劉慧舟, 胡瑾秋, 張來斌, 張 彪

(中國石油大學(xué)(北京)安全與海洋工程學(xué)院,北京 102249)

中國頁巖氣資源豐富,頁巖氣的開采對于調(diào)整能源結(jié)構(gòu),緩解天然氣短缺問題具有重要意義[1-2]。頁巖氣的開采依賴于有效的壓裂作業(yè)[3]。壓裂泵作為壓裂施工過程中最為關(guān)鍵的設(shè)備之一,需要承受高壓及循環(huán)載荷作用,因而故障風(fēng)險(xiǎn)高,使用壽命短,長期服役的壓裂泵受到周期性變化的復(fù)雜載荷作用,易發(fā)生疲勞失效和斷裂破壞[4-5]。壓裂過程中一旦出現(xiàn)上述現(xiàn)象,相關(guān)單位不得不臨時(shí)停產(chǎn)、檢修和更換部件,甚至帶來很多無法估量的經(jīng)濟(jì)損失[6-7]。使用振動分析進(jìn)行壓裂泵的故障識別時(shí)存在振動信號采集困難、信號易受波動、需接觸的問題,而紅外熱成像技術(shù)作為一種非接觸監(jiān)測方法能夠很好地彌補(bǔ)這些不足。當(dāng)前紅外熱成像技術(shù)除軍事應(yīng)用外,主要應(yīng)用在電路板及半導(dǎo)體檢測、醫(yī)療、電氣設(shè)備故障識別等領(lǐng)域[8]。Ring等[9-11]對紅外熱成像在醫(yī)學(xué)領(lǐng)域的應(yīng)用進(jìn)行了綜述。呂昂等[12-14]對紅外熱成像在電氣設(shè)備、電路板的故障檢測識別方法進(jìn)行了研究。宓為建等[15-18]針對紅外熱成像技術(shù)在發(fā)動機(jī)、變速箱軸承、管道等機(jī)械設(shè)備和特種設(shè)備識別方向進(jìn)行了研究。在紅外熱成像圖像的增強(qiáng)和處理算法上,韋瑞峰等[19]基于直方圖進(jìn)行細(xì)節(jié)增強(qiáng),于飛等[20]提出了一種利用Hough變換實(shí)現(xiàn)非制冷紅外熱成像系統(tǒng)的圖像增強(qiáng)方法,而謝靜等[21]利用紅外熱像技術(shù)結(jié)合形態(tài)學(xué)方法對工件表面缺陷進(jìn)行檢測?？傮w而言,識別的模式主要為將增強(qiáng)處理后的圖像與標(biāo)準(zhǔn)圖像進(jìn)行比對,識別的對象發(fā)生故障時(shí)溫度表征較為明顯,通過調(diào)節(jié)對比度及明亮度等參數(shù)即可在紅外熱成像圖上獲得較為直觀顯示,而識別算法主要集中在圖像的分割和細(xì)節(jié)增強(qiáng)上[22]。近年來深度學(xué)習(xí)方法得以快速發(fā)展,具有代表性的卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)分支衍生了多類網(wǎng)絡(luò)結(jié)構(gòu),在圖像及視頻目標(biāo)檢測、分割識別等領(lǐng)域得到廣泛應(yīng)用[23-26]。壓裂泵發(fā)生故障的部位主要為輸出端、泵頭體、輸入端,這3個(gè)區(qū)域由于液體流動帶來的降溫效果加上外部殼體厚重使得紅外熱像圖上的溫度變化不明顯。為克服傳統(tǒng)紅外圖像分析方法在溫度表征較小情況時(shí)的局限性,解決以壓裂泵為代表的頁巖氣壓裂裝備故障的識別難點(diǎn),筆者開展壓裂泵典型故障特征、紅外熱成像圖像前期預(yù)處理以及后期智能識別算法研究,建立整體性的紅外熱像圖預(yù)處理方法,引入卷積神經(jīng)網(wǎng)絡(luò)并進(jìn)行模型選取及參數(shù)優(yōu)化,提取壓裂裝備紅外熱像圖中的故障特征并分類[26],從而實(shí)現(xiàn)頁巖氣壓裂泵運(yùn)行故障的識別及預(yù)警。

1 基礎(chǔ)理論

1.1 紅外熱像圖預(yù)處理

紅外熱成像儀在使用過程中易受環(huán)境溫度、光照、發(fā)射率、風(fēng)速以及配套軟件的調(diào)色板設(shè)置這些的因素影響使得形成的紅外熱像圖存在差異。為使紅外熱像圖分析結(jié)果更為準(zhǔn)確,建立了整體性紅外熱像圖預(yù)處理方法(圖1)。首先對所有圖像進(jìn)行灰度化處理,消除不同調(diào)色板造成的差異并進(jìn)一步降噪、邊緣銳化處理,最后根據(jù)需要進(jìn)行圖像尺寸的歸一化。

圖1 紅外熱像圖預(yù)處理流程Fig.1 Infrared thermography pretreatment process

1.1.1 中值濾波降噪

目前在圖像降噪上主要使用的方法有均值濾波、小波變換、中值濾波及相關(guān)改進(jìn)。但均值濾波只是將某點(diǎn)的噪聲強(qiáng)度平均分布在周圍數(shù)據(jù)上,盡管降低了幅值,起到了降噪作用,但增加了噪聲點(diǎn)的顆粒面積,且會使得圖像邊緣變得模糊,不利于下一步圖像處理。小波變換對于圖像的降噪需要犧牲分辨率為代價(jià),這是壓裂泵熱成像圖片分析和研究中需要竭力避免的。中值濾波是一類基于排序統(tǒng)計(jì)理論的降噪方法,能夠較好地處理“椒鹽”類部分點(diǎn)上隨機(jī)分布的噪聲,且能保持較好的清晰度,因此采用中值濾波進(jìn)行圖像降噪。

1.1.2 拉普拉斯邊緣銳化算法

降噪后為保證圖像對比度對邊緣采取拉普拉斯算法進(jìn)行銳化和增強(qiáng)。拉普拉斯算子為一類各向同性的微分算子,具有旋轉(zhuǎn)不變性[27]。一個(gè)二維圖像函數(shù)的拉普拉斯變換是各向同性的二階導(dǎo)數(shù),其定義為

(1)

為了更便于圖像的處理,使用離散形式表示該方程,表示為

4f(x,y).

(2)

圖像銳化處理的原理為通過增強(qiáng)灰度反差從而使模糊圖像變得更加清晰。由于拉普拉斯微分算子的應(yīng)用可減弱圖像中灰度的緩慢變化區(qū)域,另一方面又可增強(qiáng)圖像中灰度突變的區(qū)域。因此,可選擇拉普拉斯算子對原圖像進(jìn)行銳化處理,產(chǎn)生描述灰度突變的圖像,之后再將該圖像與原始圖像疊加而產(chǎn)生銳化圖像。拉普拉斯銳化的基本方法可表示為

(3)

式中,g(x,y)為輸出;f(x,y)為原始二維圖像。

1.2 優(yōu)化的CNN模型

CNN是一種包含卷積層的特殊深層神經(jīng)網(wǎng)絡(luò)模型,憑借其權(quán)值共享、局部感知、下采樣等特點(diǎn)能夠有效地降低權(quán)值數(shù)目及網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜度,減少前期圖像的處理步驟并具備較好的泛化性能,因此當(dāng)前被廣泛應(yīng)用在語音及圖像識別領(lǐng)域[28]。CNN模型結(jié)構(gòu)上一般包含輸入層、卷積層、子采樣層、全連接層以及輸出層5部分。常用的CNN模型有LetNet、AlexNet、VGG、GoogleNet等。

由于紅外熱成像圖像尺寸相比各類網(wǎng)上圖像數(shù)據(jù)集中照片更大,網(wǎng)絡(luò)深度的增加無疑會增加訓(xùn)練時(shí)間,所以選定最為經(jīng)典的一種卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)LetNet-5,其結(jié)構(gòu)如圖2所示。

圖2 LetNet-5結(jié)構(gòu)示意圖Fig.2 LetNet-5 structure diagram

圖3 CNN處理流程Fig.3 CNN processing flow

CNN處理流程見圖3。其中卷積層與子采樣層交替排列,由不同的卷積核提取得到不同的二維特征圖,子采樣層可保證特征的縮放不變性,同一特征圖的權(quán)值共享,最后由全連接層通過點(diǎn)積運(yùn)算將二維特征圖轉(zhuǎn)換為一維輸出。

為進(jìn)一步提高先前的LetNet-5網(wǎng)絡(luò)的訓(xùn)練和運(yùn)算速度,同時(shí)在壓裂泵運(yùn)行故障樣本較小的情況下獲得更好準(zhǔn)確性,減少過擬合發(fā)生,引進(jìn)Relu激活函數(shù)以及Dropout層進(jìn)行網(wǎng)絡(luò)優(yōu)化。

1.2.1 激活函數(shù)Relu引進(jìn)

在多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中輸入經(jīng)過加權(quán)及求和處理后還被作用一個(gè)非線性的激活函數(shù),以逼近任意非線性函數(shù),否則無論網(wǎng)絡(luò)有多少層,輸出都是輸入的線性組合。常用的非線性激活函數(shù)有Sigmoid函數(shù)以及tanh函數(shù)。當(dāng)使用Sigmoid函數(shù)時(shí)一旦輸入遠(yuǎn)離了坐標(biāo)原點(diǎn)則函數(shù)的梯度幾乎為零。神經(jīng)網(wǎng)絡(luò)反向傳播過程是以鏈?zhǔn)椒▌t計(jì)算各權(quán)重W的微分,當(dāng)反向傳播經(jīng)過多個(gè)Sigmoid函數(shù)時(shí)會導(dǎo)致權(quán)重W對損失函數(shù)影響幾乎為零,發(fā)生梯度彌散現(xiàn)象,同時(shí)Sigmoid函數(shù)需要進(jìn)行指數(shù)運(yùn)算,圖像處理時(shí)速度較慢。tanh是雙曲正切函數(shù),在輸入很大或是很小的時(shí)候,輸出都幾乎平滑,梯度很小,不利于權(quán)重更新。因此在網(wǎng)絡(luò)中引進(jìn)Relu函數(shù)作為激活函數(shù)來解決上述問題。如圖4所示,Relu為分段函數(shù),具有分段線性性質(zhì),會使得一部分神經(jīng)元輸出為0,同時(shí)減少參數(shù)相互依存性,使得網(wǎng)絡(luò)稀疏性增加并且顯著降低過擬合,提高了訓(xùn)練過程中的收斂速度。

圖4 三類激活函數(shù)圖像Fig.4 Images of three types of activation functions

1.2.2 Dropout層設(shè)置

訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型時(shí)需要大量的數(shù)據(jù)作為訓(xùn)練樣本,訓(xùn)練樣本過少則會引起模型的過擬合,致使最后的分類結(jié)果準(zhǔn)確率較低,無法保證較好的魯棒性,針對這種情況使用dropout層(圖5),在模型訓(xùn)練時(shí)按照一定概率讓網(wǎng)絡(luò)某些隱含層節(jié)點(diǎn)的權(quán)重不工作,不工作的節(jié)點(diǎn)可以暫時(shí)認(rèn)為不是網(wǎng)絡(luò)結(jié)構(gòu)的一部分,但是保留其權(quán)重,對于隨機(jī)梯度下降來說就是隨機(jī)選擇,使每一個(gè)mini-batch都在訓(xùn)練不同的網(wǎng)絡(luò),從而有效防止過擬合現(xiàn)象的發(fā)生。

圖5 Dropout層原理示意圖Fig.5 Schematic diagram of Dropout layer

2 壓裂泵運(yùn)行故障精準(zhǔn)識別及早期預(yù)警步驟

2.1 壓裂泵典型故障分析

通過對壓裂施工現(xiàn)場以及壓裂設(shè)備生產(chǎn)廠家實(shí)地調(diào)研資料進(jìn)行研究得出壓裂泵的故障類型及可能原因?yàn)?

(1)吸入端吸空。多由混砂車故障或是吸入端管道泄漏、堵塞、沉降造成。

(2)泵頭體刺漏。由于長期承受高壓以及循環(huán)載荷作用造成,與施工時(shí)的工藝參數(shù)以及材料性質(zhì)決定,無明顯征兆,發(fā)生此類故障則需更換泵頭體。

(3)高壓輸出端刺漏。多由螺栓緊固力不均、徑向振動幅度過大、密封失效等原因造成。

(4)油路失火。油路發(fā)生泄漏且散熱裝置未能及時(shí)散熱造成。

(5)動力端異常。動力部分或傳動裝置發(fā)生故障或異常造成功率異常甚至停泵。

2.2 故障識別及預(yù)警具體步驟

2.2.1 訓(xùn)練階段

步驟1:使用紅外熱像采集設(shè)備進(jìn)行數(shù)據(jù)采集,如有智能對焦模式則自動調(diào)整焦距,若無則手動調(diào)整至監(jiān)測區(qū)域設(shè)備輪廓清晰。

步驟2:根據(jù)實(shí)際需要選擇紅外熱成像設(shè)備溫寬,自動溫寬選項(xiàng)上下限為畫面的最高最低溫度,且要求相差大于8 ℃;智能溫寬可去除部分不明顯溫度點(diǎn),提高顯示對比度;固定溫寬可自定義溫寬上下限,且溫差也要求相差大于8 ℃。

步驟3:設(shè)置采集頻率f,一般取f的范圍為3～0.5張/幀,可根據(jù)故障征兆至發(fā)生故障時(shí)的時(shí)間長短進(jìn)行調(diào)整。

步驟4:紅外熱像設(shè)備采集的數(shù)據(jù)為視頻格式,需要間隔一定時(shí)間將視頻傳輸并轉(zhuǎn)換為圖片作為下一步的輸入,根據(jù)硬件配置調(diào)整,傳輸間隔越短越好。

步驟5:進(jìn)行圖片預(yù)處理,將步驟4中得到的紅外熱成像圖片依次經(jīng)過灰度化、中值降噪及邊緣銳化處理。預(yù)處理過后的紅外熱成像圖像根據(jù)需要進(jìn)行尺寸歸一化,作為訓(xùn)練集和測試集數(shù)據(jù)樣本。

步驟6:重復(fù)步驟4、5得到至少200張正常及故障紅外熱成像圖像樣本。

步驟7:網(wǎng)絡(luò)訓(xùn)練,以步驟6中圖像作為輸入,進(jìn)行下一步網(wǎng)絡(luò)訓(xùn)練。CNN網(wǎng)絡(luò)除輸入輸出外還有許多參數(shù),如學(xué)習(xí)率、步長、卷積尺寸數(shù)目及大小等,在引入Relu函數(shù)以及Dropout層后還需設(shè)定丟棄率等,這些參數(shù)的調(diào)整直接影響網(wǎng)絡(luò)的收斂程度及速度、泛化性能及準(zhǔn)確率,因而需要在常見的范圍內(nèi)不斷調(diào)整,選擇適合壓裂泵為代表的壓裂裝備故障識別的最佳參數(shù)組合。

2.2.2 測試及應(yīng)用階段

步驟1:得到不同類型故障的紅外熱成像圖像樣本及訓(xùn)練好的模型后使用隨機(jī)抽取的測試集進(jìn)行準(zhǔn)確率測試。

步驟2:準(zhǔn)確率達(dá)到要求后再以故障發(fā)生初始時(shí)刻及之后單張紅外熱成像圖像數(shù)據(jù)進(jìn)行單幅測試,得出初步預(yù)警時(shí)間。如取故障發(fā)生時(shí)至發(fā)生10 s后的單幅故障數(shù)據(jù)進(jìn)行測試,若只能識別故障發(fā)生后4～10 s的圖像數(shù)據(jù),則預(yù)警時(shí)間為4 s,多次測試以確保結(jié)果準(zhǔn)確。

步驟3:重復(fù)2.2.1中的步驟1～7,在頁巖氣壓裂施工現(xiàn)場安裝調(diào)試紅外熱成像采集設(shè)備并設(shè)置好參數(shù),得到壓裂裝備紅外熱成像圖像,經(jīng)過預(yù)處理后作為已經(jīng)訓(xùn)練好的CNN模型輸入,判斷壓裂設(shè)備是否處于正常狀態(tài),若識別為故障則輸出故障類別。

整體流程如圖6所示。

圖6 故障識別及預(yù)警步驟流程Fig.6 Fault identification and early warning steps

3 案例與分析

3.1 實(shí)驗(yàn)平臺搭建

頁巖氣現(xiàn)場用壓裂泵通常為三缸或五缸往復(fù)式柱塞泵,為更好研究壓裂泵注系統(tǒng)尤其是壓裂柱塞泵運(yùn)行及故障機(jī)制,設(shè)計(jì)并搭建了三缸柱塞泵模擬實(shí)驗(yàn)平臺一套,如圖7所示。柱塞泵故障模擬實(shí)驗(yàn)平臺包括3D2-SZ型柱塞泵(額定工作壓力10 MPa,流量57 L/min)、3D2-SZ-QR型強(qiáng)制潤滑系統(tǒng)、耐震壓力表(量程10MPa)、3D2-SZ-DF型單項(xiàng)溢流閥、3D2-SZ-AF型安全閥、HNK-4-11型變頻控制柜(數(shù)據(jù)顯示和存儲)、Y160M-4-11型變頻電機(jī)(電壓380 V,功率11 kW)、流量計(jì)2臺、3D2-Y160M型底盤總成、250 L循環(huán)用水箱、備件箱等。

圖7 三缸柱塞泵實(shí)驗(yàn)臺Fig.7 Three-cylinder plunger pump test bench

故障模擬實(shí)驗(yàn)平臺可模擬生產(chǎn)現(xiàn)場壓裂柱塞泵多種常見故障:①可通過調(diào)節(jié)低壓吸入端閥門開度模擬現(xiàn)場壓裂泵低壓吸入端吸入不足、不均、無吸入故障;②通過調(diào)節(jié)(松動)柱塞泵故障模擬實(shí)驗(yàn)平臺高壓輸出端螺栓緊固程度,模擬現(xiàn)場壓裂柱塞泵高壓輸出端刺漏故障;③通過拆卸泵頭體部分封閉部件螺栓,模擬現(xiàn)場壓裂柱塞泵泵頭體故障;④通過調(diào)節(jié)變頻電機(jī)運(yùn)行頻率,模擬現(xiàn)場壓裂柱塞泵動力輸出異常或故障。

3.2 數(shù)據(jù)采集及預(yù)處理

針對以壓裂泵為代表的壓裂裝備故障識別及預(yù)警問題,設(shè)置相關(guān)參數(shù)。其中調(diào)焦模式設(shè)置為自動,溫寬設(shè)定為智能模式,采集頻率為3張/s,視頻發(fā)送間隔為5 s,得到的紅外熱成像圖尺寸為384×280像素。最終用于訓(xùn)練和驗(yàn)證的圖像尺寸歸一化為180×180像素。

以高壓輸出端刺漏故障為例,在電機(jī)運(yùn)行頻率50 Hz,泵高壓為7.7 MPa工況下,通過擰松輸出端螺栓模擬故障。選取了510～640 s紅外熱像數(shù)據(jù)進(jìn)行分析,對應(yīng)的輸出端及地面測溫參考點(diǎn)溫度變化如圖8所示,其中在第604 s時(shí)開始刺漏。刺漏發(fā)生前地面測溫參考點(diǎn)Sp1的溫度為26.5 ℃,輸出端測溫參考點(diǎn)Sp2的溫度為27.3 ℃。刺漏發(fā)生后,由于漏出液體高于地面及環(huán)境溫度,Sp1的溫度逐漸升高至27.7 ℃;同時(shí)由于漏出液體的沖刷和熱傳導(dǎo)作用,使得輸出端表面溫度也升至27.7 ℃,最后兩者趨于穩(wěn)定。

圖8 測溫參考點(diǎn)溫度變化曲線Fig.8 Temperature change curve of temperature reference point

對應(yīng)的刺漏故障發(fā)生前后局部紅外熱像見圖9。

圖9 刺漏前后局部紅外熱像圖Fig.9 Local infrared thermal image before and after occurrence of a leak

可知輸出端及地面溫度變化均很小,體現(xiàn)在熱像圖上表現(xiàn)為色差較小,且由于光照、發(fā)射率等變化使得紅外熱像圖的顏色層次也發(fā)生了改變,單靠人眼進(jìn)行判斷容易疲勞和錯判。

按照灰度化、去噪、銳化預(yù)處理流程對所得圖像進(jìn)行處理,結(jié)果如圖10所示。

圖10 紅外熱像圖預(yù)處理結(jié)果示意圖Fig.10 Infrared thermography image preprocessing result map

再進(jìn)行尺寸歸一化,得到尺寸為180×180像素的數(shù)據(jù)集,其中刺漏故障樣本為110張,對應(yīng)的正常類樣本為120張(圖11)。

圖11 故障數(shù)據(jù)集Fig.11 Fault data set

3.3 CNN網(wǎng)絡(luò)訓(xùn)練

改進(jìn)的CNN網(wǎng)絡(luò)模型采用五層網(wǎng)絡(luò)結(jié)構(gòu),選取Relu為激活函數(shù),添加dropout層,以max-pooling為手段,利用交叉熵來定義損失,在經(jīng)過多次調(diào)參后,選定學(xué)習(xí)率為0.000 1,dropout率為0.25時(shí)效果較好。訓(xùn)練次數(shù)為2 000次時(shí)的loss值變化如圖12所示,在經(jīng)過約300次的訓(xùn)練loss值已經(jīng)降低到很小。訓(xùn)練準(zhǔn)確率變化如圖13所示,經(jīng)過約300次訓(xùn)練也獲得了接近100%的準(zhǔn)確率。

圖12 損失函數(shù)變化曲線Fig.12 Loss function curve

使用Tensorboard工具對訓(xùn)練過程進(jìn)行可視化可以得到卷積層1、卷積層2、全連接層、以及分類器的張量變化情況,而將高維向量輸入,通過工具中的embedding projector投影到3D空間,初始狀態(tài)如圖14(a)所示,中間200次迭代的狀態(tài)如圖14(b)所示,可看出明顯的位置分布。

圖13 訓(xùn)練準(zhǔn)確率變化曲線Fig.13 Training accuracy curve

圖14 數(shù)據(jù)3D空間投影Fig.14 3D spatial projection of data

3.4 故障識別結(jié)果

選取110張刺漏故障樣本及120張正常樣本進(jìn)行識別,并將本文方法與常見的圖像識別分類方法如LBP+SVM、HOG+SVM、聚類K-means進(jìn)行比較,取正常及刺漏故障圖像的識別正確數(shù)目(張)占測試集圖像總數(shù)的比例作為準(zhǔn)確率,結(jié)果見表1及圖15。

提出的方法準(zhǔn)確率達(dá)到了94.8%,相比傳統(tǒng)方法有了很大程度的提高。隨機(jī)單張紅外熱成像圖測試表明訓(xùn)練后的網(wǎng)絡(luò)模型可以準(zhǔn)確識別出第604 s,即刺漏故障初始時(shí)刻的紅外熱成像圖像,按照現(xiàn)場監(jiān)控范圍、傳輸耗時(shí)及人員做出反應(yīng)造成的延遲初步估計(jì)能夠提前10 s進(jìn)行早期預(yù)警,且隨著監(jiān)控人員的疲勞這個(gè)差距仍會增加,提前的時(shí)間可以允許操作人員進(jìn)行關(guān)停故障設(shè)備或調(diào)整運(yùn)行工況,從而降低事故后果嚴(yán)重度。

表1 不同方法在刺漏故障數(shù)據(jù)集上識別結(jié)果Table 1 Identification results of different methods on leaky fault data set

圖15 不同方法下的刺漏故障識別結(jié)果Fig.15 Identification results of leakage using different methods

4 結(jié) 論

(1)以優(yōu)化的CNN網(wǎng)絡(luò)進(jìn)行故障識別,提高了準(zhǔn)確率的同時(shí)使得故障識別更為智能化,為當(dāng)前頁巖氣井場的無人化、智能化建設(shè)及管理提供了支持。

(2)優(yōu)化CNN網(wǎng)絡(luò)的故障識別準(zhǔn)確率達(dá)到了94.8%,明顯優(yōu)于LBP+SVM等傳統(tǒng)方法,且能夠?qū)⒃缙陬A(yù)警時(shí)間至少提前10 s,為現(xiàn)場人員發(fā)現(xiàn)故障并采取有效措施節(jié)約了時(shí)間。