CN108895195B - 一种气动调节阀智能故障诊断系统的控制方法 - Google Patents
一种气动调节阀智能故障诊断系统的控制方法 Download PDFInfo
- Publication number
- CN108895195B CN108895195B CN201810812462.1A CN201810812462A CN108895195B CN 108895195 B CN108895195 B CN 108895195B CN 201810812462 A CN201810812462 A CN 201810812462A CN 108895195 B CN108895195 B CN 108895195B
- Authority
- CN
- China
- Prior art keywords
- sample
- data
- model
- fault
- diagnosis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000003745 diagnosis Methods 0.000 claims abstract description 53
- 238000012549 training Methods 0.000 claims description 34
- 238000006073 displacement reaction Methods 0.000 claims description 23
- 238000012360 testing method Methods 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 17
- 102000008297 Nuclear Matrix-Associated Proteins Human genes 0.000 claims description 9
- 108010035916 Nuclear Matrix-Associated Proteins Proteins 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 210000000299 nuclear matrix Anatomy 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000007257 malfunction Effects 0.000 claims description 6
- 102220202041 rs762836110 Human genes 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000005299 abrasion Methods 0.000 claims 1
- 238000004092 self-diagnosis Methods 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000002513 implantation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16K—VALVES; TAPS; COCKS; ACTUATING-FLOATS; DEVICES FOR VENTING OR AERATING
- F16K37/00—Special means in or on valves or other cut-off apparatus for indicating or recording operation thereof, or for enabling an alarm to be given
- F16K37/0025—Electrical or magnetic means
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16K—VALVES; TAPS; COCKS; ACTUATING-FLOATS; DEVICES FOR VENTING OR AERATING
- F16K37/00—Special means in or on valves or other cut-off apparatus for indicating or recording operation thereof, or for enabling an alarm to be given
- F16K37/0025—Electrical or magnetic means
- F16K37/0041—Electrical or magnetic means for measuring valve parameters
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种气动调节阀智能故障诊断系统的控制方法，包括建立离线故障诊断模型步骤及在线故障诊断步骤；通过建立离线故障诊断模型步骤及在线故障诊断步骤，不仅实现气动调节阀故障自诊断的基础上提高了故障诊断的准确率，尤其减少了故障漏诊率，避免阀门故障运行；而且通用性较好，无需复杂的专家经验知识储备即可完成故障诊断；一般操作人员均可掌握，提高了气动调节阀故障诊断的自动化和智能化程度。
Description
技术领域
本发明涉及阀门故障检测与诊断领域，具体是一种气动调节阀智能故障诊断系统的控制方法。
背景技术
气动调节阀作为工业自动化控制系统的终端执行设备，广泛应用于石化、冶金、轻工、食品等行业，其故障检测与诊断关系到安全与生产。传统的故障检修方式是根据经验定期排查，这不仅浪费了大量的人力物力，还造成了大量的正常阀门因检修拆装而故障。
目前市场上现有在线故障检测装置多为国外进口的智能定位器，而且必须有通讯协议，还需要专门的分析软件，成本高，通用性差。对于没有通讯协议和分析软件的阀门控制系统，即使配备了进口的智能阀门定位器，也无法进行故障诊断。
现有诊断方法主要依赖于工程师的经验进行诊断，主要思路是：在气动调节阀工作过程中，通过压力传感器和位移传感器采集压力和位移数据，并将数据同出厂时的数据作对比，工程师凭借经验分析对比结果，进而实现阀门的故障诊断。但是这种方法对专家知识储备要求较高，而且对于微小故障难以诊断，漏诊严重。
发明内容
针对上述现有技术存在的问题，本发明提供一种气动调节阀智能故障诊断系统的控制方法，可实现气动调节阀故障的自诊断，提高故障诊断准确率，降低故障漏诊率。
为了实现上述目的，本发明采用的技术方案是：一种气动调节阀智能故障诊断系统的控制方法，包括以下步骤：
A、建立离线故障诊断模型：
A.1、数据采集：
在气动调节阀螺盖旁预留处和膜室外供气孔处分别安装位移传感器和压力传感器，按照百分比的阶跃信号给定4-20mA的电流输入信号，通过数据采集装置采集压力和位移数据，并通过串口通信将采集的数据通过主控制器传输至上位机；
气动调节阀故障分为C种，C是气动调节阀的状态类别数，包括C-1种故障状态及1种正常状态；在本训练诊断模型部分，每个状态采集到的压力和位移数据作为一个原始样本，Num是每种故障状态的样本个数，通过不同故障强度可以采集到同一状态不同的样本；每种状态都有Num个样本，样本总数；
A.2、数据分段：
采集到的数据为一个包含压力和位移数据在内的2*N矩阵，N是采集的信号点数，同时输入信号是百分比的阶跃给定的，压力和位移信号均可分为正反行程的0、阶跃百分比递增共A段数据；每个样本包含压力、位移共计2A段数据，从2A段信号数据中提取样本特征；
A.3、特征提取：
上位机分别对步骤一采集的数据进行步骤二分段后图的T*2A段数据进行特征提取；分别提取如下5种特征：
A.3.1、绝对均值（Mean of absolute value）:
式中是信号的时域序列，i=1,2，…，N；N为该段数据样本点数；实际采集到的是连续信号的离散点，用表示采集到的离散信号的时域序列，相当于，其中i=1,2，…，N；
A.3.2、均方差（Standard deviation）:
式中该段数据的平均值；
A.3.3、均方根（Root mean square）:
；
A.3.4、峰值因子（Crest factor）:
式中是该段数据的最大值；
A.3.5、波形指标（Shape factor）:
；
一个样本分成2A段提取以上5种特征，特征总数为2A*5；通过步骤A.1、步骤A.2和步骤A.3，可以得到特征数为2A*5的样本，整个样本集特征总个数为Num*C*2A*5=T*2A*5,同时也是样本集的元素总个数；
A.4、数据归一化，分配训练集与测试集：
通过步骤A.1、步骤A.2和步骤A.3，可以得到特征数为2A*5的样本，整个样本集特征总个数为Num*C*2A*5=T*2A*5,同时也是样本集的元素总个数；
将样本集数据归一化（-1,1），具体归一化方法如下：
给归一化后的数据加上标签1-C，分别表示C种气动调节阀故障状态；打乱贴上标签样本集的顺序，将样本集分成n个训练样本和m个测试样本分别进行训练与测试；其中m+n=Num；
A.5、离线模型优化：
A.5.1、模型离线训练：
采用核极限学习机(KELM)的方法对训练集样本进行训练，得到模型参数，具体按照如下公式得到模型参数：
式中是模型参数，是单位矩阵，是正则化参数，是训练集标签的向量形式，是核矩阵，是输入样本的高维映射，具体选择线性核函数，公式如下：
式中是训练集样本，是和的内积，是核半径；
最终训练好的诊断模型如下：
式中是核矩阵，是训练样本，是测试样本；
A.5.2、模型离线测试
步骤A.5.1中模型训练好之后，可以得到模型参数，是一个n*2A*5的矩阵，n为训练样本个数，2A*5是选取的特征总数；将测试样本输入到故障诊断模型，即可得到诊断结果；通过对比诊断结果和预设标签，可以得到测试集样本故障诊断的准确率；
反复执行步骤A.4，改变训练样本和测试样本，同时调整步骤A.5.1中的正则化参数和核半径，比较训练集和测试集诊断准确率，得到最优故障诊断模型；
B、在线故障诊断：
B.1、植入离线模型：
将步骤A中得到的故障诊断模型植入在线故障诊断系统中，在数据采集装置基础上写入故障诊断模型；具体为：将训练样本集与模型参数预先存入数据采集装置的SDRAM中，根据上述故障诊断模型即编写故障诊断模块程序；
B.2、采集实时数据：
通过数据采集装置在线采集运行状态下气动调节阀膜室压力、阀杆位移的实时数据；
B.3、数据预处理、特征提取：
按照步骤A.2中的分段原则，分段提取样本特征，特征提取完成后，删除数据，减小内存占有率；提取的特征构成一组在线实时采集的样本，是一个1*90的数组；
B.4、在线故障诊断：
将步骤B.3中提取的在线实时采集的样本，输入到已经植入的模型中进行故障诊断，模型具体如下：
式中是核矩阵，是待诊断样本，是预存在SDRAM中的训练样本，是预存在SDRAM中的模型参数；
B.5、诊断结果输出：
将诊断结果输出至液晶显示模块，如果诊断结果为漏气故障、阀座异物故障、阀芯磨损故障、摩擦力增大故障、弹簧故障，则通过故障报警模块发出故障警告，相应故障指示灯闪烁；若无故障，则显示屏显示无故障，不发出故障警告。
本发明的有益效果是：和传统定期检修方式先比，实现了气动调节阀故障的自诊断，有效的减少了人力物力的浪废，提高了生产效率；和现有带故障诊断功能的智能定位器相比，本发明采用核ELM的方法调高了故障诊断的准确率，尤其减少了故障漏诊率，避免阀门故障运行，而且本发明通用性较好，无需复杂的专家经验知识储备即可完成故障诊断；且一般操作人员均可掌握，可完成准确可靠的故障诊断，提高了气动调节阀故障诊断的自动化和智能化程度。
附图说明
图1为本发明工作流程图；
图2为本发明系统结构图；
图3为本发明采集到的典型无故障状态压力位移曲线图；
图4为本发明离线诊断结果对比图；
图中：1、上位机，2、数据采集装置，21、压力传感器，22、位移传感器，3、待检测阀门， 4、A/D转换模块，5、主控制器，6、RS232通信模块，7、液晶显示模块，8、串口通信模块，9、故障报警模块。
具体实施方式
下面结合附图对本发明作进一步说明。
如图1所示，一种气动调节阀智能故障诊断系统的控制方法，包括以下步骤：
A、建立离线故障诊断模型：
A.1、数据采集：
在气动调节阀螺盖旁预留处和膜室外供气孔处分别安装位移传感器和压力传感器，按照25%阶跃给定4-20mA的电流输入信号，通过数据采集装置采集压力和位移数据，并通过串口通信将采集的数据通过主控制器传输至上位机；
本实施例内，气动调节阀故障分为漏气故障、阀座异物故障、阀芯磨损故障、摩擦力增大故障、弹簧故障，还有正常状态（无故障状态），是气动调节阀的状态类别数，包括5种故障状态及1种正常状态；在本训练诊断模型部分，每个状态采集到的压力和位移数据作为一个原始样本，Num是每种故障状态的样本个数，通过不同故障强度可以采集到同一状态不同的样本；每种状态都有Num=80个样本，样本总数T=Num*C=480个。
A.2、数据分段：
采集到的数据为一个包含压力和位移数据在内的2*N矩阵，N是采集的信号点数，本实施例内N=272016，同时输入信号是按25%阶跃给定的，压力和位移信号均可分为正反行程的0、25%、50%、75%、100%共9段数据；每个样本包含压力、位移共计18段数据，从18段信号数据中提取样本特征；图4为典型无故障压力位移图，可用于分段参考。
A.3、特征提取：
上位机分别对步骤一采集的数据进行步骤二分段后的T*18=480*18=8640段数据进行特征提取；分别提取如下5种特征：
A.3.1、绝对均值（Mean of absolute value）:
式中是信号的时域序列，i=1,2，…，N；N为该段数据样本点数；实际采集到的是连续信号的离散点，用表示采集到的离散信号的时域序列，相当于，其中i=1,2，…，N；
A.3.2、均方差（Standard deviation）:
式中该段数据的平均值；
A.3.3、均方根（Root mean square）:
；
A.3.4、峰值因子（Crest factor）:
式中是该段数据的最大值；
A.3.5、波形指标（Shape factor）:
；
一个样本分成18段提取以上5种特征，特征总数为90。
A.4、数据归一化，分配训练集与测试集：
通过步骤A.1、步骤A.2和步骤A.3，可以得到特征数为90的样本，整个样本集特征总个数为Num*C*90=480*90,同时也是样本集的元素总个数；
将样本集数据归一化（-1,1），具体归一化方法如下：
给归一化后的数据加上标签1-6，标签1-6分别表示无故障、漏气故障、阀座异物故障、阀芯磨损故障、摩擦力增大故障、弹簧故障；打乱贴上标签样本集的顺序，将样本集分成n=320个训练样本和m=160个测试样本分别进行训练与测试；其中m+n=Num。
A.5、离线模型优化：
A.5.1、模型离线训练：
采用核极限学习机(KELM)的方法对训练集样本进行训练，得到模型参数，具体按照如下公式得到模型参数：
式中是模型参数，是单位矩阵，是正则化参数，是训练集标签的向量形式，是核矩阵，是输入样本的高维映射，具体选择线性核函数，公式如下：
式中是训练集样本，是和的内积，是核半径；
最终训练好的诊断模型如下：
式中是核矩阵，是训练样本，是测试样本；
A.5.2、模型离线测试
步骤A.5.1中模型训练好之后，可以得到模型参数，是一个320*90的矩阵，320为训练样本个数，90是选取的特征总数；将测试样本输入到故障诊断模型，即可得到诊断结果；通过对比诊断结果和预设标签，可以得到测试集样本故障诊断的准确率；
反复执行步骤A.4，改变训练样本和测试样本，同时调整步骤A.5.1中的正则化参数和核半径，比较训练集和测试集诊断准确率，得到最优故障诊断模型；本实施例最终选取的正则化参数C为500，核半径为930。最终得到的模型训练集诊断准确率为99.85%，测试集诊断准确率为92.09%。图4给出了本方法与专家系统离线诊断结果对比图。
B、在线故障诊断：
B.1、植入离线模型：
将步骤A.5.2中得到的最优故障诊断模型植入在线故障诊断系统中，在数据采集装置基础上写入故障诊断模型；具体为：将训练样本集与模型参数预先存入数据采集装置的SDRAM中，根据上述故障诊断模型即编写故障诊断模块程序。
B.2、采集实时数据：
通过数据采集装置在线采集运行状态下气动调节阀膜室压力、阀杆位移的实时数据。
B.3、数据预处理、特征提取：
按照步骤A.2中的分段原则，分段提取样本特征，特征提取完成后，删除数据，减小内存占有率；提取的特征构成一组在线实时采集的样本，是一个1*90的数组。
B.4、在线故障诊断：
将步骤B.3中提取的在线实时采集的样本，输入到已经植入的模型中进行故障诊断，模型具体如下：
式中是核矩阵，是待诊断样本，是预存在SDRAM中的训练样本，是预存在SDRAM中的模型参数。
B.5、诊断结果输出：
将诊断结果输出至液晶显示模块，如果诊断结果为漏气故障、阀座异物故障、阀芯磨损故障、摩擦力增大故障、弹簧故障，则通过故障报警模块发出故障警告，相应故障指示灯闪烁；若无故障，则显示屏显示无故障，不发出故障警告。
如图2所示，本发明还应用了一种气动调节阀的智能故障诊断系统：包括设置在调节阀3上的数据采集装置2，所述采集装置2通过A\D转换模块4连接有主控制器5，所述主控制器5通过RS232通信模块6连接有液晶显示模块7、通过串口通信模块8连接有上位机1、同时还连接有故障报警模块9；其中所述的采集装置2包括设置在气动调节阀3螺盖旁预留处的位移传感器22以及设置在气动调节阀3膜室外供气孔处的压力传感器21；通过该系统可实施监测气动调节阀3的气动调节阀膜室压力、气动调节阀3的阀杆位移的实时数据。
综上所述，本发明结构简单，效果明显，不仅实现气动调节阀故障自诊断的基础上提高了故障诊断的准确率，尤其减少了故障漏诊率，避免阀门故障运行；而且通用性较好，无需复杂的专家经验知识储备即可完成故障诊断；一般操作人员均可掌握，提高了气动调节阀故障诊断的自动化和智能化程度。
Claims (2)
1.一种气动调节阀智能故障诊断系统的控制方法，其特征在于，包括以下步骤：
A、建立离线故障诊断模型：
A.1、数据采集：
在气动调节阀螺盖旁预留处和膜室外供气孔处分别安装位移传感器和压力传感器，按照25%阶跃给定4-20mA的电流输入信号，通过数据采集装置采集压力和位移数据，并通过串口通信将采集的数据通过主控制器传输至上位机；
气动调节阀状态分为C种，C是气动调节阀的状态类别数，包括C-1种故障状态及1种正常状态；在本训练诊断模型部分，每个状态采集到的压力和位移数据作为一个原始样本，Num是每种状态的样本个数，通过不同故障强度可以采集到同一状态不同的样本；每种状态都有Num个样本，样本总数；
A.2、数据分段：
采集到的数据为一个包含压力和位移数据在内的2*N矩阵，N是采集的信号点数，同时输入信号是百分比的阶跃给定的，压力和位移信号均可分为正反行程的0、阶跃百分比递增共A段数据；每个样本包含压力、位移共计2A段数据，从2A段信号数据中提取样本特征；
A.3、特征提取：
上位机分别对A.1采集的数据进行A.2分段后图的T*2A段数据进行特征提取；
A.4、数据归一化，分配训练集与测试集：
将样本集数据归一化（-1,1），具体归一化方法如下：
给归一化后的数据加上标签1-C，分别表示C种气动调节阀状态；打乱贴上标签样本集的顺序，将样本集分成n个训练样本和m个测试样本分别进行训练与测试；其中m+n=Num；
A.5、离线模型优化：
A.5.1、模型离线训练：
采用核极限学习机的方法对训练集样本进行训练，得到模型参数，具体按照如下公式得到模型参数：
式中是模型参数，是单位矩阵，是正则化参数，是训练集标签的向量形式，是核矩阵，是输入样本的高维映射，具体选择线性核函数，公式如下：
式中是训练集样本，是和的内积，是核半径；
最终训练好的诊断模型如下：
式中是核矩阵，是训练样本，是测试样本；
A.5.2、模型离线测试
步骤A.5.1中模型训练好之后，可以得到模型参数，是一个n*2A*z的矩阵，n为训练样本个数，2A*z是选取的特征总数，z是选取的特征种类；将测试样本输入到故障诊断模型，即可得到诊断结果；通过对比诊断结果和预设标签，可以得到测试集样本故障诊断的准确率；
反复执行步骤A.4，改变训练样本和测试样本，同时调整步骤A.5.1中的正则化参数和核半径，比较训练集和测试集诊断准确率，得到最优故障诊断模型；B、在线故障诊断：
B.1、植入离线模型：
将步骤A中得到的最优故障诊断模型植入在线故障诊断系统中，在数据采集装置基础上写入故障诊断模型；具体为：将训练样本集与模型参数预先存入数据采集装置的SDRAM中，根据上述故障诊断模型即编写故障诊断模块程序；
B.2、采集实时数据：
通过数据采集装置在线采集运行状态下气动调节阀膜室压力、阀杆位移的实时数据；
B.3、数据预处理、特征提取：
按照步骤A.2中的分段原则，分段提取样本特征，特征提取完成后，删除数据，减小内存占有率；提取的特征构成一组在线实时采集的样本，是一个1*y的数组，y是提取的特征数；
B.4、在线故障诊断：
将步骤B.3中提取的在线实时采集的样本，输入到已经植入的模型中进行故障诊断，模型具体如下：
式中是核矩阵，是待诊断样本，是预存在SDRAM中的训练样本，是预存在SDRAM中的模型参数；
B.5、诊断结果输出：
将诊断结果输出至液晶显示模块，如果诊断结果为漏气故障、阀座异物故障、阀芯磨损故障、摩擦力增大故障、弹簧故障，则通过故障报警模块发出故障警告，相应故障指示灯闪烁；若无故障，则显示屏显示无故障，不发出故障警告。
2.根据权利要求1所述的一种气动调节阀智能故障诊断系统的控制方法，其特征在于，所述步骤A.3中提取的特征包括如下5种：
A.3.1、绝对均值:
式中是信号的时域序列，i=1,2，…，N；N为该段数据样本点数；实际采集到的是连续信号的离散点，用表示采集到的离散信号的时域序列，相当于，其中i=1,2，…，N；
A.3.2、均方差:
式中该段数据的平均值；
A.3.3、均方根:
；
A.3.4、峰值因子:
式中是该段数据的最大值；
A.3.5、波形指标:
；
一个样本分成2A段提取以上5种特征，特征总数为2A*5；通过步骤A.1、步骤A.2和步骤A.3，可以得到特征数为2A*5的样本，整个样本集特征总个数为Num*C*2A*5=T*2A*5,同时也是样本集的元素总个数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810812462.1A CN108895195B (zh) | 2018-07-23 | 2018-07-23 | 一种气动调节阀智能故障诊断系统的控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810812462.1A CN108895195B (zh) | 2018-07-23 | 2018-07-23 | 一种气动调节阀智能故障诊断系统的控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108895195A CN108895195A (zh) | 2018-11-27 |
| CN108895195B true CN108895195B (zh) | 2019-11-26 |
Family
ID=64351541
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810812462.1A Active CN108895195B (zh) | 2018-07-23 | 2018-07-23 | 一种气动调节阀智能故障诊断系统的控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108895195B (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112051756A (zh) * | 2019-06-05 | 2020-12-08 | 大连中和聚能自动控制系统有限公司 | 一种气动执行机构故障诊断记录仪 |
| CN110687885A (zh) * | 2019-09-09 | 2020-01-14 | 中国计量大学 | 一阶定值控制系统调节阀故障诊断方法及系统 |
| CN110715174B (zh) * | 2019-10-17 | 2021-09-14 | 重庆川仪自动化股份有限公司 | 智能阀门定位器的阀位累积方法、装置、存储介质及电子终端 |
| CN110806327B (zh) * | 2019-11-08 | 2021-06-29 | 北京昊鹏智能技术有限公司 | 故障检测方法、装置、电子设备及存储介质 |
| CN111503525B (zh) * | 2020-04-28 | 2022-02-01 | 浙江工业大学 | 一种关于气动调节阀气室漏气的在线诊断方法 |
| CN111931574B (zh) * | 2020-07-07 | 2022-10-18 | 中国矿业大学 | 一种气动调节阀鲁棒故障诊断方法 |
| CN111929053B (zh) * | 2020-07-07 | 2022-02-01 | 中国矿业大学 | 基于da-rvfln的气动调节阀领域适应故障诊断方法 |
| CN111929054B (zh) * | 2020-07-07 | 2022-06-07 | 中国矿业大学 | 一种基于prvfln的气动调节阀并发故障诊断方法 |
| CN112229624B (zh) * | 2020-09-30 | 2021-06-25 | 中国矿业大学 | 一种基于低偏差随机配置网络的气动调节阀故障诊断方法 |
| CN113028117B (zh) * | 2021-03-25 | 2023-03-31 | 南京晨光集团有限责任公司 | 基于比例阀轴控器快速响应及其智能控制方法 |
| CN114056313B (zh) * | 2022-01-17 | 2022-04-22 | 万向钱潮股份有限公司 | 一种多轴商用车线控制动系统故障诊断方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6396806B1 (en) * | 1997-09-17 | 2002-05-28 | Kabushiki Kaisha Toshiba | Transmission line duplexing processing method and apparatus thereof, and recording medium for recording its processing procedure |
| US6766230B1 (en) * | 2000-11-09 | 2004-07-20 | The Ohio State University | Model-based fault detection and isolation system and method |
| CN102944769A (zh) * | 2012-10-18 | 2013-02-27 | 上海市电力公司 | 基于极限学习机的电力变压器故障诊断方法 |
| CN105242205A (zh) * | 2015-09-06 | 2016-01-13 | 南京航空航天大学 | 一种航空三级式交流发电机旋转整流器在线故障诊断方法 |
| CN107015486A (zh) * | 2017-04-20 | 2017-08-04 | 重庆大学 | 一种空调水系统调节阀故障智能诊断方法 |
| CN108256173A (zh) * | 2017-12-27 | 2018-07-06 | 南京航空航天大学 | 一种航空发动机动态过程的气路故障诊断方法及系统 |
-
2018
- 2018-07-23 CN CN201810812462.1A patent/CN108895195B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6396806B1 (en) * | 1997-09-17 | 2002-05-28 | Kabushiki Kaisha Toshiba | Transmission line duplexing processing method and apparatus thereof, and recording medium for recording its processing procedure |
| US6766230B1 (en) * | 2000-11-09 | 2004-07-20 | The Ohio State University | Model-based fault detection and isolation system and method |
| CN102944769A (zh) * | 2012-10-18 | 2013-02-27 | 上海市电力公司 | 基于极限学习机的电力变压器故障诊断方法 |
| CN105242205A (zh) * | 2015-09-06 | 2016-01-13 | 南京航空航天大学 | 一种航空三级式交流发电机旋转整流器在线故障诊断方法 |
| CN107015486A (zh) * | 2017-04-20 | 2017-08-04 | 重庆大学 | 一种空调水系统调节阀故障智能诊断方法 |
| CN108256173A (zh) * | 2017-12-27 | 2018-07-06 | 南京航空航天大学 | 一种航空发动机动态过程的气路故障诊断方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108895195A (zh) | 2018-11-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108895195B (zh) | 一种气动调节阀智能故障诊断系统的控制方法 | |
| US9727433B2 (en) | Control valve diagnostics | |
| CN104390657B (zh) | 一种发电机组运行参数测量传感器故障诊断方法及系统 | |
| DE4438859C2 (de) | Verfahren zur Analyse von Prozeßdaten einer technischen Anlage | |
| CN110738274A (zh) | 一种基于数据驱动的核动力装置故障诊断方法 | |
| EP3847510A1 (en) | Valve positioner and diagnostic method | |
| CN109084971B (zh) | 一种基于粒子群优化的气动调节阀故障诊断方法 | |
| CN113657221B (zh) | 一种基于智能感知技术的电厂设备状态监测方法 | |
| KR102104026B1 (ko) | 인공신경망을 이용한 솔레노이드 밸브 실시간 감시 시스템 및 솔레노이드 밸브 실시간 감시 방법 | |
| CN110533167B (zh) | 一种电动阀门执行机构用故障诊断方法及诊断系统 | |
| CN109213127A (zh) | 一种基于深度学习的hvac系统渐变故障诊断方法 | |
| US11287796B2 (en) | Diagnostic device and method for monitoring a technical plan | |
| CN109404603A (zh) | 一种气动调节阀的故障在线监测的方法和装置 | |
| CN117406026A (zh) | 一种适用于分布式电源的配电网故障检测方法 | |
| CN114299338A (zh) | 用于系统管理的故障预测与健康管理系统与相关方法 | |
| CN117330156A (zh) | 一种气体流量计故障自动检测分析装置 | |
| CN115839806A (zh) | 用于气动系统中泄漏检测的机器学习方法 | |
| CN201017232Y (zh) | 基于fisher的工业过程非线性故障诊断装置 | |
| CN108120570A (zh) | 一种基于svm的气动控制阀气密性故障诊断方法 | |
| CN113432863A (zh) | 阀门健康状态检测及诊断装置及方法 | |
| CN201035376Y (zh) | 工业生产过程小样本条件下的故障诊断装置 | |
| CN116973093A (zh) | 一种气动调节阀在线监测诊断系统及方法 | |
| CN106439199B (zh) | 一种基于dcs数据的控制阀故障监控方法 | |
| CN113816097B (zh) | 一种自移机尾液压系统状态监测及故障诊断系统和方法 | |
| CN111931574B (zh) | 一种气动调节阀鲁棒故障诊断方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |