王瑩瑩 安維崢 喬婷婷 朱春麗 楊旭光 祝鴻山

(1. 中國石油大學(xué)(北京) 人工智能學(xué)院 北京 102249; 2. 中國石油大學(xué)(北京) 安全與海洋工程學(xué)院 北京 102249;3. 中海油研究總院有限責(zé)任公司 北京 100028)

水下控制模塊(Subsea Control Module,SCM)是復(fù)合電液水下控制系統(tǒng)的關(guān)鍵設(shè)備，可實(shí)時監(jiān)測水下井口和水下生產(chǎn)系統(tǒng)的工作狀況，被稱為水下生產(chǎn)系統(tǒng)的中樞神經(jīng)系統(tǒng)[1]。水下電子模塊(Subsea Electronic Module,SEM)，主要用于接收水上控制單元的命令，同時將水下監(jiān)測的數(shù)據(jù)實(shí)時發(fā)送給水上控制單元，是SCM數(shù)據(jù)交換中的核心部件。SEM的機(jī)械結(jié)構(gòu)是一個外部抗壓、內(nèi)部充滿氮?dú)獾拿芊鈿んw，其內(nèi)部安裝有可編程邏輯控制器(Programmable Logic Controller，PLC)模塊、模擬量輸入模塊、數(shù)字量輸入輸出模塊、傳感器、工業(yè)以太網(wǎng)交換機(jī)等，頂部安裝有電連接器和光纖連接器，用于連接外部傳感器和控制閥的尾部電纜。SEM長期處于密閉環(huán)境中，內(nèi)部PLC在運(yùn)行時會產(chǎn)生自熱現(xiàn)象，導(dǎo)致SEM內(nèi)部溫度升高，盡管通過熱傳導(dǎo)、熱對流、熱輻射等手段與介質(zhì)進(jìn)行熱交換，會帶走一定的熱量，但因其長期在密閉環(huán)境中，加上外部海水溫度基本恒定，溫度散熱到一定程度將會達(dá)到平衡，持續(xù)密閉溫度產(chǎn)生的熱應(yīng)力將對 SEM內(nèi)部傳感器產(chǎn)生較大影響，容易引發(fā)SEM出現(xiàn)短路、開路、電氣擊穿、過熱燒毀等問題，從而導(dǎo)致水下控制系統(tǒng)發(fā)生失效故障，甚至造成水下生產(chǎn)系統(tǒng)停工從而造成油氣田停產(chǎn)等風(fēng)險。盡管復(fù)合電液水下控制系統(tǒng)本身具備溫度實(shí)時監(jiān)測報(bào)警功能，但尚不具備溫度預(yù)測預(yù)警功能。因此，開展SEM內(nèi)部溫度趨勢預(yù)測與故障預(yù)警研究，對于后期運(yùn)維階段提高SEM的安全可靠性，減少SCM的檢查維修時間十分必要。

近年來，已有不少學(xué)者針對水下控制系統(tǒng)故障診斷與可靠性等方面開展了一定的研究[2-6]，但針對水下控制系統(tǒng)的SEM溫度預(yù)測和預(yù)警方面的研究尚未見公開報(bào)道。目前，學(xué)者們利用人工智能方法進(jìn)行溫度預(yù)測的研究，主要集中在航空發(fā)動機(jī)尾氣溫度、車輛軸承溫度、風(fēng)力發(fā)電機(jī)等領(lǐng)域[7-12]。本文基于國內(nèi)首套水下控制系統(tǒng)中的SEM內(nèi)部溫度預(yù)警早期微弱故障特征不敏感，抗異常值干擾能力差，以及溫度變化具有非線性、季節(jié)性和周期性變化特征等問題，提出了一種基于長短期記憶網(wǎng)絡(luò)(Long-short Term Memory,LSTM)的SEM溫度趨勢預(yù)測與預(yù)警模型，基于移動平均技術(shù)和二叉決策算法，實(shí)現(xiàn)了SEM溫度健康狀態(tài)的整體趨勢預(yù)測和故障預(yù)警。

1 SEM工作原理與內(nèi)部溫度傳感器失效模式

SEM與外部交互主要通過蓋板上的電氣及光纖接頭，其主要工作原理如圖1所示。通過電氣接頭得到電力供應(yīng)，將電力單元輸入的高壓交流電轉(zhuǎn)換成電路板芯片所需要的3 V、5 V直流電源以及各類傳感器和電磁換向閥所需要的24 V直流穩(wěn)壓電源。通過電氣或光纖接頭接受主控站發(fā)送的控制命令，由通訊模塊將電力載波信號解調(diào)成相應(yīng)指令傳輸給主控板。主控板將主控站發(fā)出的控制命令分配并通過數(shù)字量輸入輸出模塊(I/O口)發(fā)送至方向控制閥(DCV)，從而控制水下生產(chǎn)設(shè)備上的各類功能閥門。同時，由數(shù)據(jù)采集模塊采集壓力、溫度、濕度、高壓交流電壓及低壓直流電流等傳感器上的信號，處理后傳送給主控板，再通過電氣或光纖接頭傳至主控站，使平臺工作人員能實(shí)時監(jiān)測水下生產(chǎn)設(shè)備的運(yùn)行狀況并發(fā)出相關(guān)操作指令。

圖1 SEM工作原理圖[1]

SEM的溫度傳感器為電流型傳感器，輸出信號為標(biāo)準(zhǔn)的兩線制4～20 mA信號，量程為-40～70 ℃，閾值為-20～40 ℃。量程范圍比閾值范圍相對大些，若溫度超過量程，傳感器將可能遭到永久性損壞，無法正常顯示。若溫度超過閾值，傳感器不會立即損壞，而是發(fā)生性能下降，但若長期超出閾值，會逐漸影響其性能和使用壽命，進(jìn)而導(dǎo)致永久性損壞。故若能預(yù)測出數(shù)據(jù)何時將到達(dá)閾值，進(jìn)而發(fā)出相應(yīng)預(yù)警提示信息，對延長SEM的使用壽命，提高水下控制系統(tǒng)的安全可靠性具有重要工程意義。

2 基于LSTM的SEM溫度預(yù)測及預(yù)警模型構(gòu)建

研究SEM硬件失效的模式特征與信息，經(jīng)相應(yīng)的接口采集到溫度傳感器的測試數(shù)據(jù)后，需要通過對數(shù)據(jù)的綜合分析判斷SEM的運(yùn)行狀態(tài)，建立基于硬件運(yùn)行參數(shù)的SEM溫度預(yù)測模型，開展SEM溫度傳感器的溫度趨勢預(yù)測和故障預(yù)警研究，算法路線如圖2所示。

圖2 SEM溫度傳感器溫度趨勢預(yù)測及預(yù)警算法路線圖

2.1 LSTM神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

由Hochreiter和Schmidhuber[14]在1997年首次提出的LSTM屬于遞歸神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)。LSTM在傳統(tǒng)的RNN結(jié)構(gòu)上做了相對復(fù)雜的改進(jìn)，使得LSTM相對于經(jīng)典的RNN能更好地解決梯度爆炸和梯度消失的問題，讓循環(huán)神經(jīng)網(wǎng)絡(luò)具備更好更強(qiáng)的記憶功能。圖3是t時刻下LSTM網(wǎng)絡(luò)的實(shí)施過程[15]。

圖3 t時刻的一個LSTM單元[15]

(1)

(2)

(3)

(4)

(5)

(6)

式(1)～(6)中：[at-1,xt]為兩個向量相連接；Wf、Wu、Wo、Wc為待訓(xùn)練的參數(shù)矩陣；bf、bu、bo、bc為待訓(xùn)練的偏置項(xiàng)；Ct-1表示t-1時刻的細(xì)胞態(tài)，*表示矩陣中的每個相同位置的元素對應(yīng)相乘。

綜上所述，各個控制門的權(quán)重可通過對其相應(yīng)的輸入數(shù)據(jù)進(jìn)行訓(xùn)練而得到。第n-1層所獲得的輸出yt的數(shù)據(jù)信息將作為 LSTM 模型下一層的輸入信息，從而遞歸可得LSTM的預(yù)測模型。

基于LSTM的SEM溫度預(yù)測模型(圖4)，由1個輸入層、3個LSTM層、2個防止過擬合(Dropout)層和1個輸出層組成。輸入層將一定時間間隔內(nèi)的溫度測試數(shù)據(jù)輸入至LSTM層，LSTM層學(xué)習(xí)數(shù)據(jù)規(guī)律進(jìn)行下階段溫度數(shù)據(jù)預(yù)測，Dropout層防止模型訓(xùn)練效果過擬合，輸出層輸出溫度預(yù)測數(shù)據(jù)。同時，輸出層數(shù)據(jù)將進(jìn)一步借助移動平均技術(shù)和二叉決策算法，從而實(shí)現(xiàn)SEM溫度趨勢預(yù)測和故障預(yù)警功能。

圖4 基于LSTM的SEM溫度預(yù)測模型

2.2 基于移動平均技術(shù)的SEM溫度趨勢預(yù)測

實(shí)現(xiàn)SEM溫度趨勢預(yù)測需要根據(jù)訓(xùn)練好的LSTM神經(jīng)網(wǎng)絡(luò)，由歷史及實(shí)時溫度數(shù)據(jù)給出溫度數(shù)據(jù)變化預(yù)測，再利用移動平均技術(shù)，給出溫度數(shù)據(jù)整體的變化走向或趨勢，形成溫度變化趨勢圖。移動平均對原序列有修勻或平滑的作用，使得原序列的上下波動被削弱，可以更直觀地看出預(yù)測數(shù)據(jù)走勢[16-17]。假設(shè)預(yù)測數(shù)據(jù)為x1,x2，…，xn，取m組數(shù)據(jù)(遠(yuǎn)小于n)按如下過程，對預(yù)測數(shù)據(jù)進(jìn)行k次雙向取均值操作，具體如下：

1) 正向移動平均，即

(7)

2) 反向移動平均，即

(8)

3) 重復(fù)前兩個步驟，循環(huán)k次。

訓(xùn)練好的SEM溫度預(yù)測模型輸出預(yù)測數(shù)據(jù)后，借助移動平均技術(shù)進(jìn)行平滑處理(本模型經(jīng)調(diào)節(jié)優(yōu)化最終取參數(shù)m=7,k=5)，從而實(shí)現(xiàn)SEM溫度趨勢預(yù)測功能，完成SEM健康狀態(tài)整體趨勢預(yù)測。同時，模型輸出預(yù)測數(shù)據(jù)可借助二叉決策算法實(shí)現(xiàn)后續(xù)SEM溫度故障預(yù)警功能。

2.3 基于二叉決策算法的SEM溫度預(yù)警

SEM的溫度趨勢預(yù)測算法主要用于解決溫度數(shù)據(jù)的實(shí)時預(yù)測問題，同時實(shí)現(xiàn)波動浮度相對減少的預(yù)測數(shù)據(jù)整體走勢，但當(dāng)預(yù)測數(shù)據(jù)達(dá)到一定的閾值范圍時需進(jìn)行SEM溫度故障預(yù)警實(shí)現(xiàn)。首先需確定SEM溫度預(yù)測數(shù)據(jù)在某個時間段內(nèi)超出閾值的頻次,以及是否存在超出閾值較大的預(yù)測數(shù)據(jù)(用flag=1代表存在，flag=0代表不存在)。根據(jù)頻次大小和是否有超出閾值較大的數(shù)據(jù)綜合判斷，給出相應(yīng)的SEM預(yù)警消息。定義溫度閾值大小為df，超出閾值較大的溫度界限為maxdata，一定時間段內(nèi)超出溫度閾值df的頻次大小為f，頻次閾值為f0，其算法判斷過程如圖5所示。

圖5 二叉決策算法流程圖

3 SEM溫度預(yù)測及預(yù)警算法實(shí)現(xiàn)與結(jié)果分析

3.1 溫度數(shù)據(jù)獲取及處理

由于目前缺少實(shí)際工況數(shù)據(jù)，為驗(yàn)證本文模型與算法的可行性，這里采用Max Planck Institute for Biogeochemistry[18]的大氣溫度數(shù)據(jù)作為SEM溫度模擬數(shù)據(jù)源，該模擬數(shù)據(jù)源共包括4 764組數(shù)據(jù)。

SEM 內(nèi)部溫度傳感器的量程為-40～70 ℃，閾值為-20～40 ℃，對溫度模擬數(shù)據(jù)整體經(jīng)適當(dāng)變換，使溫度數(shù)值大致分布在-20～40 ℃，但保留少量超出閾值的異常點(diǎn)(表1)。

表1 模擬溫度數(shù)據(jù)源變換表

3.2 SEM溫度預(yù)測及預(yù)警算法實(shí)現(xiàn)

SEM溫度趨勢預(yù)測與故障預(yù)警算法實(shí)現(xiàn)分為5個步驟，數(shù)據(jù)準(zhǔn)備、數(shù)據(jù)預(yù)處理、模型訓(xùn)練、模型評估、趨勢預(yù)測及故障預(yù)警實(shí)現(xiàn)(圖6)。

圖6 SEM溫度預(yù)測及預(yù)警算法實(shí)現(xiàn)框圖

1) 數(shù)據(jù)準(zhǔn)備。將溫度模擬數(shù)據(jù)存儲到相應(yīng)的.csv文件中，后續(xù)將借助Pycharm平臺進(jìn)行后續(xù)預(yù)處理操作。

2) 數(shù)據(jù)預(yù)處理。首先，通過滑動窗口技術(shù)將時間序列問題轉(zhuǎn)換為監(jiān)督學(xué)習(xí)問題，創(chuàng)建滯后觀察列和預(yù)測列是必需的，滯后觀察列X作為模型數(shù)據(jù)輸入，預(yù)測列Y作為模型期望輸出，即有監(jiān)督學(xué)習(xí)中的數(shù)據(jù)標(biāo)簽；其次，對溫度模擬數(shù)據(jù)進(jìn)行歸一化處理，LSTM網(wǎng)絡(luò)內(nèi)部激活函數(shù)對數(shù)據(jù)比較敏感，將數(shù)據(jù)歸一到0～1模型效果會更好；最后，劃分?jǐn)?shù)據(jù)集，將輸入數(shù)據(jù)集劃分為訓(xùn)練集、驗(yàn)證集及預(yù)測集，遵循6∶2∶2的劃分比例，每個數(shù)據(jù)集在模型訓(xùn)練的不同階段發(fā)揮不同的作用。

3) 模型訓(xùn)練。在此階段，使用訓(xùn)練集和驗(yàn)證集作為模型輸入數(shù)據(jù)，訓(xùn)練集用于訓(xùn)練優(yōu)化模型，調(diào)試模型的參數(shù)；驗(yàn)證集階段性查看模型訓(xùn)練的效果是否朝著壞的方向進(jìn)行，不參與網(wǎng)絡(luò)參數(shù)更新。首先借助Pycharm和Tensorflow平臺構(gòu)建LSTM神經(jīng)網(wǎng)絡(luò)模型，然后向構(gòu)建好的LSTM模型中輸入訓(xùn)練集和驗(yàn)證集數(shù)據(jù)，可以觀察到輸出數(shù)據(jù)集(即經(jīng)過LSTM模型產(chǎn)生的預(yù)測值)與溫度模擬數(shù)據(jù)值之間的損失逐步下降至平穩(wěn)。

4) 模型評估。用預(yù)測集作為模型輸入數(shù)據(jù)，驗(yàn)證模型泛化能力，選取均方根誤差和擬合系數(shù)作為評估指標(biāo)，評價所建立的LSTM網(wǎng)絡(luò)模型的預(yù)測效果是否滿足要求。

5) 趨勢預(yù)測、故障預(yù)警。在此階段，可以得到SEM溫度預(yù)測數(shù)據(jù)整體趨勢曲線，并利用移動平均達(dá)到趨勢擬合，得到SEM溫度實(shí)時數(shù)據(jù)預(yù)測曲線；若溫度預(yù)測數(shù)據(jù)達(dá)到一定閾值范圍，則SEM產(chǎn)生預(yù)警提醒。

3.3 SEM溫度預(yù)測及預(yù)警模型結(jié)果分析

采取均方根誤差(RMSE)和擬合系數(shù)(R2)對SEM溫度預(yù)測預(yù)警模型進(jìn)行定量評價。利用模擬溫度數(shù)據(jù)測試集試驗(yàn)得到RMSE為0.476 89，表明SEM的溫度預(yù)測模型具有較高的計(jì)算精度。同時得到R2為0.792 775，表明SEM溫度預(yù)測模型和模擬溫度數(shù)據(jù)擬合程度較高，SEM溫度預(yù)測模型處于強(qiáng)相關(guān)等級。

3.3.1SEM溫度趨勢預(yù)測曲線

圖7為SEM溫度預(yù)測數(shù)據(jù)波動走勢圖，可以看出，溫度模擬數(shù)據(jù)與溫度預(yù)測數(shù)據(jù)相差不大，但SEM溫度預(yù)測數(shù)據(jù)波動幅度較大，不易觀察數(shù)據(jù)整體的變化走向。

圖8為溫度預(yù)測數(shù)據(jù)平滑趨勢圖。對比圖7，本文利用移動平均技術(shù)減弱了溫度時間序列中的不規(guī)則變動，更易顯示溫度的變化趨勢，其預(yù)測波動浮動也相對減少，更有利于判斷溫度預(yù)測數(shù)據(jù)的整體走勢。

圖7 SEM溫度預(yù)測數(shù)據(jù)波動走勢

圖8 SEM溫度預(yù)測數(shù)據(jù)平滑趨勢

3.3.2SEM溫度預(yù)警效果圖

圖9為SEM溫度預(yù)警曲線，其中黑色虛線為設(shè)置的溫度閾值上限df，將df設(shè)置為40 ℃，超出閾值較大的溫度界限maxdata設(shè)置為45 ℃，超出閾值df的頻次上限f0設(shè)置為3。圖9中藍(lán)色為溫度模擬數(shù)據(jù)，該數(shù)據(jù)源劃分為5段，前3段輸入得到預(yù)測數(shù)據(jù)顯示綠色，表明SEM溫度正常，在該時間段內(nèi)沒有產(chǎn)生超出閾值df的預(yù)測數(shù)據(jù)；第4段預(yù)測顯示黃色，表明SEM溫度有異常跡象，在該時間段內(nèi)出現(xiàn)超出閾值df的預(yù)測數(shù)據(jù)，但異常數(shù)據(jù)的數(shù)值大小尚未超過溫度界限maxdata且出現(xiàn)頻次小于f0；第5段預(yù)測顯示紅色，表明SEM溫度異常，在該時間段內(nèi)出現(xiàn)超出閾值df但尚未超過maxdata的預(yù)測數(shù)據(jù)，且異常數(shù)據(jù)的頻次≥f0。

圖9 溫度預(yù)警效果

圖10為SEM溫度預(yù)測模型期望輸出與SEM溫度預(yù)測數(shù)據(jù)值之間的絕對誤差圖，其誤差范圍在-0.8～0.4 ℃，集中分布在-0.6～0.2 ℃，模型精確度較高。

圖10 SEM溫度預(yù)測模型期望輸出與溫度預(yù)測值誤差

4 結(jié)論

1) 通過劃分不相交訓(xùn)練、驗(yàn)證、測試數(shù)據(jù)集對SEM內(nèi)部溫度進(jìn)行預(yù)測，建立了基于LSTM的SEM溫度預(yù)測模型，對其進(jìn)行超參數(shù)網(wǎng)格優(yōu)化及交叉驗(yàn)證，驗(yàn)證了SEM溫度預(yù)測模型的精度和穩(wěn)定性能。

2) 構(gòu)建了一種基于LSTM和移動平均技術(shù)的SEM溫度趨勢預(yù)測方法，能夠?qū)崿F(xiàn)SEM內(nèi)部的溫度趨勢整體預(yù)測。

3) 提出了一種基于二叉決策算法的SEM溫度故障預(yù)警方法，用戶可以實(shí)現(xiàn)不同預(yù)警級別的溫度預(yù)警功能。同時，通過溫度模擬數(shù)據(jù)與SEM溫度預(yù)測數(shù)據(jù)值之間的絕對誤差，用戶可直觀判斷模型的故障預(yù)警效果。