[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

本發明公開了一種基于LSTM模型的電動閥門故障檢測方法，包括如下步驟：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；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；建立LSTM故障檢測網絡模型，并根據LSTM故障檢測模型采取反向傳播算法進行訓練；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。本發明提高了電動閥門智能化水平，減免了人工檢測的大量工作，實時性高并滿足工業要求。

技術領域

本發明涉及電動閥門技術領域，尤其涉及到一種基于LSTM模型的電動閥門故障檢測方法。

背景技術

在大多數工業領域，閥門是必不可少的元件之一。現今，電動閥門由于其具有力矩大、能夠用在高溫高壓的介質控制中的優點，在化工、石油、天然氣等行業受到廣泛青睞。然而在真實工業環境里，有相當一部分的閥門因長期使用、磨損、腐蝕或其他原因會出現內外滲漏或泄漏故障。若不及時發現和處理，將會導致介質泄漏、環境污染甚至造成起火爆炸等災難性的事故發生。傳統的閥門故障診斷機理，是以檢修工人以一定周期地去巡檢與查驗，這種方法費時費力，而且龐大的工業系統中閥門的使用數量是數以百計甚至是數以千計的。隨著工業技術的不斷發展，經常拆卸閥門的診斷方法已經遠遠不能適應要求，故障檢測效果往往不夠理想，并且增加了維修成本和檢修周期。基于數據驅動的方法是解決電動閥門故障檢測問題的一種主流方法，這得益于深度學習理論驚人的非線性擬合能力和出色的抽象挖掘能力。循環神經網絡(RNN) 將時序的概念引入到網絡結構設計中，隱藏層之間的互連結構反映出時間序列之間的相互影響關系，但是RNN存在著梯度消失、梯度爆炸和長期記憶能力不足等問題。長短期記憶(LSTM)模型是RNN的一種變體，它通過在網絡中加入細胞結構(cell)彌補RNN的不足，從而對時序數據具有更強地適用性，能夠抓住長遠的上下文信息。

發明內容

針對上述技術問題，本發明的目的在于提供一種基于LSTM模型的電動閥門故障檢測方法，能依靠可觀測的數據解析并得出故障類別，突破僅能在單一時刻觀測得出故障的限制，抓住傳感器檢測數據的上下文信息，降低故障誤檢率，顯著提高閥門的智能化水平，使得精確實時地檢測出電動閥門是否處于故障狀態并得出故障類別。

為實現上述目的，本發明是根據以下技術方案實現的：

一種基于LSTM模型的電動閥門故障檢測方法，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。

上述技術方案中，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γ、行程百分比α、振動加速度a、聲壓τ。

上述技術方案中，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。