基于栈式自编码网络的复杂工况管道故障诊断方法研究

沈伟伟

摘 要：目前管道系统的不确定和复杂性不断增大，以往基于模型以及管道拓扑结构的诊断方法已经不能满足实际需求，对输油管道的泄漏故障诊断精度及效率并不能达到预期目标。因此，针对管道工况任务复杂且多变，且数据量大的情况，需要应用数据驱动的方式进行管道建模，并且在分析原始数据的基础上，挖掘数据的潜在特征，以此进行管道泄漏故障诊断。

关键词：管道系统;故障诊断;复杂工况;数据驱动

中图分类号：TH133.3 文献标识码：A 文章编号：1671-2064（2019）13-0153-02

1 管道故障诊断的具体阐述

随着目前管道系统日益多变且复杂的工况任务，以及设备量增加所造成的管道系统数据量骤增，管道系统的不确定和复杂性也不断增大。所以，如何解决复杂工况条件下数据量骤增的管道泄漏故障诊断问题成为当务之急。自编码网络是一种非监督学习领域中的一种网络结构，其可以从无标签的样本中学习特征，是一种基于对输入信号重构的一种神经网络，自编码网络可以提取出比原始数据更好的特征描述，具有较强的特征学习能力。相比传统方法，基于深度学习的管道故障诊断方法可以避免传统建模在复杂工况条件下对管道物理系统描述不足的弊端，并且管道故障诊断实际为多分类的问题，结合当前管道工况任务复杂与数据量大的特点，所以深度网络适用于现有管道泄漏故障诊断的研究。

综上所述，本文提出了一种基于栈式自编码网络的管道泄漏故障诊断方法，用以实现复杂工况条件下的管道故障诊断。

2 基于栈式自编码网络的管道故障诊断模型

2.1 管道泄漏检测模型

在管道泄漏检测模型中，主要包含输入原始数据、数据处理、特征提取、分类模型以及输出最终预测结果五部分。

其中数据处理部分主要包含以下六部分：

（1）利用小波滤波方法对压力与流量序列进行滤波去噪，并在滤波降噪处理后进行数据标准化处理。

（2）由于压力流量数据存在一定的相关性，所以利用KPCA对压力、流量时间序列进行约减，构成约减后的时间序列矩阵。

（3）同时，为体现压力、流量数据之间的时间相关性，计算步骤（2）中约减后时间序列中各个变量的DTW距离，构成变量间距离矩阵。

（4）同理，同一时间阀门、泵机组的动作也存在一定相关性，且同一时间所有设备并不同时动作，换言之，同时刻只有部分设备动作对管道状态产生影响，所以利用KPCA对阀门、泵机组时间序列进行约减，构成约减后的时间序列矩阵。

（5）同理，计算步骤（4）中约减后时间序列中各个变量的DTW距离，构成变量间距离矩阵。

（6）将以上步骤形成的矩阵与向量进行组合，结合管线长度、直径、油品温度，形成最终的一维向量形式数据。

2.2 管道泄漏定位模型

在管道泄漏定位模型中，管线其他数据与泄漏点位置不相关，所以仅适用管线两端压力数据、温度数据、管线长度、直径作为网络模型的输入数据。

其中数据处理主要包含以下两个部分：

（1）利用小波滤波方法对压力与流量序列进行滤波去噪，并进行数据标准化处理。

（2）将压力数据、管线长度、直径、油品温度，形成一维向量形式数据。

3 基于栈式自编码网络的管道故障诊断算法设计

3.1 基于栈式自编码网络的管道故障诊断模型训练

将所有自编码器级联形成栈式自编码网络，首先使用训练好的自编码器参数初始化栈式自编码网络参数，然后利用管道故障样本对栈式自编码网络进行训练，其采用与自编码器相似的训练方式进行训练。

自编码器的损失函数中的标签实际为其自身的输入值，而级联后形成的栈式自编码网络的样本标签为真实的管道数据标签，即管道的运行状态与管道泄漏点的位置，其中，管道泄漏检测模型训练样本的标签为：管道泄漏，工况调整，正常运行;自编码网络的参数初始化并不需要随机初始化，而是利用自编码器训练好的参数作为栈式自编码网络的参数初始值。

3.2 基于栈式自编码网络的管道故障诊断算法

训练完成基于栈式自编码网络的管道泄漏故障诊断模型后，再利用该模型进行管道泄漏故障检测与泄漏点定位。首先，依照所述的数据处理方法，对输入数据进行处理，并形成管道故障诊断样本。然后，利用管道泄漏故障检测模型，对管道运行状态进行监测。在检测到管道发生泄漏故障时，再利用管道泄漏定位模型对管道泄漏点的位置进行定位。最终，模型输出管道是否发生泄漏故障，以及发生泄漏时泄漏点的具体位置，以此实现管道泄漏故障的实时诊断功能。

4 仿真分析

为验证本文设计的管道故障诊断算法的有效性，本文采用真实管道数据进行实验仿真。输油站场的数据采样频率为10Hz，在进行管道泄漏故障诊断过程中，根据输油现场实际泄漏故障情况，本文采用2min做为管道泄漏样本时长。针对所设计的管道故障诊断模型，管道样本分为有标签样本和无标签样本两种，经过预处理后的数据组成输入样本，泄漏检测模型输入样本维度为：1*2400;泄漏定位模型输入的样本维度为：1*1200。

针对所设计的管道故障诊断模型，管道样本分为有标签样本和无标签样本两种，泄漏检测模型输入样本维度为：1*2400;泄漏定位模型输入的样本维度为：1*1200。自编码器的特征表达能力如图1所示。

针对管道泄漏检测模型，本文采用模型分类的综合F1-Measure与模型训练时间模型效果进行衡量。首先，假设本文设计的管道泄漏检测模型将管道运行状态分为两类：正类别与其他类别。由此假设，管道泄漏检测模型结果可以分为三种：正常运行与其他类别、工况调整与其他类别、管道泄漏与其他类别。

针对管道泄漏定位模型，由于泄漏定位模型最终采用的是自编码网络与回归模型相结合的方式，所以对于泄漏定位模型仍然使用均方误差来衡量模型的定位效果，并且使用回归曲线来定性的衡量泄漏定位模型的定位效果，效果图如图2所示。

5 结语

本文针对输油管道工况日益复杂的情况，从多源管道数据的角度出发，提出了基于栈式自编码网络的复杂工况条件下的管道故障诊断方法。在复杂工况条件下，基于栈式自编码网络的管道泄漏检测方法优势尤为明显。因为在该条件下，栈式自编码网络相对于其他方法能够更好的拟合管道数据，并且从数据中提取有效的特征进行管道泄漏检测，因此，相较于普通的机器学习算法和传统的负压波算法，其泄漏检测准确率有非常显著的提升。实验结果表明，本文设计的基于栈式自编码网络的管道泄漏检测方法在本次实验管段上，复杂工况条件下泄漏检测准确率达到94.75%，定位平均相对误差可降至1.45%，管道故障诊断指标明显优于其他方法。

参考文献

[1] 许倩文，吉兴全，张玉振，李军，于永进.栈式降噪自编码网络在变压器故障诊断中的应用[J].电测与仪表，2018，55（17）：62-67.

[2] 杨梦铎，栾咏红，刘文军，李凡长.基于自编码器的特征迁移算法[J].智能系统学报，2017，12（06）：894-898.

[3] 胡旭光，马大中，孙秋野，王占山，李晓瑜.基于要素矩阵触发的管道异常分布式检测[J].控制理论与应用，2017，34（08）：1035-1045.

[4] 马大中，胡旭光，孙秋野.基于大维数据驱动的油气管网泄漏监控模糊决策方法[J].自动化学报，2017，43（08）：1370-1382.

[5] 刘金海，冯健.基于模糊分类的流体管道泄漏故障智能检测方法研究[J].仪器仪表學报，2011，32（01）：26-32.

[6] 刘金海.基于混沌时间序列分析的输油管道泄漏故障诊断方法研究[D].东北大学，2009.

[7] 冯健，张化光.管道监控技术现状与发展趋势[J].信息技术，2003（12）：41-43.