基于卷积神经网络的闪蒸汽压缩机故障诊断方法

杨波,崔泽昊,彭程,孙恪成,陈俊锋

(中海油能源发展股份有限公司采油服务分公司,天津 300452)

压缩系统内包含三类设备,洗涤器、压缩机、后冷却器,压缩机主要有双螺杆式和往复式两种类型[1-2]。在设备运行的过程中获取的数据信息对设备运行状态潜在的故障及运行趋势进行准确的分析是必不可少的环节[3]。而当前国内大多数工厂采集数据方式落后,导致对机组产生故障原因的分析不够全面有效。近几年人工智能发展迅速,机器学习、深度学习等得到了迅速发展。现有的基于深度学习的诊断模型包括深度自动编码器、深度信念网络、循环神经网络和卷积神经网络(CNN)四大主流诊断模型[4]。

运用深度学习的方法能够将数据进行自动提取并进行组合输入特征,这种方式避免了人工判别造成的主观性问题,降低了传统故障判别法的不确定性因素[5]。本文提出一种基于卷积神经网络的闪蒸汽压缩机故障分析和诊断的研究方法,希望通过数据的深度挖掘与分析,能够将闪蒸汽压缩机的各项监测数据更加直观简明的呈现,且能正确的映射各级设备之间健康状况的关系,以提升系统监测数据的能力。并且,通过卷积神经网络中自有的分类器实现在监测系统中自主提取数据中的特征参数,提取之后进行识别和储存。通过模型训练之后,能够有效对数据进行预测。

1 功能框架

提出的故障分析过程有四个部分:①数据收集与预处理:对数据进行收集整理,对存在缺陷的数据进行数据预处理;②故障分析:对压缩机常见的故障进行分析;③模型建立:对数据进行分析,建立模型并预测未来工作状态的模型;④可视化:分析的数据以图表和表格的形式呈现给工作人员,以便进行实时管理。闪蒸汽压缩机组故障分析框架图见图1。

图1 闪蒸汽压缩机组故障分析框架

2 卷积神经网络介绍

所采用的卷积神经网络(Convolutional Neural Networks, CNN)最初是由多层感知机(MLP)演变而来[6],其能够实现局部连接和共享权值,权值共享可以减少权值数量达到降低卷积神经网络结构复杂的效果,可简化数据在时间上和空间上的维数,局部连接使得过度拟合的程度降低。

2.1 卷积神经网络的原理

卷积神经网络(CNN)由权重和偏置常量构成。其优点是能够共享权值和进行局部连接,在处理高维数据时可以减少数据量,缩短运行时间。主要由输入层、全连接层、激活函数、卷积层和池化层组成。通过卷积神经网络能够完成监测数据的特征提取、降维和分类的全过程,可避免数据的丢失,也减少了计算量[7]。卷积神经网络工作原理见图2。

图2 卷积神经网络原理示意

2.2 卷积神经网络理论方法

压缩机组工作环境较为嘈杂,采集到的数据量较多且复杂,因而需要对原始数据进行数据清洗,重点是对原始数据中的缺失值进行处理,故考虑采用样条插值对数据进行补全[8]。样条插值是将原始长序列分割成若干段并构造多个n次函数,使得分段的衔接处具有n-1阶导数连续的性质即平滑连接,设在区间a=x0

f(xi)=yi(i=0,1,…,n)

(1)

将压缩机原始数据进行处理后,输入神经网络模型中,进入到卷积层对输入信号进行卷积计算从而提取特征。根据压缩机数据特点,采用下式替代卷积运算。

(2)

卷积层进行特征提取后,输出的特征通过池化层(Pooling Layer)完成特征选择和信号过滤。这里采用的池化操作为最大池化,最大池化操作可以在周期性信号中剔除与信号位置无关的特征,均值化与最大值池化原理见图3。

图3 均值化与最大值化示意

在神经网络中添加激活层是为了将输出信号添加一些非线性因素,使得神经网络能够较好的解决复杂问题。激活函数分为双曲正切函数、S型函数和修正线性单元函数。

采用修正线性单元ReLU(Rectified Linear Unit)函数的计算公式如下,其函数图见图4。

图4 ReLU(Rectified Linear Unit)函数

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

(3)

在经过卷积层、激活层和池化层提取到的特征,在全连接层将在滤波级提取出的数据特征来分类,见图5,采用ReLU函数、Softmax函数有便于目标函数的分析和对比[9]。

图5 全连接层展开示意

(4)

3 CNN模型的建立与训练

根据闪蒸汽压缩机的数据特点,建立一维卷积神经网络模型(简称:1DCNN),对监测到的数据分别进行训练和测试[10]。

3.1 一维CNN模型

3.1.1 数据整合与划分

闪蒸汽压缩机数据主要由压缩机、洗涤器、后冷却器、调节阀四个功能点相对应的传感器收集的数据作为数据集。采集一个周期内闪蒸汽压缩机的运行数据,对收集到的数据进行划分,数据样本由原始数据和数据标签(标签为各点位数据增大、减小、正常三个标签组成,记为X0、X1、X2)组成,压缩机监测数据能够用于本卷积神经网络模型的测试和训练,选取1 000个训练样本,按20%作为测试集、80%作为训练集。训练集作为CNN模型训练,测试集用于训练的CNN模型的测试。数据划分见表1。

表1中X0、X1、X2分别代表各点位数据X0为增大、X1为减小、X2为正常,Y0、Y1、Y2、Y3分别代表Y0为压缩机、Y1为洗涤器、Y2为后冷却器、Y3为调节阀。

表1 数据划分表

3.1.2 CNN模型训练

根据前述神经网络层数组成方法,针对压缩机组数据的故障特性,设计一维卷积神经网络模型,其具体组成见图6。

图6 一维卷积神经网络结构

建立的CNN模型由2个卷积层,2个池化层,1个全连接层及1个Softmax层组成,数据通过第1个卷积层和激活函数ReLU层,形成第一组特征数据,输入最大池化层进行降采样。重复上述操作后将全连接层通过激活函数传递到Softmax层。第一层卷积核大小设置为12×1,步长设置为8×1,第一层池化大小设置为2×1,第二层卷积核大小为3×x1,池化大小设置为2×1,步长为2×1,全连接层的神经元个数设置为600。

该模型第一卷积层的卷积核设置为12×1,第二层的卷积核设置为3×1,其一大一小的设置主要目的在于:将第一层设置为大卷积核可以有效提取输入信号的最大特征,并自动学习面向故障诊断的特征,自动去除与故障无关的特征。大卷积核的设置将输入信号最大化利用,有助于后续的分析。将第二层的卷积核设置为小卷积核能够有效防止神经网络的过度拟合。设置CNN各项参数见表2。

表2 卷积神经网络结构参数

3.2 结果分析

通过Python在Tensorflow环境下设计本实验所需要的CNN模型。经过设计的模型训练监测数据后可得出本次实验所需的目标函数值,通过更新训练模块中模型的权值可以在测试阶段更好的对输入数据进行识别和诊断。所建立的一维卷积神经网络故障诊断流程见图7。

图7 一维卷积神经网络故障诊断流程

闪蒸汽压缩机组的故障通常在压缩机、洗涤器、后冷却器、调节阀这4个功能点上,因此分别取来自4个功能点的数据组成4个数据集,通过数据集来判断具体的故障点和故障类型。分别取4个功能点的1 000组数据组成A、B、C、D 4个数据集,每组数据点为1 000个传感器采集的数据,周期为2 min内产生的数据。训练数据集随机选择800组,余下的200组作为测试数据集。用搭建的模型对4个数据集A、B、C、D进行训练,为保证训练的可靠性,对于A、B、C、D数据集,每个数据集训练20次,训练后的结果见图8。

图8 迭代20次结果

从图8中可得出:所设计的卷积神经网络模型在4个数据集上的识别率都达到了99.7%以上,经全连接层识别之后,输出的结果可以用于故障诊断,确切的识别故障产生的原因。

由于卷积神经网络初始权值具有随机性,为了验证训练结果的可靠性,对于4个数据集分别进行迭代50、500、1 000次模型的故障识别准确率分析,其结果见图9、10。从3项迭代结果可知,随着迭代次数的增加故障准确率率也更准确,当训练次数达到1 000次时,故障识别准确率升到了99%左右。由此可知,该神经网络模型相对于传统的故障诊断方法,其故障识别率更准确。

图9 迭代500次结果

图10 迭代1 000次结果

3.3 实验对比分析

不同方法应用于闪蒸汽压缩机故障的准确率不一致,比如传统的人工判断的方法相较于本文所使用的方法,其准确率远低于本文所使用的方法。相关学者对于压缩机故障诊断方法的研究表明,基于卷积神经网络的故障诊断方法其准确率优于其他方法。具体方法及其准确率比较见表3。

表3 不同方法对比表

4 结论

1)收集的原始监测数据作为CNN模型的输入,通过卷积层对数据进行特征提取,可避免因人工选取特征而导致故障分析出现误差。

2)提出的基于卷积神经网络故障分析和诊断的方法与传统故障诊断方法相比,识别和诊断故障的准确率更高。

3)通过训练和测试后的一维卷积神经网络模型具备自我学习能力,能够较好地实现故障识别和诊断。