CN111931574A - 一种气动调节阀鲁棒故障诊断方法 - Google Patents

Abstract

本发明公开了一种气动调节阀鲁棒故障诊断方法，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，采用变分模态分解和多尺度熵方法分析过程信号，提取故障特征；最后，将提取的故障特征作为输入，采用鲁棒随机向量函数链接网络作为分类器，利用训练好的分类器，实现气动调节阀的鲁棒故障诊断。本发明降低了原始信号中的噪声干扰，减少了训练数据中的异常值和噪声对分类器性能的影响，能够获得较高的诊断精度和较低的漏诊率，提高了故障诊断的鲁棒性和泛化性。

Description

一种气动调节阀鲁棒故障诊断方法

技术领域

本发明涉及阀门故障检测与诊断领域，具体是一种气动调节阀鲁棒故障诊断方法。

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，如果过程数据中混有噪声时，现有数据驱动的气动调节阀故障诊断方法的性能将会大大降低。在实际工业过程中，受系统噪声、设备振动、测量仪表传感器故障以及其他异常干扰的影响，过程数据难免混杂不真实数据，具有离群点等异常样本。气动调节阀的工作环境往往十分恶劣，因内部噪声、外部干扰和测量误差等情况，过程数据常常混有噪声和异常值，这将极大地降低现有数据驱动故障诊断方法的诊断性能。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种气动调节阀鲁棒故障诊断方法，可以减少过程数据中噪声和离群点对故障诊断的影响，获得较高的诊断精度和较低的故障漏诊率，提高故障诊断的鲁棒性和泛化性。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种气动调节阀鲁棒故障诊断方法，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，采用鲁棒随机向量函数链接网络(RRVFLN)作为分类器，利用训练好的分类器，实现气动调节阀的鲁棒故障诊断，具体包括以下步骤：

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，通过位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，t表示采样时间。

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，通过不同故障强度采集到同一状态不同的样本。每种状态采集Num个样本，样本总数N₁＝Num*6。

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，SmapEn(P₀(t),m,r_En)表示新气室压力信号的样本熵。

SmapEn(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。

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：

提取完故障特征向量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，学习故障分类器。采用鲁棒随机向量函数链接网络RRVFLN作为故障分类器进行训练，获得故障分类器参数：输出权值矩阵β和误差调节因子

学习好的故障分类器模型为：

其中，f(x)表示分类器模型输出，x表示故障特征向量，h(·)为故障分类器的隐含层输出，β表示故障分类器的输出权重矩阵，

表示误差调节因子。

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C中故障分类器训练方法：

步骤C.1、由步骤B得到故障特征向量x，为样本加上标签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，并转换为向量形式，将采集的样本及其标签构成训练样本集{X,T}，通过训练集训练故障分类器，其中，X表示所有样本特征向量的集合，T表示标签矩阵。

故障分类器是在鲁棒随机向量函数链接网络RRVFLN的基础上，结合结构风险最小化和经验风险最小化技术，构造一个新的同时最小化建模误差方差和均值的目标函数：

其中，L_RRVFLN表示代价函数，E表示建模误差，

表示建模误差调节因子，T表示标签矩阵，C和γ表示惩罚参数，1表示元素全是1的列向量，

表示建模误差调节因子的F范数，H表示隐含层输出矩阵。

为了方便求解，令

Θ表示改写后的建模误差，则目标函数重新写为：

将上式写成无约束的拉格朗日方程：

其中，tr(·)表示矩阵的迹，Λ是拉格朗日乘子矩阵。

求解上式可得：

进而求得模型参数β和

获得故障分类器的输出表达式：

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，并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。

步骤C.3、在{2^-20,…2⁰,…,2²⁰}中选取惩罚参数λ，在{2^-20,…2⁰,…,2⁴⁰}中选取惩罚参数C，通过交叉验证方法选择最佳参数。构造新的隐含层输出矩阵

按照

求得参数

根据

求得输出权值β和误差调节因子

进而得到故障分类器模型

优选的：步骤A中给定电流输入信号大小为4-20mA。

本发明相比现有技术，具有以下有益效果：

本发明采用基于VMD和MSE的特征提取方法提取样本的特征向量，集合了VMD和MSE的优势，减少样本中噪声的干扰，提取了样本中的有效信息。现有气动调节阀故障诊断方法在特征提取时主要通过提取样本的各种时域与频域指标，如均值、峰峰值、峭度等，本发明有效减少或消除了噪声的干扰。故障分类时，采用RRVFLN训练分类器，训练时更多的利用了小误差样本，而大误差样本对模型的影响较小，本发明获得了较高的诊断精度和较低的漏诊率，提高了故障诊断的鲁棒性和泛化性。

附图说明

图1为本发明工作流程图；

图2为本发明无故障样本的重构压力VMD结果；

图3为本发明4个样本的多尺度熵；

图4为本发明诊断结果。

图5为本发明诊断结果ROC曲线对比图。

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。

一种气动调节阀鲁棒故障诊断方法，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；

本实施例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，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，样本总数900。

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MSE技术提取故障特征，具体包括以下步骤：

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；变分模态分解结果如图2所示。

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)

图3展示4个样本的多尺度熵，从图中可以看出采用VMD和MSE技术，有效地提取了压力信号的特征。

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,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，计算样本x隐含层的输出，并构造隐含层整体输出矩阵H：

C.3、通过交叉验证的方法选取正则化参数λ＝2¹⁵，惩罚参数C＝2¹⁰，构造新的隐含层输出矩阵

按照

求得参数

根据

即可求得输出权值β和误差调节因子

进而得到RRVFLN分类器模型

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P(t)和阀杆位移信号d(t)，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RRVFLN故障分类器，按照

即可得到待测阀门各故障的置信度向量f(x)；最后，按照 t₀＝argmax{f(x)}即可求得待测阀门的故障标签t₀。

表1给出了不同方法的准确率和漏诊率，从表1可以看出，本发明优于其他方法。图4 给出了本发明测试结果的混淆矩阵，从图中可以看出，诊断精度接近98％。图5给出了不同方法的ROC曲线，可以看出本发明的性能更优。

表1采用实测数据不同诊断方法的准确率和漏诊率

综上所述，本发明采用VMD和MSE技术处理原始信号，降低了原始信号中的噪声干扰，采用RRVFLN作为分类器，减少了训练数据中的异常值和噪声对分类器性能的影响，获得了较高的诊断精度和较低的漏诊率，提高了故障诊断的鲁棒性和泛化性。本发明结构简单，效果明显，在实现非拆解诊断的前提下，减少了噪声和异常值对故障诊断模型的影响，获得了较高的诊断准确率和较低的故障漏诊率，减少了阀门带病运行的风险，提高了故障诊断的鲁棒性和泛化性；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 (5)

1.一种气动调节阀鲁棒故障诊断方法，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，通过位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，t表示采样时间；

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；

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，SmapEn(P₀(t),m,r_En)表示新气室压力信号的样本熵；

SmapEn(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；

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：

提取完故障特征向量x后，为每个样本贴上标签；贴完标签后，学习故障分类器，采用鲁棒随机向量函数链接网络RRVFLN作为故障分类器进行训练，获得故障分类器参数：输出权值矩阵β和误差调节因子

学习好的故障分类器模型为：

其中，f(x)表示分类器模型输出，x表示故障特征向量，h(·)为故障分类器的隐含层输出，β表示故障分类器的输出权重矩阵，

表示误差调节因子；

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

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＝arg max{f(x')}

其中，t₀表示故障标签。

2.根据权利要求1所述气动调节阀鲁棒故障诊断方法，其特征在于：步骤C中故障分类器训练方法：

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样本集{X,T}，通过训练集训练故障分类器，其中，X表示所有样本特征向量的集合，T表示标签矩阵；

故障分类器是在鲁棒随机向量函数链接网络RRVFLN的基础上，结合结构风险最小化和经验风险最小化技术，构造一个新的同时最小化建模误差方差和均值的目标函数：

其中，L_RRVFLN表示代价函数，E表示建模误差，

表示建模误差调节因子，T表示标签矩阵，C和γ表示惩罚参数，1表示元素全是1的列向量，

表示建模误差调节因子的F范数，H表示隐含层输出矩阵；

令

Θ表示改写后的建模误差，则目标函数重新写为：

将上式写成无约束的拉格朗日方程：

其中，tr(·)表示矩阵的迹，Λ是拉格朗日乘子矩阵；

求解上式可得：

进而求得模型参数β和

获得故障分类器的输出表达式：

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，并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；

步骤C.3、在{2^-20,…2⁰,…,2²⁰}中选取惩罚参数λ，在{2^-20,…2⁰,…,2⁴⁰}中选取惩罚参数C，通过交叉验证方法选择最佳参数；构造新的隐含层输出矩阵

按照

T求得参数

根据

求得输出权值β和误差调节因子

进而得到故障分类器模型

3.根据权利要求1所述气动调节阀鲁棒故障诊断方法，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，通过不同故障强度采集到同一状态不同的样本；每种状态采集Num个样本，样本总数N₁＝Num*6。

4.根据权利要求3所述气动调节阀鲁棒故障诊断方法，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。

5.根据权利要求4所述气动调节阀鲁棒故障诊断方法，其特征在于：步骤A中给定电流输入信号大小为4-20mA。

Images