CN111273638B - 基于改进Elman神经网络的气动阀执行机构故障诊断方法 - Google Patents
基于改进Elman神经网络的气动阀执行机构故障诊断方法 Download PDFInfo
- Publication number
- CN111273638B CN111273638B CN202010072279.XA CN202010072279A CN111273638B CN 111273638 B CN111273638 B CN 111273638B CN 202010072279 A CN202010072279 A CN 202010072279A CN 111273638 B CN111273638 B CN 111273638B
- Authority
- CN
- China
- Prior art keywords
- neural network
- fault
- layer
- elman neural
- pneumatic valve
- 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.)
- Expired - Fee Related
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种基于改进Elman神经网络的气动阀执行机构故障诊断方法,包括以下步骤:1)根据阀门的输入输出参数与气动阀执行机构故障之间的关系,构建基于改进Elman神经网络的气动阀执行机构故障模型;2)对气动阀执行机构故障模型进行网络训练;3)在训练好的气动阀执行机构故障模型中输入测试数据进行故障诊断预测,得到故障预测结果。与现有技术相比,本发明具有收敛速度快、预测准确有效、考虑全面等优点。
Description
技术领域
本发明涉及气动阀门执行器故障诊断领域,尤其是涉及一种基于改进Elman神经网络的气动阀执行机构故障诊断方法。
背景技术
气动阀是整个控制系统里必不可少且极为重要的终端执行仪器。其功能是根据控制系统里控制器输出的控制信号,改变被控对象的输入介质流量,实现对被控对象参数的调节和控制。控制阀作为工业过程控制系统中最为常见的执行器,其性能的优劣直接关系到整个控制系统控制精度大小、调节品质的好坏以及能否安全平稳地运行。由于控制阀的使用工况较为恶劣,常会遇到高温、高压、易燃、易爆、强腐蚀、巨毒、高粘度等介质,随着工作时间延长,最终导致控制阀的各方面性能有所改变。不仅造成资源或物料的浪费,而且还会造成环境污染,甚至引发事故。在实际的工业现场中,对控制阀的维护通常是被安排在停产检修期间执行的。工业现场一旦停止生产,就会对企业整个生产环节产生极为不利的影响,在停产检修前,对气动阀执行机构系统故障进行预诊断,可以为气动阀的维护提供有利条件,因此,寻找一种合适的气动控制阀故障诊断方法是十分必要的。
在过程工业中,将阀门的整体看作是一个动态系统(Dynamic system),对于阀门的诊断研究也是伴随着过程工业中动态系统故障诊断研究的步伐向前发展,即阀门的各类故障诊断理论及技术大多来自动态系统故障诊断的研究成果,过去三四十年里,过程工业领域中的动态系统故障诊断的研究主要可以归结为三大类。
(1)基于定量模型的方法
在研究的早些时期,基于定量模型的方法占主导地位,其大致思路为首先建立目标系统输入输出的数学模型,建立好模型后,将数学模型与运行的实际过程进行多方面比较,根据这种比较的结果得出系统诊断的结果。基于系统模型的故障诊断方法要求对系统本身比较深刻的认识,它从系统工作原理的层面出发,达到诊断系统故障的目的,但是这种基于精准数学模型的方法有很大的缺陷,研究者很难针对过程系统建立比较合理的数学模型。
(2)基于定性模型的方法
对于复杂的系统来说,建立模型有时候甚至是不可能完成的工作。有时候不需要系统精准的定量模型,仅依靠系统的一些定性的分析也能够完成故障诊断的任务,这样就产生并兴起了基于定性模型的故障诊断理论及其方法,这种定性的系统模型就是利用一些逻辑因果关系、模糊理论分析、专家系统以及信号处理等一些方法来首先判断系统是否出现故障,再利用己有的知识进行故障分析,然而这种集于定性模型的方法的缺陷是并不具备很好的实用性。
(3)基于数据驱动的振荡方法
从上述两种故障诊断方法看出,对系统实施故障分析,必须具备相应的先验知识,然而在实际生产过程中,有些先验知识无法获取就导致基于模型的方法很多时候无法进行。而基于数据驱动的故障振荡方法,不需要获取大量的系统先验知识。数据驱动方法是从系统现场利用各类传感器获取大量的过程数据,将这些数据运用神经网络、模式识别等数据分析方法进行处理,或者利用神经网络的非线性拟合功能对系统建立数据模型,从而达到故障诊断的目的。相对于定量模型和定性模型,数据驱动模型具有很好的实用性,这种基于现场数据的方法也是目前的研究热点和前沿,神经网络中存在强烈的非线性映射特性和容错特性,可用于非线性系统的故障诊断,通过对历史数据的学习,改进后的网络可以清晰地显示出不同的故障模式。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于改进Elman神经网络的气动阀执行机构故障诊断方法。
本发明的目的可以通过以下技术方案来实现:
一种基于改进Elman神经网络的气动阀执行机构故障诊断方法,包括以下步骤:
1)根据阀门的输入输出参数与气动阀执行机构故障之间的关系,构建基于改进Elman神经网络的气动阀执行机构故障模型;
2)对气动阀执行机构故障模型进行网络训练;
3)在训练好的气动阀执行机构故障模型中输入测试数据进行故障诊断预测,得到故障预测结果。
所述的步骤1)中,改进Elman神经网络的气动阀执行机构故障模型以过程控制外部信号CV、阀门进口压力p1、阀门出口压力p2、主管道流量F、阀杆位移X以及故障强度f作为改进Elman神经网络的输入,以正常状态、阀门沉降、阀门摩擦增加、隔膜穿孔和阀门侵蚀的气动执行器故障作为改进Elman神经网络的输出。
所述的步骤1)中,改进Elman神经网络的气动阀执行机构故障模型为四层结构,包括输入层、承接层、隐含层和输出层,其中,输入层节点数为6,输出层节点数为5,承接层和隐含层的节点数为13,并且在承接层中嵌入自连接反馈增益因子。
所述的步骤1)中,改进Elman神经网络的气动阀执行机构故障模型的表达式为:
其中,u(k)为网络输入,y(k)为网络输出,f(·)为sigmoid函数,x(k)为隐含层节点的输出,w1为输入层节点到隐含层节点的权值,w2为隐含层节点到承接层节点的权值,w3为隐含层节点到输出层节点的权值,α为自连接反馈增益因子,c(k)为承接层的输出矩阵,g(·)为purelin函数,k为网络层数。
所述的自连接反馈增益因子α通过人工或实验试错的方法确定,其取值范围为0≤α<1。
所述的步骤2)中,在Matlab/Simulink环境中通过DAMADICS仿真生成带有不同故障类型的数据作为训练数据和预测数据。
所述的步骤2)中,在训练改进Elman神经网络时,当网络的期望逼近误差达到设定值时完成训练。
所述的设定值为0.005。
与现有技术相比,本发明具有以下优点:
一、本发明提出集于一种改进的Elman神经网络模型来实现气动阀执行机构系统的故障诊断,在Elman神经网络模型在承接层单元层中嵌入自连接反馈增益因子α得到改进的Elman神经网络模型,提高了收敛速度,使非线性动态系统的检测更加准确,与现有方法相比,可以让故障诊断更准确。
二、本发明根据气动执行机构的工作原理,总结了气动阀门故障类型及详细描述,在Matlab和Simulink实验平台上,对气动执行机构的主要故障进行了仿真。针对需要解决的问题对网络的层数以及各层节点的数量进行设计,构建出合适的网络,并对网络的权值进行初始化,然后将数据划分为训练数据与预测数据,对网络进行训练,训练时依据每次的迭代误差不断地调整网络的权值与偏差,当网络训练的结果误差达到目标误差范围或者网络的训练次数达到最大设定限度时训练结束,最后输入测试数据进行预测故障诊断,证明了基于改进的Elman神经网络故障诊断方法对气动执行机构故障诊断的有效性。
附图说明
图1为气动执行机构工作原理图。
图2为气动阀门内部变量间的因果关系图。
图3为原标准Elman神经网络模型结构图。
图4为改进Elman神经网络模型的结构图。
图5为气动执行机构故障诊断过程流程图。
图6为改进的Elman网络训练过程图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
本例中先介绍气动阀执行机构系统,该系统包括:
气动执行机构:当信号压力通入薄膜气室时,在薄膜上产生一个推力,使推杆移动并压缩弹簧,当弹簧的反作用力和信号压力在薄膜上产生的推力相平衡时,推杆稳定在一个新的位置。信号压力越大,在薄膜上产生的推力就越大,和它平衡的弹簧反作用力也就越大,即推杆的也就越大。推杆的位移就是执行机构的直线输出位移,也称为行程。
气动控制阀(调节机构):控制阀的调节机构接与介质接触,主要由阀芯、阀座、阀杆、密封装置、上下阀盖、填料等组成。阀杆同阀芯相连,而阀芯与阀座的互相契合时,形成阀的闭路。当阀杆牵动阀芯一起运动时,阀芯与阀座发生分离,形成阀的开路。阀杆与上阀盖间的密封填充材料称为填料,用来填充填料函空间,可防止介质的泄漏,同时它也是引起控制阀粘滞特性的一个常见因素。要实现良好的密封效果,一方面填料本身的材质,结构要符合介质工况的需要;另一方面合理的填料安装方案也是保证密封可靠的关键。
气动阀门定位器:气动阀门定位器是与控制阀配套使用的主要部件。气动阀门定位器是结构的核心,其主要作用是保证从调节器产生的控制信号与控制阀阀杆的行程位置相关联,提高调节特性的品质。
本发明提供一种基于改进Elman神经网络的气动阀门执行器故障诊断方法,该方法包括以下步骤:
(1)构建阀门系统模型
根据气动执行机构的工作原理建立气动阀门内部变量间的因果关系图,建立输入变量与输出变量之间的关系,DCS/PLC提供电信号CV(4-20mA直流),气动执行机构将电流作为输入信号,利用电流重构控制阀和阀杆的位移状态,气动执行机构工作原理图如图1所示。
其中,CV为过程控制外部信号,PV为阀位反馈信号,CVI为信号处理单元输出的偏差信号,pz为压缩空气压力(kpa),Ps为隔膜气室的压力,X为位移(m),p1,p2为阀门进出口压力(kpa),Δp=p1-p2为进出口压差(kpa),F为主管道流量(m3/h),Fv1、Fv2、Fv3分别为流经减压阀V1,V2,V3的流量,T1为流经阀门的物质温度(℃),E/P为电-气转换器,PSP为空气压缩机,TT为温度变送器,PT为压力变送器,FT为流量变送器,ZT为阀门位移变送器,PI为信号处理单元,V1,V2,V3为减压阀。气动阀门内部变量间的因果关系图如图2所示。
(2)气动阀门故障描述:
过程工业的迅猛发展使得过程现场越来越复杂,人们对智能化管理及监控效率要求越来越高,很多学者从不同角度提出了各类不同的阀门故障诊断相关的理论方法也在一定程度上为这一领域的生产实践带来很大的经济效益。但是,从理论研究到生产实践之间存在的障碍是当提出了一种故障诊断方法,需要对这些方法进行验证。对于阀门故障类的理论方法,考虑到现场生产的安全性和经济性,现场验证理论方法的有效性在很多情况下是不现实的。而阀门故障诊断的仿真平台DAMDADICS,可以用来进行阀门故障诊断方法的研究、验证以及评价等。该平台根据阀门的构造将气动阀门的故障类型分成了三大类共19种,这19种故障类型包含了阀门及其相关附件可能出现故障的所有情况。表1给出了19种故障的详细情况。
表1气动阀门19中常见故障及其描述
故障 | 故障描述 | 类型 |
F1 | 阀门堵塞 | 突变 |
F2 | 阀塞或阀座下沉 | 衰減 |
F3 | 阀塞或阀座腐蚀 | 衰減 |
F4 | 阀或轴承摩擦增加 | 衰减 |
F5 | 外部泄漏 | 衰减 |
F6 | 内部泄漏 | 衰减 |
F7 | 载体过热蒸发 | 突变 |
F8 | 电机活塞杆扭曲 | 突变 |
F9 | 机架或端子松脱 | 衰减 |
F10 | 膜头穿孔故障 | 突变 |
F11 | 弹簧弹性故障 | 突变 |
F12 | 电-气转换器故障 | 突变 |
F13 | 阀杆位移传感器故障 | 衰減 |
F14 | 压力传感器故障 | 突变 |
F15 | 定位器反馈故障 | 突变 |
F16 | 压力供给下降故障 | 快变 |
F17 | 不可预计压差变化 | 快变 |
F18 | 旁路阀故障 | 突变 |
F19 | 流量传感器故障 | 突变 |
在对阀门故障进行建模时,分别考虑以上故障的单一情况,借助他们之间的因果关系,通过物理的角度进行建模。建模时充分研究了实际阀门执行器的力学模型,流体动力模型,热力学模型等一些本质因素。考虑到模型的复杂性,在建模过程中在保证模型功能完备的情况下针对一些方面做了简化,并与工厂中的数据做了大量的对照实验,确保仿真模型的实用性。
(3)Elman神经网络模型设计
Elman神经网络是一种典型的动态反馈神经网络,它在前馈神经网络结构的基础上添加了一个特有的承接层,网络结构一般分为四层:输入层、隐含层(中间层)、承接层和输出层。其中输入层、输出层和隐含层的连接方式类似于前馈神经网络。输入层起到信号传输的作用,输出层起到线性加权作用。而承接层则可以记忆隐含层前一刻的输出值,可以认为承接层是能够迟延一步的延时算子。隐含层的输出通过承接层的延迟与存储,自联到隐含层的输入,这种自联方式使其对历史数据具有敏感性,内部反馈网络的加入增加了网络本身处理动态信息的能力,从而达到动态建模的目的。
原标准Elman神经网络模型结构图如图3所示。
其中,m为输入层单位总数,n为输出层单位总数,r为隐含层单位总数。ui(k)和yj(k)分别表示网络的输入和输出,xi(k)为第i个隐含单元的输出,ci(k)为第i个承接单元的输出。原标准Elman神经网络的表达式如式(1)所示:
改进的Elman神经网络模型
改进的Elman神经网络模型在承接层单元层中嵌入自连接反馈增益因子α,第k个承接层的迭代输出等于与隐含层第k-1层迭代输出与承接层第k-1层迭代输出的α倍乘积的和,其中0≤α<1。自连接反馈增益因子对历史数据敏感,适用于动态非线性建模。改进后的Elman神经网络模型结构如图4所示。
其网络公式如式(2)所示:
其中,u(k)∈Rm为网络外部输入矩阵,y(k)∈Rn为网络输出矩阵,x(k)∈Rr为隐含层输出矩阵,c(k)∈Rn为承接层输出矩阵。通过人工或实验试错的方法,确定自反馈反馈增益因子α(0≤α<1)。改进的Elman网络与标准的Elman神经网络相比有两个优点。首先,它可以更好地实现非线性映射;其次,它简化网络规模,提高学习速度。激活函数f(x)取为sigmoid函数,如公式(3)所示:
g(x)常采用线性函数,也就是说当中间层神经元足够多时,这种结构可以保证网络以任意精度逼近任意的非线性函数。这里采用purelin函数:
g(x)=x (4)
误差函数
Elman神经网络的学习过程是通过对训练数据进行训练,从而获取到输入量与输出量之间的动态特性关系,最终获得稳定的网络参数的过程。假设Elman神经网络训练过程的第k步的实际输出为y(k),期望的输出为yd(k)则网络的误差函数定义如下所示:
其中,yd(k)为第k层训练迭代期望网络输出,y(k)为网络实际输出。T为训练序列长度。Elman网络学习的目的就是找到合适的w*使得E(k)w*=minE(k)w,即找到可以使得误差函数最小的权值矩阵。此时Elman神经网络的学习问题就转换成了最优化问题,最优化问题的学习算法采用梯度下降法,则有以下步骤:
(301)将E(k)w对隐含层神经元与输出层神经元间的权值w3求偏导,可得
(302)令δ0=(yd(k)-y(k))·g′(·),因此上等式变为(7)
其中,i为隐含层节点数。
(303)对输入层神经元与隐含层神经元间的权值w1求偏导,可得
(304)令δh i=δ0w3 if′(·)得到公式(9)
其中j为输入层的节点数。
(305)对隐含层神经元与承接层神经元间的权值w2求偏导,可得:
其中,l为承接层的节点数。
(306)由公式(2),可以得出:
Δw3 i=η3δ0xi(k) (12)
Δw1 ij=η2δh iuj(k) (13)
(4)气动执行机构参数提取
DAMADICS中最终的模型只有少量的几个阀门的输入输出参数,包括:CV为控制器的输出值,p1为阀门输入口的压强,p2为阀门输出口的压强,T1为流经阀门的流质温度,F为流经阀门流质的速率,X为阀门阀杆的位置,而f为故障强度,在Matlab/Simulink环境中利用Simulink文件在计算机中仿真出带有不同故障类型的数据。具体操作过程可以概括为如下几步:
(401)根据实际的现场过程,选取适当大小的CV、P1、P2、T1等参数作为阀门模型输入值;
(402)设置故障类型,起始时间和故障强度大小;
(403)在Simulink中设置运行环境后进行仿真。
因为考虑到安全性和经济性,现场获取这些带有故障的数据很多时候不容易做到,该模型解决了故障类型数据难于获取的问题。
本发明中采用DAMADICS平台中这种阀门故障仿真模式,选择4种常见故障作为研究对象,对所选的4种阀门故障先进行故障检测后,对能够检测出的故障进行分类,4种故障类型及其相关信息见表2。
从表2中可以看出,这4种故障的强度都设置为中等大小,这样便于检验诊断方法的有效性。并且故障出现的起始时间均为仿真开始2000s之后,故障持续时间设置为200s。获取故障数据之后,进一步对气动执行机构继续故障诊断进行验证。
表2本发明用来研究的4种常见阀门故障
故障 | 故障描述 | 类型 | 故障强度 | 故障起始时刻 |
F2 | 阀塞或阀座下沉 | 衰减 | 中等 | 2000s-2200s |
F4 | 阀或轴承摩擦力增加 | 衰减 | 中等 | 2000s-2200s |
F10 | 膜头穿孔故障 | 突变 | 中等 | 2000s-2200s |
F3 | 阀塞或阀座腐蚀 | 衰减 | 中等 | 2000s-2200s |
(5)气动执行机构故障诊断预测
Elman神经网络预测模型
Elman神经网络预测模型的流程图见图5所示。其主要思想是:首先针对需要解决的实际问题对网络的层数以及各层节点的数量进行设计,构建出合适的网络,并对网络的阈值、权值进行初始化,然后将数据划分为训练数据与预测数据,对网络进行训练,训练时依据每次的迭代误差不断地调整权值与偏差,当网络训练的结果误差达到目标误差范围或者网络的训练次数达到最大设定限度时训练结束,最后输入测试数据进行网络预测。
对气动执行机构故障进行诊断的步骤如下:如流程图5所示。
(501)构建合适的Elman神经网络。
输入输出确定
构建Elman网络模型时,神经网络输入层神经元的个数就等于影响模型的变量个数,当故障发生时气动执行机构的参数也随之改变。主要参数包括:外部信号(CV)、阀门进出口压力(p1/p2)、管道流量(F)和阀杆位移(X)。因此将将CV、p1、p2、f、F和X看作网络输入,因此本专利所建立的Elman神经网络的输入层神经元个数为6个,本专利目的是预测诊断阀门故障,在此选用4种常见故障,阀门沉降、阀门摩擦增加、隔膜穿孔和阀门侵蚀,神经网络的输出矢量包括正常状态、阀门沉降、阀门摩擦增加、隔膜穿孔和阀门侵蚀。因此输出层神经元个数为5个。
隐含层确定
一般来说,隐含层层数的增多可以提高网络的精度并且使其误差减小,但与此同时也会使网络变得更加复杂,增加了网络的训练时间。实际上误差精度的提高也可以通过增加隐含层神经元个数的方法来实现,对于任意的神经网络,如果隐含层神经元的个数足够多,就可以无限地逼近任意一个有理函数。因此本模型中选取隐含层的层数为1。
隐含层神经元个数
现阶段并没有标准的选择方法,通常采用经验公式与实验相结合的方式来确定,不同的应用领域具有不同的经验公式,常见经验公式如下:
n1=2n2+1 (15)
n1=log2 n2 (16)
其中,n1为隐含层的神经元个数;n2为输入层的神经元个数;a为1-10之间的常数。本发明利用公式(15)来近似计算隐含层神经元的个数,代入n2=6可得隐含层神经元个数为n1=13。
(502):网络权值初始化。
网络的初始的权值取值对于网络学习是否达到全局最小或者是否能够收敛具有很大的关系,在调整连接权值之前,首先需要为连接权随机设置初始值。为了保证网络的正常训练,通常希望初始的权值在输入累加时可以使得每个神经元的状态值接近为零,但又不能等于零,一般选比较小的随机数。依据前人的大量研究可知,初始的权值取值范围在(-0.3,+0.3)之间时可以保证网络的正常训练。
(503):分别计算输入层、隐含层、承接层、输出层的输出。
(504):计算误差函数。
(505):更新权值。
(506):判断误差是否满足条件或网络的迭代次数是否达到最大设定限度,如果不是则重复步骤2到步骤6,如果是则结束。
(507):将阀门故障数据输入模型进行测试。
(508):验证诊断结果。
在网络中,sigmoid函数是Elman神经网络隐含层激活函数,purelin函数是Elman网络输出层激活函数。网络的期望逼近误差ess(误差平方和)可设为0.005,其他学习参数保持不变。神经网络的网络训练过程如图6所示。
实施例
本节通过对气动控制阀参数进行仿真实验来验证本方法的性能和有效性。利用神经网络分类器输出相应类别的后验概率。本发明给出了两组输出向量,即理想输出向量和实际输出向量。我们可以自己设置理想的输出向量,0表示没有故障,1表示发生了故障。通过对网络进行训练,得到气动执行器故障矢量信息,并将神经网络的输出矢量与理想矢量进行比较。当网络输出矢量越接近1时,某些气动执行器故障发生的概率越大。根据输出向量中1的位置,可以确定故障类型。例如,输出矢量为[1.00 0.00 0.00 0.00 0.00],可以得到气动执行器在第一状态下运行,视为正常状态。表3为理想输出向量与网络实际输出向量的比较结果。
表3理想和实际的输出向量
由表3可知,通过与理想输出向量和实际输出向量的比较,在允许的误差下,实际的输出向量已经非常接近理想输出向量,因此通过这种类型的诊断,不仅可以检测故障,还可以确定故障类型。结果表明,采用改进的Elman神经网络对气动执行机构故障诊断效果良好。
Claims (4)
1.一种基于改进Elman神经网络的气动阀执行机构故障诊断方法,其特征在于,包括以下步骤:
1)根据阀门的输入输出参数与气动阀执行机构故障之间的关系,构建基于改进Elman神经网络的气动阀执行机构故障模型,所述的步骤1)中,改进Elman神经网络的气动阀执行机构故障模型以过程控制外部信号CV、阀门进口压力p1、阀门出口压力p2、主管道流量F、阀杆位移X以及故障强度f作为改进Elman神经网络的输入,以正常状态、阀门沉降、阀门摩擦增加、隔膜穿孔和阀门侵蚀的气动执行器故障作为改进Elman神经网络的输出,改进Elman神经网络的气动阀执行机构故障模型为四层结构,包括输入层、承接层、隐含层和输出层,其中,输入层节点数为6,输出层节点数为5,承接层和隐含层的节点数为13,并且在承接层中嵌入自连接反馈增益因子,改进Elman神经网络的气动阀执行机构故障模型的表达式为:
其中,u(k)为网络输入,y(k)为网络输出,f(·)为sigmoid函数,x(k)为隐含层节点的输出,w1为输入层节点到隐含层节点的权值,w2为隐含层节点到承接层节点的权值,w3为隐含层节点到输出层节点的权值,α为自连接反馈增益因子,c(k)为承接层的输出矩阵,g(·)为purelin函数,k为网络层数,所述的自连接反馈增益因子α通过人工或实验试错的方法确定,其取值范围为0≤α<1;
2)对气动阀执行机构故障模型进行网络训练获得稳定的网络参数,即找到使得误差函数E(k)w最小的权值矩阵w*,由此,Elman神经网络的学习问题转换成最优化问题,最优化问题的学习算法采用梯度下降法,包括以下步骤:
201)将误差函数E(k)w对隐含层神经元与输出层神经元间的权值w3求偏导,则有:
令δ0=(yd(k)-y(k))·g′(·),则有:
202)对输入层神经元与隐含层神经元间的权值w1求偏导,则有:
令δh i=δ0w3 if′(·),则有:
其中,j为输入层的节点数;
203)对隐含层神经元与承接层神经元间的权值w2求偏导,则有:
其中,l为承接层的节点数;
204)根据改进Elman神经网络的气动阀执行机构故障模型的表达式得到:
Δw3 i=η3δ0xi(k)
Δw1 ij=η2δh iuj(k)
3)在训练好的气动阀执行机构故障模型中输入测试数据进行故障诊断预测,得到故障预测结果。
2.根据权利要求1所述的一种基于改进Elman神经网络的气动阀执行机构故障诊断方法,其特征在于,所述的步骤2)中,在Matlab/Simulink环境中通过DAMADICS仿真生成带有不同故障类型的数据作为训练数据和预测数据。
3.根据权利要求1所述的一种基于改进Elman神经网络的气动阀执行机构故障诊断方法,其特征在于,所述的步骤2)中,在训练改进Elman神经网络时,当网络的期望逼近误差达到设定值时完成训练。
4.根据权利要求3所述的一种基于改进Elman神经网络的气动阀执行机构故障诊断方法,其特征在于,所述的设定值为0.005。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010072279.XA CN111273638B (zh) | 2020-01-21 | 2020-01-21 | 基于改进Elman神经网络的气动阀执行机构故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010072279.XA CN111273638B (zh) | 2020-01-21 | 2020-01-21 | 基于改进Elman神经网络的气动阀执行机构故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111273638A CN111273638A (zh) | 2020-06-12 |
CN111273638B true CN111273638B (zh) | 2021-10-26 |
Family
ID=71002012
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010072279.XA Expired - Fee Related CN111273638B (zh) | 2020-01-21 | 2020-01-21 | 基于改进Elman神经网络的气动阀执行机构故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111273638B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114115195B (zh) * | 2021-11-22 | 2024-03-15 | 江苏科技大学 | 水下机器人推进器故障诊断与容错控制方法 |
CN114755002B (zh) * | 2022-04-06 | 2023-05-30 | 燕山大学 | 一种基于全连接神经网络的缓冲平衡阀故障诊断方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109376413A (zh) * | 2018-10-08 | 2019-02-22 | 四川大学 | 基于数据驱动的在线神经网络故障诊断方法 |
CN109784475A (zh) * | 2019-01-02 | 2019-05-21 | 广东工业大学 | 一种基于动态适应bp神经网络的变压器故障诊断方法 |
CN109917205A (zh) * | 2019-03-13 | 2019-06-21 | 中南大学 | 一种基于特征提取和多层感知机的电磁阀故障诊断装置及方法 |
CN110533167A (zh) * | 2019-08-23 | 2019-12-03 | 中国石化销售有限公司华南分公司 | 一种电动阀门执行机构用故障诊断方法及诊断系统 |
CN111191725A (zh) * | 2019-12-31 | 2020-05-22 | 北京市燃气集团有限责任公司 | 一种基于pca数据处理的rbf故障诊断方法、系统、终端及计算机存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100323339A1 (en) * | 2008-05-30 | 2010-12-23 | Ritchie James V | Hemodynamic Simulator |
-
2020
- 2020-01-21 CN CN202010072279.XA patent/CN111273638B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109376413A (zh) * | 2018-10-08 | 2019-02-22 | 四川大学 | 基于数据驱动的在线神经网络故障诊断方法 |
CN109784475A (zh) * | 2019-01-02 | 2019-05-21 | 广东工业大学 | 一种基于动态适应bp神经网络的变压器故障诊断方法 |
CN109917205A (zh) * | 2019-03-13 | 2019-06-21 | 中南大学 | 一种基于特征提取和多层感知机的电磁阀故障诊断装置及方法 |
CN110533167A (zh) * | 2019-08-23 | 2019-12-03 | 中国石化销售有限公司华南分公司 | 一种电动阀门执行机构用故障诊断方法及诊断系统 |
CN111191725A (zh) * | 2019-12-31 | 2020-05-22 | 北京市燃气集团有限责任公司 | 一种基于pca数据处理的rbf故障诊断方法、系统、终端及计算机存储介质 |
Non-Patent Citations (2)
Title |
---|
《基于动态神经网络的电液伺服阀实时故障诊断》;张若青等;《机床与液压》;20021231;P140-142 * |
《基于蚁群优化的Elman神经网络在故障诊断中的应用研究》;曹龙汉等;《北京联合大学学报》;20131031;P30-35 * |
Also Published As
Publication number | Publication date |
---|---|
CN111273638A (zh) | 2020-06-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111273638B (zh) | 基于改进Elman神经网络的气动阀执行机构故障诊断方法 | |
Mendonça et al. | An architecture for fault detection and isolation based on fuzzy methods | |
Laurentys et al. | A novel artificial immune system for fault behavior detection | |
CN107491840B (zh) | 基于elm神经网络模型的流动磨损特性预测及寿命评估方法 | |
Szabo et al. | Control oriented modeling of an electro-pneumatic gearbox actuator | |
Simani et al. | Application of a neural network in gas turbine control sensor fault detection | |
Bahlawan et al. | Development of reliable narx models of gas turbine cold, warm and hot start-up | |
CN117090831A (zh) | 具有孪生应用层的液压系统故障诊断框架 | |
Szabó et al. | Measurement based validation of an electro-pneumatic gearbox actuator | |
Gauchel et al. | Predictive maintenance with a minimum of sensors using pneumatic clamps as an example | |
Kourd et al. | Early FDI based on residuals design according to the analysis of models of faults: application to DAMADICS | |
Lamoureux et al. | An approach to the health monitoring of the fuel system of a turbofan | |
El-Betar et al. | Fault diagnosis of a hydraulic power system using an artificial neural network | |
Kościelny et al. | Application of information system theory for actuators diagnosis | |
Sajad et al. | Black-box identification of gas turbine output parameters using dynamic neural network | |
Zhang et al. | A review of valve health diagnosis and assessment: Insights for intelligence maintenance of natural gas pipeline valves in China | |
Bahiuddin et al. | A Systematic Approach to Estimate Non-Linear System Parameters using Particle Swarm Optimization and Bond Graph Methods | |
Pereira-Dias et al. | Control of hydraulic actuated fatigue testing machines–a review | |
Gareev et al. | Simulation of electro-hydraulic systems taking into account typical faults | |
Hadroug et al. | Valve actuator fault classification based on fuzzy system using the DAMADICS model | |
Tang et al. | Fault detection and diagnosis of pneumatic control valve based on fuzzy method | |
Toffolo et al. | Energy system diagnosis by a fuzzy expert system with genetically evolved rules | |
Karim et al. | Model-based fault detection method using interval analysis: Application to an aeronautic test bench | |
Peerapur et al. | A Proposed Method for Online Condition Monitoring of Pneumatic Systems Under Different Operating Conditions and Parameters for Optimal Energy Consumption | |
Kim et al. | Artificial Neural Network Model for Diagnosing the Performance and the Conditions of Air-Operated Valves |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20211026 Termination date: 20220121 |