陳傳智, 李寧, 王暢, 陳家梁, 羅錦達(dá)

(長江大學(xué)機(jī)械結(jié)構(gòu)強(qiáng)度與振動研究所, 荊州 434023)

高壓管匯常用于石油化工設(shè)備中,起運(yùn)輸和連接作用。由于通常工作于高壓狀態(tài)下,并且輸送的流體常伴有腐蝕性,管匯會同時承受高壓和流體的沖蝕磨損[1-2]。隨著時間的推移,管匯內(nèi)壁會被高壓以及沖蝕作用破壞的越來越嚴(yán)重,最終導(dǎo)致管匯穿孔、失效,造成巨大的安全隱患。因此,開展高壓管匯沖蝕損傷檢測的研究具有重要意義。常用的管道損傷檢測方法包括超聲波檢測[3-6]、磁檢測[7-9]、渦流檢測[10]等。這些方法存在著一些不足之處,如檢測效率低、成本高等。

隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展,損傷檢測趨向智能化,基于數(shù)據(jù)驅(qū)動的智能損傷檢測方法逐漸得到更多的關(guān)注。損傷檢測的實(shí)質(zhì)是檢測有無損傷以及檢測出損傷后類別的判定。損傷檢測中最關(guān)鍵的就是特征的提取,特征提取的方法包括小波變換(wavelet transform, WT)[11]和傅里葉變換(Fourier transform, FT)[12]等。在人工提取到損傷特征后,一般輸入到反向傳播(back propagation, BP)神經(jīng)網(wǎng)絡(luò)、支持向量積(support vector machine, SVM)、決策樹(decision tree, DT)等分類模型中實(shí)現(xiàn)損傷的類別判定。這些方法雖然取得了一定的成果,但是,其依賴專業(yè)知識提取損傷信號的特征,且人工提取特征往往停留在淺層,難以對深層次的信息進(jìn)行挖掘。

近年來,深度學(xué)習(xí)由于其強(qiáng)大的數(shù)據(jù)處理能力和特征學(xué)習(xí)能力吸引了眾多研究者的興趣并展開持續(xù)的研究,如循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network, RNN)、卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network, CNN)等。CNN作為深度學(xué)習(xí)的代表算法之一,已被應(yīng)用于圖像處理、語音識別和故障診斷等領(lǐng)域。CNN不僅能夠自動提取數(shù)據(jù)特征,挖掘更深層次的特征信息,且具有較強(qiáng)的魯棒性。李恒等[13]使用短時傅里葉變換把一維振動信號轉(zhuǎn)化成二維時頻圖,結(jié)合CNN實(shí)現(xiàn)了滾動軸承的故障診斷。Yang等[14]將振動數(shù)據(jù)轉(zhuǎn)化為二維矩陣提出一種基于CNN的往復(fù)式壓縮機(jī)故障診斷方法。CNN一般處理的是二維數(shù)據(jù),對于一維數(shù)據(jù)來說,使用一維卷積神經(jīng)網(wǎng)絡(luò)(1-dimensional CNN, 1DCNN)可避免數(shù)據(jù)轉(zhuǎn)換的過程,提高診斷效率。祝道強(qiáng)等[15]針對軸承在變負(fù)載下工況下故障難以診斷的問題,提出一種適用于變負(fù)載的一維卷積神經(jīng)網(wǎng)絡(luò)模型,且故障診斷的平均準(zhǔn)確率超過98%。張瑞程等[16]針對燃?xì)夤艿腊踩珕栴},在VGG-16(牛津大學(xué)視覺幾何組于2014年的ImagNet大賽中提出的模型)的基礎(chǔ)上對模型進(jìn)行修改,成功用于燃?xì)夤艿酪痪S故障信號的識別。上述方法均取得了一定的成果,但是,1DCNN中單一尺度的卷積核易忽略一些精細(xì)度的特征,導(dǎo)致對信號特征提取不夠充分,會降低檢測的準(zhǔn)確率。

針對1DCNN中單一尺度的卷積核存在的問題,有研究者開始嘗試使用多尺度的卷積核代替?zhèn)鹘y(tǒng)的單一尺度卷積核。陳向民等[17]針對旋轉(zhuǎn)機(jī)械在多工況下故障診斷準(zhǔn)確率低的問題,提出一種基于多尺度1DCNN(multi-scale 1DCNN, MS-1DCNN)的故障診斷方法,相比于傳統(tǒng)的單一尺度1DCNN方法,準(zhǔn)確率提升明顯。陳仁祥等[18]通過MS-1DCNN實(shí)現(xiàn)了風(fēng)機(jī)基礎(chǔ)螺栓松動的檢測。MS-1DCNN可以提取輸入數(shù)據(jù)不同尺度范圍的特征,提高檢測精度。

基于上述問題,現(xiàn)提出一種基于MS-1DCNN的彎管沖蝕損傷智能檢測方法。以彎管沖蝕損傷原始時域信號作為輸入,無需進(jìn)行復(fù)雜的信號處理過程,同時,由于采用多尺度卷積層,能夠?qū)p傷信號特征提取更加充分,提高檢測效率和準(zhǔn)確率。通過對實(shí)驗(yàn)采集到的彎管沖蝕損傷信號進(jìn)行損傷分類,以期為高壓管匯沖蝕損傷的智能檢測提供一定參考,對于高壓管匯在使用過程中因沖蝕磨損導(dǎo)致的安全性問題具有重要指導(dǎo)意義。

1 多尺度一維卷積神經(jīng)網(wǎng)絡(luò)理論

1.1 一維卷積神經(jīng)網(wǎng)絡(luò)

(1)

圖1 1DCNN模型結(jié)構(gòu)圖

(2)

池化層的主要作用是降低特征的維數(shù),將特征圖變小,在減少參數(shù)量的同時還能在一定程度上防止過擬合。池化層包括平均值池化和最大值池化,最大值池化在CNN中的應(yīng)用更多。其表達(dá)式為

(3)

經(jīng)過卷積層與池化層的操作后,輸入信號的特征提取完成,把提取的特征信息通過平坦層(flatten)整合成一列,經(jīng)由全連接層(fully connection layer, FC)獲取全局信息。全連接層之后是輸出層,一般用softmax函數(shù)來實(shí)現(xiàn)多目標(biāo)的分類。

1.2 多尺度一維卷積神經(jīng)網(wǎng)絡(luò)

從特征提取范圍的角度出發(fā),不同尺度的卷積核具有不同大小的特征提取范圍,能提取不同精細(xì)程度的特征。卷積核越大,能提取尺度范圍越大的特征信息;卷積核越小,能提取局部更加細(xì)致的特征信息。MS-1DCNN正是融合了不同尺度卷積核的特點(diǎn),可避免傳統(tǒng)1DCNN的單一尺度卷積核對輸入信號特征提取不充分的問題。圖2為MS-1DCNN的模型結(jié)構(gòu)圖,其中多尺度卷積層由多個并行的卷積層組成,這些并行的卷積層所包含的卷積核大小不同,能夠提取不同尺度范圍的特征信息,使特征信息提取更加充分。在對多個并行的卷積層所提取的特征信息進(jìn)行拼接后,輸出到下一層。

圖2 MS-1DCNN模型結(jié)構(gòu)圖

1.3 MS-1DCNN模型參數(shù)設(shè)置

對MS-1DCNN模型參數(shù)設(shè)置如下:多尺度卷積層1中卷積核的尺度分別為16×2,16×32,16×64,多尺度卷積層2中卷積核的尺度分別為32×5,32×10,32×20,前者為卷積核的個數(shù),后者為卷積核的長度。第一層卷積核尺度范圍較大,以此能提取范圍更大的不同精細(xì)度特征,第二層卷積核尺度范圍較小,能對第一層提取的特征再次精細(xì)化,步長分別設(shè)置為3和2,同時設(shè)置邊緣補(bǔ)零的方式防止丟失邊緣信息。針對兩層多尺度卷積層進(jìn)行批量歸一化(batch normalization,BN)[19],它能緩解梯度消失的問題,加速網(wǎng)絡(luò)的收斂,同時能夠有效防止過擬合。池化層為最大值池化層,池化核長度和步長都為2。全連接層設(shè)置在卷積層和池化層之后,單元數(shù)為128,最后經(jīng)由輸出層完成目標(biāo)的分類。激活函數(shù)均采用ReLu激活函數(shù),損失函數(shù)選用交叉熵?fù)p傷函數(shù),模型優(yōu)化器選用adam優(yōu)化器,學(xué)習(xí)率設(shè)置為0.000 1,動量參數(shù)beta_1和beta_2分別為0.8和0.9。

2 MS-1DCNN模型的彎管沖蝕損傷檢測流程

2.1 MS-1DCNN模型的沖蝕損傷檢測流程

基于MS-1DCNN模型的彎管沖蝕損傷檢測流程如圖3所示,詳細(xì)步驟如下。

圖3 MS-1DCNN模型損傷檢測流程圖

步驟1獲取彎管沖蝕損傷原始時域信號并進(jìn)行預(yù)處理,然后將所得樣本數(shù)據(jù)劃分為訓(xùn)練集、驗(yàn)證集和測試集。

步驟2初始化模型參數(shù),把訓(xùn)練集分批次輸入MS-1DCNN中,通過前向傳播和最小誤差的反向傳播進(jìn)行模型訓(xùn)練,更新模型參數(shù),驗(yàn)證集用于檢驗(yàn)?zāi)Ｐ途仁欠襁_(dá)到要求,若達(dá)到要求,則保存模型,若達(dá)不到要求,則重新設(shè)置模型的參數(shù),并重復(fù)上述步驟。

步驟3模型確定之后,通過測試集評估模型的性能,最后經(jīng)由全連接層輸出損傷檢測結(jié)果。

2.2 數(shù)據(jù)集樣本構(gòu)造

MS-1DCNN模型的輸入為實(shí)驗(yàn)所得彎管沖蝕損傷原始時域信號,鑒于模型的深度特性對樣本量的需求,采用滑窗法構(gòu)造訓(xùn)練樣本和測試樣本。如圖4所示,滑窗長度即為所構(gòu)造的樣本長度,滑窗會不斷向前移動,移動的距離即為步長,一般小于滑窗長度,因此相鄰的兩個樣本間會有重疊部分。通常步長為滑窗長度的1/2,采取此法構(gòu)造樣本可使樣本數(shù)量大大增加,同時可避免因樣本截斷導(dǎo)致特征不連續(xù)。

圖4 滑窗法構(gòu)造樣本

3 彎管沖蝕損傷信號采集與預(yù)處理

3.1 高壓直角彎管沖蝕損傷信號采集實(shí)驗(yàn)

由于高壓直角彎管在所有高壓彎管失效樣件中占比最高[20],因此,以高壓直角彎管為對象模擬彎管沖蝕損傷。彎管沖蝕損傷檢測的實(shí)驗(yàn)裝置如圖5所示,由函數(shù)信號發(fā)生器、數(shù)字示波器、PZT傳感器和高壓直角彎管等組成。彎管的左端貼一片PZT,作為驅(qū)動器與函數(shù)發(fā)生器相連,右端在同一圓周上各間隔90°排列4片PZT傳感器,PZT傳感器與數(shù)字示波器相連,示波器顯示采集的超聲回波信號。

圖5 實(shí)驗(yàn)裝置圖

采用砂輪打磨的方式來模擬高壓直角彎管的沖蝕損傷,使獲得的損傷均勻增加,模擬實(shí)際工況下彎管隨時間增長沖蝕逐漸加重的過程。首先測量完整彎管的壁厚,然后再分4次打磨,每次打磨之后用超聲波測厚儀對打磨處進(jìn)行測厚且與未打磨前的厚度進(jìn)行對比得出損傷的深度。實(shí)驗(yàn)時把待測彎管置于泡沫板上,以防超聲波被外部固體介質(zhì)吸收導(dǎo)致實(shí)驗(yàn)結(jié)果不精確。在不同的沖蝕工況下彎管壁厚變化如表1所示。

表1 彎管壁厚與損傷深度

分別將無損傷時和4種不同損傷深度時的高壓直角彎管接入試驗(yàn)裝置,通過實(shí)驗(yàn)獲得這5種不同程度的彎管損傷信號,實(shí)驗(yàn)時接收端分為A、B、C、D共4個通道接收超聲信號,一次實(shí)驗(yàn)分別對4個接收端依次采集信號,同時每種損傷深度的彎管進(jìn)行4次重復(fù)實(shí)驗(yàn),所以每種損傷深度的彎管共獲得16組信號,5種不同類型的損傷深度的彎管信號一共有80組。

3.2 彎管沖蝕損傷信號預(yù)處理

為了獲取更多的樣本數(shù)據(jù),采取第2節(jié)中所述的樣本構(gòu)造方法,即通過滑窗法對每條信號進(jìn)行樣本擴(kuò)充,每個樣本長度取4 096,每條信號獲得90個樣本,4個通道獲得1 440個樣本,5種缺陷共有7 200個可用于網(wǎng)絡(luò)模型訓(xùn)練、驗(yàn)證與測試的樣本。對于深度學(xué)習(xí)模型,通常用于訓(xùn)練的樣本數(shù)量越多,模型取得的效果也會越好。對7 200個樣本數(shù)據(jù)進(jìn)行劃分,樣本以8∶1∶1的比例劃分為訓(xùn)練集、驗(yàn)證集和測試集。

4 彎管沖蝕損傷檢測試驗(yàn)

4.1 MS-1DCNN模型試驗(yàn)

使用python軟件在Keras(由谷歌工程師開發(fā)的深度學(xué)習(xí)框架)環(huán)境下對MS-1DCNN模型進(jìn)行編程,使用的計(jì)算機(jī)處理器為Intel(R)Core(TM)i5-7 200 UCPU@2.71 GHz,內(nèi)存為4 GB。設(shè)計(jì)好模型后把訓(xùn)練集輸入到模型中進(jìn)行訓(xùn)練,用驗(yàn)證集對模型進(jìn)行驗(yàn)證,測試集用于評估模型的性能,同時輸出檢測結(jié)果。模型每次送入32個訓(xùn)練樣本進(jìn)行訓(xùn)練,單次實(shí)驗(yàn)的迭代次數(shù)設(shè)置為100。

4.2 MS-1DCNN模型試驗(yàn)結(jié)果與分析

訓(xùn)練集和驗(yàn)證集的準(zhǔn)確率與損失曲線如圖6所示,從圖6(a)可以看出,訓(xùn)練集在迭代至30次時模型準(zhǔn)確率趨于穩(wěn)定,且準(zhǔn)確率達(dá)到100%,驗(yàn)證集在迭代40次以后趨于穩(wěn)定,但準(zhǔn)確率還在緩慢增加,在迭代100次左右時準(zhǔn)確率超過98%。從圖6(b)中可以看出,訓(xùn)練集和驗(yàn)證集的損失在分別在30次和40次左右收斂,此時驗(yàn)證集的損失還在降低,最終不論訓(xùn)練集還是驗(yàn)證集的損失都趨近于0,說明模型的收斂性能優(yōu)秀。

圖6 訓(xùn)練過程中訓(xùn)練集與驗(yàn)證集的準(zhǔn)確率和損失函數(shù)曲線

僅從模型的準(zhǔn)確率來看并不能對實(shí)驗(yàn)結(jié)果進(jìn)行量化,為了進(jìn)一步觀測模型在測試時對彎管不同深度損傷類別的分類情況,引入混淆矩陣[21]對實(shí)驗(yàn)結(jié)果進(jìn)行分析。模型試驗(yàn)效果最好的一次分類結(jié)果的混淆矩陣如圖7所示,Y軸為不同損傷深度類別的真實(shí)標(biāo)簽,X軸為預(yù)測標(biāo)簽,對角線上的數(shù)值表示對每個類別的分類準(zhǔn)確率,主對角線以外的數(shù)值代表了錯誤分類的具體分布。其中標(biāo)簽為C0、C1、C4的損傷類別準(zhǔn)確率為100%,即對無損傷、損傷深度為0.48 mm和1.34 mm的彎管沖蝕損傷信號判斷完全正確;標(biāo)簽為C2和C3的準(zhǔn)確率均為99%,其中標(biāo)簽為C2的有1%錯誤判斷為標(biāo)簽C3,標(biāo)簽為C3的有1%錯誤判斷為標(biāo)簽C2,即損傷深度為1.10 mm和1.19 mm的彎管信號判斷準(zhǔn)確率為99%,其中1%的1.10 mm深度損傷錯誤判斷為1.19 mm深度損傷,1%的1.19 mm深度損傷錯誤判斷為1.10 mm深度損傷,原因是第三類和第四類的損傷深度差距非常微小,僅有0.09 mm,多尺度卷積神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)后仍不能100%識別。

圖7 彎管沖蝕損傷分類結(jié)果的混淆矩陣

為了進(jìn)一步評價模型的性能,對每一種損傷類別采用精準(zhǔn)率、召回率和F1得分(F1得分是綜合了精確率和召回率的結(jié)果)進(jìn)行全面評價。模型指標(biāo)的數(shù)值如表2所示,其中精確率反映了對分類為正類樣本的樣本,有多大的把握能夠保證正確,召回率指真實(shí)值為正類的所有樣本中模型正確分為正類的比例,它反映了實(shí)際是正類的樣本有多大的比率被正確的區(qū)分。以上指標(biāo)取值范圍均在0～1,值越接近于1,代表模型的綜合性能越好。從表2中可以看出各指標(biāo)數(shù)值都在0.98以上,說明滿足高壓彎管沖蝕損傷智能檢測的要求。

表2 模型性能評價指標(biāo)

4.3 MS-1DCNN模型特征可視化

為了驗(yàn)證MS-1DCNN模型提取彎管不同深度損傷信號特征的能力,采用t分布隨機(jī)鄰域嵌入(distributed stochastic neighbor embedding,t-SNE)[22]技術(shù)對模型提取的特征進(jìn)行降維可視化,把全連接層中的特征作為模型提取的故障特征進(jìn)行可視化分析。模型提取特征的散點(diǎn)圖如圖8所示,可以看出,同一種深度的損傷特征能夠較好地聚集在一起,不同類別深度的損傷特征則能夠被有效區(qū)分開。結(jié)果表明,該模型特征提取能力出色。因此,MS-1DCNN模型能夠完成提取高壓彎管不同深度沖蝕損傷信號特征的任務(wù)。

圖8 基于t-SNE技術(shù)的MS-1DCNN模型特征可視化散點(diǎn)圖

4.4 模型對比

為驗(yàn)證本文模型的優(yōu)勢,將本文模型與單一尺度1DCNN和BP神經(jīng)網(wǎng)絡(luò)對比,準(zhǔn)確率取10次模型試驗(yàn)結(jié)果的平均值,1DCNN兩層卷積層卷積核尺度分別為16×15,32×7,其他參數(shù)設(shè)置與MS-1DCNN相同,BP神經(jīng)網(wǎng)絡(luò)的輸入為提取損傷信號的平均值、峭度、峰值因子等13個常用的時域特征組成的數(shù)據(jù)集。對比結(jié)果如表3所示,可以看出,BP神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確率為20.44%,卷積神經(jīng)網(wǎng)絡(luò)方法的平均準(zhǔn)確率遠(yuǎn)遠(yuǎn)高于BP神經(jīng)網(wǎng)絡(luò)的方法。之所以與前兩種方法差距較大,是由于BP神經(jīng)網(wǎng)絡(luò)需要人工提取損傷信號特征,且彎管沖蝕損傷深度差距較小,人工提取出的信號特征難以辨別,導(dǎo)致BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練時準(zhǔn)確率降低。本文方法高于其他算法,且準(zhǔn)確率達(dá)到99.18%。進(jìn)一步證明了本文模型在彎管沖蝕損傷檢測方面的優(yōu)勢與先進(jìn)性。

表3 不同模型對比結(jié)果

5 結(jié)論

針對高壓管匯沖蝕損傷缺乏智能檢測方法的問題,提出一種多尺度一維卷積神經(jīng)網(wǎng)絡(luò)的彎管沖蝕損傷智能檢測方法。通過對實(shí)驗(yàn)所得彎管沖蝕損傷信號進(jìn)行損傷檢測,證明了該方法的優(yōu)勢,得出以下結(jié)論。

(1)該方法直接作用于彎管沖蝕損傷原始時域信號,無需人工提取特征,成功實(shí)現(xiàn)了管道沖蝕損傷的智能檢測,且檢測的精度達(dá)到99.18%,值得注意的是對于損傷深度差距很小的管道損傷類別也能高精度的識別。

(2)通過引入混淆矩陣可以對彎管的損傷診斷結(jié)果進(jìn)行量化,分析正確分類的結(jié)果以及錯誤分類的分布情況。結(jié)果表明,正確分類的精度很高,每種類別都不低于99%。錯誤分類主要集中在第三和第四種工況,是由于第三類和第四類損傷差距過小導(dǎo)致的。

(3)通過模型對比發(fā)現(xiàn),MS-1DCNN模型取得了更加優(yōu)異的結(jié)果,其檢測準(zhǔn)確率高于其他算法,并且網(wǎng)絡(luò)在訓(xùn)練完成后,測試的時間僅需1 s,有利于進(jìn)一步實(shí)現(xiàn)在線智能損傷檢測。

(4)基于MS-1DCNN的彎管沖蝕損傷智能檢測方法的應(yīng)用可為高壓管匯沖蝕損傷的智能檢測提供一定參考,對于高壓管匯在使用過程中因沖蝕磨損導(dǎo)致的安全性問題具有重要指導(dǎo)意義。