CN111929053B

CN111929053B - 基于da-rvfln的气动调节阀领域适应故障诊断方法

Info

Publication number: CN111929053B
Application number: CN202010644591.1A
Authority: CN
Inventors: 杨春雨; 陈黎明; 卜令超; 王聪; 周林娜; 张道明; 代伟; 赵建国; 袁晓光
Original assignee: China University of Mining and Technology CUMT
Current assignee: China University of Mining and Technology CUMT
Priority date: 2020-07-07
Filing date: 2020-07-07
Publication date: 2022-02-01
Anticipated expiration: 2040-07-07
Also published as: CN111929053A

Abstract

本发明公开了一种基于DA‑RVFLN的气动调节阀领域适应故障诊断方法，首先，通过数据采集装置采集气动调节阀运行过程的气室压力与阀杆位移信号；然后，采用变分模态分解(VMD)和多尺度熵方法(MSE)分析过程信号，提取故障特征；最后，将提取的故障特征作为输入，采用领域适应随机向量函数链接网络(DA‑RVFLN)作为分类器，利用训练好的分类器，实现气动调节阀的领域适应故障诊断。本发明获得了较高的诊断精度，提高了故障诊断的领域适应性和泛化性。

Description

基于DA-RVFLN的气动调节阀领域适应故障诊断方法

技术领域

本发明涉及阀门故障检测与诊断领域，具体是一种基于DA-RVFLN的气动调节阀领域适应故障诊断方法。

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。如何利用气动调节阀运行过程数据，在非拆解的情况下实现故障的识别与诊断，是众多工程师关注的问题。近年来，许多数据驱动的气动调节阀故障诊断方法被提了出来，取得了较好的诊断效果。但是，现有数据驱动的气动调节阀故障诊断方法当训练数据和测试数据来自同一分布时，可以取得较好的结果，而实际上气动调节阀工作条件十分复杂，从传感器采集的信号在两个域之间有较大差异，这将导致诊断性能急剧下降。具体来讲，用于构建分类器的训练数据可以在某台阀门的某些工作条件下进行采样，而实际的故障诊断应用是识别同一型号的其他阀门在相同或者不同工作条件下的故障类型。虽然故障类型是相同的，但是训练数据和测试数据的分布差异很大。分类器使用特定的数据进行训练，可以在类似数据上实现高精度，而在服从另一分布的数据上往往表现不佳。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种基于DA-RVFLN的气动调节阀领域适应故障诊断方法，可以使分类器适用于不同分布的数据，提高故障诊断的领域适应性能。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种基于DA-RVFLN的气动调节阀领域适应故障诊断方法，包括以下步骤：

步骤A、过程信号的采集

在气动调节阀螺盖上方和气室供气孔处分别安装位移传感器和压力传感器，给定电流输入信号，通过移传感器和压力传感器采集阀门运行过程的气室压力P(t)和阀杆位移d(t)，并通过串口通信发送给上位机保存。

步骤B、故障特征的提取：

样本采集完毕后，需要对其进行特征提取，本发明采用VMD和MMSE技术提取故障特征，具体包括以下步骤：

步骤B.1、对气室压力P(t)进行K层VMD分解，得到一系列变分模态分量μ_k。

步骤B.2、按照下式计算各变分模态分量μ_k和气室压力P(t)之间的相关系数r：

其中，r表示相关系数，Cov(P(t),μ_k)表示P(t)和μ_k的协方差，Var(P(t))和Var(μ_k)分别表示P(t)和μ_k的方差。

步骤B.3、给定相关系数阈值r₀，选取相关系数r＞r₀的变分模态分量μ_k相加，构成新气室压力P₀(t)。

步骤B.4、设置尺度因子s，按照下式构建均值粗粒化序列

其中，N表示P₀(t)的采样点数。

步骤B.5、设定嵌入维数m和相似容限r_En，对步骤B.4中获得的

个粗粒化序列求样本熵，并将样本熵作为尺度因子s的函数，由此得到多尺度熵：

MSE(s)＝SampEn(P₀(t),m,r_En)

其中，MSE(s)表示多尺度熵，SampEn(P₀(t),m,r_En)表示新气室压力信号的样本熵。

步骤B.6、将阀门各开度下重构压力信号的多尺度熵和零开度下位移d₀(t)的均值构成故障特征向量x＝[MSE(s),mean(d₀(t))]，其中，x表示故障特征向量，mean(d₀(t))表示零开度下阀杆位移的均值。

步骤C、故障分类器的学习：

提取完故障特征X后，为每个样本贴上标签，1-6分别代表无故障、漏气故障、摩擦力增大故障、弹簧刚性减弱故障、阀座异物故障和阀芯磨损故障。贴完标签后，即可学习故障分类器。本发明采用领域适应随机向量函数链接网络(DA-RVFLN)作为分类器进行训练，基于DA-RVFLN的故障分类器，可以借助少量目标域样本，使模型适用于待测阀门的过程数据分布，提高故障分类器的领域适应性能。最终，获得基于DA-RVFLN的领域适应故障分类器模型为f(x)＝h(x)β，其中，X表示从待测样本中提取的故障特征向量，h(·)为RRVFLN分类器的隐含层输出，β表示学习好的DA-RVFLN分类器的输出权重矩阵，包括以下步骤：

步骤C.1、由步骤B得到故障特征向量x，为样本加上标签，并转换为矩阵形式，将采集的样本及其标签构成训练集{X_S,T_S}、{X_T,T_T}，其中，X_S表示源域样本特征向量的集合，T_S表示源域样本的标签矩阵，X_T表示目标域样本特征向量的集合，T_T表示目标域样本的标签矩阵，下标S表示源域，下标T表示目标域。采用领域适应随机向量函数链接网络DA-RVFLN作为故障分类器进行训练，通过训练集训练故障分类器，其中，DA-RVFLN介绍如下：

故障分类器是在领域适应随机向量函数链接网络DA-RVFLN的基础上，结合结构风险最小化和经验风险最小化，同时引入最大均值差异度量来构造一个新的目标函数：

其中，β是输出权重，e_Si∈R^m表示第i个源域样本的误差矩阵，e_Tj∈R^m表示第j个目标域样本的误差矩阵，m表示源域和目标域的样本类别数，

表示输出权重矩阵β的2-范数，

表示源域和目标域的MMD度量，P_T∈R^m×m是目标域输出空间的转换矩阵，用于标签空间的适配，

用于控制转移过程中输出空间的变换，n_S和n_T分别表示源域和目标域样本的个数，C_S、C_T、λ和γ表示惩罚参数，用于平衡各项之间的贡献度，

表示通过P_T进行矩阵转换的惩罚运算符，t_Si表示第i个源域样本的标签向量，e_Si表示第i个源域样本的误差矩阵，t_Tj表示第j个目标域样本的标签向量，e_Tj表示第j个目标域样本的误差矩阵。

求解上式可得：

故障分类器的输出表达式

f(X)＝h(X)β

其中，T_S表示源域样本的标签矩阵，T_T表示目标域样本的标签矩阵，U表示源域样本与目标域样本的最大均值差异度量，H_S表示源域样本的隐含层输出矩阵，H_T表示目标域样本的隐含层输出矩阵。

步骤C.2、随机选取输入权重a_j和偏置b_j，选取激活函数h(·)为sigmoid函数，计算故障特征向量x隐含层的输出，构造隐含层整体输出矩阵H：

其中，L为隐含层节点个数，P表示输入神经元个数。分别计算源域和目标域的隐层输出矩阵H_S和H_T。

步骤C.3、确定惩罚参数{C_S,C_T,λ,γ}，设置最大迭代次Iter，初始化

按照

更新输出权重矩阵β，然后按照

I更新P_T，反复迭代，直到达到最大迭代次数Iter，进而可以得到基于DA-RVFLN的故障分类器模型f(X)＝h(X)β。

步骤D、故障诊断：

学习好故障分类器后，即可将整个故障诊断模型应用于待检测阀门的故障诊断。首先，采集待测阀门运行过程的气室压力P'(t)和阀杆位移d'(t)，提取故障特征向量x'。然后，将提取的故障特征向量输入到步骤C中学习好的故障分类器，按照

得到待测阀门各故障的置信度向量f(x')。最后，按照下式求得待测阀门的故障标签t₀：

t₀＝argmax{f(x')}

其中，t₀表示故障标签。

优选的：步骤B.5中SampEn(P₀(t),m,r_En)的计算过程具体如下：

步骤B.5.1、根据新气室压力P₀(t)＝{p₁,p₂,…,p_N}，构建嵌入m维的矢量P_i：

P_i＝[x_i,x_i+1,…,x_i+m-1],i＝1,2,…,N-m+1。

步骤B.5.2、定义d[a,b]表示矢量元素a和b的最大距离，统计d[P_i,P_j]小于r_En的数目n₀，定义n₀与d[P_i,P_j]数目的比值

为：

其中，N-m是d[P_i,P_j]的总元素数量，计算

的均值为C^m(r_En)。

步骤B.5.3、令嵌入维数m加1，按照步骤B.5.1-B.5.2得到C^m+1(r_En)，该尺度下的样本熵按照下式计算：

其中，SampEn表示样本熵。

优选的：步骤A中给定电流输入信号大小为4-20mA。

优选的：气动调节阀的运行状态有C种，包括C-1种故障状态及1种正常状态。每种状态采集到的气室压力和阀杆位移数据作为一个原始样本。针对源域样本，通过不同故障强度采集到同一状态的不同样本，每种状态采集NumS个样本，源域样本总数N_S＝NumS*C。针对目标域样本，每种状态采集NumT个样本，目标域样本总数为N_T＝NumT*C。

优选的：步骤C中标签为1-6，1-6分别代表无故障、漏气故障、摩擦力增大故障、弹簧刚性减弱故障、阀座异物故障和阀芯磨损故障。

本发明相比现有技术，具有以下有益效果：

本发明故障分类时，采用基于DA-RVFLN的分类器，使分类器应用于不同阀门的故障诊断，本发明获得了较高的诊断精度，提高了故障诊断的领域适应性和泛化性。

附图说明

图1为本发明工作流程图；

图2气动调节阀过程数据；

图3不同数量目标域标签样本下的诊断结果。

具体实施方式

下面结合附图和具体实施例，进一步阐明本发明，应理解这些实例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

一种基于DA-RVFLN的气动调节阀领域适应故障诊断方法，如图1所示，包括以下步骤：

A、过程信号的采集

在气动调节阀螺盖上方和气室供气孔处分别安装位移传感器和压力传感器，给定4-20mA的电流输入信号，通过数据采集装置采集阀门运行过程的气室压力P(t)和阀杆位移d(t)信号，并通过串口通信发送给上位机保存；

气动调节阀的运行状态有6种，包括5种故障状态及1种正常状态；每种状态采集到的气室压力和阀杆位移数据作为一个原始样本。针对源域样本，通过不同故障强度可以采集到同一状态的不同样本。每种状态采集150个样本，源域样本总数900。针对目标域样本，每种状态采集50个样本，目标域样本总数为300；

B、故障特征的提取

B.1、对气室压力信号P(t)进行4层VMD分解，得到一系列变分模态分量μ_k；

B.2、按照下式计算各变分模态分量μ_k和原始信号P(t)之间的相关系数r

其中，Cov(P(t),μ_k)表示P(t)和μ_k的协方差，Var(P(t))和Var(μ_k)分别表示P(t)和μ_k的方差；

B.3、给定相关系数阈值r₀＝0.5，选取相关系数r＞r₀的变分模态分量μ_k相加，构成新的气室压力信号P₀(t)；

B.4、设置尺度因子s＝10，按照下式构建均值粗粒化序列

其中，N表示P₀(t)的采样点数；

B.5、设定嵌入维数m＝2和相似容限r_En＝0.25std(x)，对B.4中获得的

个粗粒化序列求样本熵，并将样本熵作为尺度因子s的函数，由此可以得到多尺度熵MSE(s)＝SampEn(P₀(t),m,r_En)

B.6、将阀门各开度下重构压力信号的多尺度熵和零开度下位移d₀(t)的均值构成故障特征向量X＝{MSE(s),mean(d₀(t))}；

C、故障分类器的学习：

C.1、为故障特征向量x加上标签1-6，分别表示：无故障、漏气故障、摩擦力增大故障、弹簧刚性减弱故障、阀座异物故障和阀芯磨损故障，并将标签转换为矩阵形式，将采集的样本及其标签构成训练样本集{X_S,T_S}、{X_T,T_T}；

C.2、随机选取输入权重a_j和偏置b_j，选取激活函数h(·)为sigmoid函数，分别计算源域和目标域的隐层输出矩阵H_S和H_T；

C.3、并确定惩罚参数C_S＝0.1，C_T＝10，λ＝0.01，γ＝100，设置最大迭代次数Iter＝10，迭代更新β和P_T，进而可以得到基于DA-RVFLN分类器模型f(X)＝h(X)β；

D、故障诊断模型的应用：

学习好故障分类器后，即可将整个故障诊断模型应用于待检测阀门的故障诊断。首先，采集待测阀门运行过程的气室压力和阀杆位移信号，按照步骤B中所述方法提取故障特征向量X；然后，将提取的故障特征向量输入到步骤C中学习好的DA-RVFLN故障分类器，按照f(X)＝h(X)β即可得到待测阀门各故障的置信度向量f(X)；最后，按照t₀＝arg maxf({X)即可求得待测阀门的故障标签t₀。

气动调节阀过程数据曲线如图2所示，图3是目标域中不同数量标签样本下的诊断结果，从图中可以看出，随着目标域标签样本的增加，诊断精度不断提升，而本发明始终优于其他方法，而且较为稳定。

综上所述，本发明结构简单，效果明显，在实现非拆解诊断的前提下，适应了待测阀门的数据分布，获得了较高的诊断精度，提高了故障诊断的领域适应性和泛化性；此外，本发明实现简单，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与智能化。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims

1.一种基于DA-RVFLN的气动调节阀领域适应故障诊断方法，其特征在于，包括以下步骤：

步骤A、过程信号的采集

在气动调节阀螺盖上方和气室供气孔处分别安装位移传感器和压力传感器，给定电流输入信号，通过移传感器和压力传感器采集阀门运行过程的气室压力P(t)和阀杆位移d(t)；

步骤B、故障特征的提取：

步骤B.1、对气室压力P(t)进行K层VMD分解，得到一系列变分模态分量μ_k；

其中，r表示相关系数，Cov(P(t),μ_k)表示P(t)和μ_k的协方差，Var(P(t))和Var(μ_k)分别表示P(t)和μ_k的方差；

步骤B.3、给定相关系数阈值r₀，选取相关系数r＞r₀的变分模态分量μ_k相加，构成新气室压力P₀(t)；

步骤B.4、设置尺度因子s，按照下式构建均值粗粒化序列

其中，N表示P₀(t)的采样点数；

步骤B.5、设定嵌入维数m和相似容限r_En，对步骤B.4中获得的

MSE(s)＝SampEn(P₀(t),m,r_En)

其中，MSE(s)表示多尺度熵，SampEn(P₀(t),m,r_En)表示新气室压力信号的样本熵；

步骤B.6、将阀门各开度下重构压力信号的多尺度熵和零开度下位移d₀(t)的均值构成故障特征向量x＝[MSE(s),mean(d₀(t))]，其中，x表示故障特征向量，mean(d₀(t))表示零开度下阀杆位移的均值；

步骤C、故障分类器的学习：

步骤C.1、由步骤B得到故障特征向量x，为样本加上标签，并转换为向量形式，将采集的样本及其标签构成训练集{X_S,T_S}、{X_T,T_T}，其中，X_S表示源域样本特征向量的集合，T_S表示源域样本的标签矩阵，X_T表示目标域样本特征向量的集合，T_T表示目标域样本的标签矩阵，下标S表示源域，下标T表示目标域；采用领域适应随机向量函数链接网络DA-RVFLN作为故障分类器进行训练，通过训练集训练故障分类器，其中，DA-RVFLN介绍如下：

表示输出权重矩阵β的2-范数，

表示源域和目标域的MMD度量，P_T∈R^m×m是目标域输出空间的转换矩阵，

用于控制转移过程中输出空间的变换，n_S和n_T分别表示源域和目标域样本的个数，C_S、C_T、λ和γ表示惩罚参数，

表示通过P_T进行矩阵转换的惩罚运算符，t_Si表示第i个源域样本的标签向量，e_Si表示第i个源域样本的误差矩阵，t_Tj表示第j个目标域样本的标签向量，e_Tj表示第j个目标域样本的误差矩阵；

求解上式可得：

故障分类器的输出表达式

f(X)＝h(X)β

其中，T_S表示源域样本的标签矩阵，T_T表示目标域样本的标签矩阵，U表示源域样本与目标域样本的最大均值差异度量，H_S表示源域样本的隐含层输出矩阵，H_T表示目标域样本的隐含层输出矩阵；

其中，L为隐含层节点个数，P表示输入神经元个数；分别计算源域和目标域的隐层输出矩阵H_S和H_T；

按照

更新输出权重矩阵β，然后按照

更新P_T，反复迭代，直到达到最大迭代次数Iter，进而可以得到基于DA-RVFLN的故障分类器模型f(X)＝h(X)β

步骤D、故障诊断：

首先，采集待测阀门运行过程的气室压力P'(t)和阀杆位移d'(t)，提取故障特征向量x'；然后，将提取的故障特征向量输入到步骤C中学习好的故障分类器，按照f(x')＝h(x')β得到待测阀门各故障的置信度向量f(x')；最后，按照下式求得待测阀门的故障标签t₀：

t₀＝argmax{f(x')}

其中，t₀表示故障标签。

2.根据权利要求1所述基于DA-RVFLN的气动调节阀领域适应故障诊断方法，其特征在于：步骤B.5中SampEn(P₀(t),m,r_En)的计算过程具体如下：

P_i＝[x_i,x_i+1,…,x_i+m-1],i＝1,2,…,N-m+1；

为：

其中，N-m是d[P_i,P_j]的总元素数量，计算

的均值为C^m(r_En)；

其中，SampEn表示样本熵。

3.根据权利要求1所述基于DA-RVFLN的气动调节阀领域适应故障诊断方法，其特征在于：步骤A中给定电流输入信号大小为4-20mA。

4.根据权利要求1所述基于DA-RVFLN的气动调节阀领域适应故障诊断方法，其特征在于：气动调节阀的运行状态有C种，包括C-1种故障状态及1种正常状态；每种状态采集到的气室压力和阀杆位移数据作为一个原始样本；针对源域样本，通过不同故障强度采集到同一状态的不同样本，每种状态采集NumS个样本，源域样本总数N_S＝NumS*C；针对目标域样本，每种状态采集NumT个样本，目标域样本总数为N_T＝NumT*C。

5.根据权利要求4所述基于DA-RVFLN的气动调节阀领域适应故障诊断方法，其特征在于：步骤C中标签为1-6，1-6分别代表无故障、漏气故障、摩擦力增大故障、弹簧刚性减弱故障、阀座异物故障和阀芯磨损故障。