技术领域
[0001] 本
发明属于海洋工程装备故障诊断技术领域，具体涉及一种基于LSTM的海洋平台空气压缩机故障诊断方法。
背景技术
[0002] 随着世界经济的快速发展对
能源需求的急剧增加，油气开采规模的日益扩大。从19世纪80年代至今，技术的进步与突破使得海上油气开采进度也日益加快。在此过程中，海洋平台中的各类生产设备呈现出大规模化、高度关联化、复杂化、自动化的趋势。在实际工作过程中海洋平台的系统设备会产生各种故障类型，在“多米诺效应”影响下，平台的其他关联系统也会发生难以预计的故障失效，严重时会给整个平台造成重大的经济和人员损失，而针对海洋平台系统设备故障诊断方法的提出和应用极大的缓解了上述问题。
[0003] 海洋平台空气压缩机作为海洋平台仪器仪表系统、起动空气系统、
气动控制系统等系统设备的动
力源，是保证油气开采生产正常进行、系统控制与安全保护顺利进行的重中之重。由于处在“链式反应”的顶端，一旦空气压缩机发生故障，会对整个平台会造成最大化负面影响，故作为海洋平台设备故障诊断的核心对象之一，海洋平台空气压缩机的运行过程
信号采集、故障诊断和故障排除等工作对于平台的长期稳定安全生产具有极为重要的意义。
[0004] 国内外研究学者在海洋平台空气压缩机的故障诊断领域已经取得较为丰厚的成果，在获取故障诊断信号方面提出使用经验模态分解(EMD,Empirical Mode Decomposition)、
模糊逻辑推理(FLR,Fuzzy Logic Reasoning)等方法；在故障信号分析方面提出采用灰色理论(GT,Grey Theory)、
支持向量机(SVM，Support Vector Machine)等方法。但上述方法都存在一定的缺点，无法很好地解决平台空气压缩机的故障诊断工作中存在的故障信号激励复杂、故障映射非线性强的难题，极大地限制了故障信号采集的保真度和故障诊断
精度，增加了误诊率，为设备后期维护与健康管理带来诸多不确定性。近年来，
数字信号处理与
人工智能技术的突破为故障诊断的发展提供了新的思路：新的数字数字处理技术为多
传感器数据融合中噪声消除、避免失真干扰、数据流整合带来更加优化的解决途径，人工智能技术为故障映射高维回归分析的实现提供了非线性映射能力与
迁移性更强的
算法模型。
[0005] 在人工智能时代全面来临之际，海洋工程装备故障诊断的发展可以借助其知识
辐射与产业辐射效应，快速升级完善自身的理论与实践体系，从而得以强化诊断过程中的故障特征提取能力，不断优化故障诊断效率和精度，确定出误差最小的非线性映射诊断模型，为提高海洋工程设备故障识别速度与精度、提升海工设备安全性、降低设备维护
费用奠定重要技术
基础，同时对于避免产生系统设备连
锁式故障危害，保障海洋平台正常生产工作安全具有重大现实意义。
发明内容
[0006] 本发明的目的在于提供解决海洋平台空气压缩机运行过程中存在的故障问题的一种基于LSTM的海洋平台空气压缩机故障诊断方法。
[0007] 本发明的目的通过如下技术方案来实现：包括以下步骤：
[0008] 步骤1：读取海洋平台故障信号采集点处的
数据采集传感器的信息；
[0009] 海洋平台空气压缩机故障信号包括
流体故障信号和机械故障信号；所述的流体故障信号的采集特征包括出
水口
温度DS-1、
润滑油出口温度DS-2、汽缸排气温度DS-3、空气压缩机
轴承温度DS-4、汽缸排气压力DS-5、润滑油管路压力DS-6；所述的机械故障信号的采集特征包括高压
电机转子振动MS-1、汽缸振动MS-2、储气罐振动MS-3；两类信号对应的故障种类依次为空气压缩机出水口温度异常F1、空气压缩机润滑油出口温度异常F2、空气压缩机汽缸排气温度异常F3、空气压缩机轴承温度异常F4、空气压缩机
气缸排气压力异常F5、润滑油管路压力异常F6、高压电机转子振动异常F7、汽缸振动异常F8、储气罐振动异常F9；
[0010] 步骤2：构建传感器信号时序序列集合和故障种类时序序列集合，通过卡尔曼滤波实现多
传感器数据融合，得到原始融合滤波信号数据集；
[0011] 传感器信号时序序列集合具体为：
[0012] Sensor-S
[0013] ＝{DS-1,DS-2,DS-3,DS-4,DS-5,DS-6,MS-1,MS-2,MS-3}T
[0014] 其中，Sensor-S为传感器信号时序序列集合的名称；
[0015] 故障种类时序序列集合具体为：
[0016] Fault-S＝{F1,F2,F3,F4,F5,F6,F7,F8,F9}
[0017] 其中，Fault-S为故障种类时序序列集合的名称，故障种类的信号F1、F2、F3、F4、F5、F6、F7、F8、F9均为t时间
节点对应的故障状态构成的1行t列矩阵，故障状态为正常时信号值为0，故障状态异常时信号值为1；
[0018] 原始融合滤波信号数据集具体为：
[0019]
[0020] 其中，Sensor-NS为原始融合滤波信号数据集的集合名称；
[0021] 步骤3：对原始融合滤波信号数据集进行集合划分与标准化处理；
[0022] 步骤3.1：将原始融合滤波信号数据集Sensor-NS和故障种类时序序列集合Fault-S进行分割，各取原始融合滤波信号数据集Sensor-NS和故障种类时序序列集合Fault-S的前百分之七十列数据，并将原始融合滤波信号数据集Sensor-NS的取出数据进行标准化处理作为训练集，得到{Sensor-NS}train和{Fault-S}train；
[0023] 步骤3.2：各取原始融合滤波信号数据集Sensor-NS和故障种类时序序列集合Fault-S的后百分之二十列，并将故障种类时序序列集合Fault-S的取出数据标准化之后作为验证集，得到{Sensor-NS}validation和{Fault-S}validation；
[0024] 步骤3.3：将传感器信号时序序列集合Sensor-S中的百分之七十至百分之八十列的部分作为测试集，得到{Sensor-S}test；
[0025] 步骤4：构建基于LSTM网络的故障诊断模型；
[0026] 首先在集成式开发环境下构建LSTM基本单元结构，然后进行单元封装，形成具备
输入层、
隐藏层和原始
输出层的LSTM基本结构，最后在原始输出层后添加softmax层，将原始输出层的输出值转化为故障种类的概率分布形式；其中，softmax层对原始输出层的输出值yi(i＝1,2,…,n)处理公式为：
[0027]
[0028] 步骤5：将训练集导入基于LSTM网络的故障诊断模型进行模型训练；
[0029] 将训练集{Sensor-NS}train、{Fault-S}train分批次传入LSTM输入层，利用前向传播算法将
训练数据从输入层传至隐藏层、输出层并得到初始输出；选取交叉熵损失函数作为网络优化目标，学习率的设置采用指数衰减法；网络层权重更新方式采用随机梯度下降算法，根据LSTM网络层特点，具体采用反向传播算法以效率最高的方式进行每层的权重更新；
[0030] 步骤6：通过验证集进行循环测试与超参数调整；
[0031] 步骤6.1：将验证集{Sensor-NS}validation、{Fault-S}validation导入LSTM输入层，设定准确率和查准率的
阈值，将其作为是否进行逻辑循环的判断依据；使用的故障诊断评价指标计算公式为：
[0032] Accuracy＝(TP+TN)/(TP+TN+FP+FN)
[0033] Precision＝TP/(TP+FP)
[0034] 其中，Accuracy为准确率，Precision为查准率，TP、TN、FP、FN表示为：
[0035] TN＝TrueNegative表示真负，将正常诊断为正常的数量；
[0036] FP＝FalsePositive表示假正，将正常诊断为故障的数量；
[0037] FN＝FalseNegative表示假负，将故障诊断为正常的数目；
[0038] TP＝TruePositive表示真正，将故障诊断为故障的数目。
[0039] 步骤6.2：若准确率和查准率低于设定阈值，则对LSTM的隐藏层数、单元数、初始学习率、批处理数目、训练
迭代次数等超参数进行调整，直至准确率和查准率达到或超过设定阈值；
[0040] 步骤6.3：若准确率和查准率指标达到或超过设定阈值，则直接进行故障诊断；
[0041] 步骤7：将海洋平台故障信号采集点处的数据采集传感器的信息输入到训练好的满足精度要求的基于LSTM网络的故障诊断模型中，得到海洋平台空气压缩机的故障诊断结果。
[0042] 本发明还可以包括：
[0043] 所述步骤2中的卡尔曼滤波具体公式为：
[0044]
[0045] Yt＝Hxt+v
[0046]
[0047]
[0048]
[0049] 其中， 表示传感器信号根据t-1时刻传感器信号 预测得到的t时刻预计值，等符号右上方“-”表示该符号由上一时刻预测得到，Ft为状态转移矩阵，Bt为控制矩阵，ut为t时刻的控制量；Yt为t时刻传感器测量信号，H为
观测矩阵，v表示测量误差；Kt为滤波增益阵，R为测量值矩阵， 为协方差矩阵；上述五个公式构成卡尔曼滤波主要计算过程，通过时序概率模型上的推理，将传感器信号时序序列中的噪声进行线性过滤，进入
滤波器的传感器信号最终以 的形式输出。
[0050] 本发明的有益效果在于：
[0051] (1)本发明对海洋平台空气压缩机的多元传感器信号进行时序序列构建，为卡尔曼滤波和后期的LSTM模型构建提供了高效合理的数据结构支持，有利于提高前期线型滤波的去噪效果，且有助于后期在LSTM权重矩阵中提取保留合理的故障特征。
[0052] (2)本发明从现有的数字
信号处理理论出发，充分展现滤波是从混合的在一起的诸多信号中提取所需信号的过程；并从
机器学习和
数据挖掘的
角度阐明了滤波是一个理性智能体把握当前状态以便进行理性决策所采取的的行动。选取的卡尔曼滤波是一种线性最优滤波器，有助于省略繁杂的传感器信号处理过程，普适程度高。
[0053] (3)本发明通过数字信号处理与人工智能领域
深度学习理论的结合，将海洋平台空气压缩机的复杂故障诊断过程转化为一种基于多传感器监测的易用式诊断方法，通过算法层面的融合创新，最大程度的降低了诊断过程的
硬件需求，降低诊断时间和诊断成本，为故障修复争取到更多宝贵时间。
[0054] (4)本发明在应对海洋平台空气压缩机故障诊断的诊断场景变换时，优先在信号序列设计、数据集处理、模型建立与运行阶段考虑了方法后期的移植性，通过将诊断环境变量设置为易于调节的诊断方法内部参数，实现多故障场景下的对海洋平台空气压缩机的灵活故障诊断。
附图说明
具体实施方式
[0056] 下面结合附图对本发明做进一步描述。
[0057] 本发明公开了一种基于LSTM的海洋平台空气压缩机故障诊断方法，属于海洋工程装备故障诊断技术领域。方法预先将空气压缩机的故障信号划分为流体故障信号和机械故障信号两类，分别在故障采集点安装数据传感器对故障信号进行采集。随后采用随机类方法卡尔曼滤波，实现多传感器数据融合，并将融合后数据进一步划分为训练集、验证集与测试集。通过LSTM模型的构建，训练集对模型权重与偏置矩阵调整以及验证集对超参数的修正等，得到用于海洋平台空气压缩机故障诊断的完整网络模型，最后通过测试集实现故障诊断。
[0058] 如图1所示，一种基于LSTM的海洋平台空气压缩机故障诊断方法包括以下八个步骤：
[0059] 步骤一，对空气压缩机故障信号进行分类与采集；
[0060] 根据海洋平台发生故障的先验知识确定出主要的故障信号分为流体故障信号和机械故障信号，其中流体故障信号主要采集特征包括出水口温度、润滑油出口温度、汽缸排气温度、空气压缩机轴承温度、汽缸排气压力、润滑油管路压力，分别以DS-1、DS-2、DS-3、DS-4、DS-5、DS-6等六种信号表示，机械故障信号的主要采集特征为高压电机转子振动、汽缸振动、储气罐振动，分别以MS-1、MS-2、MS-3等三种信号表示。两类信号对应的故障种类依次为空气压缩机出水口温度异常、空气压缩机润滑油出口温度异常、空气压缩机汽缸排气温度异常、空气压缩机轴承温度异常、空气压缩机气缸排气压力异常、润滑油管路压力异常、高压电机转子振动异常、汽缸振动异常、储气罐振动异常，上述故障种类的信号表示为F1、F2、F3、F4、F5、F6、F7、F8、F9。根据以上所需采集信号的具体
位置确定故障信号采集点并安装数据采集传感器；
[0061] 步骤二，构建传感器信号时序序列、故障种类时序序列并通过卡尔曼滤波实现多传感器数据融合；
[0062] 传感器信号时序序列具体为:
[0063] Sensor-S
[0064] ＝{DS-1,DS-2,DS-3,DS-4,DS-5,DS-6,MS-1,MS-2,MS-3}T
[0065] 其中Sensor-S为传感器信号时序序列的集合名称，各子
序列表示为：
[0066] DS-1＝{DS-11,DS-12,…,DS-1t-1,DS-1t}
[0067] DS-2＝{DS-21,DS-22,…,DS-2t-1,DS-2t}
[0068] DS-3＝{DS-31,DS-32,…,DS-3t-1,DS-3t}
[0069] DS-4＝{DS-41,DS-42,…,DS-4t-1,DS-4t}
[0070] DS-5＝{DS-51,DS-52,…,DS-5t-1,DS-5t}
[0071] DS-6＝{DS-61,DS-62,…,DS-6t-1,DS-6t}
[0072] MS-1＝{MS-11,MS-12,…,MS-1t-1,MS-1t}
[0073] MS-2＝{MS-21,MS-22,…,MS-2t-1,MS-2t}
[0074] MS-3＝{MS-31,MS-32,…,MS-3t-1,MS-3t}
[0075] 故障种类时序序列由上述九种故障种类的信号构成，具体为Fault-S＝{F1,F2,F3,F4,F5,F6,F7,F8,F9}，其中，Fault-S为故障种类时序序列的集合名称，故障种类的信号F1、F2、F3、F4、F5、F6、F7、F8、F9均为t时间节点对应的故障状态构成的1行t列矩阵，故障状态为正常时信号值为0，故障状态异常时信号值为1。
[0076] 卡尔曼滤波具体公式为：
[0077] (1) 其中 表示传感器信号根据t-1时刻传感器信号 预测得到的t时刻预计值， 等符号右上方“-”表示该符号由上一时刻预测得到，Ft为状态转移矩阵，Bt为控制矩阵，ut为t时刻的控制量。
[0078] (2)Yt＝Hxt+v；其中Yt为t时刻传感器测量信号，H为观测矩阵，v表示测量误差。
[0079] (3) 其中，Kt为滤波增益阵，R为测量值矩阵， 为协方差矩阵。
[0080] (4)
[0081] (5)
[0082] 上述五个公式构成卡尔曼滤波主要计算过程，进入滤波器的传感器信号最终以的形式输出。
[0083] 步骤二主要包括下述过程：构建利用卡尔曼滤波的方法，通过时序概率模型上的推理，将传感器信号时序序列中的噪声进行线性过滤，经过多传感器数据融合之后的滤波信号数据集为：
[0084]
[0085] 其中，Sensor-NS为滤波信号数据集的集合名称。
[0086] 步骤三，对原始融合数据集进行集合划分与标准化处理；
[0087] 首先将滤波信号数据集Sensor-NS和故障种类时序序列集合Fault-S进行分割，各取滤波信号数据集和故障种类时序序列两个集合的前百分之七十列数据，并将滤波信号数据集的取出数据进行标准化处理作为训练集，得到{Sensor-NS}train、{Fault-S}train，各取滤波信号数据集和故障种类时序序列两个集合的后百分之二十列，并将故障种类时序序列的取出数据标准化之后作为验证集，得到{Sensor-NS}validation、{Fault-S}validation，将传感器信号时序序列集合中的百分之七十至百分之八十列的部分作为测试集，得到{Sensor-S}test。
[0088] 所述标准化处理如下：以Sensor-NS中的集合 为例：
[0089]
[0090]
[0091]
[0092] 其中，μ表示集合 中数据的均值， 表示集合 中的第i个数据，σ表示集合 中数据的标准差，ε＝1×10-15， 表示 中的第i个数据标准
化之后的数值。
[0093] 步骤四，构建基于LSTM网络的故障诊断模型；
[0094] 首先在集成式开发环境下构建LSTM基本单元结构，然后进行单元封装，形成具备输入层、隐藏层和原始输出层的LSTM基本结构，最后在原始输出层后添加softmax层，将原始输出层的输出值转化为故障种类的概率分布形式。
[0095] 其中，softmax层对原始输出层的输出值yi(i＝1,2,…,n)处理公式为：
[0096]
[0097] 步骤五，将训练集导入模型进行模型训练；
[0098] (1)将训练集{Sensor-NS}train、{Fault-S}train分批次传入LSTM输入层，利用前向传播算法将训练数据从输入层传至隐藏层、输出层并得到初始输出；
[0099] (2)选取交叉熵损失函数作为网络优化目标；
[0100] (3)学习率的设置采用指数衰减法；
[0101] (4)网络层权重更新方式采用随机梯度下降算法(SGD,Stochastic Gradient Descent)，根据LSTM网络层特点，具体采用反向传播算法(BP,Backpropagation)以效率最高的方式进行每层的权重更新。
[0102] 以Sensor-NS中的集合 为例：
[0103] 步骤(1)的前向传播过程包括遗忘
门f、输入门i、输出门o和记忆单元c。
[0104] 遗忘门： 其中，sigmoid函数表达式为：Wf为遗忘权重，ht-1为LSTM上一时刻输出，bf为遗忘偏置。
[0105] 输入门 ： 其中，Wi为输入权重，bi为输入偏置，为候选单元状态，Wc为单元状态矩阵，bc为单元状态偏置。
[0106] 单元状态更新： 其中，ct为新单元状态，ct-1为上一时刻单元状态。
[0107] 输出门： ht＝ot*tanh(ct)；其中，Wo为输出矩阵，bo为输出偏置，ht为当前时刻的最终输出。
[0108] 步骤(2)的交叉熵计算公式为：
[0109]
[0110] 其中，CrossEntropy(f(xi；w),yi)为交叉熵损失函数，t为样本数目，f(xi；w)为第i个样本的实际输出，yi为第i个样本的期望输出，xi为第i个样本输入，w为输入权重。
[0111] 步骤(3)的学习率设置为：初始学习率为1，衰减率为0.9，衰减步长50，全局衰减上限3000步。
[0112] 步骤六，通过验证集进行循环测试与超参数调整；
[0113] 使用的故障诊断评价指标计算公式为：
[0114] Accuracy＝(TP+TN)/(TP+TN+FP+FN)
[0115] Precision＝TP/(TP+FP)
[0116] 其中，Accuracy为准确率，Precision为查准率，TP、TN、FP、FN表示为：
[0117] TN＝TrueNegative表示真负，将正常诊断为正常的数量；
[0118] FP＝FalsePositive表示假正，将正常诊断为故障的数量；
[0119] FN＝FalseNegative表示假负，将故障诊断为正常的数目；
[0120] TP＝TruePositive表示真正，将故障诊断为故障的数目。
[0121] 所述步骤六还包括以下步骤：
[0122] (1)将验证集{Sensor-NS}validation、{Fault-S}validation导入LSTM输入层，设定准确率和查准率的阈值，将其作为是否进行逻辑循环的判断依据；
[0123] (2)若准确率和查准率低于设定阈值，则对LSTM的隐藏层数、单元数、初始学习率、批处理数目、训练迭代次数等超参数进行调整，直至准确率和查准率达到或超过设定阈值；
[0124] (3)若准确率和查准率指标达到或超过设定阈值，则直接进行故障诊断；
[0125] 步骤七，使用满足精度要求的模型进行海洋平台空气压缩机故障诊断；
[0126] 故障诊断过程将测试集{Sensor-S}test导入满足精度要求的LSTM模型中，通过前向传播算法计算得到该信号中的故障种类。
[0127] 步骤八，基于空气压缩机故障信号种类与位置的模型后期维护。
[0128] (1)故障诊断场景因故障种类改变而发生变换时，新故障诊断场景中的传感器信号采集按照步骤一所述的方式进行，并按照步骤二中的构建传感器信号时序序列集合与故障种类时序序列集合，通过多传感器融合中的卡尔曼滤波得到滤波信号数据集；新故障诊断场景中的训练集、验证集和测试集划分根据步骤三所述步骤进行；新故障诊断场景中的LSTM模型构建和模型训练分别按照步骤四和步骤五所述步骤进行；新故障诊断场景中的故障诊断过程根据步骤六所述进行。
[0129] (2)故障诊断场景因传感器测点变换而改变时，新故障诊断场景中的传感器布置按照具体需要进行改动，且传感器信号编号数目随之发生改变，传感器信号时序序列集合与故障种类时序序列集合的构建、滤波信号数据集获取根据步骤二所述进行；新故障诊断场景中的训练集、验证集和测试集划分根据步骤三所述步骤进行；新故障诊断场景中的LSTM模型构建和模型训练分别按照步骤四和步骤五所述步骤进行；新故障诊断场景中的故障诊断过程根据步骤六所述进行。
[0130] 与
现有技术相比，本发明具有以下优点：
[0131] (1)本发明对海洋平台空气压缩机的多元传感器信号进行时序序列构建，为卡尔曼滤波和后期的LSTM模型构建提供了高效合理的数据结构支持，有利于提高前期线型滤波的去噪效果，且有助于后期在LSTM权重矩阵中提取保留合理的故障特征。
[0132] (2)本发明从现有的数字信号处理理论出发，充分展现滤波是从混合的在一起的诸多信号中提取所需信号的过程；并从机器学习和数据挖掘的角度阐明了滤波是一个理性智能体把握当前状态以便进行理性决策所采取的的行动。选取的卡尔曼滤波是一种线性最优滤波器，有助于省略繁杂的传感器信号处理过程，普适程度高。
[0133] (3)本发明通过数字信号处理与人工智能领域深度学习理论的结合，将海洋平台空气压缩机的复杂故障诊断过程转化为一种基于多传感器监测的易用式诊断方法，通过算法层面的融合创新，最大程度的降低了诊断过程的硬件需求，降低诊断时间和诊断成本，为故障修复争取到更多宝贵时间。
[0134] (4)本发明在应对海洋平台空气压缩机故障诊断的诊断场景变换时，优先在信号序列设计、数据集处理、模型建立与运行阶段考虑了方法后期的移植性，通过将诊断环境变量设置为易于调节的诊断方法内部参数，实现多故障场景下的对海洋平台空气压缩机的灵活故障诊断。
[0135] 综上所述。本发明设计了一种基于LSTM的海洋平台空气压缩机故障诊断方法，充分使用LSTM网络的时序性计算能力，并结合卡尔曼线性最优滤波法，实现在现有传感器监测数据条件下，实现高效、高识别率、高适应性的海洋平台空气压缩机的故障诊断。
[0136] 以上所述仅为本发明的优选
实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何
修改、等同替换、改进等，均应包含在本发明的保护范围之内。
