CN110533167B - 一种电动阀门执行机构用故障诊断方法及诊断系统 - Google Patents
一种电动阀门执行机构用故障诊断方法及诊断系统 Download PDFInfo
- Publication number
- CN110533167B CN110533167B CN201910788724.XA CN201910788724A CN110533167B CN 110533167 B CN110533167 B CN 110533167B CN 201910788724 A CN201910788724 A CN 201910788724A CN 110533167 B CN110533167 B CN 110533167B
- Authority
- CN
- China
- Prior art keywords
- fault
- actuating mechanism
- electric valve
- valve actuating
- neural network
- 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
- 230000007246 mechanism Effects 0.000 title claims abstract description 62
- 238000003745 diagnosis Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000003062 neural network model Methods 0.000 claims abstract description 23
- 230000002068 genetic effect Effects 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 210000002569 neuron Anatomy 0.000 claims description 22
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 6
- 230000005284 excitation Effects 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 230000007257 malfunction Effects 0.000 claims 2
- 238000001514 detection method Methods 0.000 abstract description 7
- 230000007547 defect Effects 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 3
- 239000010410 layer Substances 0.000 description 40
- 238000012423 maintenance Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 4
- 210000000349 chromosome Anatomy 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000009347 mechanical transmission Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000003245 working effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Indication Of The Valve Opening Or Closing Status (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明属于阀门故障检测与诊断技术领域，具体涉及一种电动阀门执行机构用故障诊断方法及诊断系统。通过对电动阀门执行机构进行自相关分析获取BP神经网络模型的输入、输出变量；对模型经过训练获得模型的初始化值；利用遗传算法对模型进行优化，获得模型最优的预测值；采集电动阀门执行机构的阀门位置开度的真实值，最后采用真实值与预测值之间的残差平方作为电动阀门执行机构的故障状态指标。本发明根据电动阀门执行机构内部结构、工作原理，对电动阀门执行机构的工作状态进行分析，并利用遗传算法全局搜索最优的特性对BP网络进行优化，避免BP算法在学习中陷入局部最优的弊端，使模型具有良好的收敛性和适应性，该网络具有良好的故障识别效果。
Description
技术领域
本发明属于阀门故障检测与诊断技术领域，具体涉及一种电动阀门执行机构用故障诊断方法及诊断系统。
背景技术
电动阀门执行机构具有外观设计美观大方，体积小、重量轻、操作简单且具有高强耐磨、部件质量可靠、电机性能高、非侵入式红外遥控设定、换向延时保护、数字限位(电子限位)、异常保护、耐高温、可频繁动作及免维护特点，在实际运用中广受青睐。电动阀门执行机构的运行状态直接影响到了整个电动阀门的工作性能，因此对电动阀门执行机构的故障诊断具有重要意义。传统的电动阀门执行机构故障诊断机理，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，经常拆卸阀门执行机构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。
随着现代信号分析与处理技术的发展，一些执行机构内部信息可以实时准确地获取，这为阀门故障的实时监测奠定了基础。近年来，基于机器学习理论的神经网络算法，具有强大的计算能力，可显著提高电动阀门执行机构工作性能检测的智能化水平。本发明根据电动阀门执行机构内部结构、工作原理，对电动阀门执行机构的工作状态进行分析，提出一种运用基于BP网络的故障诊断网络模型，并利用遗传算法全局搜索最优的特性对BP网络进行优化，避免BP算法在学习中陷入局部最优的弊端，使模型具有良好的收敛性和适应性，该网络具有良好的故障识别效果。同时，本发明对电动阀门执行机构的工作状态不仅进行了定性分析，还进行了定量分析，以方便维护人员根据故障量化指标制定维护优先顺序的计划以最有效地利用有限的维护时机，从而最大化减少故障造成的损失和计划外的停产。
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，提供一种电动阀门执行机构用故障诊断方法及诊断系统，使得精确实时地检测出电动阀门执行机构的故障状态。
BP神经网络是一种多层前馈神经网络，3层BP网络的拓扑结构，包括输入层、输出层和一个隐含层，各神经元与下一层所有的神经元连接，同层神经元之间无连接。BP神经网络的基本原理是采用梯度下降法调整权值和阈值，使得网络的实际输出值和期望输出值的均方误差值最小。
本发明解决上述技术问题的技术方案如下：一种电动阀门执行机构用故障诊断方法，具体包括以下步骤：
A、通过对电动阀门执行机构进行自相关分析获得BP神经网络模型的输入、输出变量，同时确定BP神经网络模型隐含层的神经元数和激励函数；
B、然后对BP神经网络模型经过训练获得模型的初始化值；
C、利用遗传算法对BP神经网络模型进行优化得到改进BP神经网络模型，获得模型最优的预测值；
D、采集电动阀门执行机构的阀门位置开度的真实值，最后采用真实值与预测值之间的残差平方作为电动阀门执行机构的故障状态指标。
进一步地，所述自相关分析法为利用归一法对输入数据进行处理。
进一步地，所述BP神经网络模型的输入变量为电动阀门执行机构的电机电流、电压、工作功率、输出扭矩、线圈温度和行程百分比，输出变量为阀门位置开度的预测值。
进一步地，所述BP神经网络模型为三层神经网络，分别为输入层、隐含层和输出层，输入层包含六个神经元，隐含层包括五个神经元，输出层包含一个神经元。
进一步地，所述激励函数为Sigmoid函数，具体为
进一步地，所述故障状态指标包括正常、亚正常、初期故障和严重故障四种类型。
本发明还提供了一种基于改进BP网络的电动阀门执行机构用故障诊断系统，包括设置在电动阀门执行机构上的多源传感器，多源传感器通过信号采集芯片连接有诊断处理器，诊断处理器通过蓝牙模块连接有工业显示屏，同时，诊断处理器还连接有故障存储器。具体地，多源传感器包括位置编码器、扭矩传感器和电流电压计。该系统的具体工作流程为：位置编码器、扭矩传感器和电流电压计等传感器从电动阀门执行机构上提取数据，并通过信号采集芯片将信号传输到诊断处理器，经上述诊断方法得出故障评价得分和故障状态，存储到故障存储器中，并通过蓝牙模块传输到工业显示屏上，以方便维护人员后期维护。
本发明的有益效果是：
1、通过建立神经网络模型，对电动阀门执行机构的故障状态进行检测，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、本方法利用遗传算法全局搜索最优的特性对BP网络进行改进优化，避免BP算法在学习中陷入局部最优的弊端，使模型具有良好的收敛性和适应性，该网络具有良好的故障识别效果；
3、本发明对电动阀门执行机构的工作状态不仅进行了定性分析，还进行了定量分析，以方便维护人员根据故障量化指标制定维护优先顺序的计划以最有效地利用有限的维护时机；
4、本发明提出一种电动阀门执行机构故障状态评价指标，采用BP模型预测值与真实值之间的残差平方，突破了有故障样本太少难以训练较好的网络模型的限制，训练时仅需电动阀门执行机构正常工作状态的样本数据。
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一种电动阀门执行机构用故障诊断方法的框架图；
图2为本发明改进BP神经网络模型的训练方法流程示意图；
图3为为本发明具体实施例所述的一种电动阀门执行机构用故障诊断系统的框架图。
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。
需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
在本申请的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
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1-2所示，本发明所提供的一种电动阀门执行机构用故障诊断方法，具体包括以下步骤：
S1：采集数据：
设定电动阀门执行机构的电机控制器、电机、机械传动装置上安装有位置编码器、扭矩传感器、电流电压计等，来实时检测阀门工作时的电机电流I、电压U、工作功率P工作、输出扭矩T、线圈温度Υ、行程百分比α、阀门位置开度
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。
S2：建立电动阀门执行机构故障状态评价指标：
根据电动阀门执行机构的工作性质，将其故障状态分为四种类型，分别为正常、亚正常、初期故障、严重故障。本发明采用BP模型预测值与真实值之间的残差平方作为评价电动阀门执行机构故障状态的指标，
其中Kerro为故障状态评价指标，
为下面BP神经网络模型阀门位置开度所得的预测值，
是采集阀门位置开度的真实值。当0≤Kerro≤0.1时，电动阀门执行机构处于正常状态；当0.04＜Kerro≤0.1时，电动阀门执行机构处于亚正常状态；当0.1＜Kerro≤0.5时，电动阀门执行机构处于初期故障状态；当0.5＜Kerro时，电动阀门执行机构处于严重故障状态。
S3：建立BP神经网络模型：
针对电动阀门执行机构的工作机制，所使用的神经网络为三层BP神经网络，分别为输入层、隐含层和输出层。其中，电机电流I、电压U、工作功率P工作、输出扭矩T、线圈温度Υ、行程百分比α分别对应输入向量元素x1,x2,L,x6。由于各数据参数单位不同，数量级相差也比较大，为了网络的收敛性更佳，需将输入数据进行归一化处理，即所有的输入向量取值都在0-1之间，网络的输入向量为
分别表示6个特征向量归一化处理后的值，即
其中，
为归一化后的特征值；xi为第i个特征值，xmax,xmin分别为xi中的最大值和最小值。本发明将电动阀门的位置开度
作为输出向量特征，输出层仅包含一个节点，为Yi＝(y1)T。根据单层隐含层的神经网络经验函数式
(其中，m为输入层神经元个数，n为输出层神经元个数)和
确定隐含层节点数s，其中f为1至10之间的常数。根据经验，设定隐含层节点数s为5。则该BP神经网络结构n-s-m为6-5-1。
隐含层第j个神经元输出为
其中ωij表示输入层神经元i与隐含层神经元j之间的连接权值，aj表示隐含层神经元j的阈值，g()是隐含层神经元的激活函数，采用Sigmoid函数，形式为
输出层第k个神经元输出为
其中μjk表示隐含层神经元j与输出层神经元k之间的连接权值，bk表示输出层神经元j的偏置值。
下面对上述BP神经网络模型进行训练学习：任取层与层之间的连接权值和隐层、输出层节点的偏置为(-1,1)之间随机小量。学习率η一般在[0.3～0.5]之间，选取η＝0.38。选取100组电动阀门执行机构正常状态(无故障)下的样本数据作为训练样本，输入到所建立的电动阀门执行机构故障检测BP网络模型中进行训练学习，从而获得初始权重和阈值。
S4：利用遗传算法改进上述BP神经网络模型：
为进一步提升BP网络的收敛速度和系统故障诊断精度，使用遗传算法对上述BP神经网络故障检测模型进行优化。所述遗传算法(genetic algorithm，GA)由美国的Holland教授提出，是根据达尔文进化论而设计出来的算法，即生物是朝着好的方向进化的，向好的方向进化就是寻找最优解的过程。具体如下：
由于BP神经网络的权值和阈值均需要搜索，为便于计算采用实数编码。每个个体均为一个实数串，包含输入层与隐含层连接的权值及隐含层阈值、隐含层与输出层连接的权值及输出层阈值，其中编码长度为6。种群大小一般取在20至100之间，选取种群大小为50。优化程序中的交叉概率一般取在0.4至0.99之间，选取0.7为交叉概率。预设的代数一般设置为50至500代，选取迭代次数为200。
适应度函数用于评价群体中每一个染色体的优劣，遗传算法的主要目的是找到最优秀的染色体，用以优化BP神经网络模型的权值和阈值，使得BP神经网络的误差平方和达到最小值。建立适应度函数为
其中，n为训练样本总数；
和yij分别为第j个电动阀门执行机构故障样本的第i个网络输出节点的理想输出和实际输出；q为遗传算法优化BP神经网络输出神经元的个数。
采用200组电动阀门执行机构正常状态(无故障)下的样本数据作为训练样本经训练，最终获得最优连接权重和阈值。
S5：电动阀门执行机构故障实时监测：
实时采集电动阀门执行机构的内部数据，经过数据处理后，使用上述训练好的改进BP神经网络模型进行计算获得预测正常工作状态下的位置开度。结合当前实际电动阀门的实际位置开度，计算获得该电动阀门执行机构当前故障状态评价得分Kerro，并获得电动阀门执行机构的故障状态。
如同3所示，本发明还提供了一种基于改进BP网络的电动阀门执行机构用故障诊断系统，包括设置在电动阀门执行机构上的多源传感器，多源传感器通过信号采集芯片连接有诊断处理器，诊断处理器通过蓝牙模块连接有工业显示屏，同时，诊断处理器还连接有故障存储器。具体地，多源传感器包括位置编码器、扭矩传感器和电流电压计。该系统的具体工作流程为：位置编码器、扭矩传感器和电流电压计等传感器从电动阀门执行机构上提取数据，并通过信号采集芯片将信号传输到诊断处理器，经上述诊断方法得出故障评价得分和故障状态，存储到故障存储器中，并通过蓝牙模块传输到工业显示屏上，以方便维护人员后期维护。
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 (6)
1.一种电动阀门执行机构用故障诊断方法，其特征在于：具体包括以下步骤：
A、通过对电动阀门执行机构进行自相关分析获取BP神经网络模型的输入、输出变量，所述BP神经网络模型的输入变量为电动阀门执行机构的电机电流、电压、工作功率、输出扭矩、线圈温度和行程百分比，输出变量为阀门位置开度的预测值，同时确定BP神经网络模型隐含层的神经元数和激励函数，所述自相关分析法为利用归一法对输入数据进行处理；
B、然后对BP神经网络模型经过训练获得模型的初始化值；
C、利用遗传算法对BP神经网络模型进行优化得到改进BP神经网络模型，获得模型最优的预测值；
D、采集电动阀门执行机构的阀门位置开度的真实值，最后采用真实值与预测值之间的残差平方作为电动阀门执行机构的故障状态指标。
2.根据权利要求1所述的一种电动阀门执行机构用故障诊断方法，其特征在于：所述BP神经网络模型为三层神经网络，分别为输入层、隐含层和输出层，输入层包含六个神经元，隐含层包括五个神经元，输出层包含一个神经元。
3.根据权利要求2所述的一种电动阀门执行机构用故障诊断方法，其特征在于：所述激励函数为Sigmoid函数，具体为
4.根据权利要求3所述的一种电动阀门执行机构用故障诊断方法，其特征在于：所述故障状态指标包括正常、亚正常、初期故障和严重故障四种类型。
5.一种基于上述权利要求1-4任一项所述的电动阀门执行机构用故障诊断方法的诊断系统，其特征在于：包括设置在电动阀门执行机构上的多源传感器，多源传感器通过信号采集芯片连接有诊断处理器，诊断处理器通过蓝牙模块连接有工业显示屏，同时，诊断处理器还连接有故障存储器；
其中，多源传感器从电动阀门执行机构上提取数据，并通过信号采集芯片将信号传输到诊断处理器，经上述诊断方法得出故障评价得分和故障状态，存储到故障存储器中，并通过蓝牙模块传输到工业显示屏。
6.根据权利要求5所述的诊断系统，其特征在于：所述多源传感器包括位置编码器、扭矩传感器和电流电压计。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910788724.XA CN110533167B (zh) | 2019-08-23 | 2019-08-23 | 一种电动阀门执行机构用故障诊断方法及诊断系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910788724.XA CN110533167B (zh) | 2019-08-23 | 2019-08-23 | 一种电动阀门执行机构用故障诊断方法及诊断系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110533167A CN110533167A (zh) | 2019-12-03 |
| CN110533167B true CN110533167B (zh) | 2022-02-08 |
Family
ID=68662809
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910788724.XA Active CN110533167B (zh) | 2019-08-23 | 2019-08-23 | 一种电动阀门执行机构用故障诊断方法及诊断系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110533167B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113049023A (zh) * | 2019-12-26 | 2021-06-29 | 国核电站运行服务技术有限公司 | 一种用于电动阀的在线实时监测装置及方法 |
| CN111273638B (zh) * | 2020-01-21 | 2021-10-26 | 华东理工大学 | 基于改进Elman神经网络的气动阀执行机构故障诊断方法 |
| CN111259993A (zh) * | 2020-03-05 | 2020-06-09 | 沈阳工程学院 | 一种基于神经网络的故障诊断方法及装置 |
| CN111830934A (zh) * | 2020-07-17 | 2020-10-27 | 中车大连电力牵引研发中心有限公司 | 一种电力机车故障源定位方法及装置 |
| CN117134302A (zh) * | 2022-03-25 | 2023-11-28 | 厦门华夏国际电力发展有限公司 | 一种电动阀门站异常工况识别及控制方法及其系统 |
| CN115112361B (zh) * | 2022-06-27 | 2023-08-08 | 扬州恒春电子有限公司 | 一种用于检测闸阀阀杆与阀板脱落的方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0962871A2 (en) * | 1998-06-02 | 1999-12-08 | Yamaha Hatsudoki Kabushiki Kaisha | Data estimation method in engine control |
| CN102779287A (zh) * | 2012-05-24 | 2012-11-14 | 北京工业大学 | 一种具有增量式学习能力的墨键开度预测方法 |
| CN106197558A (zh) * | 2016-08-26 | 2016-12-07 | 扬州电力设备修造厂有限公司 | 一种阀门状态在线监测系统及其工作方法 |
| CN106441858A (zh) * | 2016-12-05 | 2017-02-22 | 重庆享控智能科技有限公司 | 阀门的预判监测系统和方法 |
| CN109974770A (zh) * | 2017-12-27 | 2019-07-05 | 核动力运行研究所 | 一种电动阀状态检测系统及方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160071004A1 (en) * | 2015-10-23 | 2016-03-10 | Sarkhoon and Qeshm LLC | Method and system for predictive maintenance of control valves |
| CN107480787B (zh) * | 2017-08-10 | 2020-12-11 | 西安建筑科技大学 | 一种基于bp神经网络的露天矿旋回式破碎机故障诊断方法 |
| CN108918137B (zh) * | 2018-06-08 | 2021-04-27 | 华北水利水电大学 | 基于改进的wpa-bp神经网络的齿轮箱故障诊断装置及其方法 |
-
2019
- 2019-08-23 CN CN201910788724.XA patent/CN110533167B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0962871A2 (en) * | 1998-06-02 | 1999-12-08 | Yamaha Hatsudoki Kabushiki Kaisha | Data estimation method in engine control |
| CN102779287A (zh) * | 2012-05-24 | 2012-11-14 | 北京工业大学 | 一种具有增量式学习能力的墨键开度预测方法 |
| CN106197558A (zh) * | 2016-08-26 | 2016-12-07 | 扬州电力设备修造厂有限公司 | 一种阀门状态在线监测系统及其工作方法 |
| CN106441858A (zh) * | 2016-12-05 | 2017-02-22 | 重庆享控智能科技有限公司 | 阀门的预判监测系统和方法 |
| CN109974770A (zh) * | 2017-12-27 | 2019-07-05 | 核动力运行研究所 | 一种电动阀状态检测系统及方法 |
Non-Patent Citations (3)
| Title |
|---|
| THE FAULT DIAGNOSIS FOR ELECTRO-HYDRAULIC SERVO VALVE;LIAN-DONG FU et al.;《 2006 International Conference on Machine Learning and Cybernetics》;20090304;第2995-2999页 * |
| 基于遗传优化BP神经网络的电液伺服阀故障诊断分析研究;李雷;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20160115;第2016年卷(第1期);摘要，第4-5章 * |
| 基于遗传算法和BP神经网络的多联机阀类故障诊断;郭梦茹;《制冷学报》;20180430;第39卷(第2期);第119-125页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110533167A (zh) | 2019-12-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110533167B (zh) | 一种电动阀门执行机构用故障诊断方法及诊断系统 | |
| WO2021042935A1 (zh) | 基于隐马尔科夫模型和迁移学习的轴承寿命预测方法 | |
| WO2022037068A1 (zh) | 一种机床轴承故障诊断方法 | |
| CN113255848B (zh) | 基于大数据学习的水轮机空化声信号辨识方法 | |
| CN111813084B (zh) | 一种基于深度学习的机械装备故障诊断方法 | |
| CN102340811B (zh) | 无线传感器网络故障诊断方法 | |
| CN109272123B (zh) | 一种基于卷积-循环神经网络的有杆泵工况预警方法 | |
| CN112785091B (zh) | 一种对油田电潜泵进行故障预测与健康管理的方法 | |
| CN106408687B (zh) | 一种基于机器学习方法的汽车发动机故障预警方法 | |
| CN108764601A (zh) | 一种基于计算机视觉和深度学习技术的结构健康监测异常数据诊断方法 | |
| CN111881627B (zh) | 一种核动力装置故障诊断方法和系统 | |
| CN110705812A (zh) | 一种基于模糊神经网络的工业故障分析系统 | |
| CN114297918A (zh) | 基于全注意力深度网络和动态集成学习的航空发动机剩余寿命预测方法 | |
| CN113188794A (zh) | 一种基于改进pso-bp神经网络齿轮箱故障诊断方法及装置 | |
| CN114764538B (zh) | 一种设备声音信号模式识别方法 | |
| CN113551904A (zh) | 基于层次机器学习的齿轮箱多类型并发故障诊断方法 | |
| CN117347796B (zh) | 一种基于智能网关的开关设备局部放电诊断系统及方法 | |
| CN111595584B (zh) | 一种基于1-dcnn联合特征提取的轴承故障在线检测方法 | |
| CN114548701B (zh) | 面向全量测点耦合结构分析与估计的过程预警方法及系统 | |
| CN116244596A (zh) | 基于tcn和注意力机制的工业时序数据异常检测方法 | |
| CN114046816B (zh) | 基于轻量级梯度提升决策树的传感器信号故障诊断方法 | |
| CN114266013A (zh) | 基于深度学习虚拟感知网络的传动系统振动解耦方法 | |
| CN113987697A (zh) | 一种基于振动数据的机械设备故障诊断方法 | |
| RU2648413C1 (ru) | Способ управления режимами на основе нейросетевого диагностирования неисправностей и технического состояния электроприводного газоперекачивающего агрегата | |
| CN114298200B (zh) | 基于深度并行时序关系网络的异常数据诊断方法 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20200908 Address after: 100027 Beijing, Chaoyangmen, North Street, No. 22, No. Applicant after: China Petroleum & Chemical Corp. Applicant after: South China branch of Sinopec Sales Co.,Ltd. Applicant after: YANGZHOU HENGCHUN ELECTRONIC Co.,Ltd. Address before: 510000 Room 1402, 81 Zhongshan 7th Road, Liwan District, Guangzhou City, Guangdong Province Applicant before: SOUTH CHINA BRANCH OF SINOPEC CHEMICAL COMMERCIAL HOLDING Co.,Ltd. Applicant before: YANGZHOU HENGCHUN ELECTRONIC Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231012 Address after: 100000 22 Chaoyangmen North Street, Chaoyang District, Beijing. Patentee after: CHINA PETROLEUM & CHEMICAL Corp. Patentee after: National Petroleum and natural gas pipeline network Group Co.,Ltd. Patentee after: YANGZHOU HENGCHUN ELECTRONIC Co.,Ltd. Address before: 100027 Chaoyangmen North Street, Chaoyang District, Chaoyang District, Beijing Patentee before: CHINA PETROLEUM & CHEMICAL Corp. Patentee before: South China branch of Sinopec Sales Co.,Ltd. Patentee before: YANGZHOU HENGCHUN ELECTRONIC Co.,Ltd. |
|
| TR01 | Transfer of patent right |