[發明專利]一種基于LSTM模型的電動閥門故障檢測方法

在審

• 申請號: 201910875386.3
• 申請日: 2019-09-17
• 公開（公告）號: CN110633750A
• 公開（公告）日: 2019-12-31
• 發明（設計）人: 田中山;賴少川;楊昌群;牛道東;李育特;林元文;李永鈞;何俊
• 申請（專利權）人: 中國石化銷售有限公司華南分公司;揚州恒春電子有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;F16K37/00
• 代理公司: 11212 北京輕創知識產權代理有限公司
• 代理人: 潘云峰

1.一種基于LSTM模型的電動閥門故障檢測方法，其特征在于，包括如下步驟：

步驟S1：實時檢測閥門工作時的特征數據，并通過8通道高精度VGA信號采集卡將特征數據采集到故障診斷處理器中；

步驟S2：設定動態時窗，提取等長的時序數據作為數據集的樣本，制作診斷數據訓練集；

步驟S3：建立LSTM故障檢測網絡模型，并根據建立的電動閥門LSTM故障檢測模型采取反向傳播算法進行訓練；

步驟S4：電動閥門故障實時檢測，并將輸出向量元素最大值對應的故障類別作為電動閥門的故障檢測結果并將故障檢測結果顯示在液晶顯示屏上，如果檢測出某一電動閥門有故障，同時觸發蜂鳴警報器和故障信號燈以示監控人員提醒。

2.根據權利要求1所述的電動閥門故障檢測方法，其特征在于，所述特征參數包括電機電流I、電壓U、工作功率P、輸出扭矩T、線圈溫度Υ、行程百分比α、振動加速度a、聲壓τ。

3.據權利要求2所述的電動閥門故障檢測方法，其特征在于，所述特征數據行歸一化處理，采用的歸一化處理方式為最大最小歸一化方法，使得所有的輸入向量元素取值都在0-1之間，計算公式為其中，為歸一化后的特征值；x_i為第i個特征值，x_max,x_min分別為x_i中的最大值和最小值，將歸一化后的特征向量作為LSTM網絡的輸入向量，其中S為正整數。

4.根據權利要求3所述的電動閥門故障檢測方法，其特征在于，步驟S2中將電動閥門的故障類別分為正常、早期故障、磨損故障和卡閥故障四個類別，定義數據集格式為[data,label]，其中data為某種電動閥門運行狀態下的采集數據，label為人工標注的該種data所屬的故障類別，樣本數據采用“one-hot”方式編碼，其中[1,0,0,0]對應正常狀態，[0,1,0,0]對應早期故障狀態，[0,0,1,0]對應磨損故障狀態，[0,0,0,1]對應卡閥故障狀態。

5.根據權利要求1所述的電動閥門故障檢測方法，其特征在于，所述LSTM故障檢測模型的神經元細胞中每個時刻不同門的更新公式如下：

遺忘門：f_t＝sigmoid(w_f*[h_t-1,x_t]+b_f)；

輸入門：i_t＝sigmoid(w_i*[h_t-1,x_t]+b_i)；

輸入的候選狀態：

記憶細胞的輸出：c_t＝f_t*c_t-1+i_t*c_t％；

輸出門：o_t＝sigmoid(w_o*[h_t-1,x_t]+b_o)；

單元輸出：h_t＝o_t*tanh(c_t)；

其中，w_i、w_f、w_o、w_c分別為輸入門、遺忘門、輸出門以及細胞狀態的權值矩陣；b_i、b_f、b_o、b_c為對應的偏置項；h_t-1為t-1時刻的隱藏層狀態；x_t為t時刻的輸入向量；tanh為雙曲正切激活函數，將最后一個時刻的單元輸出值作為LSTM網絡的輸出值。

6.根據權利要求5所述的電動閥門故障檢測方法，其特征在于，步驟S3的訓練過程包括如下步驟：

步驟S301：對LSTM網絡模型隨機初始化種子；

步驟S302：選取每批訓練大小T為50，即每個Epoch選取50個樣本；棄權系數選取0.2；

步驟S303：損失函數選取分類交叉熵函數作為誤差計算公式：

其中，T為一次訓練用故障檢測的樣本數；為樣本i是否屬于類別m種電動閥門故障類別的真實標簽值，屬于則否則y_im為模型預測樣本i屬于第m種電動閥門故障類別的概率，i、m為正整數，其中

步驟304：選取學習率為0.2，選取隱藏層特征維度為28，選取整體樣本迭代次數Epoch設為100，以最小化損失函數為目標，計算誤差函數對權值矩陣的梯度，并應用Adam優化算法不斷迭代更新網絡中各門的權值矩陣，進而得到最優的電動閥門LSTM故障檢測網絡模型。