基于紅外熱成像與CNN的壓裂裝備故障精準(zhǔn)識(shí)別及預(yù)警

劉慧舟, 胡瑾秋, 張來(lái)斌, 張 彪

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

中國(guó)頁(yè)巖氣資源豐富,頁(yè)巖氣的開(kāi)采對(duì)于調(diào)整能源結(jié)構(gòu),緩解天然氣短缺問(wèn)題具有重要意義[1-2]。頁(yè)巖氣的開(kāi)采依賴(lài)于有效的壓裂作業(yè)[3]。壓裂泵作為壓裂施工過(guò)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(zhǎng)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(guò)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(lái)很多無(wú)法估量的經(jīng)濟(jì)損失[6-7]。使用振動(dòng)分析進(jìn)行壓裂泵的故障識(shí)別時(shí)存在振動(dòng)信號(hào)采集困難、信號(hào)易受波動(dòng)、需接觸的問(wèn)題,而紅外熱成像技術(shù)作為一種非接觸監(jiān)測(cè)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(cè)、醫(yī)療、電氣設(shè)備故障識(shí)別等領(lǐng)域[8]。Ring等[9-11]對(duì)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(duì)紅外熱成像在電氣設(shè)備、電路板的故障檢測(cè)識(shí)別方法進(jìn)行了研究。宓為建等[15-18]針對(duì)紅外熱成像技術(shù)在發(fā)動(dòng)機(jī)、變速箱軸承、管道等機(jī)械設(shè)備和特種設(shè)備識(shí)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(duì)工件表面缺陷進(jìn)行檢測(cè)?？傮w而言,識(shí)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(duì),識(shí)別的對(duì)象發(fā)生故障時(shí)溫度表征較為明顯,通過(guò)調(diào)節(jié)對(duì)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(shí)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(lái)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(lèi)網(wǎng)絡(luò)結(jié)構(gòu),在圖像及視頻目標(biāo)檢測(cè)、分割識(shí)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(dòng)帶來(lái)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(yè)巖氣壓裂裝備故障的識(shí)別難點(diǎn),筆者開(kāi)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(shí)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(lèi)[26],從而實(shí)現(xiàn)頁(yè)巖氣壓裂泵運(yùn)行故障的識(shí)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(guò)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(duì)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?chē)鷶?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(huì)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(duì)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(lèi)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(lèi)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(duì)比度對(duì)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(lèi)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(guò)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(duì)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(yǔ)音及圖像識(shí)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(lèi)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(wú)疑會(huì)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(jiàn)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(guò)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(guò)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(guò)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(wú)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(guò)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(guò)多個(gè)Sigmoid函數(shù)時(shí)會(huì)導(dǎo)致權(quán)重W對(duì)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(lái)解決上述問(wèn)題。如圖4所示,Relu為分段函數(shù),具有分段線性性質(zhì),會(huì)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(guò)擬合,提高了訓(xùn)練過(guò)程中的收斂速度。

圖4 三類(lèi)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(guò)少則會(huì)引起模型的過(guò)擬合,致使最后的分類(lèi)結(jié)果準(zhǔn)確率較低,無(wú)法保證較好的魯棒性,針對(duì)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(duì)于隨機(jī)梯度下降來(lái)說(shuō)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(guò)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(shí)別及早期預(yù)警步驟

2.1 壓裂泵典型故障分析

通過(guò)對(duì)壓裂施工現(xiàn)場(chǎng)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(lèi)型及可能原因?yàn)?

(1)吸入端吸空。多由混砂車(chē)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(zhǎng)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(wú)明顯征兆,發(fā)生此類(lèi)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(dòng)幅度過(guò)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(dòng)力端異常。動(dòng)力部分或傳動(dòng)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(shí)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(duì)焦模式則自動(dòng)調(diào)整焦距,若無(wú)則手動(dòng)調(diào)整至監(jiān)測(cè)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(dòng)溫寬選項(xiàng)上下限為畫(huà)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(duì)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(zhǎng)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(guò)灰度化、中值降噪及邊緣銳化處理。預(yù)處理過(guò)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(cè)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(zhǎng)、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(jiàn)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(shí)別的最佳參數(shù)組合。

2.2.2 測(cè)試及應(yīng)用階段

步驟1:得到不同類(lèi)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(cè)試集進(jìn)行準(zhǔn)確率測(cè)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(cè)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(cè)試,若只能識(shí)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(cè)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(yè)巖氣壓裂施工現(xiàn)場(chǎng)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(guò)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(shí)別為故障則輸出故障類(lèi)別。

整體流程如圖6所示。

圖6 故障識(shí)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(tái)搭建

頁(yè)巖氣現(xiàn)場(chǎng)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(tái)一套,如圖7所示。柱塞泵故障模擬實(shí)驗(yàn)平臺(tái)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(rùn)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(chǔ))、Y160M-4-11型變頻電機(jī)(電壓380 V,功率11 kW)、流量計(jì)2臺(tái)、3D2-Y160M型底盤(pán)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(tái)Fig.7 Three-cylinder plunger pump test bench

故障模擬實(shí)驗(yàn)平臺(tái)可模擬生產(chǎn)現(xiàn)場(chǎng)壓裂柱塞泵多種常見(jiàn)故障:①可通過(guò)調(diào)節(jié)低壓吸入端閥門(mén)開(kāi)度模擬現(xiàn)場(chǎng)壓裂泵低壓吸入端吸入不足、不均、無(wú)吸入故障;②通過(guò)調(diào)節(jié)(松動(dòng))柱塞泵故障模擬實(shí)驗(yàn)平臺(tái)高壓輸出端螺栓緊固程度,模擬現(xiàn)場(chǎng)壓裂柱塞泵高壓輸出端刺漏故障;③通過(guò)拆卸泵頭體部分封閉部件螺栓,模擬現(xiàn)場(chǎng)壓裂柱塞泵泵頭體故障;④通過(guò)調(diào)節(jié)變頻電機(jī)運(yùn)行頻率,模擬現(xiàn)場(chǎng)壓裂柱塞泵動(dòng)力輸出異?；蚬收稀?/p>

3.2 數(shù)據(jù)采集及預(yù)處理

針對(duì)以壓裂泵為代表的壓裂裝備故障識(shí)別及預(yù)警問(wèn)題,設(shè)置相關(guān)參數(shù)。其中調(diào)焦模式設(shè)置為自動(dòng),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(guò)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(duì)應(yīng)的輸出端及地面測(cè)溫參考點(diǎn)溫度變化如圖8所示,其中在第604 s時(shí)開(kāi)始刺漏。刺漏發(fā)生前地面測(cè)溫參考點(diǎn)Sp1的溫度為26.5 ℃,輸出端測(cè)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(cè)溫參考點(diǎn)溫度變化曲線Fig.8 Temperature change curve of temperature reference point

對(duì)應(yīng)的刺漏故障發(fā)生前后局部紅外熱像見(jiàn)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(cuò)判。

按照灰度化、去噪、銳化預(yù)處理流程對(duì)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(duì)應(yīng)的正常類(lèi)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(lái)定義損失,在經(jīng)過(guò)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(guò)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(guò)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(duì)訓(xùn)練過(guò)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(lèi)器的張量變化情況,而將高維向量輸入,通過(guò)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(shí)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(shí)別,并將本文方法與常見(jiàn)的圖像識(shí)別分類(lèi)方法如LBP+SVM、HOG+SVM、聚類(lèi)K-means進(jìn)行比較,取正常及刺漏故障圖像的識(shí)別正確數(shù)目(張)占測(cè)試集圖像總數(shù)的比例作為準(zhǔn)確率,結(jié)果見(jiàn)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(cè)試表明訓(xùn)練后的網(wǎng)絡(luò)模型可以準(zhǔn)確識(shí)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(chǎng)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(huì)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(shí)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(shí)別結(jié)果Fig.15 Identification results of leakage using different methods

4 結(jié) 論

(1)以?xún)?yōu)化的CNN網(wǎng)絡(luò)進(jìn)行故障識(shí)別,提高了準(zhǔn)確率的同時(shí)使得故障識(shí)別更為智能化,為當(dāng)前頁(yè)巖氣井場(chǎng)的無(wú)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(shí)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(chǎng)人員發(fā)現(xiàn)故障并采取有效措施節(jié)約了時(shí)間。