CN110375983A - 基于时间序列分析的阀门故障实时诊断系统及诊断方法 - Google Patents

Abstract

本发明属于阀门故障检测与诊断技术领域，具体涉及基于时间序列分析的阀门故障实时诊断系统及诊断方法。具体包括：通过振动加速度传感器和声压传感器实时监测阀门；利用信号采集芯片将监测到的振动加速度信号和声压信号采集到诊断处理器中；对数据进行五点三次平滑降噪处理；生成不同故障诊断类型的诊断数据训练集；建立故障诊断时序模型；使用前向算法依次计算各个HMM模型的似然概率值，得出故障诊断结果；通过蓝牙模块将故障诊断结果传输到工业显示屏上进行显示。本发明通过时间序列分析对阀门进行故障诊断，在能在故障产生初期识别故障信息并得出故障类别，突破仅能在单一时刻观测得出故障的限制，同时降低故障误检率，显著提高阀门的使用性能。

Description

基于时间序列分析的阀门故障实时诊断系统及诊断方法

技术领域

本发明属于阀门故障检测与诊断技术领域，具体涉及基于时间序列分析的阀门故障实时诊断系统及诊断方法。

背景技术

在大多数工业领域，阀门是必不可少的元件之一，若阀门发生严重故障，则整个运作系统将无法正常工作，易引发严重的工作事故。时间序列是将某种统计指标的数值，按时间先后顺序排序所形成的数列。时间序列的识别与预测就是通过分析时间序列，根据时间序列所反映出来的发展过程、方向和趋势，进行类推或延伸，识别或预测下一段时间或以后若干年内可能达到的水平。时间序列的异常检测就是通过历史的数据分析，查看当前的数据是否发生了明显偏离了正常的情况。

传统的阀门故障诊断机理，是以检修工人以一定周期地去巡检与查验。随着工业技术的不断发展，经常拆卸阀门的诊断方法已经远不能适应要求，并且增加了维修成本和检修周期。而且，传统的常规手段在阀门故障初期难以通过直接监测，而检测出早期的故障信号对提升整个系统的可靠性才有意义。阀门在实际运作中，故障可以通过内部工况及外界因素去加以观测。而随着现代信号分析与处理技术的发展，这些观测数据可以准确地获取，这为阀门故障的时序分析奠定了基础。同时现有的方法，仅仅能够检测阀门是否有故障，并不能得出故障的类别，存在较大的局限性，不方便后期的维修。

发明内容

本发明要解决的技术问题在于克服现有技术的不足，提供一种基于时间序列分析的阀门故障实时诊断系统及诊断方法，通过时间序列分析对阀门进行故障诊断，在能在故障产生初期识别故障信息并得出故障类别，突破仅能在单一时刻观测得出故障的限制，同时降低故障误检率，显著提高阀门的使用性能。

本发明解决上述技术问题的技术方案如下：基于时间序列分析的阀门故障实时诊断系统，包括振动加速度传感器和声压传感器，所述振动加速度传感器和声压传感器安装在电路板上，用于从阀门上监测振动加速度信号和声压信号；信号采集芯片，通过电缆与所述电路板连接，用于将振动加速度传感器和声压传感器监测到时的信号采集到诊断处理器中；诊断处理器，与所述信号采集芯片电连接，用于接收所述信号采集芯片的信号进行处理得出故障诊断类型，并通过蓝牙模块传输到工业显示屏上进行显示。

进一步地，所述故障诊断类型具体为：正常、早期故障、磨损故障和卡阀故障。

本发明还提供了一种基于时间序列分析的阀门故障实时诊断方法，具体包括以下步骤：

H.通过振动加速度传感器和声压传感器实时监测振动加速度信号和声压信号；

I.利用信号采集芯片将监测到的振动加速度信号和声压信号采集到诊断处理器中；

J.利用诊断处理器对步骤B中获得的振动加速度信号和声压信号进行五点三次平滑降噪处理；

K.利用步骤C中获得的数据生成不同故障诊断类型的诊断数据训练集；

L.建立故障诊断时序模型；

M.使用前向算法依次计算各个HMM模型的似然概率值，得出阀门的故障诊断结果；

N.通过蓝牙模块将故障诊断结果传输到工业显示屏上进行显示。

进一步地，所述步骤B中的采集步长为0.2s。

进一步地，所述步骤C中五点三次平滑降噪处理为使用Savizkg-Golag五点三次滤波器对采集到的振动加速度a与声压τ进行平滑与降噪处理，具体包括以下步骤：

C.1、建立振动加速度a与采集时间t的三次项关系式

y＝a₀+a₁x+a₂x²+a₃x³

其中，a₀、a₁、a₂、a₃为多项式各系数，y对应振动加速度a，x对应采集时间t；

C.2、设定动态时窗为1s，在每个动态时窗内采集5个点数据，分别为(x_-2,y_-2),(x_-1,y_-1),(x₀,y₀),(x₁,y₁),(x₂,y₂)，将五个点的坐标一一代入，即有方程组

C.3、基于最小二乘法，方程组可转为

上列方程组可用矩阵表示为Y_5×1＝X_5×4·A_4×1+E_5×1；

C.4、解得A的最小二乘解则滤波后的值

从而对振动加速度a进行平滑与降噪处理，同理，对声压τ进行平滑与降噪处理。

进一步地，所述步骤D具体为：

D.1、对振动加速度a进行均匀量化编码，即对[a_min,a_max]分8个等分的区间，依次从0～7编码；将声压τ分为[0,0.1]、(0.1,+∞)两个区域，依次编码为I，II；

D.2、将振动加速度a、声压τ特征联合编码：将振动加速度特征a和声压τ特征结合，形成在t时刻同时包含两个特征的特征值，构成新的码字：I0,II0,I1,…,II6,I7,II7；

D.3、将步骤D.2处理后的数据根据故障诊断类型分为正常、早期故障、磨损故障和卡阀故障4类数据，每条数据由20连续步长的序列和其对应故障诊断类型标签组成，序列矩阵为

进一步地，所述步骤E具体为：

E.1、针对每类故障诊断类型分别建立HMM(隐马尔可夫模型，Hidden MarkovModel，简称HMM)模型，每个HMM模型由一个五元组μ＝(Q,V,A,B,π)组成，其中，隐藏状态Q＝{Q₁,Q₂,…,Q_N}，N为隐藏状态的数，其中N为4；可观察状态V＝{V₁,V₂,…,V_M}为振动加速度a与声压τ，M为观察状态的数目，M为16；隐藏状态转移概率矩阵A＝[a_ij]_N×N的元素表示HMM模型中各个隐藏状态之间的转移概率，a_ij是在t时刻隐藏状态为Q_i、在t+1时刻隐藏状态为Q_j的概率，a_ij＝P(I_t+1＝Q_j|I_t＝Q_i)，i＝1，2…，N；j＝1，2…，N，I是长度为T的状态序列，且I＝{I₁,I₂,…,I_T}；混淆矩阵B＝[b_j(k)]_N×M的元素表示HMM模型中各个隐藏状态和观察状态之间的转移概率,b_j(k)表示在t时刻，隐藏状态为Q_j、观察状态为O_t的概率，b_j(k)＝P(O_t＝V_k|I_t＝Q_j)，k＝1，2…，M；j＝1，2…，N，O是对应的观测序列；初始状态概率矩阵π＝(π_i)，其中π_i＝P(I₁＝Q_i)，i＝1，2，…，N，表示初始时刻t＝1各个隐藏状态Q_i的概率；

E.2、对每类HMM模型初始化：随机的给参数π_i,a_ij,b_j(k)赋值，使其满足约束：由此得到模型μ₀；

E.3、将同一类别故障诊断类型的观测序列作为对应的HMM分类模型的输入，依据模型初始化后的参数，采用EM期望最大化算法(Expectation Maximum)调整模型μ的参数，使概率函数最大化即逐步更新模型参数，最终获取各个故障诊断类型对应的最优HMM模型。

进一步地，所述HMM模型具体包括阀门正常HMM模型、阀门早期故障HMM模型、阀门磨损故障HMM模型和阀门卡钳故障HMM模型。

进一步地，所述步骤F具体为：

α₁(i)＝π_ib_i(O₁),1≤i≤N

其中α_t(i)为前向中间变量，表示在时间t、HMM模型输出了序列O₁O₂ΛO_t、并且位于状态s_i的概率，最终取似然概率值最大者为阀门的故障诊断结果。

本发明的有益效果是：

1、本发明通过建立时序分析模型，对阀门有无故障进行检测，实时性与智能性好，可适应阀门在实际使用中的稳定性与可靠性的要求，减免了人工检测的大量工作；

2、本方法不仅能检测出阀门是否有故障，还能得出在存在故障时给出故障类型，方便了后期的维修与整改，实用性高；

3、本发明采用了振动加速度与声压双特征联立编码，提高了阀门故障检测的准确性，同时简化了特征值，减免了时序模型的计算复杂度，大大省去了模型训练时间；

4、本发明突破了传统的常规手段难以在阀门故障早期获取故障信息的限制，提升了整个阀门系统的可靠性，降低了维修难度。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明具体实施例所述的基于时间序列分析的阀门故障实时诊断系统的结构框图；

图2为本发明具体实施例所述的基于时间序列分析的阀门故障实时诊断方法的流程示意图；

具体实施方式

下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。

在本申请中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

实施例

如图1所示，本发明所提供的基于时间序列分析的阀门故障实时诊断系统，基于时间序列分析的阀门故障实时诊断系统，包括振动加速度传感器和声压传感器，所述振动加速度传感器和声压传感器集装在电路板上，电路板安装在待检测的阀门上，用于从阀门上监测振动加速度信号和声压信号；信号采集芯片，通过电缆与所述电路板连接，用于将振动加速度传感器和声压传感器监测到时的信号采集到诊断处理器中；诊断处理器，与所述信号采集芯片电连接，用于接收所述信号采集芯片的信号进行处理得出故障诊断类型，并通过蓝牙模块传输到工业显示屏上进行显示。

进一步地，所述故障诊断类型具体为：正常、早期故障、磨损故障和卡阀故障。

本发明还提供了一种基于时间序列分析的阀门故障实时诊断方法，如图2所示，具体包括以下步骤：

步骤1：通过振动加速度传感器和声压传感器实时监测振动加速度a和声压τ，并通过信号采集芯片采集到故障诊断处理器中，其中采集步长为0.2s。

步骤2：数据处理

传感器收取的数据存在较大的噪声，使用Savizkg-Golag五点三次滤波器对采集到的阀门的振动加速度a与声压τ进行平滑与降噪处理，具体包括以下步骤：

将采集到的振动加速度a与采集时间t一一对应，有关系式y＝f(x)，其中，y对应振动加速度a，x对应采集时间t，设定动态时窗为1s，每个动态时窗包含5个点数据，分别为(x_-2,y_-2),(x_-1,y_-1),(x₀,y₀),(x₁,y₁),(x₂,y₂)，f(x)采用三次多项式对振动加速度a拟合，即有

y＝a₀+a₁x+a₂x²+a₃x³

其中，a₀、a₁、a₂、a₃为多项式各系数，将五个点的坐标一一代入，即有方程组

基于最小二乘法，方程组可转为

上列方程组可用矩阵表示为Y_5×1＝X_5×4·A_4×1+E_5×1；

解得A的最小二乘解则滤波后的值

从而对振动加速度a进行平滑与降噪处理，同理，对声压τ进行平滑与降噪处理。

步骤3：生成诊断数据训练集

对振动加速度a进行均匀量化编码，即对[a_min,a_max]分8个等分的区间，依次从0～7编码；将声压τ分为[0,0.1]、(0.1,+∞)两个区域，单位Pa，依次编码为I，II；

将振动加速度a、声压τ特征联合编码：将振动加速度特征a和声压τ特征结合，形成在t时刻同时包含两个特征的特征值，构成新的码字：I0,II0,I1,…,II6,I7,II7；

根据阀门的工作特点，将处理后的数据根据故障诊断类型分为正常、早期故障、磨损故障和卡阀故障4类数据，每条数据由20连续步长的序列和其对应故障诊断类型标签组成，序列矩阵为

步骤4：建立故障诊断时序模型

本发明是基于隐马尔可夫模型故障诊断时序模型，隐马尔科夫模型(HiddenMarkov Model,HMM)是关于时序的概率模型，通过可观测到的变量去研究不可观测的变量。针对每类故障诊断类型分别建立HMM模型，分别为阀门正常HMM模型、阀门早期故障HMM模型、阀门磨损故障HMM模型、阀门卡钳故障HMM模型，每个HMM模型由一个五元组μ＝(Q,V,A,B,π)组成，其中，隐藏状态Q＝{Q₁,Q₂,…,Q_N}，N为隐藏状态的数，其中N为4；可观察状态V＝{V₁,V₂,…,V_M}为振动加速度a与声压τ，M为观察状态的数目，M为16；隐藏状态转移概率矩阵A＝[a_ij]_N×N的元素表示HMM模型中各个隐藏状态之间的转移概率，a_ij是在t时刻隐藏状态为Q_i、在t+1时刻隐藏状态为Q_i的概率，a_ij＝P(I_t+1＝Q_j|I_t＝Q_i)，i＝1，2…，N；j＝1，2…，N，I是长度为T的状态序列，且I＝{I₁,I₂,…,I_T}；混淆矩阵B＝[b_j(k)]_N×M的元素表示HMM模型中各个隐藏状态和观察状态之间的转移概率,b_j(k)表示在t时刻，隐藏状态为Q_j、观察状态为O_t的概率，b_j(k)＝P(O_t＝V_k|I_t＝Q_j)，k＝1，2…，M；j＝1，2…，N，O是对应的观测序列；初始状态概率矩阵π＝(π_i)，其中π_i＝P(I₁＝Q_i)，i＝1，2，…，N，表示初始时刻t＝1各个隐藏状态Q_i的概率；

对每类HMM模型初始化：随机的给参数π_i,a_ij,b_j(k)赋值，使其满足约束：由此得到模型μ0；

将同一类别故障诊断类型的观测序列作为对应的HMM分类模型的输入，依据模型初始化后的参数，采用EM期望最大化算法(Expectation Maximum)调整模型μ的参数，使概率函数最大化即逐步更新模型参数，最终获取各个故障诊断类型对应的最优HMM模型。

步骤5：阀门故障实时诊断

实时采集振动加速度与声压传感器的数据，经过数据处理后，使用前向算法依次计算各个HMM模型的似然概率值：

α₁(i)＝π_ib_i(O₁),1≤i≤N

其中α_t(i)为前向中间变量，表示在时间t，HMM输出了序列O₁O₂ΛO_t，并且位于状态s_i的概率，最终利用贝叶斯判别法对每个HMM模型的似然概率值进行判断，取似然概率值最大者为阀门的故障诊断结果。

步骤6：通过蓝牙模块将故障诊断结果传输到工业显示屏上进行显示。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (9)

1.一种基于时间序列分析的阀门故障实时诊断系统，其特征在于：包括振动加速度传感器和声压传感器，所述振动加速度传感器和声压传感器安装在待诊断的阀门上，用于从阀门上监测振动加速度信号和声压信号；信号采集芯片，通过电缆与所述振动加速度传感器和声压传感器连接，用于将振动加速度传感器和声压传感器监测到时的信号采集到诊断处理器中；诊断处理器，与所述信号采集芯片电连接，用于接收所述信号采集芯片的信号进行处理得出故障诊断类型，并通过蓝牙模块传输到工业显示屏上进行显示。

2.根据权利要求1所述的基于时间序列分析的阀门故障实时诊断系统，其特征在于：所述故障诊断类型具体为：正常、早期故障、磨损故障和卡阀故障。

3.一种基于时间序列分析的阀门故障实时诊断方法，其特征在于：具体包括以下步骤：

A.通过振动加速度传感器和声压传感器实时监测振动加速度信号和声压信号；

B.利用信号采集芯片将监测到的振动加速度信号和声压信号采集到诊断处理器中；

C.利用诊断处理器对步骤B中获得的振动加速度信号和声压信号进行五点三次平滑降噪处理；

D.利用步骤C中获得的数据生成不同故障诊断类型的诊断数据训练集；

E.建立故障诊断时序模型；

F.使用前向算法依次计算各个HMM模型的似然概率值，得出阀门的故障诊断结果；

G.通过蓝牙模块将故障诊断结果传输到工业显示屏上进行显示。

4.根据权利要求3所述的基于时间序列分析的阀门故障实时诊断方法，其特征在于：所述步骤B中的采集步长为0.2s。

5.根据权利要求3所述的基于时间序列分析的阀门故障实时诊断方法，其特征在于：所述步骤C中五点三次平滑降噪处理为使用Savizkg-Golag五点三次滤波器对采集到的振动加速度a与声压τ进行平滑与降噪处理，具体包括以下步骤：

C.1、建立振动加速度a与采集时间t的三次项关系式

y＝a₀+a₁x+a₂x²+a₃x³

其中，a₀、a₁、a₂、a₃为多项式各系数，y对应振动加速度a，x对应采集时间t；

C.2、设定动态时窗为1s，在每个动态时窗内采集5个点数据，分别为(x_-2,y_-2),(x_-1,y_-1),(x₀,y₀),(x₁,y₁),(x₂,y₂)，将五个点的坐标一一代入，即有方程组

C.3、基于最小二乘法，方程组可转为

上列方程组可用矩阵表示为Y_5×1＝X_5×4·A_4×1+E_5×1；

C.4、解得A的最小二乘解则滤波后的值

从而对振动加速度a进行平滑与降噪处理，同理，对声压τ进行平滑与降噪处理。

6.根据权利要求3所述的基于时间序列分析的阀门故障实时诊断方法，其特征在于：所述步骤D具体为：

D.1、对振动加速度a进行均匀量化编码，即对[a_min,a_max]分8个等分的区间，依次从0～7编码；将声压τ分为[0,0.1]、(0.1,+∞)两个区域，依次编码为I，II；

D.2、将振动加速度a、声压τ特征联合编码：将振动加速度特征a和声压τ特征结合，形成在t时刻同时包含两个特征的特征值，构成新的码字：I0,II0,I1,…,II6,I7,II7；

D.3、将步骤D.2处理后的数据根据故障诊断类型分为正常、早期故障、磨损故障和卡阀故障4类数据，每条数据由20连续步长的序列和其对应故障诊断类型标签组成，序列矩阵为

7.根据权利要求3所述的基于时间序列分析的阀门故障实时诊断方法，其特征在于：所述步骤E具体为：

E.1、针对每类故障诊断类型分别建立HMM(隐马尔可夫模型，Hidden Markov Model，简称HMM)模型，每个HMM模型由一个五元组μ＝(Q,V,A,B,π)组成，其中，隐藏状态Q＝{Q₁,Q₂,…,Q_N}，N为隐藏状态的数，其中N为4；可观察状态V＝{V₁,V₂,…,V_M}为振动加速度a与声压τ，M为观察状态的数目，M为16；隐藏状态转移概率矩阵A＝[a_ij]_N×N的元素表示HMM模型中各个隐藏状态之间的转移概率，a_ij是在t时刻隐藏状态为Q_i、在t+1时刻隐藏状态为Q_j的概率，a_ij＝P(I_t+1＝Q_j|I_t＝Q_i)，i＝1，2…，N；j＝1，2…，N，I是长度为T的状态序列，且I＝{I₁,I₂,…,I_T}；混淆矩阵B＝[b_j(k)]_N×M的元素表示HMM模型中各个隐藏状态和观察状态之间的转移概率,b_j(k)表示在t时刻，隐藏状态为Q_j、观察状态为O_t的概率，b_j(k)＝P(O_t＝V_k|I_t＝Q_j)，k＝1，2…，M；j＝1，2…，N，O是对应的观测序列；初始状态概率矩阵π＝(π_i)，其中π_i＝P(I₁＝Q_i)，i＝1，2，…，N，表示初始时刻t＝1各个隐藏状态Q_i的概率；

E.2、对每类HMM模型初始化：随机的给参数π_i,a_ij,b_j(k)赋值，使其满足约束：由此得到模型μ₀；

E.3、将同一类别故障诊断类型的观测序列作为对应的HMM分类模型的输入，依据模型初始化后的参数，采用EM期望最大化算法(Expectation Maximum)调整模型μ的参数，使概率函数最大化即逐步更新模型参数，最终获取各个故障诊断类型对应的最优HMM模型。

8.根据权利要求7所述的基于时间序列分析的阀门故障实时诊断方法，其特征在于：所述HMM模型具体包括阀门正常HMM模型、阀门早期故障HMM模型、阀门磨损故障HMM模型和阀门卡钳故障HMM模型。

9.根据权利要求3所述的基于时间序列分析的阀门故障实时诊断方法，其特征在于：所述步骤F具体为：

α₁(i)＝π_ib_i(O₁),1≤i≤N

其中α_t(i)为前向中间变量，表示在时间t、HMM模型输出了序列O₁O₂ΛO_t、并且位于状态s_i的概率，最终取似然概率值最大者为阀门的故障诊断结果。