CN112113719A - 一种基于声发射技术的液压滑阀内泄漏检测方法 - Google Patents
一种基于声发射技术的液压滑阀内泄漏检测方法 Download PDFInfo
- Publication number
- CN112113719A CN112113719A CN202010992843.XA CN202010992843A CN112113719A CN 112113719 A CN112113719 A CN 112113719A CN 202010992843 A CN202010992843 A CN 202010992843A CN 112113719 A CN112113719 A CN 112113719A
- Authority
- CN
- China
- Prior art keywords
- slide valve
- internal leakage
- acoustic emission
- leakage
- detection
- 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.)
- Pending
Links
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
- G01M3/00—Investigating fluid-tightness of structures
- G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
- G01M3/04—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point
- G01M3/24—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point using infrasonic, sonic, or ultrasonic vibrations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (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)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明属于液压滑阀内泄漏检测方法技术领域,具体涉及一种基于声发射技术的液压滑阀内泄漏检测方法。包括采集液压滑阀内泄漏检测实验数据,对声发射信号进行小波包分解,将得到的子频带能量特征作为输入,输出为对应的滑阀状态和内泄漏量,对径向基核函数的参数进行优化;训练优化检测模型;验证分类模型的准确性;验证回归分析模型的准确性;本发明所述的基于声发射技术的液压滑阀内泄漏检测方法,对正常滑阀和内漏滑阀的声发射信号进行小波包分解,提取各子频带能量特征,构建液压滑阀内漏诊断数据库;本申请基于声发射技术的液压滑阀内泄漏检测方法,准确度更高,预测时间更短,有效提高了液压滑阀内漏的非介入式检测的效率。
Description
技术领域
本发明属于液压滑阀内泄漏检测方法技术领域,具体涉及一种基于声发射技术的液压滑阀内泄漏检测方法。
背景技术
液压滑阀属于液压系统的核心控制元件,主要用于控制油路的通断和改变油液的流动方向,在船舶、化工、军用车辆等各个领域应用十分广泛。液压滑阀使用率高,开启频繁,同时长期工作在高温高压的环境,这些因素都对密封面有着极大的损伤,阀芯磨损会增大间隙,进而增加滑阀和系统的内泄漏量,对系统的安全性、工作效率和经济价值都有着较大影响。目前的液压滑阀内泄漏检测是采用介入式检测技术,不仅步骤复杂,而且效率较低,准确度不够高,操作中也存在泄漏风险,而有一些液压系统设计时并没有预留测试接口,介入式检测受到很大的限制。相比其他检测方法,声发射检测技术的优点在于能进行实时动态监测。但目前,声发射技术仍主要运用在气体的泄漏检测上,对于液压阀等涉及到内部液体流动状态的复杂性以及固液耦合的信号衰减问题,在少量进行理论研究或实验论证的方案中,其检测或预测结果的准确性以及处理速度并不理想,尚无较为成熟和有效的方法将声发射技术进行应用。
发明内容
本发明创造的目的在于,提供一种检测结果准确,检测效率高的基于声发射技术的液压滑阀内泄漏检测方法。
为实现上述目的,本发明创造采用如下技术方案。
一种基于声发射技术的液压滑阀内泄漏检测方法,包括如下步骤:
S1.采集液压滑阀内泄漏检测实验数据,数据为正常滑阀和内漏滑阀的声发射信号和泄漏量;
S2.对声发射信号进行小波包分解,提取各子频带的能量特征;
S3.将S2得到的子频带能量特征作为输入,输出为对应的滑阀状态和内泄漏量,利用最小二乘支持向量机方法训练滑阀内漏的检测模型;
S4.选择径向基核函数作为检测模型的核函数,采用人工蜂群算法对径向基核函数的参数进行优化;利用优化后的参数作为径向基核函数的基本参数,并利用优化后的参数训练优化检测模型;
S5.验证分类模型的准确性:获取新数据信息,新数据信息为训练好检测模型后获取的滑阀内漏状态;包括:对新数据信息进行特征提取,得到相应的特征数据作为测试样本,输入检测模型,输出滑阀状态分类结果,状态分类结果包括正常状态和泄漏状态;将滑阀状态分类结果与真实状态进行对比,若状态不一致,则将新数据信息加入历史数据,重复步骤S3-S5更新检测模型;若状态一致,则验证结束,输出滑阀状态分类结果;
S6.验证回归分析模型的准确性:获取新数据信息,新数据信息为训练好检测模型后获取的滑阀内泄漏量;包括:对新数据信息进行特征提取,得到相应的特征数据作为测试样本,输入检测模型,输出滑阀内泄漏量,评价指标为平方相关系数;
将滑阀内泄漏量预测值和真实值进行对比,计算二者的平方相关系数,若系数小于0.6,则将新数据信息加入历史数据,重复步骤S3-S4和S6更新模型;若系数大于0.6,则验证结束,输出预测的滑阀内泄漏量。
对于前述基于声发射技术的液压滑阀内泄漏检测方法:经过小波包分解提取得到的声发射信号各子频带的能量特征包括能量占比、径向基核函数和平方相关系数,具体计算公式如下:
其中xij为信号在第i层第j个节点的幅值,m为采样点数,n为分解层数;
其中xi,xj表示具体样本,σ为核函数参数;
对于前述基于声发射技术的液压滑阀内泄漏检测方法:液压滑阀内漏诊断数据以小波包分解得到的子频带能量特征为基础构建。
其有益效果在于:
本发明所述的基于声发射技术的液压滑阀内泄漏检测方法,对正常滑阀和内漏滑阀的声发射信号进行小波包分解,提取各子频带能量特征,构建液压滑阀内漏诊断数据库;将能量特征融入最小二乘支持向量机训练检测模型,采用人工蜂群算法优化泄漏检测模型参数,并在训练好检测模型后对模型进行准确性验证,提高了预测精度,降低了预测时间;本申请基于声发射技术的液压滑阀内泄漏检测方法,准确度更高,预测时间更短,有效提高了液压滑阀内漏的非介入式检测的效率。
附图说明
图1是基于声发射技术的液压滑阀内泄漏检测方法的流程示意图;
图2是基于声发射技术的液压滑阀内泄漏检测方法检测模型分类结果示意图;
图3是基于声发射技术的液压滑阀内泄漏检测方法检测模型回归结果示意图。
具体实施方式
以下结合具体实施例对本发明创造作详细说明。
如图1所示,一种基于声发射技术的液压滑阀内泄漏检测方法,包括如下步骤:
S1.采集液压滑阀内泄漏检测实验数据,数据为正常滑阀和内漏滑阀的声发射信号和泄漏量;
S2.对声发射信号进行小波包分解,提取各子频带的能量特征;
S3.将S2得到的子频带能量特征作为输入,输出为对应的滑阀状态和内泄漏量,利用最小二乘支持向量机方法训练滑阀内漏的检测模型;
S4.选择径向基核函数作为检测模型的核函数,采用人工蜂群算法对径向基核函数的参数进行优化;利用优化后的参数作为径向基核函数的基本参数,并利用优化后的参数训练优化检测模型;
S5.验证分类模型的准确性:获取新数据信息,新数据信息为训练好检测模型后获取的滑阀内漏状态;包括:对新数据信息进行特征提取,得到相应的特征数据作为测试样本,输入检测模型,输出滑阀状态分类结果,状态分类结果包括正常状态和泄漏状态;
将滑阀状态分类结果与真实状态进行对比,若状态不一致,则将新数据信息加入历史数据,重复步骤S3-S5更新检测模型;若状态一致,则验证结束,输出滑阀状态分类结果;
S6.验证回归分析模型的准确性:获取新数据信息,新数据信息为训练好检测模型后获取的滑阀内泄漏量;包括:对新数据信息进行特征提取,得到相应的特征数据作为测试样本,输入检测模型,输出滑阀内泄漏量,评价指标为平方相关系数;
将滑阀内泄漏量预测值和真实值进行对比,计算二者的平方相关系数,若系数小于0.6,则将新数据信息加入历史数据,重复步骤S3-S4和S6更新模型;若系数大于0.6,则验证结束,输出预测的滑阀内泄漏量。
其中,经过小波包分解提取得到的声发射信号各子频带的能量特征包括能量占比、径向基核函数和平方相关系数,具体计算公式如下:
其中xij为信号在第i层第j个节点的幅值,m为采样点数,n为分解层数;
其中xi,xj表示具体样本,σ为核函数参数;
其中:液压滑阀内漏诊断数据以小波包分解得到的子频带能量特征为基础构建。
实施例一
以某型液压滑阀为例进行泄漏检测,具体步骤如下:
S1:对5组液压滑阀进行加压(1-12MPa,每次加压1MPa),采集内泄漏检测实验数据,数据为不同压力下正常滑阀和内漏滑阀的声发射信号和泄漏量;
S2:选择db8小波基对声发射信号进行6层小波包分解,提取各子频带的能量特征;
S3:将S2得到的1-3MPa压力下的子频带能量特征作为检测模型的训练样本,利用最小二乘支持向量机方法训练滑阀内漏的检测模型;
S4:选择径向基核函数作为检测模型的核函数,采用人工蜂群算法对径向基核函数的参数进行优化;利用优化后的参数作为径向基核函数的基本参数,并利用优化后的参数训练优化检测模型;
S5:验证分类模型的准确性:正常滑阀和内漏滑阀在4-12MPa压力下的声发射信号作为测试样本,将信息输入检测模型,输出滑阀状态分类结果,状态分类结果包括正常状态和泄漏状态;
将滑阀状态分类结果与真实状态进行对比,若状态不一致,则增加数据输入组数,重复步骤S3-S5更新检测模型;若状态一致,则验证结束,输出滑阀状态分类结果;
S6:验证回归分析模型的准确性:随机提取内漏滑阀8组压力下的声发射信号,输入最小二乘支持向量机训练回归分析模型;内漏滑阀在剩余4组压力下的声发射信号作为测试样本,将信息输入回归分析模型,输出滑阀内泄漏量;
将滑阀内泄漏量预测值和真实值进行对比,计算二者的平方相关系数,若系数小于0.6,则增加数据输入组数,重复步骤S3-S4和S6更新模型;若系数大于0.6,则验证结束,输出预测的滑阀内泄漏量;
基于上述步骤,采集60组样本,对每组样本进行小波包分解,限于传感器采集范围,着重研究前12个子频带,共有720组数据。
在分类检测中,将前180组用于训练,后540组用于测试,输入是各子频带能量特征,输出是滑阀的状态,训练集和测试集中均包含正常信号和泄漏信号。
在内泄漏量的回归分析中,只对内漏滑阀的泄漏量进行回归分析,共432组数据,随机提取将288组用于训练,剩余144组用于测试,输入是各子频带能量特征,输出是内漏滑阀的泄漏量。
基于不同算法的检测模型分类结果如表1,基于本专利算法的检测模型分类结果如图2(纵坐标:1——滑阀不泄漏、2——滑阀泄漏;横坐标:用于测试算法准确度的样本(共45个样本,编号:1-45),与其他算法相比,本算法准确率高达100%,用时最短,能够适应液压滑阀内泄漏检测的需要,并且在识别准确率和识别时间方面具有更好的效果。
表1不同检测模型/方法的效果统计
基于不同方法的检测模型回归分析结果如表2,基于本专利算法的检测模型回归分析效果如图3(横坐标:滑阀进口压力/MPa(分别在1-12MPa范围内进行了泄漏量测量和预测),与其他算法相比,本申请方法对泄漏量预测精度达到0.75,用时最短,能够适应液压滑阀内泄漏检测的需要,并且在预测精度和预测时间方面具有更好的效果。
表2不同检测模型/方法回归预测分析效果统计
综上,本发明公开的方法首先使用小波包分解提取声发射信号各子频带的能量特征,并将其作为模型的输入,将需要预测的滑阀状态和泄漏量作为模型的输出,以LSSVM和LSSVR为基础建立泄漏检测的初始模型,利用人工蜂群算法对LSSVM和LSSVR的径向基核函数参数进行优化,使得训练速度更快,预测精度更高;本申请基于声发射技术的液压滑阀内泄漏检测方法实现了液压滑阀内泄漏的非介入式检测,能够对液压滑阀泄漏状态进行准确分类,并能初步预测内漏滑阀的实时泄漏量,方法简单、高效,对液压滑阀内漏的实时检测具有重要意义。
最后应当说明的是,以上实施例仅用以说明本发明创造的技术方案,而非对本发明创造保护范围的限制,尽管参照较佳实施例对本发明创造作了详细地说明,本领域的普通技术人员应当理解,可以对本发明创造的技术方案进行修改或者等同替换,而不脱离本发明创造技术方案的实质和范围。
Claims (3)
1.一种基于声发射技术的液压滑阀内泄漏检测方法,其特征在于,包括如下步骤:
S1.采集液压滑阀内泄漏检测实验数据,数据为正常滑阀和内漏滑阀的声发射信号和泄漏量;
S2.对声发射信号进行小波包分解,提取各子频带的能量特征;
S3.将S2得到的子频带能量特征作为输入,输出为对应的滑阀状态和内泄漏量,利用最小二乘支持向量机方法训练滑阀内漏的检测模型;
S4.选择径向基核函数作为检测模型的核函数,采用人工蜂群算法对径向基核函数的参数进行优化;利用优化后的参数作为径向基核函数的基本参数,并利用优化后的参数训练优化检测模型;
S5.验证分类模型的准确性:获取新数据信息,新数据信息为训练好检测模型后获取的滑阀内漏状态;包括:
对新数据信息进行特征提取,得到相应的特征数据作为测试样本,输入检测模型,输出滑阀状态分类结果,状态分类结果包括正常状态和泄漏状态;
将滑阀状态分类结果与真实状态进行对比,若状态不一致,则将新数据信息加入历史数据,重复步骤S3-S5更新检测模型;若状态一致,则验证结束,输出滑阀状态分类结果;
S6.验证回归分析模型的准确性:获取新数据信息,新数据信息为训练好检测模型后获取的滑阀内泄漏量;包括:
对新数据信息进行特征提取,得到相应的特征数据作为测试样本,输入检测模型,输出滑阀内泄漏量,评价指标为平方相关系数;
将滑阀内泄漏量预测值和真实值进行对比,计算二者的平方相关系数,若系数小于0.6,则将新数据信息加入历史数据,重复步骤S3-S4和S6更新模型;若系数大于0.6,则验证结束,输出预测的滑阀内泄漏量。
3.根据权利要求1所述的基于声发射技术的液压滑阀内泄漏检测方法,其特征在于:液压滑阀内漏诊断数据以小波包分解得到的子频带能量特征为基础构建。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010992843.XA CN112113719A (zh) | 2020-09-21 | 2020-09-21 | 一种基于声发射技术的液压滑阀内泄漏检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010992843.XA CN112113719A (zh) | 2020-09-21 | 2020-09-21 | 一种基于声发射技术的液压滑阀内泄漏检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112113719A true CN112113719A (zh) | 2020-12-22 |
Family
ID=73801102
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010992843.XA Pending CN112113719A (zh) | 2020-09-21 | 2020-09-21 | 一种基于声发射技术的液压滑阀内泄漏检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112113719A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488906A (zh) * | 2013-09-30 | 2014-01-01 | 中国石油大学(华东) | 阀门内漏缺陷类型识别与内漏速率计算的方法 |
CN104502024A (zh) * | 2014-12-19 | 2015-04-08 | 中国石油天然气股份有限公司 | 阀门内漏流量量化回归预测方法及装置 |
CN106706215A (zh) * | 2016-11-17 | 2017-05-24 | 深圳市天成智能控制科技有限公司 | 一种热力系统阀门内漏量监测方法 |
CN108870090A (zh) * | 2018-06-22 | 2018-11-23 | 大连理工大学 | 基于最小二乘支持向量机信息融合的管道泄漏检测方法 |
CN110348094A (zh) * | 2019-07-01 | 2019-10-18 | 中国人民解放军国防科技大学 | 基于影响网络的石油管道泄漏检测方法及系统 |
-
2020
- 2020-09-21 CN CN202010992843.XA patent/CN112113719A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488906A (zh) * | 2013-09-30 | 2014-01-01 | 中国石油大学(华东) | 阀门内漏缺陷类型识别与内漏速率计算的方法 |
CN104502024A (zh) * | 2014-12-19 | 2015-04-08 | 中国石油天然气股份有限公司 | 阀门内漏流量量化回归预测方法及装置 |
CN106706215A (zh) * | 2016-11-17 | 2017-05-24 | 深圳市天成智能控制科技有限公司 | 一种热力系统阀门内漏量监测方法 |
CN108870090A (zh) * | 2018-06-22 | 2018-11-23 | 大连理工大学 | 基于最小二乘支持向量机信息融合的管道泄漏检测方法 |
CN110348094A (zh) * | 2019-07-01 | 2019-10-18 | 中国人民解放军国防科技大学 | 基于影响网络的石油管道泄漏检测方法及系统 |
Non-Patent Citations (1)
Title |
---|
彭利坤: "基于声发射技术的液压滑阀内漏识别方法研究", 《海军工程大学学报》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110555479B (zh) | 基于1dcnn与gru融合的故障特征学习与分类方法 | |
CN104712542B (zh) | 一种基于物联网的往复压缩机敏感特征提取与故障诊断方法 | |
Jin et al. | Fault diagnosis of hydraulic seal wear and internal leakage using wavelets and wavelet neural network | |
CN112097126B (zh) | 一种基于深度神经网络的供水管网爆管管道精确识别方法 | |
Shi et al. | Fault diagnosis in a hydraulic directional valve using a two-stage multi-sensor information fusion | |
CN110132554B (zh) | 一种深度拉普拉斯自编码的旋转机械故障诊断方法 | |
CN112016251B (zh) | 一种核动力装置故障的诊断方法及系统 | |
CN108804740B (zh) | 基于集成改进ica-krr算法的长输管道压力监测方法 | |
CN105834835A (zh) | 一种基于多尺度主元分析的刀具磨损在线监测方法 | |
CN108898120A (zh) | 基于混合神经网络的冷水机组故障诊断方法 | |
CN112665801B (zh) | 基于卷积神经网络的输气管线阀门内漏识别装置及方法 | |
CN115824519B (zh) | 基于多传感器信息融合的阀门泄露故障综合诊断方法 | |
CN111580151A (zh) | 一种基于SSNet模型的地震事件到时识别方法 | |
CN105626502A (zh) | 基于小波包和拉普拉斯特征映射的柱塞泵健康评估方法 | |
CN110365639A (zh) | 一种基于深度残差网络的恶意流量检测方法及系统 | |
CN112199890A (zh) | 一种综合式核动力装置系统级故障诊断方法 | |
CN108153987A (zh) | 一种基于超限学习机的液压泵多故障诊断方法 | |
CN116935892A (zh) | 一种基于音频关键特征动态聚合的工业阀门异常检测方法 | |
CN114444663A (zh) | 一种基于时间卷积网络的供水管网泄漏检测与定位方法 | |
Shi et al. | Internal leakage rate prediction and failure diagnosis of buried pipeline ball valve based on valve cavity pressure detection | |
CN114359663A (zh) | 一种基于压力信号的液压柱塞泵智能故障诊断方法 | |
CN116821804A (zh) | 一种基于多特征融合的压裂泵单向阀故障在线监测方法 | |
CN117037841A (zh) | 基于层级过渡网络的声学信号层级空化强度识别方法 | |
CN112113719A (zh) | 一种基于声发射技术的液压滑阀内泄漏检测方法 | |
CN106224067B (zh) | 一种基于数据驱动的汽车三元催化器的故障诊断方法 |
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 |