CN115081591A - 一种电动阀门故障概率预测方法 - Google Patents

Abstract

本申请提供一种电动阀门故障概率预测方法，包括：采集电动阀门故障监测系统的历史数据，所述历史数据包括芯片温度、信号强度、拉压值、硫化氢浓度、氢气浓度以及开关阀时间；根据所述历史数据计算得到历史故障概率；将所述历史故障概率输入训练好的故障概率预测模型，输出电动阀门的故障概率预测值。本申请在模型训练完成后，通过序列化预测实现对电动阀门设备在未来半小时内的故障概率、气体浓度等物理量数据进行较为精准的描述，以便于对设备进行提前的维护与检修，避免安全事故的发生。

Description

一种电动阀门故障概率预测方法

技术领域

本申请涉及电动阀门故障监测技术领域，尤其涉及一种电动阀门故障概率预测方法。

背景技术

在化工行业中容易产生内部有害介质外漏的一般为关键装置和设备区域。由于管道安装后均处于稳定静止位置，在满足标准规范要求及使用寿命范围内产生外漏的情况相对较少。而对于传动设备，如压力泵、控制阀等，这类设备处于连续或经常性运转和开关动作之中，产生内部介质外漏的可能性极高。控制阀一般安装在压力泵前、后端或装置中的关键位置，对这些高危介质的流量、压力、温度等实时进行控制。

目前存在的问题是，化工行业电动阀门检修成本高、效率低的问题，无法智能、科学的对预定时间之后的故障进行及时的预测和防范。

发明内容

有鉴于此，本申请的目的在于提出一种电动阀门故障概率预测方法，本申请能够针对性的解决现有的问题。

基于上述目的，本申请提出了一种电动阀门故障概率预测方法，包括：

采集电动阀门故障监测系统的历史数据，所述历史数据包括芯片温度、信号强度、拉压值、硫化氢浓度、氢气浓度以及开关阀时间；

根据所述历史数据计算得到历史故障概率；

将所述历史故障概率输入训练好的故障概率预测模型，输出电动阀门的故障概率预测值。

进一步地，所述电动阀门故障监测系统包括：MCU、硫化氢传感器、氢气传感器、拉压传感器、执行机构；其中，

拉压传感器通过信号放大器与MCU的A/D转换接口连接，硫化氢传感器、氢气传感器分别通过各自的信号变送器与MCU的A/D转换接口连接，MCU的D/A转换接口通过电压转电流变送器与执行机构的开度控制端口连接。

进一步地，所述执行机构的开到位信号和关到位信号与MCU的GPIO输入接口连接，MCU的GPIO输出接口分别通过执行机构继电器与执行机构的控制开端口、控制关端口连接。

进一步地，所述系统还进一步包括ME3616模块匹配电路、STM32硬件最小系统，分别与MCU的UART接口连接，STM32硬件最小系统还通过5V转24V电压放大器与信号放大器、电压转电流变送器连接。

进一步地，所述系统进一步包括NB-IoT模组，与所述MCU连接以将所述MCU的数据在MCU和外部服务器之间进行收发。

进一步地，所述训练好的故障概率预测模型的训练过程包括：

采集一定时间内的电动阀门故障监测系统的历史故障概率数据；

将所述历史故障概率数据分为训练集和测试集；

建立LSTM神经网络模型，使用所述训练集训练所述LSTM神经网络模型，使用所述测试集对所述模型进行测试；

评估所述模型的训练和测试结果，并根据评估的结果进行参数调整，直至模型收敛。

进一步地，包括：

采集电动阀门故障监测系统的实时数据，所述实时数据包括芯片温度、信号强度、硫化氢浓度、以及氢气浓度；

将四项所述实时数据分别一一对应输入各自的训练好的LSTM模型，得到每项实时数据的预测值。

进一步地，所述故障概率预测模型为LSTM模型。

进一步地，所述LSTM模型具体参数如下：模型结构为一层拥有10个LSTM神经单元的LSTM层以及一层全连接层、时间步长为1000、训练批次大小为256、损失函数为均方差函数、优化器为自适应矩估计、学习率由Keras框架动态决定，其中一轮训练由多个批次组成，训练批次大小表示单个批次所选取的数据量大小。

进一步地，包括：

当故障概率预测值高于预设阈值时，根据对应时间的芯片温度、信号强度、硫化氢浓度、以及氢气浓度的预测数据，判断需要告警的物理量。

总的来说，本申请的优势及给用户带来的体验在于：本申请在模型训练完成后，通过序列化预测实现对电动阀门设备在未来半小时内的故障概率、气体浓度等物理量数据进行较为精准的描述，以便于对设备进行提前的维护与检修，避免安全事故的发生。

附图说明

在附图中，除非另外规定，否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解，这些附图仅描绘了根据本申请公开的一些实施方式，而不应将其视为是对本申请范围的限制。

图1示出本申请的预测模型应用流程图。

图2示出电动阀门远程故障监测系统结构图。

图3示出故障概率预测模型结构示意图。

图4示出单项预测实验结果示意图。

图5示出了本申请故障概率预测示意图；

图6示出了本申请不同步长预测对比示意图。

图7示出了本申请时间步长为1000时，训练批次大小分别为1、128、256和2000下相同训练轮数的模型预测结果示意图。

图8示出了本申请故障预测数据交互流程图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

故障预测是预测性维护的先决条件，随着人工智能的快速发展，现有的技术已具备数据实时分析与预测功能。近年来LSTM应用在设备故障预测、数据预测上的研究取得较好的成果。本申请选用LSTM神经网络进行设备故障概率预测，从LSTM工作原理、模型构建流程以及预测模型验证实验三个方面讲解系统设备故障概率预测研究，最后给出故障概率预测方法的初步实践。

1 LSTM神经网络原理

LSTM作为循环神经网络(Recurrent Neural Network,RNN)的一种变体，改变了机器学习领域、神经网络计算领域的现状，对谷歌的语音识别、文本翻译等也作出了改进。除此之外，LSTM还广泛应用于时间序列预测，如股票预测、天气预测等，都取得较好成效。本节首先简介RNN的概念以及迭代问题，然后具体阐述LSTM的概念以及本申请中所使用的LSTM模型结构。

1.1循环神经网络(RNN)

RNN区别于传统的ANN，RNN网络结构是串联的，即当前时刻的输入在下一时刻同样也会输入到神经元，可以保持连续数据中的依赖性，主要用于处理时间序列数据。尽管RNN被设计用于学习长期依赖性，但标准RNN也难以实现信息长期保存。Bengio等人提出由于RNN的迭代问题，它会带来“梯度消失”和“梯度爆炸”的现象。每个输出由当前输入和以前的信息共同决定，有时只需要最新的信息作为当前预测任务的输入，但有时需要更多以前的信息，仅仅参考最新信息是不够的。然而，如果在距离当前预测任务特别远的地方调用此信息，例如超过8到10个步长，即它具有“长期依赖性”，RNN就可能存在“梯度消失”或“梯度爆炸”的问题，即预测的数据仅仅包含近期信息造成预测不准确。

1.2长短期记忆神经网络(LSTM)

为了解决在学习长期依赖关系时“梯度爆炸”以及“梯度消失”的问题，Hochreiter等人提出长短期记忆网络，用于改进传统的循环神经网络模型。LSTM通过对原本RNN单元改进为常量错误木马(Constant Error Carousel，CEC)的方式来将错误信号限制在每一个单元内。同时，LSTM每一个单元本身也是循环结构，CEC通过附加输入门和输出门进行扩展，使得模型变为非线性，最终形成存储单元。

一个普通的LSTM单元由细胞(cell)、一个输入门、一个输出门以及一个遗忘门组成。遗忘门在LSTM的初始版本中不存在，是在后期由Gers等人提出。LSTM单元在给定的任意时间间隔内记忆参数值，三个门则负责调节与该LSTM单元相关的信息流。一个完整的LSTM体系结构由一组循环连接的子网络组成，即内存块。内存块可以随着时间序列的推移保持细胞状态，并通过非线性门单元来调节信息流。一个LSTM单元结构其中包含门、输入信号、输出信号、激活函数以及孔连接(peephole connection)。

为了说明LSTM模型的工作原理，假设一个LSTM模型由A个块以及B个输入组成，其前向传播过程如下：

(1)块信息输入。将当前的输入x^(t)与上一个LSTM单元的输出y^(t-1)相结合，其公式表达为：

z^(t)＝tanh(W_zx^(t)+R_zy^(t-1)+b_z). (5.1)

其中t表示LSTM网络中的第t个LSTM单元，W_z和R_z分别为x^(t)和y^(t-1)的权重，b_z为偏置向量。

(2)输入门。在这一步中，使用输入x^(t)、第t-1时间步长的输出以及细胞值c^(t-1)对输入门进行更新，其公式如下：

i^(t)＝Sigmoid(W_ix^(t)+R_iy^(t-1)+p_ic^(t-1)+b_i). (5.2)

W_i、R_i、p_i分别是输入x^(t)、t-1层单元输出y^(t-1)、第t-1时间步长的细胞状态c^(t-1)的权重，b_i为偏置向量。通过块输入以及输入门的更新完成后，LSTM可以通过计算保留部分信息到当前t层单元的细胞c^(t)中，这部分信息将从块输入的结果z^(t)以及输入门更新后的激活结果i^(t)进行选择。

(3)遗忘门。通过遗忘门，LSTM单元将决定从第t-1个细胞状态c^(t-1)保留或删除哪些信息。基于当前输入值x^(t)、第t-1层单元的输出y^(t-1)、第t-1个时间步长的细胞状态c^{(t -1)}、孔连接以及遗忘门的偏置b_f来计算得出第t个时间步长的遗忘门激活值f^(t)，其公式表达如下：

f^(t)＝Sigmoid(W_fx^(t)+R_fy^(t-1)+p_fc^(t-1)+b_f). (5.3)

(4)细胞状态。细胞状态值由块输入z^(t)、输入门激活值i^(t)、遗忘门激活值f^(t)以及前t-1个时间步长的细胞状态进行计算，计算过程表达为：

c^(t)＝z^(t)i^(t)+c^(t-1)f^(t). (5.4)

(5)输出门。输出门结果通过当前输入x^(t)、前一时间步长输出y^(t-1)以及细胞状态值c^(t-1)进行计算，结果给定为：

o^(t)＝Sigmoid(W_ox^(t)+R_oy^(t-1)+p_oc^(t-1)+b_o). (5.5)

(6)块输出。最后，第t个时间步长的输出计算结果为：

y^(t)＝tanh(c^(t))o^(t). (5.6)

经过以上六个步骤，可以得到第t个时间步长的块输出以及细胞状态。其中Sigmoid函数公式为：

2故障概率预测模型构建

本申请使用LSTM应用在电动阀门的故障概率预测上面，预测模型应用流程如图1所示。终端采集数据量达到一个完整周期后，对历史数据进行分析，生成故障概率预测模型。本节从数据采集、预处理以及故障概率预测模型三部分阐述预测模型构建过程。

2.1数据采集

本申请将终端故障分为运行故障以及安全故障。运行故障主要是在电动执行机构运行过程中发生的，比如执行机构元件损坏，造成执行卡顿等问题；安全故障主要是指阀门管道介质内/外漏、芯片温度过高等问题。本申请选用进行故障概率预测的数据有芯片温度、信号强度、拉压值、H₂S浓度、H₂浓度以及开关阀时间，其中拉压值与开关阀时间由于对设备故障概率的影响非线性，同时与设备运行故障相关性较大，所以作为运行故障概率预测数据，其余数据为安全故障概率预测数据。

电动执行机构运行数据采用如图2所示的硬件终端获取数据。图2中，硬件终端包括MCU、硫化氢传感器、氢气传感器、拉压传感器、执行机构；拉压传感器通过信号放大器与MCU的A/D转换接口连接，硫化氢传感器、氢气传感器分别通过各自的信号变送器与MCU的A/D转换接口连接，MCU的D/A转换接口通过电压转电流变送器与执行机构的开度控制端口连接。执行机构的开到位信号和关到位信号与MCU的GPIO输入接口连接，MCU的GPIO输出接口分别通过执行机构继电器与执行机构的控制开端口、控制关端口连接。还进一步包括ME3616模块匹配电路、STM32硬件最小系统，分别与MCU的UART接口连接，STM32硬件最小系统还通过5V转24V电压放大器与信号放大器、电压转电流变送器连接。

MCU获取的数据通过NB-IoT发送至服务端的SQL Server数据库中，终端IMSI号为460113003233760，时间是2021-10-15到2021-10-21，共16560条。

2.2数据预处理

原始数据为设备采集来的数据，不可避免存在数据不规范的情况，需经过规范输入数据的格式，标准化数据进行时间序列预测，对数据进行归一化处理以便于梯度计算并且加快收敛速度。

由于终端与服务端通信过程会出现偶发性丢帧，以及终端与服务端基础平台使用“定期重连机制”以保证稳定连接，也会使得在某一时刻数据丢失。需要进行数据补差进行空缺值填充，根据数据帧号、发送时间以及发送间隔判断缺失数据帧条数，缺失数据条数使用的公式为：

其中，time⁽ⁿ⁾代表第n条数据的发送时间，time⁽ⁿ⁺¹)代表第n+1条数据的发送时间，frequence⁽ⁿ⁾代表第n条数据的发送间隔，终端发送两帧数据时间间隔一般为30-60秒。缺失数据赋值使用的公式为：

其中，value^(t)代表在t时刻丢失的数据，t的范围为[n+1，n+count]，value⁽ⁿ⁾表示上一帧数据，value⁽ⁿ⁺¹)表示下一帧数据。

系统选用的芯片温度范围为-40℃→85℃，安全范围设置为-20℃→70℃；信号强度为NB-IoT模组信号强度按比例计算的指示值，为了保证通信稳定性，安全范围设置为20～100；拉压值与开关阀时间设置安全值与稳定时采集数据的1.5倍；H₂的爆炸下限(LowerExplosive Limited，LEL)体积百分比为4％，模型中预警值设置为25％LEL；H₂S的最高容许浓度值为10mg/m³，约等于6.59ppm，预警值精确到0.1ppm，设置为6.6ppm。模型使用的其他参数范围、预警值如表1所示，此处预警值为提醒用户检修的数值。

表1故障概率预测模型参数

在此基础上，对于历史综合故障概率进行填充，输入参数为[P1，P2，P3，P4，A1，A2]，其中P1-P4分别为芯片温度、信号强度、H₂S、H₂浓度的数据集合，A1、A2为拉压值和开关阀时间的数据集合。将物理量与表1中的预警值进行比较得出[0，1]内的故障比例，作为参数进行综合故障概率的填充，公式为：

其中

为安全故障概率预测数据最高故障比例，

为运行故障概率预测数据最高故障比例，公式为：

其中P1⁽ⁿ⁾代表芯片温度数据集合的第n条数据，A1⁽ⁿ⁾代表拉压值数据集合的第n条数据。

为了保证预测模型构建的准确性，原始数据在经过数据补差之后某些时刻会出现超出正常值范围的数据，需要将异常值进行处理，将在正常值范围以外的数据使用中值进行填充。

同时为了避免特殊样本影响预测结果需要对数据集进行标准化处理。标准化数据进行时间序列预测，规范输入数据的格式，生成历史故障概率预测值之后进行数据归一化。本申请采用min-max归一化，限制数据范围至(0，1)之间，其公式表示为：

其中，X⁽ⁿ⁾为原始数据序列X的第n条数据，min为序列X中的最小值，max为序列X中的最大值，

为归一化后的数据。模型在使用归一化数据进行训练后，推理过程中会得到归一化后的输出。对归一化输出进行反归一化计算，即可得到正常范围内的输出结果，其中反归一化公式表达为：

2.3故障概率预测模型

由于在实际化工生产环境中，若预测故障概率值仅由模型计算得出，当故障概率值较高时，管理人员无法判断实时校验预测故障概率值的真实性。因此系统中将四种安全故障概率预测数据以及历史故障概率使用全序列输入输出的LSTM神经网络进行实时预测，此时LSTM神经网络模型如图3所示。

故障概率预测模型中对系统检测的全部数据使用公式(5.10)填充历史故障概率，之后为系统监测的四种安全故障概率预测物理量训练单独的模型。由于历史故障概率由六种数据计算得出，而其中拉压值和开关阀时间由于仅在开关阀门时刻能够采集到数据，难以进行规律预测，而仅由四种预测数据无法得出预测故障概率，因此系统同样为故障概率单独设计与训练。本申请在终端主循环中对拉压值和开关阀时间进行安全阈值判断并记录，尽管各类型数据所对应模型结构相似，但每个序列的单维输入模型均能够更好表现对应数据的特征及规律。故障概率预测模型的输出为本申请各项监测安全故障概率预测数据物理量的预测状态数据矩阵。系统将同时提供预测状态数据以及预测故障概率，当预测故障概率较高时，相关人员可以通过预测状态数据，人工校验故障概率真实度。

3故障概率预测模型训练实验

本节对预测模型的故障概率预测以及各单项预测结果进行了实验和分析，同时还对LSTM中的关键参数的取值进行了实验对比。实验评估平台使用Python中keras深度学习框架搭建，采用CPU进行计算，主机CPU型号为i7-9750H，实验数据采用2.1节采集的数据。

3.1模型训练实验

在本申请故障概率预测模型中，系统针对芯片温度、信号强度、H₂S和H₂浓度四种安全故障概率预测数据以及综合故障概率预测进行了模型设计。数据集中90％数据被用于训练，10％数据被用作预测。本小节中LSTM模型具体参数如下：模型结构为一层拥有10个LSTM神经单元的LSTM层以及一层全连接层、时间步长为1000、训练批次(batch size)大小为256、损失函数为均方差函数、优化器为自适应矩估计(Adaptive Moment Estimation,Adam)、学习率由Keras框架动态决定，其中一轮训练由多个批次组成，训练批次大小表示单个批次所选取的数据量大小。故障预测模型各单项预测实验结果如图4所示，四项单项预测结果可以明显表明故障概率预测模型在时间序列预测任务上的准确性。

原始数据在输入模型之前会被归一化，模型训练完成后的输出结果在完成反归一化计算后，输出结果数据范围与原始数据保持一致。在数据复杂度较低的H₂S和H₂预测结果图中，预测曲线与真实曲线重合率较高，模型仅在极少数时间序列出现错误预测。尽管H₂预测结果中的均方根误差(Root Mean Square Error,RMSE)达到251.46，但是其原始数据范围较大，因此依旧可以训练得到良好的H₂预测模型。在数据复杂度中等的信号强度预测实验中，预测曲线依旧稳定、良好，仅出现了预测数据整体略微偏低的情况。对于芯片温度预测的复杂数据集，模型预测曲线与真实曲线重合度降低，但两者在整体趋势上相近，预测曲线的幅度相对较小。

单维输入情况下，综合故障概率在训练中的预测曲线如图5所示。综合故障概率训练中的RMSE为0.03，故障概率预测数据曲线能够很好的符合真实数据规律。故障概率预测数据曲线是由历史故障概率数据预测得到，当故障概率预测结果较高时，管理人员可以查看对应时间的具体预测数据，判断具体告警物理量及对应预测数值。

3.2时间步长性能对比

在LSTM模型设计中，时间步长为最关键的超参数之一。LSTM模型会将一个时间步长的数据量用来进行下一条数据的预测，同时影响模型输入数据维度。时间步长的大小与数据集紧密相关，模型会整合分析一个时间步长量的数据所对应的规律，更精确进行模型预测，在不同的任务中时间步长通常不同，需要结合数据集大小和数据采集、分布的规律进行确定。为了确定合适的时间步长，本申请在不同时间步长的情况下对数据进行了预测和分析，各时间步长下的预测结果如图6所示。

当时间步长为1000时，模型训练的RMSE仅为0.03，为四种步长下最优。并且在图像表现上，时间步长为1000时，预测数据曲线与真实数据基本重合。同样重合度较高的模型还有时间步长为2000时的模型，其在峰值中的预测效果极佳。然而时间步长为2000时，多次训练过程经常出现RMSE为0.15、模型过拟合、预测数据为直线的情况。而当时间步长为200和500时，模型对预测集的预测能力下降。

3.3训练批次大小性能对比

在不设置训练批次大小，即网络在每一次训练中都将所有数据直接输入到网络中时，模型会计算全部数据的梯度以进行反向传播。由于梯度由全部数据计算而成，因而所得的梯度方向较为准确。但在这种情况下，计算所得到的梯度值相差较大，仅使用一个全局的学习率会导致模型更难拟合。同时，一次性输入所有数据到网络中，会增加内存负担。本小节中就训练批次大小对模型性能的影响进行实验，以确定模型具体参数，实验结果如图7所示。

图7展示了时间步长为1000时，训练批次大小分别为1、128、256和2000下相同训练轮数的模型预测结果。当训练批次大小为1时，模型单轮训练时间为13秒，远大于其余实验结果，同时需要更多轮数的训练才能完成模型拟合。当训练批次大小提升时，系统可以调用并行计算，大幅度加速训练。训练批次大小为128时，单轮训练所需时间仅为1106毫秒。训练批次大小越大，模型在单批次中获得的梯度值就越准确。但过大的训练批次大小，会导致模型在梯度计算中对模型参数过分优化，如训练批次大小为2000时的预测结果图所示。训练批次大小为128和256时，模型训练性能基本相同，本申请最终选用的训练批次大小值为256。

3.4实验结论

综上所述，对于本申请的预测目标和数据集，选取2021-10-15到2021-10-21内的数据，故障概率预测模型的时间步长为1000、训练批次大小值为256时，模型能够取得最好的训练和预测效果。随着系统部署时间的增长，可利用数据集也会随之增多，可通过重新训练模型以提高模型的预测准确率。

4故障概率预测程序初步实践

经过对故障概率预测模型的训练验证，在原始数据集上该模型可以实现对故障概率趋势的预测，为验证模型在设备使用过程中的预测准确性，将使用新数据集进行模型的测试，同时设计故障预测程序与云侦听程序的交互接口。

4.1预测模型验证

LSTM模型能够使用前一个时间步长量的数据预测下一个数据，其可以通过测试集一次性输出多条数据。而在实际系统的实时处理中，系统无法拥有未来的数据，因此LSTM模型仅能通过已有的历史数据对未来的一条数据进行预测。针对此问题，故障预测模型采用序列化输出方式对未来一段时间的数据进行预测。序列化输出允许模型在预测过程中将当前预测数据作为下一次预测过程中的已知数据，从而可以可控并连续进行数据预测。利用此方法，在2022年1月21号到2022年1月22号的数据基础上进行了序列化输出200条数据预测。实验结果表明故障概率预测模型对未来数据的趋势判定基本正确，且经过取5次预测结果均值进行RMSE计算，如表2所示，在预测66条时，模型精度最高，其次为预测60条时。本申请中初始预测条数设置为60条，对应未来30分钟的情况，由于故障概率预测模型仅能对未来数据进行趋势预测，因此具体预测条数需要根据项目需求以及模型参数确定。

表2预测数据RMSE对比

4.2故障概率预测与云侦听数据交互

由于故障预测程序为Python编写，而使用预测结果需要在C#编写的云侦听程序以及用户应用程序中使用，所以本申请在故障预测程序中使用Python中flask库实现一个简单的API服务，之后在云侦听程序以及用户应用程序中调用API得到Python对数据进行故障概率预测的结果，云侦听将对应IMSI号以及预测信息广播到用户应用程序以及用户设备上。云侦听程序进行故障预测数据交互流程如图8所示。

故障预测程序中提供的对外API接口有：故障概率预测、增量模型训练以及独立模型训练三种。具体内容如表3所示。

表3故障预测程序接口

4.3故障概率预测结果处理

故障预测程序对于预测结果并不做处理，数据发送至云侦听程序后进行故障概率数据的分析、处理。由于故障预测程序将故障概率计算为[0,1]内的数据，本申请根据经验值及历史运行状态将故障分为以0.5、0.7、0.85为界的四个等级，分别为良好、正常、一般、预警。当故障概率预测等级为良好和正常时不进行用户通知，当故障概率预测等级为一般时提醒设备维修人员进行设备维护检查，当故障概率预测等级为预警时提醒设备维修人员立即检查设备并进行维修。当预测结果序列中存在故障等级达到预警的数据，云侦听程序将预警数据对应设备信息保存到故障预警表存储，同时进行设备告警通知。

5本申请小结

本申请利用终端设备采集的历史数据，首先基于LSTM设计了电动阀门故障概率预测模型，给出LSTM模型构建流程。之后从模型训练、时间步长以及训练批次大小三个方面对故障概率预测模型进行实验对比分析。在模型训练完成后，通过序列化预测实现对电动阀门设备在未来半小时内的故障概率、气体浓度等物理量数据进行较为精准的描述，以便于对设备进行提前的维护与检修，避免安全事故的发生。最后设计了故障预测程序与云侦听程序的数据交互接口，使数据能够在云侦听程序与故障预测程序之间交互，实现预测数据的实时转发与处理。

需要说明的是：

在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备有固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本申请也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本申请的内容，并且上面对特定语言所做的描述是为了披露本申请的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本申请并帮助理解各个发明方面中的一个或多个，在上面对本申请的示例性实施例的描述中，本申请的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本申请要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本申请的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本申请的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本申请实施例的虚拟机的创建系统中的一些或者全部部件的一些或者全部功能。本申请还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者系统程序(例如，计算机程序和计算机程序产品)。这样的实现本申请的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本申请进行说明而不是对本申请进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本申请可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干系统的单元权利要求中，这些系统中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到其各种变化或替换，这些都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种电动阀门故障概率预测方法，其特征在于，包括：

采集电动阀门故障监测系统的历史数据，所述历史数据包括芯片温度、信号强度、拉压值、硫化氢浓度、氢气浓度以及开关阀时间；

根据所述历史数据计算得到历史故障概率；

将所述历史故障概率输入训练好的故障概率预测模型，输出电动阀门的故障概率预测值。

2.根据权利要求1所述的方法，其特征在于，

所述电动阀门故障监测系统包括：MCU、硫化氢传感器、氢气传感器、拉压传感器、执行机构；其中，

拉压传感器通过信号放大器与MCU的A/D转换接口连接，硫化氢传感器、氢气传感器分别通过各自的信号变送器与MCU的A/D转换接口连接，MCU的D/A转换接口通过电压转电流变送器与执行机构的开度控制端口连接。

3.根据权利要求2所述的方法，其特征在于，

所述执行机构的开到位信号和关到位信号与MCU的GPIO输入接口连接，MCU的GPIO输出接口分别通过执行机构继电器与执行机构的控制开端口、控制关端口连接。

4.根据权利要求2或3所述的方法，其特征在于，

所述系统还进一步包括ME3616模块匹配电路、STM32硬件最小系统，分别与MCU的UART接口连接，STM32硬件最小系统还通过5V转24V电压放大器与信号放大器、电压转电流变送器连接。

5.根据权利要求2或3所述的方法，其特征在于，

所述系统进一步包括NB-IoT模组，与所述MCU连接以将所述MCU的数据在MCU和外部服务器之间进行收发。

6.根据权利要求1所述的方法，其特征在于，

所述训练好的故障概率预测模型的训练过程包括：

采集一定时间内的电动阀门故障监测系统的历史故障概率数据；

将所述历史故障概率数据分为训练集和测试集；

建立LSTM神经网络模型，使用所述训练集训练所述LSTM神经网络模型，使用所述测试集对所述模型进行测试；

评估所述模型的训练和测试结果，并根据评估的结果进行参数调整，直至模型收敛。

7.根据权利要求1所述的方法，其特征在于，进一步包括：

采集电动阀门故障监测系统的实时数据，所述实时数据包括芯片温度、信号强度、硫化氢浓度、以及氢气浓度；

将四项所述实时数据分别一一对应输入各自的训练好的LSTM模型，得到每项实时数据的预测值。

8.根据权利要求1所述的方法，其特征在于，

所述故障概率预测模型为LSTM模型。

9.根据权利要求7或8所述的方法，其特征在于，

所述LSTM模型具体参数如下：模型结构为一层拥有10个LSTM神经单元的LSTM层以及一层全连接层、时间步长为1000、训练批次大小为256、损失函数为均方差函数、优化器为自适应矩估计、学习率由Keras框架动态决定，其中一轮训练由多个批次组成，训练批次大小表示单个批次所选取的数据量大小。

10.根据权利要求7所述的方法，其特征在于，进一步包括：

当故障概率预测值高于预设阈值时，根据对应时间的芯片温度、信号强度、硫化氢浓度、以及氢气浓度的预测数据，判断需要告警的物理量。

Images