[發(fā)明專利]一種基于低偏差隨機(jī)配置網(wǎng)絡(luò)的氣動調(diào)節(jié)閥故障診斷方法

有效

• 申請?zhí)枺?/td>: 202011062714.7
• 申請日: 2020-09-30
• 公開（公告）號: CN112229624B
• 公開（公告）日: 2021-06-25
• 發(fā)明（設(shè)計）人: 代偉;王聰;張道明;彭勇;夏振興;楊春雨;繆燕子
• 申請（專利權(quán)）人: 中國礦業(yè)大學(xué)
• 主分類號: G01M13/003
• 分類號: G01M13/003
• 代理公司: 江蘇圣典律師事務(wù)所 32237
• 代理人: 郝偉揚

本發(fā)明公開了一種基于低偏差隨機(jī)配置網(wǎng)絡(luò)的氣動調(diào)節(jié)閥故障診斷方法，采用動態(tài)內(nèi)部主成分分析與經(jīng)典主成分分析方法進(jìn)行特征提取，通過低偏差隨機(jī)配置網(wǎng)絡(luò)模型進(jìn)行故障診斷。本發(fā)明不僅實現(xiàn)了氣動調(diào)節(jié)閥的故障診斷且具有較高的診斷準(zhǔn)確率，有效避免閥門帶故障運行；而且方法的通用性好，無需熟悉閥門機(jī)理與繁雜的經(jīng)驗知識即可完成故障診斷；一般的操作人員均可掌握，提高了氣動調(diào)節(jié)閥故障診斷的自動化和智能化程度。

技術(shù)領(lǐng)域

本發(fā)明涉及閥門故障檢測與診斷領(lǐng)域，特別涉及一種基于低偏差隨機(jī)配置網(wǎng)絡(luò)的氣動調(diào)節(jié)閥故障診斷方法。

背景技術(shù)

調(diào)節(jié)閥作為流體控制系統(tǒng)的重要組成部分，在系統(tǒng)中承擔(dān)控制流向、管理開閉、調(diào)節(jié)介質(zhì)參數(shù)等重要作用。為了穩(wěn)定運行，閥門應(yīng)該定期的保養(yǎng)與維護(hù)以延長使用壽命和可靠性，但是在長期的生產(chǎn)過程中不可避免的會產(chǎn)生故障，影響生產(chǎn)實踐。在我國巨大的工業(yè)規(guī)模下，研究調(diào)節(jié)閥的故障診斷具有重要意義。

目前故障診斷方法的研究主要分為三個方面：基于解析模型的方法、基于定性模型的方法及基于數(shù)據(jù)驅(qū)動的方法。

基于解析模型的方法需要準(zhǔn)確的測試過程對象的動態(tài)特性，通過運用先驗知識和系統(tǒng)辨識等方法得到對象的數(shù)學(xué)模型，使其能夠通過算術(shù)方程、積分微分方程描述出來。當(dāng)系統(tǒng)比較復(fù)雜，就難以建立系統(tǒng)的定量模型。而對于閥門故障診斷系統(tǒng)，即便同為氣動式閥門，不同的廠家也在通用的框架下做了各自的創(chuàng)新，導(dǎo)致模型很難具有通用性。

基于定性模型的方法不需要對對象進(jìn)行精確描述，只需建立對象的定性模型，將系統(tǒng)的結(jié)構(gòu)用代表物理參數(shù)的定型變量和表示參數(shù)間相互關(guān)系的定性約束方程來描述，但是由于只利用了定性信息，容易導(dǎo)致定性推理結(jié)果出現(xiàn)冗余、診斷結(jié)論不一致等問題。同時基于定性經(jīng)驗的監(jiān)控方法需要很多復(fù)雜高深的專業(yè)知識和長期的經(jīng)驗積累，從而變得不易操作。

基于數(shù)據(jù)驅(qū)動的故障診斷方法近年來引起了眾多學(xué)者的關(guān)注，主要由統(tǒng)計分析法和人工智能法。統(tǒng)計分析法有控制圖法、主元分析法、偏最小二乘法等。人工智能法有神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、ELM等，基本思路是利用過程數(shù)據(jù)訓(xùn)練，得到被診斷對象的特定參數(shù)的模型，進(jìn)而實現(xiàn)過程監(jiān)控的目的。其優(yōu)點是無需明確被測對象的物理定律、結(jié)構(gòu)原理等。基于數(shù)據(jù)驅(qū)動的故障診斷方法近年來引起了眾多學(xué)者的關(guān)注，用于大規(guī)模數(shù)據(jù)建模的隨機(jī)化算法成為研究的熱門。但一些熱門的隨機(jī)網(wǎng)絡(luò)存在一些問題。

RWNNs(Random weight neural networks,隨機(jī)權(quán)神經(jīng)網(wǎng)絡(luò))實現(xiàn)簡單、建模速度快。然而，兩個本質(zhì)缺陷使得RWNNs的應(yīng)用受到一定的限制：1)隱含層節(jié)點數(shù)不能先于訓(xùn)練而確定，即難以設(shè)定合適的網(wǎng)絡(luò)結(jié)構(gòu)；2)隱含層參數(shù)在固定不變的區(qū)間內(nèi)產(chǎn)生，影響其實際逼近特性。

RVFLNs(Random vector functional link networks,隨機(jī)向量函數(shù)鏈路網(wǎng)絡(luò))隨機(jī)分配輸入權(quán)重和偏置，采用最小二乘法訓(xùn)練輸出權(quán)重，在模型訓(xùn)練速度上有較大優(yōu)勢。但是如果隱含層隨機(jī)參數(shù)設(shè)置范圍不合適，RVFLNs網(wǎng)絡(luò)不能以概率1逼近目標(biāo)函數(shù)。

發(fā)明內(nèi)容

本發(fā)明所要解決的技術(shù)問題在于克服現(xiàn)有技術(shù)缺陷，提供一種結(jié)構(gòu)簡單，效果明顯的基于低偏差隨機(jī)配置網(wǎng)絡(luò)的氣動調(diào)節(jié)閥故障診斷方法。

為了解決上述技術(shù)問題，本發(fā)明提供的基于低偏差隨機(jī)配置網(wǎng)絡(luò)的氣動調(diào)節(jié)閥故障診斷方法，包括以下步驟：

1、數(shù)據(jù)采集：

在氣動調(diào)節(jié)閥預(yù)留處安裝位移傳感器獲取閥桿位移X，在傳輸管道前后安裝壓力傳感器獲取閥前壓力P1、閥后壓力P2，在管道內(nèi)安裝流速傳感器獲取介質(zhì)流速F。閥門執(zhí)行器電流信號輸入范圍為4-20mA電流信號，以25％階躍給定執(zhí)行器輸入CV，通過信號采集裝置采集各變量數(shù)據(jù)并通過串口通信將采集的數(shù)據(jù)通過微機(jī)單元傳輸至上位機(jī)。

2、數(shù)據(jù)預(yù)處理與特征提取