胡磊磊 王新穎 林振源 劉嵐 徐拓

（常州大學(xué)環(huán)境與安全工程學(xué)院，江蘇 常州 213164）

0 引言

閥門是調(diào)節(jié)管道內(nèi)部介質(zhì)或開閉管道通道的控制裝置，是城市燃?xì)夤芫W(wǎng)的重要組成部分［1］。由于操作失誤、閥門更換不及時(shí)等原因會造成閥門內(nèi)漏，如不及時(shí)處理會導(dǎo)致嚴(yán)重的事故后果［2］。聲發(fā)射技術(shù)在閥門內(nèi)漏診斷研究中應(yīng)用廣泛，由于聲發(fā)射信號是一類不可預(yù)知的不平穩(wěn)突發(fā)瞬時(shí)信號，采集信號包含故障信號和大量噪聲信號，使得數(shù)據(jù)處理與特征提取變得較為困難。1997年，唐秀家等［3］首次在國內(nèi)提出基于人工神經(jīng)網(wǎng)絡(luò)檢測管道泄漏的方法。1998年，LECUN Y 等［4］第一次提出卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）并采用誤差梯度算法對模型進(jìn)行優(yōu)化。謝鵬飛［5］將CNN和SVM結(jié)合設(shè)計(jì)了一個管道內(nèi)檢測器跟蹤定位系統(tǒng)，實(shí)現(xiàn)了精準(zhǔn)識別故障位置的目的。JANSSENS O 等［6］將故障信號處理為時(shí)頻圖輸入到卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，從而實(shí)現(xiàn)故障種類的準(zhǔn)確識別。ABDELJABER O 等［7］提出的基于歸一化的1DCNN 模型能夠在不進(jìn)行數(shù)據(jù)預(yù)處理的情況下直接特征自提取，簡化了整個故障診斷過程。

以上建立的故障診斷模型主要是通過大量數(shù)據(jù)集訓(xùn)練獲得，但在實(shí)際工況中往往為了安全起見，只能采集到少量故障數(shù)據(jù)［8-9］，小樣本類別數(shù)據(jù)容易導(dǎo)致出現(xiàn)訓(xùn)練期間不穩(wěn)定、梯度消失、模型易崩潰等問題［10-12］。為了解決現(xiàn)有閥門故障診斷模型在樣本數(shù)據(jù)不足情況下故障診斷效果差的問題，本文設(shè)計(jì)小樣本數(shù)據(jù)集下的 DCGAN 結(jié)構(gòu)，構(gòu)建基于DCGAN-1DCNN 的管道閥門內(nèi)漏故障診斷模型，驗(yàn)證DCGAN 生成的數(shù)據(jù)能否提高1DCNN 閥門內(nèi)漏故障診斷模型診斷效果。

1 DCGAN 數(shù)據(jù)生成原理

生成對抗網(wǎng)絡(luò)（Generate Against Network，GAN）是由生成網(wǎng)絡(luò)G 和判別網(wǎng)絡(luò)D 兩部分組成，生成網(wǎng)絡(luò)負(fù)責(zé)從隨機(jī)噪聲中生成以假亂真的數(shù)據(jù)，判別網(wǎng)絡(luò)負(fù)責(zé)分辨信號真假。深度卷積生成對抗網(wǎng)絡(luò)（Deep Convolution Generate Against Networks，DCGAN）則是利用卷積核強(qiáng)大的特征提取能力在GAN 基礎(chǔ)上使用CNN 作為判別器和生成器的主要結(jié)構(gòu)來進(jìn)行的一種改進(jìn)。

生成網(wǎng)絡(luò)G 負(fù)責(zé)從隨機(jī)噪聲中生成數(shù)據(jù)，判別網(wǎng)絡(luò)D負(fù)責(zé)盡可能將生成的數(shù)據(jù)和真實(shí)的數(shù)據(jù)區(qū)分開，即最大化目標(biāo)函數(shù)V（D，G）。生成網(wǎng)絡(luò)則負(fù)責(zé)不斷生成能讓判別器以假亂真的數(shù)據(jù)。即最小化目標(biāo)函數(shù)V（D，G）。在模型訓(xùn)練過程中，使用隨機(jī)梯度下降法進(jìn)行參數(shù)更新，判斷的結(jié)果作為生成網(wǎng)絡(luò)和判別網(wǎng)絡(luò)的一個反饋，兩者形成一種對抗機(jī)制，進(jìn)行多個回合的交叉訓(xùn)練，達(dá)到或者逼近納什均衡，直到GAN 能夠生成大量與原始數(shù)據(jù)高度相似的偽樣本結(jié)束。其中對抗訓(xùn)練需要不斷優(yōu)化的目標(biāo)函數(shù)如式（1）［13-14］：

式中，D（x）為真實(shí)數(shù)據(jù)x在判別器D上的輸出；G（z）為隨機(jī)噪聲中的隨機(jī)向量z在生成器G 中的輸出，D[G（z）]為判別器判斷生成信號G（z）是否真實(shí)的概率，Pdata為隨機(jī)采樣真實(shí)數(shù)據(jù)，PG為向量z的先驗(yàn)分布。

2 閥門內(nèi)漏故障診斷模型設(shè)計(jì)

2.1 1DCNN 的故障診斷結(jié)構(gòu)設(shè)計(jì)

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）是一種具有特殊連接的前饋神經(jīng)網(wǎng)絡(luò)［15］，它能通過卷積核進(jìn)行特征的自提取，達(dá)到數(shù)據(jù)的高效利用。1DCNN 是卷積神經(jīng)網(wǎng)絡(luò)的一個變種，針對聲發(fā)射這種一維信號，1DCNN可以直接作用于時(shí)序型一維信號上并展現(xiàn)出很強(qiáng)的處理能力。一般由輸入層、卷積層、池化層、全連接層組成。

CNN 中每一個神經(jīng)元的運(yùn)算過程如下：

式中，act（）表示激活函數(shù)，是對神經(jīng)元加權(quán)值，b是加偏置［16］。

2.2 DCGAN 的數(shù)據(jù)生成結(jié)構(gòu)設(shè)計(jì)

在DCGAN 的基礎(chǔ)上，本文針對閥門聲發(fā)射信號的特點(diǎn)搭建了用于閥門故障信號生成的網(wǎng)絡(luò)模型。生成器、判別器結(jié)構(gòu)如圖1 所示，生成器由6 個反卷積層和1 個全連接層構(gòu)成。首先將高斯噪聲作為模型的輸入，采用反卷積層進(jìn)行聲發(fā)射信號的上采樣，逐層擴(kuò)大輸出數(shù)據(jù)的維度，實(shí)現(xiàn)聲發(fā)射信號的生成。判別器由6 個卷積層和1 個全連接層構(gòu)成。首先將預(yù)處理后的聲發(fā)射信號和生成器生成的信號作為模型的輸入，采用卷積層對信號進(jìn)行下采樣，最后通過全連接層，將卷積核提取到的特征映射到1×1 的值，作為判別器的輸出。

圖1 生成器和判別器結(jié)構(gòu)

2.3 基于DCGAN 和1DCNN 的閥門內(nèi)漏故障診斷流程

基于DCGAN 和1DCNN 的閥門內(nèi)漏故障診斷流程如圖2 所示，過程如下：首先采集并預(yù)處理管道閥門原始聲發(fā)射信號，將采集好的數(shù)據(jù)輸入預(yù)先設(shè)計(jì)好的DCGAN 模型中進(jìn)行訓(xùn)練，直到DCGAN 模型達(dá)到納什平衡并輸出生成數(shù)據(jù)；將生成數(shù)據(jù)混合原始數(shù)據(jù)組成新的樣本數(shù)據(jù)輸入到1DCNN模型中，訓(xùn)練完成后輸出準(zhǔn)確度并將測試集樣本輸入模型中評價(jià)準(zhǔn)確度。

3 實(shí)驗(yàn)與結(jié)果分析

3.1 閥門內(nèi)漏檢測實(shí)驗(yàn)

3.1.1 實(shí)驗(yàn)準(zhǔn)備

為了使模擬平臺與實(shí)際工況符合相似原理，選用直徑25 mm，管壁厚5 mm 的20 號無縫碳素鋼管模擬燃?xì)夤艿来罱▽?shí)驗(yàn)平臺，如圖3 所示，由于閘閥和球閥的故障機(jī)理類似，因此本文以閘閥為對象進(jìn)行研究，如圖4 所示，在被測閥門和前后管道依次布置聲發(fā)射傳感器。在開始檢測前進(jìn)行斷鉛實(shí)驗(yàn)，確保聲發(fā)射傳感器的靈敏性后進(jìn)行數(shù)據(jù)的采集。

圖3 燃?xì)夤艿篱y門內(nèi)漏檢測平臺

圖4 閘閥傳感器布置

3.1.2 數(shù)據(jù)采集及預(yù)處理

調(diào)節(jié)閘閥為全閉狀態(tài)，打開空氣壓縮機(jī)將閘閥進(jìn)口壓力調(diào)節(jié)到0.4 MPa 用來模擬城市燃?xì)庵袎汗艿馈４蜷_管道尾端的球閥并保持全開狀態(tài)，讓閘閥的出口接大氣壓強(qiáng)。調(diào)節(jié)閘閥開度為全閉、1 圈、3圈、5 圈，依次進(jìn)行閘閥故障模擬實(shí)驗(yàn)，每種情況各采集90 s，并保存閘閥各個泄漏工況下的聲發(fā)射數(shù)據(jù)。

為了進(jìn)行下一步的數(shù)據(jù)增強(qiáng)和故障診斷工作，需要對采集到的聲發(fā)射數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理。通過聲發(fā)射軟件將采集到的聲發(fā)射信號導(dǎo)出為電壓值數(shù)據(jù)，利用Python 中的Numpy 和Pandas 模塊對數(shù)據(jù)進(jìn)行預(yù)處理，主要去除數(shù)據(jù)的奇異值，為數(shù)據(jù)添加類別標(biāo)簽，數(shù)據(jù)標(biāo)準(zhǔn)化等，數(shù)據(jù)說明如表1 所示。

表1 閘閥數(shù)據(jù)集數(shù)據(jù)說明

3.2 基于DCGAN 的閥門聲發(fā)射數(shù)據(jù)生成

根據(jù)前面所設(shè)計(jì)的DCGAN 結(jié)構(gòu)，分別用閥門4 種狀態(tài)下的數(shù)據(jù)集對其進(jìn)行訓(xùn)練，傳遞函數(shù)均采用Sigmoid 函數(shù)，為匹配該傳遞函數(shù)，學(xué)習(xí)率設(shè)置為較小的0.01，將長度為5 000 的聲發(fā)射數(shù)據(jù)切片為長度512 的數(shù)據(jù)，如圖5 所示?；谛颖緮?shù)據(jù)擴(kuò)充的原則，每種工況僅取200 條長度為512 的數(shù)據(jù)進(jìn)行DCGAN的訓(xùn)練，每次導(dǎo)入訓(xùn)練樣本個數(shù)為10，每個樣本獨(dú)立使用梯度，訓(xùn)練過程中每回合隨機(jī)采樣樣本迭代步數(shù)設(shè)為30 步。在訓(xùn)練3 000 次后，DCGAN生成的數(shù)據(jù)如圖6 所示。

圖5 閘閥原始故障數(shù)據(jù)

圖6 DCGAN 生成數(shù)據(jù)

通過DCGAN 輸出的可視化能夠看出，在橫坐標(biāo)上生成信號脈絡(luò)清晰、縱坐標(biāo)上電壓值變化幅度與原始信號基本保持一致。為進(jìn)一步說明原始信號和生成信號之間是否相似，本文運(yùn)用相關(guān)距離（皮爾遜相關(guān)系數(shù)）來度量每一種狀態(tài)下的原始信號曲線和生成信號曲線之間的相似度。

相關(guān)公式如下：

計(jì)算的結(jié)果如表2 所示。 從表2 中可以看出，每一種類別下生成的信號與原始信號之間都是極其相似，驗(yàn)證了本文提出的模型整體生成效果已達(dá)到要求。

表2 不同類別的相似度

3.3 基于1DCNN 閥門故障診斷

3.3.1 基于1DCNN 閥門故障診斷模型

經(jīng)過預(yù)處理后的數(shù)據(jù)，每條數(shù)據(jù)包含5 000 個節(jié)點(diǎn)，輸入模型中，會得到一個5 000×1 的矩陣，輸入設(shè)計(jì)好的模型中得到的模型參數(shù)如表3 所示。

表3 模型結(jié)構(gòu)參數(shù)

本文CNN 模型通過卷積核和最大池化核重復(fù)堆疊方式加深網(wǎng)絡(luò)結(jié)構(gòu)而有效提升模型性能［17］。組成如下：共由4 段卷積組成，每段卷積包括2 個卷積層和1 個最大池化層，將前3 個單元的卷積核的移動步長設(shè)置為2，第4 個單元的卷積核步長設(shè)置為1，確保能夠更好提取特征；Padding 方式均設(shè)置為Same，為數(shù)據(jù)邊緣填充0，使得數(shù)據(jù)邊緣特征不被遺失。為了加快收斂速度，激活函數(shù)設(shè)置為Relu，在第4 個單元的最后添加平均池化層繼續(xù)壓縮特征并設(shè)置Dropout 為0.3，隨機(jī)丟棄30%的神經(jīng)元，防止模型過度擬合，最后通過全連接層輸出類別的概率分布。

3.3.2 基于1DCNN 閥門故障診斷模型結(jié)果

將實(shí)驗(yàn)采集到的800 組故障數(shù)據(jù)輸入1DCNN模型中，按照80%的訓(xùn)練集和20%的驗(yàn)證集隨機(jī)的將數(shù)據(jù)集進(jìn)行劃分。批處理量設(shè)置為30，共執(zhí)行50個訓(xùn)練周期。訓(xùn)練完成后對訓(xùn)練過程中訓(xùn)練集和驗(yàn)證集的準(zhǔn)確率和損失函數(shù)的變化情況進(jìn)行可視化后，得到整個模型在訓(xùn)練過程中的準(zhǔn)確率和損失函數(shù)變化曲線如圖7 所示。

圖7 模型準(zhǔn)確率和損失函數(shù)變化曲線

觀察損失函數(shù)變化曲線可知，損失函數(shù)下降速度較快，在第8 世代便達(dá)到了最小值，之后一直在0 到0.2 之間波動，收斂速度較快，但在第37 世代驗(yàn)證集損失函數(shù)出現(xiàn)了劇烈波動，驗(yàn)證集損失函數(shù)上升到了0.49，訓(xùn)練集損失函數(shù)也在該點(diǎn)達(dá)到了0.23，到了40 世代之后函數(shù)曲線又趨于平穩(wěn)。同時(shí)觀察準(zhǔn)確率變化曲線可以發(fā)現(xiàn)，模型在37 世代上的驗(yàn)證集準(zhǔn)確率突然下降到了0.81，訓(xùn)練集準(zhǔn)確率曲線也下降到了0.89，到了40 世代之后又趨于平穩(wěn)。說明模型在第37 世代的時(shí)候無法對數(shù)據(jù)的識別保持一個較高的準(zhǔn)確率。為了進(jìn)一步驗(yàn)證模型的可靠性，將未經(jīng)訓(xùn)練過的400 組測試數(shù)據(jù)集輸入模型中進(jìn)行分類識別，得到的混淆矩陣如圖8 所示。模型對于閥門正常狀況和重度故障識別準(zhǔn)確率較高，對于輕度故障和中度故障的識別準(zhǔn)確率較低，僅達(dá)到了90%和91%，整體的識別準(zhǔn)確率為93.25%。

圖8 閘閥混淆矩陣

因此，基于小樣本數(shù)據(jù)集的1DCNN的閘閥內(nèi)漏故障診斷模型雖然能夠應(yīng)用于閥門的故障診斷中，但整體識別率不高且模型擬合程度較低，曲線存在較大的波動。

3.4 基于DCGAN 和1DCNN 的閥門內(nèi)漏故障診斷

為了驗(yàn)證生成信號的有效性，將生成的信號按比例和真實(shí)信號混合起來訓(xùn)練1DCNN 閥門內(nèi)漏故障診斷模型。真實(shí)數(shù)據(jù)和生成數(shù)據(jù)共800 組，分別保持生成數(shù)據(jù)占總數(shù)據(jù)的25%、50%、75%、100%輸入1DCNN 中，模型結(jié)構(gòu)與參數(shù)保持和之前一致，訓(xùn)練50 個世代數(shù)。

3.4.1 損失函數(shù)圖像分析

生成數(shù)據(jù)占比為25%、50%、75%、100% 時(shí)訓(xùn)練集、驗(yàn)證集損失函數(shù)變化曲線見圖9。

圖9 生成數(shù)據(jù)占比訓(xùn)練集、驗(yàn)證集損失函數(shù)變化

根據(jù)損失函數(shù)曲線可以看出，每一種情況下，模型在前10 個世代損失函數(shù)都快速下降。生成數(shù)據(jù)占比為25%時(shí)，在第10 世代和20 世代之間驗(yàn)證集損失函數(shù)在0.2 到0.4 之間波動，到了20 世代之后整個模型便趨于穩(wěn)定。生成數(shù)據(jù)占比為50%時(shí)，曲線一直存在小范圍的波動模型在第8 世代便達(dá)到了最小值，之后一直在0 到0.2 之間波動，雖然趨于穩(wěn)定，但損失函數(shù)整體的情況還是呈下降趨勢的。生成數(shù)據(jù)占比為75%時(shí)，訓(xùn)練集損失函數(shù)一直在0到0.2 之間小范圍的波動，驗(yàn)證集損失函數(shù)在30 世代之后波動幅度較大，但最高也不超過0.2。生成數(shù)據(jù)占比為100%時(shí)也就是訓(xùn)練數(shù)據(jù)全部采用生成數(shù)據(jù)，模型在30 世代之后逐漸趨于穩(wěn)定，收斂速度相較于之前情況較慢，且模型在20 到30 世代的波動比較明顯，驗(yàn)證集損失函數(shù)多次上升到了0.3 以上。

3.4.2 準(zhǔn)確率函數(shù)圖像分析

生成數(shù)據(jù)占比為25%、50%、75%、100% 時(shí)訓(xùn)練集、驗(yàn)證集準(zhǔn)確率變化曲線見圖10。

圖10 不同生成數(shù)據(jù)占比訓(xùn)練集、驗(yàn)證集準(zhǔn)確率變化

根據(jù)準(zhǔn)確率曲線可以看出，所有模型在訓(xùn)練集和驗(yàn)證集均達(dá)到了較高的識別準(zhǔn)確率，模型擬合程度較好，尤其是在生成數(shù)據(jù)占比為75%時(shí)，訓(xùn)練集準(zhǔn)確率和驗(yàn)證集準(zhǔn)確率最為接近，不斷接近于1。通過計(jì)算得到驗(yàn)證集在50 個世代的平均準(zhǔn)確率達(dá)到了93.72%，其中準(zhǔn)確率在第45 世代達(dá)到了最高的99.58%，損失函數(shù)和準(zhǔn)確率都是在第10 世代之后趨于平穩(wěn)的。但生成數(shù)據(jù)占比為100%時(shí)也就是訓(xùn)練數(shù)據(jù)全部采用生成數(shù)據(jù)，準(zhǔn)確率曲線在14 世代之前一直保持上升狀態(tài)，在14 世代到30 世代之間波動比較劇烈，驗(yàn)證集準(zhǔn)確率最低已經(jīng)降到了85.67%。到了30世代之后模型趨于穩(wěn)定，驗(yàn)證集準(zhǔn)確率穩(wěn)定在94%到98%之間。

3.4.3 模型的性能評估

為了進(jìn)一步驗(yàn)證模型的可靠性，將未經(jīng)訓(xùn)練過的400 組測試數(shù)據(jù)集分別輸入到每一個模型中進(jìn)行分類識別，根據(jù)得出的混淆矩陣計(jì)算得到的召回率、精準(zhǔn)率、F1分?jǐn)?shù)等指標(biāo)，從而對模型在測試集上的表現(xiàn)進(jìn)行進(jìn)一步評估。

1）模型召回率。召回率指的是對于某一類故障預(yù)測正確的樣本數(shù)占該類故障所有樣本的比率，其目的是評價(jià)模型對于每一類故障的識別效果。模型的召回率匯總結(jié)果如表4 所示。

表4 生成數(shù)據(jù)不同占比下模型召回率匯總 單位：%

模型對于閥門正常和重度故障的工況識別效果較好，對于其他2 種情況的識別效果較差，在生成數(shù)據(jù)占比不超過75%之前，隨著生成數(shù)據(jù)占比增大，模型的平均召回率下降，當(dāng)最終在生成數(shù)據(jù)占比為100%時(shí)，平均召回率降到了88.5%。

2）模型精準(zhǔn)率。精準(zhǔn)率指的是所有預(yù)測為某一類故障的樣本中，對該類故障預(yù)測正確的樣本數(shù)所占的比率。模型的精準(zhǔn)率匯總結(jié)果如表5 所示。

表5 生成數(shù)據(jù)不同占比下模型精準(zhǔn)率匯總 單位：%

生成數(shù)據(jù)占比不超過75%時(shí)，模型的平均精準(zhǔn)率可以達(dá)到97.26%以上，當(dāng)生成數(shù)據(jù)占比為100%時(shí)，模型僅對正常工況的識別精準(zhǔn)率較高，其他3 種故障均沒有達(dá)到90%以上。對于中度故障的識別精準(zhǔn)率更是降低到了81.31%。

3）模型F1分?jǐn)?shù)。F1分?jǐn)?shù)綜合了召回率和精準(zhǔn)率的值能夠反映模型的輸出效果，主要是通過計(jì)算召回率和精準(zhǔn)率的調(diào)和平均值而得到的，取值范圍在0到1 之間，越接近1 說明模型的效果越好。模型的F1分?jǐn)?shù)匯總結(jié)果如表6 所示。

表6 生成數(shù)據(jù)不同占比下模型F1 分?jǐn)?shù)匯總單位：%

生成數(shù)據(jù)占比不超過75%，模型輸出效果較好，其中正常工況和重度故障的輸出效果最好。當(dāng)生成數(shù)據(jù)占比為100%模型的平均F1分?jǐn)?shù)降低到了0.89，但對于正常工況模型輸出效果仍保持最好。

綜合模型的各方面指標(biāo)，通過DCGAN 對小樣本數(shù)據(jù)集進(jìn)行擴(kuò)充，當(dāng)擴(kuò)充的生成數(shù)據(jù)占總數(shù)據(jù)的比例不超過75%時(shí)，隨著生成數(shù)據(jù)的增多，CNN 模型的輸出效果也在不斷提高。當(dāng)生成數(shù)據(jù)占比為75%時(shí)，模型的精準(zhǔn)率、召回率、F1分?jǐn)?shù)更是高達(dá)97%。其中對于正常運(yùn)行和重度故障情況下模型識別率最高。一旦生成數(shù)據(jù)占比超過75%或者更多時(shí)，模型的輸出效果就會降低。因此，該方法在保證生成數(shù)據(jù)集占比不超過75%的情況下，能有效解決小樣本數(shù)據(jù)集的閥門內(nèi)漏故障診斷問題。

4 結(jié)論

本文提出了一種基于DCGAN-1DCNN 的管道閥門內(nèi)漏故障診斷模型，經(jīng)過實(shí)驗(yàn)驗(yàn)證得到如下結(jié)論：

1）針對數(shù)據(jù)增強(qiáng)問題，本文設(shè)計(jì)了針對聲發(fā)射信號特點(diǎn)的DCGAN 數(shù)據(jù)增強(qiáng)方法。通過定性和定量分析得出DCGAN 能夠有效地學(xué)習(xí)原始信號的特征并且根據(jù)這些特征生成包含原始樣本特征的信號。

2）針對小樣本數(shù)據(jù)集導(dǎo)致管道閥門CNN 模型準(zhǔn)確率低的問題，設(shè)計(jì)了一種基于DCGAN 和CNN的閥門故障診斷模型，通過研究不同生成數(shù)據(jù)比例下模型的訓(xùn)練效果發(fā)現(xiàn)在生成數(shù)據(jù)占比75%時(shí)，DCGAN-1DCNN模型平均F1分?jǐn)?shù)達(dá)到0.97，與單一1DCNN模型診斷相比具有更高的精準(zhǔn)率和召回率。