基于深度学习的压力容器腐蚀剩余寿命预测方法研究综述

（1.重庆科技学院安全工程学院，重庆，401331；2.重庆科技学院数理与大数据学院，重庆，401331）

摘  要：伴随着现代工业的快速发展，压力容器在石油、化工领域施展着日益关键的作用，其中腐蚀作为典型压力容器极为常见的一种失效形式，研究其失效特征及模式，应用深度学习方法实现可靠性的油气化工承压容器寿命预测，对提升化工行业安全智能化水平具有重要的意义。论文介绍了工业设备剩余寿命预测的研究现状，对三类典型深度学习方法在剩余寿命预测领域的应用进行了分析，总结其优缺点，最后基于深度学习在压力容器剩余寿命预测方向的研究作出展望。

关键词：压力容器；腐蚀；寿命预测；深度学习

项目及编号：重庆科技学院研究生科技创新计划项目资助（项目编号：YKJCX2020726）；

作者简介：光宇（1997-），男，安徽省铜陵市人，在读硕士研究生，就读于重庆科技学院安全工程学院（应急管理学院），主要研究方向为油气化工过程安全。

引 言

随着我国油气化工行业的快速发展，压力容器作为较常见的化工设备之一，且逐步向大型化、复杂化发展，对其工作环境也有了更高的要求。在实际运行中，由于受环境及其相关条件的影响，压力容器会出现各种腐蚀情况，对设备的安全性能造成威胁，对油气化工行业的生产运行及人员的安全带来极大的隐患^[1][2]。腐蚀作为典型压力容器极为常见的一种失效形式，据统计，由于设备腐蚀造成的安全事故占66.7%，其重要性不容忽视。寿命预测作为预测与健康管理技术的基础与核心内容，是当前设备可靠性的热点问题，寿命预测在材料、设备等多领域起到重要的作用，不容忽视。而深度学习作为近年来人工智能领域的一种新的技术，能够挖掘设备运行中的监测数据和状态数据等与设备剩余寿命之间的关系，建立起监测数据与寿命之间的映射^[3]。目前，深度学习在人脸识别、语音识别、数据挖掘等方面应用广泛且日趋成熟，但将深度学习与油气化工领域涉及的管道、压力容器等结合起来，以达到寿命预测的目的，其应用较少^[4]。所以，研究典型油气化工压力容器的腐蚀失效特征及模式，开发基于缺陷检测数据的压力容器结构健康监测技术，实现可靠性的油气化工容器寿命预测技术，对应于实现高参数，高能量和高风险的化工过程本质安全成为当前研究前沿和热点，提升化工行业安全智能化水平具有重要的意义。

1 工业设备剩余寿命预测研究现状

故障预测与健康管理（Prognostics and Health Management，PHM）技术的发展有利于对设备安全性得以提高，能够合理安排维修与设备更换。过去几十年来各个领域的专家学者、研究机构不断地发展PHM技术，而其核心内容就是研究剩余寿命（Remaining Useful Life，RUL）预测技术。随着大数据和传感器技术的不断发展，越来越多的设备运行监测数据能够被收集利用，RUL技术也得到了更大的发展^[5]。

RUL技术根据不同的划分方式可以有各种不同的分类，目前最为热门的为基于数据驱动的寿命预测方法，数据驱动寿命预测又可分为基于统计数据驱动、机器学习和相似性的方法^[6]。基于统计数据模型的方法的主要原理是在不依赖物理模型知识下，用随机关系模型或者随机过程模型对观察到的退化数据进行拟合，以获得预测RUL的模型。实际工程中的退化模型大多数是未知的，机器学习能够很好的解决这一问题，不依托于设备的退化模型，而是从数监测数据本身出发，提取数据特征，完成设备状态判断与寿命预测^[7]。传统基于机器学习的寿命预测方法主要包括数据获取，数据集的构建、特征提取、数据集训练、测试和寿命预测等步骤。魏猛^[8]等人利用NARX动态神经网络完成了锂电子电池的剩余寿命预测，李建伟^[9]等人提出了一种利用粒子群算法优化径向基神经网络的刀具寿命预测方法。但传统机器学习存在明显的短板，其很难处理大量的设备数据，且在特征提取等环节依赖于专家先验知识，不能自动处理与分析。 

2  基于深度学习的压力容器剩余寿命预测方法

在大数据和云计算背景下，监测技术发展迅速，获取的工业设备传感器监测数据呈爆发式增长。在拥有海量数据的前提下，深度学习方法以自身强大的数据处理能力被人们所关注与青睐，也为设备寿命预测更加智能化发展提供了条件^[10]。本节针对基于深度学习的三类剩余寿命预测方法进行分析讨论。

 2.1 基于深度神经网络的方法

深度神经网络(Deep Neural Networks DNN)结构如下图2.1所示，从结构来看，与传统的神经网络并无太大差别，但增加了隐藏层的层数，且解决了模型可被训练的问题。在DNN网络结构中，相邻层之间的连接方式为全连接，神经元与神经元之间具备线性关系。 

图2.1 DNN网络结构

基于深度神经网络在寿命预测方面的研究，周福娜[11]提出了一种将PCA与深度学习相结合的方法，从而解决了多时段故障的准确预测与诊断问题，且最终实现寿命预测的目标。DNN神经网络寿命预测过程中，由于相邻两层之间为全连接关系，会造成参数过多、计算量大等问题，从而出现过拟合的现象，对寿命预测结果造成影响。这也说明随着DNN的层数逐渐增加，对其计算能力形成挑战，也需要更长的时间完成数据处理工作，以达到预测精度的要求。

2.2 基于卷积神经网络预测方法

积神经网络(Convolutional Neural Networks CNN)是一种带有卷积计算的前馈神经网络，典型架构如下图2.2所示，通过卷积层、池化层、激活层、全连接层和一些辅助层的连接，实现局部连接和权重共享。在CNN网络训练的过程中，特征数据前向通过每一层网络进行输出，然后对比网络输出和目标函数之间的损失，计算梯度并更新权重，从而实现迭代的过程，完成从压力容器腐蚀特征到寿命的拟合过程。

图2.2 典型CNN网络结构

Babu等^[12]提出一种基于多层CNN的回归预测方法，来处理复杂装备的寿命预测问题。为了更好地预测多工况条件下的设备RUL，郭旭东^[13]等提出一种基于CNN联合长短记忆网络的寿命预测模型。可以发现CNN的当前时刻仅与前一时刻的信息有关，对于时间较久的数据信息无法关联，在寿命预测方面便会存在短板，影响其发展。因此通常利用CNN与其他方法联合的方式处理时间序列长短在寿命预测上的问题，也大大提高了寿命预测的准确性。

2.3 基于长短记忆网络的预测方法

长短记忆网络(Long Short-Term Memory LSTM)在不同时刻有着不同的输入，而且隐含层会选择性地保留信息，对于时间序列的压力容器腐蚀数据而言，充分利用其模型优点预测剩余寿命。LSTM从输入层开始计算，经过隐含层，最终由输出层计算网络的输出，在LSTM网络内部的循环时间即将结束时，隐含层内部的神经元仍然能够根据输入的信息选择保留和丢弃的信息，满足在寿命预测过程随着时间推移下参数的不断输入与更新，实现寿命预测的目的。

对CNN等网络来说，有一些问题是没有办法解决的，这一类问题就是时间序列问题。例如预测单词问题，在这一类问题中，想要得到准确的输出就必须参考前一时刻的输出，而对于CNN、DNN等模型来说，因为它们只存在输入层、隐含层和输出层，一个输入对应一个输出，这样的网络构造方式使得它们无法攻克时间序列这一难题。而LSTM网络模型作为循环神经网络（Recurrent Neural Network, RNN）模型的一种变体，在处理和预测基于时间序列的特征问题时优势更加明显。 

3  总结

本文分析了国内外工业设备剩余寿命预测的研究现状，着重介绍了DNN、CNN、LSTM在剩余寿命预测方面的应用，并判断各类的优缺点。但在压力容器的健康状态监测以及寿命预测方面，几乎都是按照“最弱环节”原则寻找“最不安全的那一缺陷”来判断承压设备的安全性，对其动态安全程度的判断存在缺失，对设备的寿命预测与安全性能的判断严重不足。在此背景下，基于数据驱动方法对压力容器进行寿命预测的研究极少，尤其是深度学习方法的 RUL预测将会是未来RUL预测的主流方向，有很大的应用空间。

参考文献：

[1] 王天曜,李敞,刘文强. 几种常见的压力容器腐蚀类型及防护措施探究[J].清洗世界,2020,36(05): 12-13.

[2] 喻勇,司小胜,胡昌华,等. 数据驱动的可靠性评估与寿命预测研究进展:基于协变量的方法[J].自动化学报,2018,44(02): 216-227.

[3] REN L, SUN Y, WANG H, et al. Prediction of bearing remaining useful life with deep convolution neural network[J]. IEEE Access, 2018, 6: 13041-13049.

[4] AND, KIM N H, CHOI J H. Practical options for selecting data-driven or physics-based prognostics algorithms with reviews[J]. Reliability Engineering & System Safety,2015,133: 223-236.

[5] 司小胜,胡昌华. 数据驱动的设备剩余寿命预测理论及应用. 北京：国防工业出版社,2016.

[6] 裴洪,胡昌华,司小胜,张建勋,庞哲楠,张鹏。基于机器学习的设备剩余寿命预测方法综述.机械工程学报,2019,55(8): 1-8.

[7] 施梦琢. 改进LSTM网络的锂离子电池剩余寿命预测方法研究[D].陕西科技大学,2021.

[8] 魏孟,王桥,叶敏,李嘉波,徐信芯.基于NARX动态神经网络的锂离子电池剩余寿命间接预测[J].工程科学学报,2022,44(03):380-388.

[9] 李建伟,刘成波,郭宏,吕娜.基于PSO-RBF神经网络的刀具寿命预测[J].计算机系统应用,2022,31(01):309-314.

[10] 张国辉.基于深度置信网络的时间序列预测方法及其应用研究[D]. 哈尔滨工业大学, 2017.