章修龍,劉貴杰,寧東紅

（中國海洋大學 機電工程系,山東 青島 266100）

0 引 言

水下采油樹結構復雜,在高溫、高壓的惡劣海洋環(huán)境中作業(yè)容易發(fā)生故障。深海設備檢修維護非常困難,維修成本極高[1],一旦在生產中出現故障,會給日常生產造成很大的損失。

閥門作為水下采油樹中的關鍵裝置,工作時處于高溫、高壓的惡劣環(huán)境中[2],受到介質的長期沖刷;且高溫閥門關閉后會迅速冷卻,使密封面出現漏孔或裂紋,易導致泄漏,影響水下采油樹的正常工作[3]。

閥門受損后產生的泄漏故障,會影響水下油氣開采設備的正常工作,造成重大的經濟損失。因此,為保障水下采油樹健康、高效地正常運行,對水下采油樹閥門泄漏故障進行診斷具有重要的意義。

不少學者已經對閥門進行了故障診斷的研究,并提出了不少方法。寧方立等人[4]為了檢測輸氣管道閥門泄漏,提出了基于改進卷積神經網絡（convolutional neural network, CNN）的閥門泄漏超聲信號識別方法,提高了閥門故障的識別性能。楊海榮等人[5]提出了一種基于主元分析和支持向量多分類器的故障診斷方法,實現了對閥門故障快速、準確檢測與診斷目的。

在水下環(huán)境中,為克服接觸式故障診斷方法中存在的安裝和維護困難問題,可采用聲學傳感器采集的水聲信號對故障進行診斷。在該研究領域中,XIE Ying-chun等人[6]利用數字水聽器收集的聲學泄漏信號檢測了海底生產系統(tǒng)管道泄漏,并利用經驗模態(tài)分解和希爾伯特-黃變換獲得的信號,準確識別了管道泄漏。

然而,聲音在水下的傳輸過程中,由于吸收了水下環(huán)境背景噪聲,聲傳感器吸收了大量的噪聲成分,會對最終的診斷結果造成重大影響。因此,需要尋找一種合適的降噪方法,從收集的原始聲信號中去除噪聲成分。

傳統(tǒng)的信號處理方法通常是使用基于經驗的方法對信號進行預處理。例如,ZHOU Peng等人[7]利用集合經驗模態(tài)分解（ensembleempirical mode decomposition, EEMD）對信號進行降噪預處理,獲得了清晰的故障特征信號,提高了故障診斷的準確性。JIANG Wei-xiong等人[8]通過使用自適應噪聲的集成經驗模態(tài)分解（complementary EEMD with adaptive noise, CEEMDAN）方法,實現了從原始聲壓信號中去除部分噪聲的目的。

然而,當噪聲信號與水下聲音信號處于同一頻帶范圍時,這些方法無法取得有效的降噪效果。當噪聲信號與水聲信號存在頻率混疊（即二者有部分頻率處于相同的范圍內）時,雖然采用基于時頻域的降噪方法[9],可以實現去除噪聲的目的（比如,小波變換[10]和S-變換[11,12]等）,但是基于這些方法去除含有混疊噪聲信號時,對閾值函數的選擇要求極高,使其在實際應用中受到限制。

近年來,基于深度學習的降噪方法受到了業(yè)界的廣泛關注,同時該類方法也確實可用于學習水聲數據的特征[13]。但由于復雜的海洋環(huán)境和信號傳輸過程中的水聲噪聲,需要找到一種自適應智能降噪方法,以最大限度地減少數字水聽器收集的水聲數據中的噪聲成分,提高故障診斷的準確性。

針對上述問題,筆者通過研究萊特希爾聲比擬理論、降噪的基本理論及方法,結合數值分析與實驗驗證,提出一種基于深度神經網絡（deep neural network, DNN）的閥門故障診斷方法,以降低水聲信號數據中噪聲成分,提高閥門故障診斷的準確率。

1 理論基礎

1.1 閥門泄漏理論研究

閥門泄露主要由密封結構被破壞引起,而閥門密封面未關嚴導致縫隙泄漏,以及閥門出現漏孔導致泄漏,都是較為常見的泄漏方式。以縫隙泄漏和漏孔泄漏為例,流體在經過縫隙或漏孔高速噴出后,進入到一個足夠大的空間內,由于不再受邊界的限制而進一步擴散流動,該現象稱為射流。

液體從泄漏口高速噴射出來,所產生的噴流噪聲可用軸對稱自由射流表示,如圖1所示。

圖1中,閥門漏孔泄漏口的直徑為D,當液體從泄漏口高速噴射出去時（射流的分布可分為混合區(qū)、過渡區(qū)和充分發(fā)展區(qū)）,混合區(qū)的液體流速最快,只有少量湍流的產生,其內部的速度可以看作與泄漏口的流速近似相同;過渡區(qū)中有大量的湍流產生,該部分區(qū)域的液體流速隨著距離的增加而減小,混合區(qū)與過渡區(qū)之間的湍流也是射流噪聲生成的主要原因;過渡區(qū)之后是寬廣的充分發(fā)展區(qū),該區(qū)域的流速相對較小,且隨著距離的增加,流速呈遞減趨勢。

閥門泄漏發(fā)聲機理實質上是屬于射流產生的噪聲,而射流噪聲通常是基于萊特希爾聲比擬方法來處理的。萊特希爾（Lighthill）[14,15]將聲場分為聲源場（近場）和遠場兩部分。聲源場處,高速噴射的流體產生湍流,湍流中的部分能量轉換成聲能,聲能經海水介質傳播到遠場。

為方便計算,筆者將聲源點y作為坐標原點建立笛卡爾坐標系,如圖2所示。

圖2中,r表示近場聲源與遠場之間的距離,遠場與坐標軸i之間的夾角記為α,坐標軸j與坐標軸k之間的夾角記為β。

液體噴流產生的聲場遵循有源聲場的波動方程,萊特希爾聲比擬方法的基本理論如下:

根據納維-斯托克斯方程導出的基本公式,考慮靜止介質及有源聲場的情況,假設介質密度為ρ,聲速為c,則其連續(xù)方程可表示為:

（1）

式中:vi—質點速度矢量。

vi的動量方程可以表示為:

（2）

式中:pij—微元體表面上的應力張量。

結合式（1,2）可得:

（3）

式（1,3）消去ρvi,可得萊特希爾方程:

（4）

令p=c2ρ,則式（4）可表示為:

（5）

從式（4,5）可以看出:流體右邊存在聲源,表明其存在傳播現象,可以計算出遠場的聲壓。

由于液體噴流產生的聲場遵循有源聲場的波動方程,大量的研究結果表明,射流產生的聲源屬于四極子聲源,該類型聲源在結構上完全對稱。四極子聲源中兩個偶極子之間距離為d,且存在應力pij,即存在應力張量Tij。

因此,四級子聲源聲波方程的解為:

（6）

由于r=|x-y|,式（6）經過微分計算后可得:

（7）

（8）

式（8）中,括號內第一項代表遠場的聲壓,即:

（9）

由式（9）可以看出,遠場聲壓的大小與近場至遠場之間的距離成反比,與頻率成正相關關系。

1.2 水聲信號降噪處理方法研究

1.2.1 降噪基本理論

數字水聽器采集的信號類型為遠場的聲壓信號,從水下環(huán)境中收集的原始聲壓信號與環(huán)境背景噪聲信號混合在一起。因此,為了獲得準確的故障診斷結果,需要對采集到的原始聲壓信號進行去噪。

將時域中帶有噪聲的閥門泄漏信號轉換為時頻域后,在時頻域中,筆者將帶有噪聲的閥門泄漏信號標記為:

Y（t,f）=X（t,f）+N（t,f）

（10）

式中:X（t,f）—閥門泄漏產生的不含噪聲成分的時頻域信號,也是該實驗降噪處理后希望得到的目標信號;N（t,f）—復雜的環(huán)境背景噪聲的時頻域信號。

（11）

1.2.2 DNN模型

受到卷積降噪自動編碼器的啟發(fā),基于降噪的基本理論,筆者建立用于水聲信號降噪處理的DNN模型結構,如圖3所示。

該神經網絡設計為由一系列的二維卷積層、批量歸一化層和整流線性單元（rectified linear unit, ReLU）層組成。輸入的幅值頻譜,通過這些二維卷積層進行處理和轉換。通過使用2×2的步幅,減少了網絡反卷積層的特征空間,但卷積濾波器尺寸保持在3×3。卷積處理和下采樣操作可以實現網絡的特征提取功能,并壓縮特征矩陣,使下一次卷積操作的參數數量最小化。

在該神經網絡的反卷積層中,這些層被用來重建特征,并對降噪信號的輸出幅值譜生成高維非線性映射。神經網絡結構在最后一層中使用一個回歸函數,用來降低其輸出結果與輸入目標之間的均方誤差。因為，隨著設計的神經網絡層數的增多、深度的增加,神經網絡的準確度會出現飽和現象,可能還會出現梯度消失的問題。因此,該網絡使用跨層連接將卷積層與反卷積層連接起來,以實現加快訓練的收斂性,達到高質量局部最優(yōu)目的。

模型的詳細參數如表1所示。

1.2.3 原始水聲信號數據降噪處理流程

筆者提出的基于DNN的降噪方法的基本流程為:

（1）對其進行數據預處理。通過使用短時傅里葉變換（short-time Fourier transform, STFT）,將時域信號轉換為時頻域信號,使其成為神經網絡可以訓練學習的數據類型;

（2）將不含噪聲的閥門泄漏水聲信號和含噪聲的閥門泄漏水聲信號的幅值頻譜,輸入神經網絡中,通過神經網絡對含噪聲與不含噪聲的閥門泄漏水聲信號進行學習訓練,對含噪聲的閥門泄漏水聲信號進行降噪處理;

表1 改進的DNN模型的詳細參數

（3）將降噪后的信號與噪聲信號的幅值時頻譜輸出;

（4）通過使用短時傅里葉逆變換,將時頻域信號轉換為時域信號,得到筆者所需要的降噪后的閥門泄漏水聲信號數據。

在其訓練和測試過程中,模型輸入的是含噪聲的閥門泄漏水聲信號幅值頻譜,和不含噪聲的閥門泄漏水聲信號幅值頻譜,輸出的是降噪后的閥門泄漏水聲信號的幅值頻譜,與降噪后得到的噪聲信號的幅值頻譜。

基于DNN降噪方法流程圖如圖4所示。

2 閥門泄漏故障診斷模型

水下采油樹閥門泄漏的故障診斷方法主要有3個步驟,分別為原始數據獲取、原始數據預處理及降噪、故障診斷。

基于深度卷積神經網絡進行水聲信號降噪處理的,水下采油樹閥門泄漏故障診斷模型的流程,如圖5所示。

筆者使用COMSOL軟件對聲場進行仿真處理,以確定數字水聽器的位置,并通過數字水聽器獲取原始水聲數據,然后將采集好的原始水聲數據按照故障類型標記進行分類,對其使用STFT將時域信號轉變?yōu)闀r頻域信號,再利用設計訓練好的水聲信號降噪改進的DNN處理該時頻域信號,信號經過降噪處理后,最后將其輸入至用于故障分類的卷積神經網絡中,診斷其故障類型。

2.1 數據獲取

筆者采用數字水聲器采集水下采油樹閥門泄漏產生的水聲信號,還應用Lighthill理論、水聲傳播理論和COMSOL軟件進行數值模擬分析,獲得了數字水聽器的最優(yōu)位置。

在測試水下采油樹閥門泄漏的遠場聲壓信號時,以圖2所建立的坐標系為基礎,將坐標系中的x用水聽器代替,以確定距離和方位（圖中,α和β分別為俯仰角補角和方位角）。

2.2 原始數據預處理與降噪

數字水聽器采集到的原始水聲信號數據中含有大量的環(huán)境背景噪聲成分,信號的信噪比較高,對故障診斷的結果產生很大的影響。因此,需要在進行故障診斷之前對原始水聲信號數據進行處理。

由于數字水聽器采集到的原始水聲信號為時域信號,無法對其進行頻域分析,因此,筆者采用STFT將時域的原始閥門泄漏水聲信號轉換為時頻域的信號,便于對其進行頻域分析,再將轉換后的時頻域信號作為DNN的輸入數據,進行降噪處理。

2.3 故障診斷

采用基于神經網絡的故障診斷方法進行診斷時,需要對處理后的數據進行特征提取,再分類標記,然后對其進行故障診斷。而卷積神經網絡在卷積處理過程中,卷積層可以自主進行特征提取,因此,對神經網絡進行一定的改進有望實現該目的。

受一維殘差卷積神經網絡的啟發(fā)[16],筆者設計了一種用于故障診斷的卷積神經網絡（其不需要大量的標記圖像,可以無監(jiān)督、自適應地提取降噪后的閥門泄漏水聲信號特征,實現故障診斷目標）。

卷積神經網絡的結構如圖6所示。

3 閥門泄漏模擬聲學實驗

3.1 實驗場及數字水聽器位置確定

該實驗在中國海洋大學工程訓練實驗中心的水池中進行。實驗水池由鋼架、高強度防水布組成,其長、寬和深度分別為2.00 m、1.00 m和0.98 m。該實驗用的閥門類型為#DN10,以液體侵蝕和機械故障引起的閥門泄漏作為典型的故障類型。

實驗設計了4個不同漏孔直徑的閥門作為實驗組,閥門的漏孔直徑分別為d1=0 mm,d2=3.00 mm,d3=4.00 mm,d4=5.00 mm。

實驗中,閥門的出水壓力由一個恒壓水箱提供,它可以調節(jié)出水口的壓力。由于水箱的壓力限制,通過設計使用更小內徑的管道來提高閥門出水口的壓力,將閥門前部的水壓最高提高到0.40 MPa,因此,該實驗將閥門泄漏口之前的水壓設置為0.10 MPa,0.20 MPa,0.30 MPa。

實驗中設計的9種不同的工況類型如表2所示。

表2 不同壓力及孔徑下的故障類型

為了模擬真正的實驗環(huán)境,筆者設計了流動面積大小為長度2.00 m、寬度1.00 m、深度0.98 m的矩形域,與實驗的實際尺寸相匹配,分別表示向量坐標系中x軸、y軸、z軸的坐標。

閥門模型安裝在流場底部,內外流體密度分別為1 000 kg/m3。z方向的上邊界由聲音軟邊界條件控制,用于模擬池中空氣介質與水介質之間的界面。

筆者將其他邊界作為聲音硬邊界條件,以最小化池的混響對聲壓的影響。

多體動力學和聲學響應分析結果如圖7所示。

圖7（a）為0.30 MPa故障條件下的聲壓場分布。由于水和空氣接觸表面的散射效應和池體邊界的反射效應,筆者發(fā)現聲場分布圖中的聲壓在泄漏孔處有很強的波動;聲壓沿y軸方向迅速下降,沿x軸方向逐漸減弱,聲壓峰值出現在混合區(qū)和湍流區(qū)之間;

圖7（b）為相同故障條件下流場的速度分布。液體泄漏產生的射流沿x軸波動最大,流速在泄漏孔附近達到峰值后迅速下降。該現象表明,在混合區(qū)和湍流區(qū)之間的邊界附近是聲場的最強值區(qū)域。因此,該處是安裝數字水聽器,以提高原始聲壓信號信噪比的最佳位置。

筆者將閥門固定在實驗池底部,閥門泄漏處朝向數字水聽器,數字水聽器的安裝方向與水平面垂直,角度為90°,安裝位置處于混合區(qū)和湍流區(qū)之間的邊界附近。

實驗現場如圖8所示。

實驗現場可分為實驗平臺數據采集區(qū)及實驗區(qū)。當閥門泄漏發(fā)生時,泄漏產生的水聲信號在水中傳播之后,由遠場的數字水聽器進行收集,并通過線纜傳輸至電腦。傳輸過程中,使用聲學信號放大器對水聲信號進行放大處理,增強信號的信噪比。

3.2 原始數據預處理與降噪

水聲信號數據由實驗采集得到。實驗中,使用構建好的改進DNN來降低原始聲壓數據中的噪聲成分,將采集到的時域聲壓信號轉換為時頻圖,并利用轉換好的時頻圖來訓練神經網絡,并測試其性能。

筆者將采集到的信號進行分割,得到2 400個不含噪聲成分的閥門泄漏水聲頻譜,作為泄漏信號樣本（該部分信號具有高信噪比,需要10個不同類型的噪聲數據作為噪聲信號樣本）;在2 400個泄漏信號樣本中,筆者隨機選取80%作為訓練樣本,10%作為驗證樣本,10%作為測試樣本。

在訓練過程中,為了確保神經網絡能夠識別泄漏信號和噪聲信號的特征,筆者對訓練泄漏信號樣本進行反復迭代,每次迭代中選擇一個噪聲樣本,并將其疊加到泄漏信號樣本上,以降低泄漏信號的信噪比,通過連續(xù)訓練,積累訓練數據集。

在預測過程中,計算和記錄歸一化均方誤差。筆者將泄漏信號的振幅和含有噪聲的泄漏信號的振幅輸入神經網絡中,進行獨立學習,該神經網絡的預測目標為泄漏信號的振幅（即期望的輸出結果）。在驗證過程中,利用驗證樣本調整網絡參數,防止神經網絡出現過擬合現象,以實現更好的降噪性能。

利用測試樣本去分析網絡的降噪性能,在實驗中,筆者用采集到的由水下設備機械振動引起的噪聲（簡稱振動噪聲）波形來測試該網絡,其實驗結果如圖9所示。

圖9中（1）圖表示的是無噪聲的原始閥門泄漏聲壓信號的頻譜圖及波形圖。對泄漏信號樣本進行迭代的過程中,將該振動噪聲樣本疊加到泄漏信號樣本上,得到如圖9中（2）圖所示的頻譜圖及波形圖。

含有振動噪聲的復合信號經過神經網絡降噪處理后,降噪后的水聲信號其結果如圖9中（3）圖所示,降噪后的噪聲信號其結果如圖9中（4）圖所示。

通過對比降噪后的閥門泄漏水聲信號與降噪后的振動噪聲可以發(fā)現:降噪后的閥門泄漏水聲信號,與添加噪聲之前的閥門泄漏水聲數據的波形圖類似,由于振動噪聲波形的幅值、周期性、頻率等特征明顯,有利于提取噪聲特征。

該結果表明：該神經網絡可以成功地將含有振動噪聲的復合信號分解為振動噪聲和降噪信號;該降噪方法能有效地降低復合信號中的噪聲成分,較好地恢復原始信號。因此,該方法能有效地從復合信號中分離出振動類的噪聲。

3.3 降噪有效性驗證

為了進一步驗證該降噪方法的有效性,筆者將基于深度卷積神經網絡的降噪方法與其他降噪方法進行對比分析[17]。

筆者選擇全卷積神經網絡（fully convolutional neutral network, FCNN）[18]與常規(guī)的卷積神經網絡[19]作為對比方法組進行比較測試。其中,全卷積神經網絡為所有層都是卷積層的神經網絡,比卷積神經網絡計算速度更快、效率更高,有助于網絡性能的提升。

筆者從收集到的具有環(huán)境背景噪聲的聲壓信號中,分別選擇100～600個數據樣本進行實驗,每次遞增100個數據樣本。

為了避免樣本選擇對降噪結果的影響,筆者采用控制變量法,對相同條件下的不同方法都使用相同的樣本;此外,增加樣本數量,同時保證神經網絡的結構和參數保持不變。

為了更好地衡量該方法降噪效果的優(yōu)劣,筆者還設置了一組對照組,將其與上述3種方法進行對比,即通過設置含有環(huán)境背景噪聲的原始閥門泄漏聲壓信號（簡稱含噪聲的信號）作為對照組,將降噪后得到的信號其歸一化均方誤差值變化進行對比,結果如圖10所示。

由圖10可知:隨著樣本數量的增加,未經處理的含噪聲的信號歸一化均方誤差值穩(wěn)定在0.50附近;

經過降噪處理后,基于FCNN的降噪方法所得到的信號歸一化均方誤差值由0.499 2最低降至0.011 2,降幅達97.76%;基于CNN的降噪方法所得到的信號歸一化均方誤差值由0.499 2最低降至0.015 6,降幅達96.88%;筆者所提出的降噪方法所得到的信號歸一化均方誤差值由0.499 2最低降至0.011 0,降幅達97.80%。

歸一化均方誤差值在該實驗中用于衡量降噪后信號與目標信號之間的相似度,數值越小代表二者之間的相似度越高。

因此,在歸一化均方誤差值這一評價指標中,筆者提出的降噪方法的表現優(yōu)于其他兩種降噪方法,這也證明經過降噪后的信號波形更接近目標信號,具有更好的精度和更強的魯棒性。

3.4 故障診斷

通過對9種不同工況下的含噪聲的原始水聲信號進行降噪處理,筆者得到了9種降噪后不同類型的水聲故障數據,它們分別對應于故障1至故障9,并將其存儲在一個數據集中（該數據集包含4 500個數據組。每種故障類型包含500個數據組（每個數據組包含1 024個數據點）,隨機選取其中的80%為訓練樣本,10%為測試樣本,10%為驗證樣品）;

然后,筆者將3 600個訓練樣本納入CNN模型進行訓練,用450個測試樣本評估模型的泛化能力,用450個驗證樣本對模型的參數進行調整;

經過參數調整處理后,得到了網絡模型,模型中E—卷積層+批量歸一化層+整流線性單元層;F—卷積層+整流線性單元層。

模型的詳細參數如表3所示。

表3 卷積神經網絡模型的詳細參數

對含環(huán)境背景噪聲的原始閥門泄漏水聲信號進行降噪處理后,得到故障診斷所需要的數據集,數據集被分成了訓練集、測試集和驗證集[20]。

分組后,筆者將這些數據集輸入至搭建好的卷積神經網絡模型中,按照最小批量尺寸為128,學習率為0.001,下降周期為5,下降因子為0.1,迭代次數為300進行訓練。

經過300次迭代之后,筆者從3 600個訓練樣本中隨機選取250個樣本,從450個測試樣本中隨機選取50個樣本,得到最終的診斷結果,如圖11所示。

從圖11可以看出:訓練和測試的卷積神經網絡故障診斷結果均顯示出最優(yōu)診斷率為100%,訓練樣本的診斷準確率均高于測試樣本。

最后,筆者采用基于改進的DNN用于降噪處理的故障診斷方法,其診斷準確率為98.89%。結合故障診斷結果及各故障類型的信號特點,發(fā)現泄漏壓力小、泄漏孔徑小的故障工況易被誤診。

筆者將用于降噪處理改進的DNN故障診斷結果,與其他兩種對照組的降噪處理方法的故障診斷結果進行對比,結果如表4所示。

表4 診斷結果對比

從表4中可以看出:經過改進的DNN處理后的數據輸入至同一卷積神經網絡進行故障診斷,其診斷率比未經過處理的信號提升了46.42%;相比于其他兩種方法,其分別提升了5.17%和2.55%。

4 結束語

筆者通過研究閥門泄漏基本理論,建立了閥門泄漏模型,求解出了遠場聲壓;基于降噪的基本理論和方法,建立了DNN模型用于水聲降噪處理,對降噪結果進行了有效性驗證;還將處理后的信號輸入至卷積神經網絡中進行故障診斷。

筆者結合數值模擬、實驗驗證得出了如下結論:

（1）綜合使用閥門泄漏理論,包括軸對稱自由射流模型、萊特希爾聲比擬理論和四極子聲源遠場聲壓求解算法,建立了閥門泄漏射流聲場模型,并利用COMSOL數值仿真軟件,完成了對數字水聽器位置的確定,為聲學實驗開展奠定了基礎;

（2）受卷積降噪自動編碼器的啟發(fā),基于降噪的基本理論,筆者設計并使用DNN對輸入的信號進行了降噪處理,實驗證明,該網絡可以有效地去除噪聲成分;除此之外,利用CNN作為故障分類器,實現了對水下采油樹閥門泄漏故障的準確診斷,準確率為98.89%,相比于其他兩種方法,該方法的故障診斷準確率更高。

在之后的研究中,筆者擬進一步探索多噪聲環(huán)境背景下該降噪模型的降噪效果;并開展海試,獲取真實海況下的原始聲學數據;并基于該數據遠程診斷水下閥門的故障類型,優(yōu)化神經網絡模型結構參數,進一步驗證該降噪模型在實際工況環(huán)境下的有效性和正確性。