一种基于卷积神经网络的埋地管道阴极保护系统故障诊断方法与流程

本发明涉及系统故障诊断技术领域，尤其是一种基于卷积神经网络的埋地管道阴极保护系统故障诊断方法。

背景技术：

现代工业系统正呈现出向大型化、复杂化的方向发展，设施的运行状态与企业的经济效益密切相关。企业生产设施复杂化的发展使得针对工业设备的故障诊断与故障的提前预测出现一系列的难题。大型系统一旦发生故障，必定会带来严重后果，威胁人员生命安全和财产损失。而故障诊断技术往往能够在时间区间内快速的诊断出故障类型，甚至提前预测故障的发生，指导相关工作人员及时处理并修复相关故障。

系统故障的发生和许多的因素有关，首先依赖于系统运行的各个属性；其次，故障的发生往往是一个渐变的过程，在故障发生之前往往会产生征兆，当前故障的产生是一个征兆累积的结果，即系统的故障具有时延性。

在埋地管道阴极保护系统方面，国标要求阴极保护率达到100％，恒电位仪有效率达到98％。现有的诊断技术对管道运维人员专业水平要求较高，运维人员受限于自身技术水平往往不能满足要求；而请专业技术人员需要前往现场检测在时间上通常滞后，不但容易引起严重后果，且花费较高。

故障诊断分为定性分析方法和定量分析方法。传统的故障诊断方法往往针对单一设备、子系统、子单元，难以发现组成单元之间的关联关系，容易造成误诊，漏诊。近年来，基于卷积神经网络以深度学习为代表的智能故障诊断方法，已广泛应用与大型风车、滚动轴承、航空航天设备等方面，给故障诊断带来了许多便利与新思路。

技术实现要素：

本发明要解决的技术问题是：为了克服现有技术中之不足，本发明提供一种基于卷积神经网络的埋地管道阴极保护系统故障诊断方法，以解决现有故障诊断方法中人为判别结果效率低、准确性较差且不及时的问题。

本发明解决其技术问题所采用的技术方案是：一种基于卷积神经网络的埋地管道阴极保护系统故障诊断方法，包括以下步骤：

s1、采集阴极保护系统的历史运行数据并进行数据预处理；

s2、将预处理后的历史运行数据划分为训练数据和测试数据；

s3、基于卷积神经网络构建故障诊断模型，通过训练数据对所构建的故障诊断模型进行训练，得到训练好的故障诊断模型；

s4、利用测试数据对训练好的故障诊断模型进行测试评估；

s5、若测试数据测试效果好，模型收敛则得出最终故障诊断模型；若测试效果不佳，模型未收敛则对模型的超参数进行调整直至模型收敛得出最终故障诊断模型；

s6、采集阴极保护系统实时运行数据并进行数据预处理；

s7、将处理后的实时运行数据带入最终故障诊断模型进行故障诊断，得出诊断结果。

其中步骤s1和步骤s6中的数据预处理方法相同，包含如下三个步骤：

(1)、对所采集的历史运行数据和实时运行数据进行缺失值处理；

(2)、将缺失值补足后的历史运行数据和实时运行数据进行归一化处理；

(3)、将归一化处理后的历史运行数据和实时运行数据构造为时频域特征图。

通过步骤(1)可以补足数据缺失的问题，从而保证输入数据的完整性；通过步骤(2)可以消除不同数据之间不同量纲的影响，提高故障诊断的准确率和收敛速度；通过步骤(3)可以使数据更好的满足cnn网络的输入形式，便于接下来的卷积、池化等运算和充分挖掘输入特征。

优选地，步骤(1)中，缺失值的处理方法为均值插补法，可在一定程度上保证数据的完整性不受破坏。

优选地，步骤(2)中，数据的归一化采用z-score标准化的方法进行处理，将结果映射到[0,1]之间，其函数为：

其中，xi'为归一化后的新数据，和xvar分别为同类数据中的均值和标准差。

优选地，步骤(3)中，转化后的输入层为8×8的2d特征图，横向为测量时间间隔，间隔为一天；纵向为埋地管道阴极保护系统采集数据。

进一步地，所述步骤s3中的故障诊断模型包括依次连接的输入层、卷积层、池化层、全连接层、softmax分类层及输出层，其中：

输入层，用于输入所述特征图；

卷积层，对所述特征图进行卷积操作，用于提取所述特征图的特征信息；

池化层，对所述特征图进行池化操作，用于保留相似度值大于或等于预设阈值的所述特征信息中的一个；

全连接层，用于将特征信息进行整合；

softmax分类层，用于对所述特征信息进行分类；

输出层，用于输出分类诊断结果。

具体说，故障诊断模型包括依次连接的1个输入层、8个卷积层、8个池化层、1个全连接层、softmax分类层及1个输出层，每个所述卷积层连接1个池化层，其中，卷积层的卷积核的大小3×3，卷积层采用的激活函数为relu函数，全连接层的激活函数为tanh函数。

所述故障诊断模型的卷积层采用的卷积公式为：

其中，l表示表示网络所处的层数，k表示卷积核，b表示偏置，表示l层输出，表示l层输入，f为卷积层的激活函数。

池化层的池化方式为最大池化，步长为2。

本发明中，模型采用误差反向传播的方法训练卷积神经网络，即通过不断的迭代使模型目标函数收敛至最小，得到最优的权重和偏置。模型的目标函数采用交叉熵损失函数，函数的定义为：

式中，yi为输入样本xi对应的期望输出，n为训练样本数量，f(x)为输入样本xi对应的实际模型输出，分类函数f(x)为softmax分类函数。

所述的步骤s5中，利用测试数据对构建的卷积神经网络进行验证评估，若评估准确率低，需通过对超参数的调整进行重复验证直至模型收敛，故障诊断准确率达到理想效果，可调节的超参数包括学习率、迭代次数、批次大小、激活函数、隐含层数目及单元数、权重的初始化和随机失活。

上述超参数的选取需要经过不断的调试，选取诊断效果最佳的搭配。本发明的输入为8×8的2d特征图，纵向为自动采集数据包括额定电压、额定电流、输出电压、输出电流、控制电位、保护电位及测试桩处保护电位；横向为间隔时间为一天的不同采集数据。输出分为恒电位仪自身故障、参比电极故障、杂散电流引起的故障、电缆故障、阳极接地电阻过大、防腐层破损及正常无故障七种不同类型。

所述的步骤s7中，实时运行数据经过数据处理后，传递至最终的故障诊断模型，并最终通过softmax分类器判断出所述的故障类型。

本发明采用cnn模型来进行故障诊断，cnn能够通过卷积核对输入数据进行逐层的卷积及池化，逐级提取隐藏在数据之中的拓扑结构特征，避免手动提取带来的缺陷。随着网络结构层层深入，提取的特征也变的抽象，最终获得输入数据的平移、旋转及缩放不变的特征表示。cnn权值共享的特性能够有效避免算法的过拟合，空间或时间上采用降采样的方式可以降低训练参数的数量。子采样充分利用数据本身的局部性特征，减少数据维度，优化网络结构，使得模型的准确率和抗噪性得到显著提高。

本发明的有益效果是：本发明基于卷积神经网络建立埋地管道阴极保护系统故障诊断模型，能够很好地提取属性维度的特征信息和时间维度的时延信息，从而提高故障诊断的识别准确率。通过采用深度学习的方法来进行埋地管道阴极保护系统的故障诊断，不但减少了工作人员的工作量，且可以及时做出判断，尽早完成修复处理；同时可在一定程度上反映出故障发生的可能性趋势，从而可以提早预防故障的发生；也可以根据埋地管道阴极保护系统的实际运行情况对故障识别模型做适当修正，从而达到自主识别新故障的效果，符合管道系统数字化、智能化的趋势。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1是本发明所述故障诊断模型的流程框图。

图2是本发明中原始数据处理后作为cnn输入的2d特征图。

图3是本发明中训练cnn的正反向传播流程示意图。

图4是本发明基于cnn的故障诊断模型网络结构示意图。

具体实施方式

现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。

如图1所示的一种基于卷积神经网络的埋地管道阴极保护系统故障诊断方法，具有以下步骤：

s1、采集阴极保护系统历史运行数据，包括恒电位仪额定参数和输出值、测试桩处保护电位，并进行数据预处理；

s2：将处理后的历史运行数据划分为训练数据和测试数据；

s3：利用训练数据构建故障诊断模型并进行训练；

s4：利用测试数据对训练好的故障诊断模型进行测试评估；

s5：若测试数据测试效果好，模型收敛则得出最终故障诊断模型，若测试效果不佳，模型未收敛则对模型的超参数进行调整直至模型收敛得出最终故障诊断模型；

s6：采集阴极保护系统实时运行数据并进行数据预处理；

s7：将处理后的实时运行数据带入最终故障诊断模型进行故障诊断，得出诊断结果。

其中步骤s1和步骤s6所述的数据预处理方法相同，并包含如下三个步骤：

(1)、对所采集的历史运行数据和实时运行数据进行缺失值处理；

(2)、将缺失值补足后的历史运行数据和实时运行数据进行归一化处理

(3)、将归一化处理后的历史运行数据和实时运行数据构造为便于作为原始输入的时频域特征图。

所述步骤(1)中缺失值的产生分为机械原因和人为原因。机械原因是由于机械原因导致的数据收集或保存的失败造成的数据缺失，例如数据存储的失败，存储器损坏，机械故障导致某段时间数据未能收集。人为原因是由于人的主观失误、历史局限或有意隐瞒造成的数据缺失。

缺失值按照类型分为完全随机缺失、随机缺失和完全非随机缺失。处理方法有删除有缺值的个案和可能值插补缺失值。插补的方法又分为均值插补、同类均值插补、极大似然估计和多重插补这四种。埋地管道阴极保护系统缺失值大多为完全随机缺失，若采用删除有缺失值的个案则会破坏数据的时序属性，为保证原始数据的时序属性不受破坏，本实施例中，采用的是均值插补法对缺失值进行处理。

所述步骤(2)中，数据的归一化采用离差标准化的方式，旨在消除不同量纲之间的影响，避免出现“梯度消失”和“梯度爆炸”的问题，提高诊断的准确率。z-score标准化公式为如下所示：

式种，x′i为归一化后的新数据，和xvar分别为同类数据中的均值和标准差。

所述步骤(3)中，历史运行数据和实时运行数据经过缺失值处理和归一化之后，将其转化为如图2所示的2d特征图，输入数据维度为8×8，数据类别如图2所示，横向为采集间隔，间隔为一天；纵向分别为额定电压、额定电流、输出电压、输出电流、控制电位、保护电位及测试桩处保护电位。数据的输出为7个神经元代表7种故障类型，输出层神经元激活值为1代表输入数据对应该故障类型。因此可对故障类型做出如下表1所示的编码表。

表1故障类型编码

步骤s3～s5为对卷积神经网络的训练和调整，训练cnn及其正反向传播流程如图3所示，cnn分为正向传播和反向传播。正向传播过程中，卷积层通过对前一层网络的卷积运算，每个卷积核提取到一种特征，其运算公式为：

式中，l表示表示网络所处的层数，k表示卷积核，b表示偏置，表示l层输出，表示l层输入，f为卷积层的激活函数。cnn中卷积层具有权值共享的特性，能够有效避免算法的过拟合。池化层通过降采样的方式，可以降低数据的维度且能保证在一定程度上的位移不变性。cnn故障诊断模型采用误差反向传播的方法训练卷积神经网络，即通过不断的迭代来使得模型目标函数收敛至最小，得到最优的权重和偏置。模型的损失函数为交叉熵损失函数，其公式为：

式中，yi为输入样本xi对应的期望输出，f(x)为输入样本xi对应的实际模型输出，分类函数f(x)为softmax函数，其公式为

当用测试数据来评估以初始设定值构建的cnn故障诊断模型时，模型不一定收敛，诊断的准确率也达不到要求。这时候就需要调整模型的超参数来得到最佳cnn故障诊断模型。模型可调快的超参数包括学习率、迭代次数、批次大小、激活函数、隐含层数目及单元数、权重的初始化等。

为避免学习率过大导致跳过最优解和学习率过小导致收敛速度过慢，这里使用指数衰减学习率，先使用较大学习率，快速得到较优解，然后逐步减小学习率，使得模型在训练后期稳定。

在卷积核尺寸方面，经过比较验证，相比于5×5的卷积核大小，卷积核大小为3×3时，训练集准确率更高；在卷积核数量方面，随着卷积核数量的增加，准确率也在提高，但训练时间也极具增加，当卷积核数量达到8个时，随着数量的增大，准确率提升微乎其微而训练时间急剧增大，故本发明中，卷积核大小采用3×3的形式，数量为8个。

cnn中池化层池化方法大多采用均值池化或最大池化，在埋地管道阴极保护系统当中，更为注重数据的最大特征而非位置特征，且最大池化可以降低噪声的干扰，提高模型的健壮性，故在本实施例中，选取池化方式为最大池化。

由于激活函数对cnn网络的训练影响很大，但选取何种激活函数通常根据经验设置，这种方法局限性较大。cnn中常见的激活函数分别为sigmoid函数，公式为relu函数，公式为f(x)＝max(0,x)；tanh函数，公式为本实施例中，各地区油气管道阴极保护系统中共采集到615组数据，随机选择其中的430组数据用于训练数据，185组数据用于测试数据。通过实验对比了三种不同激活函数搭配下模型的准确率，具体情况如表2所示。对比实验结果，可以看出relu函数适用于卷积层激活函数，tanh函数适用于全连接层激活函数。

表2激活函数性能数据表

最终的模型网络结构示意图如图4所示，隐藏层为三层，卷积核大小为3×3，数量为8个，池化层采用最大池化的连接方式。全连接层与池化层每一个输入相连接，有16个单元共(3×3×8+1)×16＝1168个参数。最后与输出层全连接，经softmax分类器，得出具体的故障类型。

传统地，对埋地管道阴极保护系统的故障诊断，需要前往现场通过一系列现场的检测验证方可以判断出故障的类型，不仅费时费力且容易在检测空挡期间产生故障引发后果。由实验可知，利用卷积神经网络对埋地管道阴极保护系统进行故障诊断可以充分挖掘出故障引起的日常间检测数据的变化，对故障的判断准确率达到97％以上，具有一定的应用前景，并且符合现代管道行业推行数字化、智能化的趋势。

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。