Voo.17 No.2Feb. 2021
第17卷第2期2021年2月
中国安全生产科学技术
Journal of Safety Science and TechnoWay
doi ： 10. 11731/j. issn. 1673-193x. 2021. 02. 016线圈耳机
*收稿日期：2020 -07 -30
*基金项目：江苏省研究生科研与实践创新计划项目(KYCX20_2590)
作者简介：张瑞程，硕士研究生，主要研究方向为安全检测技术& 通信作者：王新颖，硕士，副教授，主要研究方向为安全检测技术&
张瑞程，王新颖，胡磊磊，林振源，黄旭安，赵斌
(常州大学环境与安全工程学院，江苏常州213164)
摘 要：为保障燃气管道系统安全运行，及时诊断管道故障，基于VGG-16模型提出基于一维卷积神经网络的燃气管道故障诊 断模型，提取原始声发射信号特征参数，有效诊断燃气管道故障。结果表明：基于一维卷积神经网络的燃气管道故障诊断模型% 能够有效解决燃气管道故障诊断过程中数据预处理复杂、特征提取困难以及识别准确率低等问题，可为燃气管道故障诊断提供
技术支撑&
关键词：故障诊断；一维卷积；燃气管道；声发射；混淆矩阵
中图分类号：X933.4
文献标志码:A
文章编号：1673 - 193X ( 2021) -02 -0104 -06
Acoustic emission signal iCentification of gas picelicr leakage based on onr-dimensional
convolution neural network
ZHANG Ruicheny , WANG Xinyiny , HU Leilei , LIN Zhenyuan , HUANG Xuan , ZHAO Bin
(School of Environment and Safety Engineering , Changzhou University , Changzhou Jiangsu 213164 , China )
Abstract ： In o ede eto ca e y out the eau ot diaynosis o eu eban yas pipe oine time oy and accueateoy , thus ensu ee the sa ee ope eation
oeyaspipeoinesystem , aiminy at the p eob oems o eeau ot diaynosis in theteaditionaoeauotdiaynosismethodssuch asthedatapee- peoce s inywascompoexand it was di e i cu ot to so ove the end-to-end , aeauotdiaynosisaoyoeithm oeyaspipeoinebased on the
one-dimensiona oconvo oution neueaonetwoek was p eoposed on thebasisoethecoassicaomodeoVGG-1 6. This method couod di-
eectoyexteactand se oect the eeatu ees o ethe o eiyina oacoustic emission siynaoswithoutanyteanseoemation in advance.Bybuiod-
iny a one-dimensiona oconvo oution modeoon Keeas , theacousticemi s ion siynaosoeyaspipeoinesweeeco o ected in theoaboea-
toey , and vaeiousmodeoevaouation methods such asaccueacy , coneusion mat eixand eeca o eateweeeused toevaouatetheeauot
diaynosis e e ct o ethe mode o. The eesu ots showed that the eau ot diaynosis mode oo eyas pipe oine based on theone-dimensionao convo oution neueaonetwoek can e e ctive oy so ove the p eob oems o ecomp oexdata p eep eoce s iny , di e i cuoteeatueeexteaction and
ooweecoynition accueacyin theeauotdiaynosispeoce s oeyaspipeoines.
Key words ： eauotdiaynosis ; one-dimensiona oconvo oution ; yaspipeoine ; acoustic emission ; coneusion mateix
0引言
城市燃气管道作为城市能源重要生命线，一旦发生 泄漏，将引发火灾爆炸等安全事故，造成人员伤亡与财
产损失［由于管网建设标准、时间、规格不同，输送 介质多为易燃易爆气体，大部分管网深埋地下导致日常 检修困难，使城市燃气管道稳定、安全运营面临巨大
考验［31…目前，国内外主要通过采集管道故障产生的声发射 信号，人为提取管道故障特征参数，并采用人工神经网 络或支持向量机等模式识别法诊断管道故障，但故障诊
断模型仍存在数据预处理繁琐，欠拟合及难以收敛等问 题…；卷积神经网络在图像识别领域的成功应用，为 故障诊断提供新的研究思路⑺；文献］8 -9：通过将故障
信号进行时频变换，满足二维卷积神经网络对二维输入
的要求，可实现较高准确率的故障诊断，但没有最大化
第2期中国安全生产科学技术-105-
发挥卷积神经网络对原始信号的特征自提取优势!8-9"; Cho等!10"通过测试数据锐化，利用高斯滤波器提高活动识别精度，并采用一维卷积核处理一维数据；Ince等!11"将一维卷积用于通用智能轴承故障诊断系统，以原始时间序列传感器数据作为输入，通过适当训练学习最优特征；刘星辰等!12"针对旋转机械智能诊断方法计算量大与能等问题，在经典LeNet-5提|于一维卷积神经网络的故障诊断算法；等!13"提出基于一维卷积神经网络的齿轮箱故障诊断模型，该模型可直接从原始振动信号中学习特征并故障诊断，且对于单一与复合故障诊断的高于传统诊断方法％故障诊断模型测试，测试
度较低，测试结果不能充分反应故障诊断模型的稳定与适性!14"%
卷积神经网络故障诊断模型准确率较高，部分诊断准确率可达100%，但应用于管道声发射信号预测识别方面的研究较少!15-17"%，在
提于一维卷积神经网络的故障诊断模型，将一维卷积核与池化层直接作用于原始声发射信号，利用采测试数据，并通过器的方
读取训练样本，减少训练时间，的燃气管道故障诊断％
1卷积神经网络
20世纪60年代，Hubei和Wiesel通过研究猫脑皮用于感方的神经发，特的网络结构可有效降低反馈神经网络的复杂性，并提出卷积神经网络(Convolutional Neural Networke，CNN)!18"的概念。卷积神经网络是前馈神经网络，人工神经元可响，处理大型，模
%
卷积神经网络除全连接层外还包括卷积层和池化层％卷积层用于提取特征，关键参数为步长和padding：步长用于控制卷积核移动距离，padding用于对数据进行操作％padding包括2种:1种进行操作，另外1种是补0，使卷积后的激活映射保持不变。池化层用于减少参数量％卷积神经网络可分为一维卷积神经网络、二维卷积神经网络和三维卷积神经网络：一维卷积神经网络用于分析传感器数据时
间序列；二维卷积神经网络用于计算机视觉与图像处理；三维卷积神经网络主要用于医学及视频类数据识别％针对泄漏产生的一维声发射信号，采用一维卷积神经网络进行分析％
1!一维卷积神经网络运算
在计算机视觉，卷积适用于边缘查、特征检测、运动检测、图像匹配等任务。在信号处理领域，卷积是执行平滑或锐化的任何物理设备或计算程序的核心%对于连续变量！的函数f(!)和#(%)，卷积定义如式(1)所示："(%)*#(%)$"
"(!)•#(%-！)d!(1)
式中：*表示卷积运算；！表示时间常数；"(!), #(!为时间常数！的函数；#(%-！)为#(!)经翻转平后的％对于所数％，上述积存在的％随光取值不同，积分定义新的函数即"(%)和#(%)的卷积％卷积是2个变量在某范围内相乘然后求和的结果％对于离散变量％的函数，卷积定义如式(2)所示：
/[%"*#[%"$&"*#:%-&"(2)式中：&为时序；九％"和#:%"表示不同序列；九&"为时序&的序列；当％二0时，序列#[-&"为#[&"时序&取反的结果；g[%-&"为兀使g[-&"位移的量，%取值不同，卷积同％
1!一维卷积神经网络原理
一维卷积神经网络能识别序列中局部模式％对每个序列段执行相同输入变换，在序列中某个位置学到的模式可以在其他位置被识别，使一维卷积神经网络具有平移不变性(针对时间平移而言)%一维卷积神经网络工作原理如图1所示％利用一维卷积，从时间序列中提取局部一维序列段，进行卷积和池化操作，提取序列特征%
图1一维卷积神经网络工作原理
Fig.1Working principle of one-dimensional convolution
neural network
与权重做点积
错误反馈
1!一维卷积神经网络优势
传统故障诊断采用声发射等监测仪器获取一维故障数据，通过对故障数据时域与能量域进行分析，变量与多变量特征，并利用神经网络、决策、持向量机等模式识别对故障进行识别％传统故障诊断存、、特征提取及数据预处理过程等％卷积神经网络能提高故障诊断，二维卷积神经网络需
-106-中国安全生产科学技术第17卷
要将一维信号通过时频变换转换为二维时频图，以实现二维卷积神经网络的识别优势。本文提出的一维卷积神经网络，直接从原始一维数据出发识别故障数据，让一维卷积核对一维数据进行特征自提取，省略复杂的数据预处理过程％—维卷积与其他故障诊断方法对比如图2所示。
声
发
射
信
号
图2—维卷积与其他故障诊断方法对比Fig.2Comparison of one-dimensionai convolution
and other fau it d pagnos ps methods
2一维卷积神经网络故障诊断模型
2・1VGGNet卷积神经网络模型
VGGNet是牛津大学计算机视觉组和Google DeepMind公司研究员共同研发的深度卷积神经网络，用
探索神经网络深度与性能间相关关系。通过对大小相同卷积核和最大池化核重复堆叠方式加深网络，并进行性能对比，最终构建出16〜19层深层卷积神经网络结构。卷积神经网络结构的加深能有效提升模型性能，而网络参数量并没有显著增加，因为最后3个全连接据大量参数％
VGGNet网络深度由11层到19层不等，其中VGG-Net—16和VGGNet—19较常用%VGGNet把网络划分为5段，每段由多个3*3卷积网络串联组成，每段卷积后面连接1个最大池化层，为3个全连接1个Softmax层％
本文实验模型在VGG—16模型基础上做了部分改进：共有4段卷积，每段卷积由2层卷积层和1个最大池化；同段卷积层的卷积核长度相同，前3段卷积步长均为2，即卷积核每次移动步长为2，经过3段卷积，数据长度不断减小，所以将第4段卷积步长设置为1，确保能够更好地提取样本特征％Padding方式为same，即在数据外层补0，避免数据边缘特征；激活函数均设置为Re），加快收敛速度；全连接层采用4分类的Softmax Classifier，设置Dropout为0.3，随机去除30%神经元，防止模型过度拟合％
2.2一维卷积神经网络故障诊断流程
一维卷积神经网络故障诊断流程如图3所示％采发射信号，将数据为训练集和测试集；在Ke@s上建立
一维卷积神经网络模型，根据数据集大网络参数，训练后输与损失函数变化曲线；将400组测试数据集与经偏移采样技术扩充后的4004组数据集输入训练好的模型中，输出故障诊断结果，并通过、、精准度等多个模型。
（开始~）
管道原始声发射信号的采集
400组测试集
偏移采样技术
800组训练集
：输出并评价预测结果
4004组测试集
输出并保存模型一
否
_
模
型
的
柴油燃烧器训
练
与
调
参
（结衣）
图3燃气管道故障诊断流程
Fig.3Flow chart of fault diagnosis on gas pipeline
3燃气管道泄漏检测实验
3.1实验设计
故障模拟实验模型主要包括管道输运、数据采器3个，故障模如图4所示。
图4燃气管道故障模拟实验台废酸回收
Fig.4Simulation tesS bench of gas pipeline fault
管道输运单元包括阀门、空气压缩机和输运管道。其中，用来模，输运设4
个
第2期中国安全生产科学技术・107・
模拟故障点（泄漏阀）模拟管道故障，空气压缩机提供的％数据采计算机、声发卡、滤波范围为20〜120kHz的声发射前置放大器、声发射传感器以及对应处理组成。仪器主要、转子流量计、温度传感器组成％
3.2数据采集与预处理
机为燃气管道提供进口压力，模拟燃气管道运行％通过泄漏度模常、轻微故障、中度故障及重度故障4种运行状态：泄漏阀全，为常运行，采数据为信号；泄漏，采数据为泄漏引发声发射信号％4种运行采的数据如图5所示。
图54种运行状态下部分实验数据
Fig.5Partial experimental data under four operating
states
每种状态选取200个样本，样本集共包含800个样本。每个包含5000个采，对一维卷积神经网络输入维度为5000，输出维度为4，将70%样本作为模型训练集,30%样本作为模型验证集。
为保证测试可靠性，利用采样技术对长度为505000的发信号进行，每500个
位长度，最1001个，4种故障类型原始声发信号，4004个。
3.3改进后的一维卷积神经网络模型结构
改进后的一维卷积神经网络模型，见表1。数据经预处理，每条声发射数据包5000个时间点，得1个5000V1的，设置卷积核大小为16，移动的步长为2，第1个卷积层输出矩阵2497V16；2个卷积层步长与卷积核大小与第1层相同，输大小为1249V16。为降低输出复杂度，在2个卷积后添加1个大小为2的最大池化层，输出矩阵的大小变为输入矩阵的1/2。为提取特征，减少卷积核长度增大卷积核个数，以同样方式堆叠3层，并在第4个最大池化层之后添加1个均值池化层和Dropout层，避免过拟合的发生，最终输出矩阵的大小为1V512，最后1层向量长度由512降为4。Softmax作为激活函数，由于强制神经网络4个输出值和为1，所以，输出值可4种运行情况出现概率。
表1模型结构参数
Table1Structerr parameters of model
型输大参数输入层（5000，1）0
卷积层1（2497，16）144
卷积层2（1249，16）2064
最大池化层1（624，16）0
拼接墙
卷积层3（312，64）4160
卷积层4（156，64）16448最大化2（78，64）0卷积层5（39，256）65792
卷积层6（20，256）262400最大化3（10，256）0
卷积层7（10，512）262656
卷积层8（10，512）524800最大化4（5，512）0
平均池化层（512）0
Dropout层（512）0
连接（4）2052
总参数：1140516
可训练参数：1140516
可训练参数：0
3.4实验结果分析
采集800组数据，其中，560组作为模型训练集,240组作为模型验证集％将所有数据输入一维卷积神经网络模型，批处理量20，执行50个训练％训练完成后，用Matplotlib对训练数据集与验证数据集准确率和损失函数做可视化处理，准确率和损失函数变化曲线如图6所示％电热丝绕线机
由图6可知，当训练处于第6世代时，训练集与验证集准确率第1次同时达到90%以上；当大于第10世代，小于第30世代时，模型基本趋于稳定，准确率与损失函数在最大值附近小幅度波动；当训练处于31、39、48世代时，验证函数曲线波动幅度较大，拟合程度相对较低，验证集准确率约为80%，损失函数值约为0.6%原因是批处理量值过小，网络收敛不稳定
，
・108・中国安全生产科学技术第17卷
報国水聖民M
遷翅
6
4
.2
.O
.86
4
.2
11
11
11
11
o
o
o
O
----训练集损失函数
—
—验证集损失函数
.
...训练集准确率
—
—验证集准确率
混淆矩阵
0 123
010********
世代数
图6准确率和损失函数变化曲线
Fig.6Variation curvei of accuracy and loss ffnction
图8400组测试集的混淆矩阵
ig.8Confusion matrix of400groups tesi sets
收敛速度慢％将批处理量由20调整为30，优化后的模型函数变化曲线如图7所示％
软
冈
水
聖
民
M
遷
翅
图7优化后的模型准确率和损失函数变化曲线Fig.7V ariation curves of accuracy and loss function
after model optimization
由图7可知,5世代之后曲线逐渐趋于稳定，准确率保持在98%左右，模型程度较高，训练集与验证集持平；函数值在0〜0.2小范波动，鲁
高；根据数据集大小适当增大批处理量值，使大乘法并行化提高，函数下降趋势明确，能解证 波动幅度过大的。训练证集准确率均大于98%。因此，采用以VGG16为基础的一维卷积神经网络识别原始声发射信号，可提高燃气管道故障诊断准确率。将未经训练的400组测试数据集输入保存好的一维卷积神经网络模型中进行故障识别，得到混淆矩阵如图8所示。
8可知，一维卷积神经网络模型对管道4种运行识别高；，对于正常、重度故障的识别准确率达到100%；仅在轻微故障、中度故障之间发生%于测试数据量，不能证模型的泛化性与普适性％，将经过采的4004组数据输入一维卷积神经网络模型中，得如图9所示％
Fig!
图94004组测试集的混淆矩阵
Confsion matrix of4004groups tesi sets 由图9可知，模型对管道正常运行情况的识别准确率达到100%，混淆主要发生在轻微故障、中度故障和重度故障之间，且相邻故障之间更容易发生混淆，仅有少量轻微故障和重度故障之间发生混淆。模型故障诊断准确率平均值达98%，对比小样本测试集并
没有发生明显变化，说明一维卷积神经网络能够有效诊断燃气管道故障，且不需进行复杂的数据预处理％
为进一步评价模型性能，根据混淆矩阵计算得到模型对管道4种运行状态识别的精准率、召回率、特异度以及31分数等指标，见表2。其中，精准率表示预测为该类故障样本中实际为该类故障样本的概率；召回率表示实际为该类故障的样本中被预测为该类故障的概率；特异度表示实际不是该类故障样本中预测为不是该类故障样本的概率；31分数指标综合精准率与召回率的产出结果。31分数指标取值范围为0〜1，1表示模型输出结果最好，0表示模型输出结果最差％
由表2可知，一维卷积神经网络故障诊断模型的精准率、召回率、特异度均大于96%；31分数均趋近于1%其中管道正常运行指标最高，
其次是轻微故障和重度故
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议