內(nèi)漏故障的識別效果。

3.1 基于支持向量機閥門內(nèi)漏故障診斷模型

支持向量機是一種監(jiān)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(shù)(RBF)作為閥門內(nèi)漏故障識別SVM模型的核函數(shù),RBF核中有g(shù)amma和C兩個參數(shù),本文選擇網(wǎng)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(shù)[16]。

為了對閥門內(nèi)漏進行準確識別,將閥門完好狀態(tài)下的聲發(fā)射信號分別和泄漏程度不同的多組閥門聲發(fā)射信號進行組合,并作為數(shù)據(jù)集進行識別。每種泄漏率下,分別輸入10組數(shù)據(jù)集,每組數(shù)據(jù)集約有300個采樣點。將數(shù)據(jù)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(nèi)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(nèi)漏檢測平均準確率

3.2 基于BP神經(jīng)網(wǎng)絡閥門內(nèi)漏故障診斷模型

BP神經(jīng)網(wǎng)絡是一種按照誤差逆向傳播算法訓練的多層前饋神經(jīng)網(wǎng)絡。它廣泛應用于工業(yè)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(lián)系起來,實現(xiàn)模式識別[17]。

本文將不同泄漏率下的閥門聲發(fā)射信號的特征值提取出來,將特征值作為BP神經(jīng)網(wǎng)絡的輸入值,輸出值則是閥門內(nèi)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(jīng)網(wǎng)絡的輸入端所輸入特征量為3個,網(wǎng)絡的輸入節(jié)點數(shù)設(shè)置為3。根據(jù)本文需確定閥門泄漏率,所以輸出節(jié)點應設(shè)置為7?？紤]到隱層節(jié)點數(shù)過多會導致訓練效率下降,再通過經(jīng)驗公式的推導與多次實驗,確定最佳隱層節(jié)點數(shù)為7。那么診斷的網(wǎng)絡結(jié)構(gòu)可以確定為N(3,7,7)。

圖8為BP神經(jīng)網(wǎng)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?shù)?00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(jīng)網(wǎng)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(tài)標簽,表4為BP神經(jīng)網(wǎng)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(tài)標簽

表4 BP神經(jīng)網(wǎng)絡對測試集的部分輸出和分類準確率

由神經(jīng)網(wǎng)絡的訓練結(jié)果和測試結(jié)果,可以看出BP神經(jīng)網(wǎng)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(jié)果中BP網(wǎng)絡輸出的精度不夠高,正確識別的數(shù)量還有待提高。

3.3 基于GRU的閥門內(nèi)漏故障診斷模型

利用未泄漏閥門的聲發(fā)射數(shù)據(jù)對GRU模型進行訓練;將未泄漏的聲發(fā)射數(shù)據(jù)輸入GRU模型;取預測數(shù)據(jù)與真實數(shù)據(jù)的差值,將差值由小到大排列,較小的99%的數(shù)據(jù)為可信數(shù)據(jù),較大的1%的數(shù)據(jù)則不可信,99%為設(shè)定的置信率。

如圖9,圖中前10 000個數(shù)據(jù)是閥門尚未發(fā)生泄漏時采樣所得的數(shù)據(jù),后10 000個數(shù)據(jù)是閥門發(fā)生內(nèi)漏時的采樣數(shù)據(jù)。將它們與GRU網(wǎng)絡輸出的預測值數(shù)據(jù)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(shù)值作為基準,低于此值的為不可信數(shù)據(jù),高于此值的為不可信數(shù)據(jù),分別得到前后10 000個數(shù)據(jù)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(fā)射數(shù)據(jù)與后10 000個泄漏聲發(fā)射數(shù)據(jù)置信率的差值。經(jīng)過比對可以發(fā)現(xiàn)發(fā)生內(nèi)漏時,置信率差值明顯出現(xiàn)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(fā)生內(nèi)漏。

表5 壓力為0.4 MPa時預測數(shù)據(jù)與真實數(shù)據(jù)置信率差值比較

在不同實驗壓力下對內(nèi)漏程度不同的閥門進行實驗,對所采集得到的數(shù)據(jù)進行進一步分析。如表6,可以發(fā)現(xiàn)在不同閥門壓力下,當閥門發(fā)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(fā)生內(nèi)漏。

表6 不同壓力下預測數(shù)據(jù)與真實數(shù)據(jù)置信率差值比較

當置信率差值大于1%時,可判斷閥門發(fā)生泄漏,表7為GRU對測試集的分類準確率。比較表4BP神經(jīng)網(wǎng)絡對測試集的分類準確率,可知GRU在閥門內(nèi)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(jīng)網(wǎng)絡和門控循環(huán)神經(jīng)網(wǎng)絡對閥門內(nèi)漏聲發(fā)射信號的處理效果如表8所示,可知門控循環(huán)神經(jīng)網(wǎng)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(jié) 論

閥門的內(nèi)漏故障程度可以表征為閥門內(nèi)漏時聲發(fā)射信號的變化情況。給出一種基于門控循環(huán)神經(jīng)網(wǎng)絡的閥門內(nèi)漏狀態(tài)判別新方法。門控循環(huán)神經(jīng)網(wǎng)絡對于長時間序列數(shù)據(jù)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(fā)生泄漏后,聲發(fā)射所接收數(shù)據(jù)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(huán)神經(jīng)網(wǎng)絡的預測方法能夠識別最小泄漏量為0.2 L/min的閥門內(nèi)漏,其效果優(yōu)于本文中實現(xiàn)的支持向量機以及BP神經(jīng)網(wǎng)絡預測方法。區(qū)別現(xiàn)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。