CN115290316A - 一种偏心旋转阀故障诊断方法 - Google Patents

一种偏心旋转阀故障诊断方法 Download PDF

Info

Publication number
CN115290316A
CN115290316A CN202211204434.4A CN202211204434A CN115290316A CN 115290316 A CN115290316 A CN 115290316A CN 202211204434 A CN202211204434 A CN 202211204434A CN 115290316 A CN115290316 A CN 115290316A
Authority
CN
China
Prior art keywords
valve group
valve
group system
eccentric rotary
systems
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.)
Granted
Application number
CN202211204434.4A
Other languages
English (en)
Other versions
CN115290316B (zh
Inventor
张丽
吴中林
李晴晴
李光泽
王帝
张志�
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Etam Fluid Control Technology Shandong Co ltd
Original Assignee
Etam Fluid Control Technology Shandong Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Etam Fluid Control Technology Shandong Co ltd filed Critical Etam Fluid Control Technology Shandong Co ltd
Priority to CN202211204434.4A priority Critical patent/CN115290316B/zh
Publication of CN115290316A publication Critical patent/CN115290316A/zh
Application granted granted Critical
Publication of CN115290316B publication Critical patent/CN115290316B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01M13/00—Testing of machine parts
    • G01M13/003—Machine valves

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明涉及阀组系统故障诊断技术领域，具体涉及一种偏心旋转阀故障诊断方法，该方法在阀组系统的总动作过程中，获取阀组系统的信息描述子、动作过程均衡性和压力适宜指标，以构成阀组系统的状态特征向量；将多个阀组系统划分为三个组，以获取每个阀组系统的变换置信度，基于变换置信度将阀组系统分为M个类型，利用每个类型中阀组系统的状态特征向量训练对应类型的OCSVM模型；对每个类型的OCSVM模型设置疑似故障级别，将实时获取的阀组系统的状态特征向量依次输入到从低到高的疑似故障级别对应的OCSVM模型中，检测阀组系统中偏心旋转阀的异常。本方案能够快速准确检测出偏心旋转阀的异常，降低故障隐患。

Description

一种偏心旋转阀故障诊断方法
技术领域
本发明涉及阀组系统故障诊断技术领域，具体涉及一种偏心旋转阀故障诊断方法。
背景技术
偏心旋转阀的阀座寿命长，具有耐久的、坚固的金属或陶瓷阀座密封圈和偏心的阀芯，在启闭过程中，阀芯在旋转至关闭位置时，阀芯与阀座密封圈会产生自动重叠作用，使密封面间得到更合理的配合。
偏心旋转阀具备自维护的特性，可以用于一些容易存在结晶、结疤及不干净介质的产线，但在工艺中阀体不再是两位控制时，是否能够以较佳的性能完成工艺中各个阶段的动作组，例如阶段性灌装、喷淋等，若阀组执行出现故障隐患，需要及时判别。
一些工艺中确实容易在阀体搬开过程中产生结晶等物质的堵塞，需要偏心旋转阀在执行时因其结构特性压碎或破坏这些物质，然而目前为了防止出现阀组故障隐患，通常是通过定期检修保养来检测偏心旋转阀是否有损坏，但定期检测保养对于偏心旋转阀的检测存在一定的延时性，无法及时判断阀组故障隐患。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种偏心旋转阀故障诊断方法，所采用的技术方案具体如下：
在阀组系统的总动作过程中，获取流体的平均流量和平均动作时间组成信息描述子；基于总动作过程中的每个动作节点，根据阀组系统中每个偏心旋转阀到达每个动作节点的平均电机功率，构建阀组系统的整体平均电机功率变化曲线以计算获取阀组系统的动作过程均衡性；获取每个动作节点下阀组系统的压力以获取压力适宜指标；将信息描述子、动作过程均衡性和压力适宜指标构成阀组系统的状态特征向量；
获取多个阀组系统的当前批次的状态特征向量，将多个阀组系统划分为三个组，包括正常组、轻微异常组和异常组；基于下一个总动作过程中阀组系统的划分结果，分别计算每个阀组系统的变换置信度；基于变换置信度将阀组系统分为M个类型，M为正整数，利用每个类型中阀组系统的状态特征向量训练对应类型的OCSVM模型；
对每个类型的OCSVM模型设置疑似故障级别；将实时获取的阀组系统的状态特征向量依次输入到从低到高的疑似故障级别对应的OCSVM模型中，检测阀组系统中偏心旋转阀的异常。
进一步的，所述整体平均电机功率变化曲线的构建方法，包括：
根据每个偏心旋转阀在总动作过程中的同一动作节点的平均电机功率，计算平均电机功率的均值；利用总动作过程中每个动作节点的平均电机功率的均值，构建阀组系统的总动作过程对应的整体平均电机功率变化曲线。
进一步的，所述阀组系统的动作过程均衡性的获取方法，包括：
根据每个偏心旋转阀到达每个动作节点的平均电机功率构建对应偏心旋转阀在总动作过程中的平均电机功率变化曲线；
分别计算每个偏心旋转阀的平均电机功率变化曲线与整体平均电机功率变化曲线的差异指标，将差异指标的相反数输入以常数e为底数的指数函数中，并对每个偏心旋转阀对应的指数函数结果计算均值作为阀组系统的动作过程均衡性。
进一步的，所述压力适宜指标的获取方法，包括：
根据每个动作节点下阀组系统的压力得到总动作过程中压力序列；获取压力序列的方差和平均值，计算压力序列的平均值与标准平均值之间的差值绝对值，对压力序列的方差进行归一化，结合归一化结果和差值绝对值得到压力适宜指标，则压力适宜指标
Figure 100002_DEST_PATH_IMAGE001
的计算公式为：
Figure 100002_DEST_PATH_IMAGE003
其中，
Figure 119365DEST_PATH_IMAGE004
为双曲线正切函数；
Figure 100002_DEST_PATH_IMAGE005
为方差函数；
Figure 989101DEST_PATH_IMAGE006
为均值函数；
Figure 100002_DEST_PATH_IMAGE007
为阀组系统在正常状态下的压力序列的标准平均值；
Figure 577296DEST_PATH_IMAGE008
为绝对值函数；
Figure 100002_DEST_PATH_IMAGE009
为以常数e为底数的指数函数；
Figure 63641DEST_PATH_IMAGE010
为压力序列。
进一步的，所述将多个阀组系统划分为三个组的方法，包括：
计算任意两个阀组系统之间的差异距离，将差异距离作为样本距离，利用k-means算法，对阀组系统进行分类得到三个组，其中，差异距离的计算公式为：
Figure 604606DEST_PATH_IMAGE012
其中，
Figure 100002_DEST_PATH_IMAGE013
为阀组系统A和阀组系统B之间的差异距离；
Figure 594428DEST_PATH_IMAGE014
函数表示余弦相似度函数；
Figure 100002_DEST_PATH_IMAGE015
函数表示形态相似距离函数；
Figure 359383DEST_PATH_IMAGE016
为阀组系统A的信息描述子；
Figure 100002_DEST_PATH_IMAGE017
为阀组系统A的整体平均电机功率变化曲线；
Figure 333025DEST_PATH_IMAGE018
为阀组系统A的压力适宜指标；
Figure 100002_DEST_PATH_IMAGE019
为阀组系统A的动作过程均衡性；
Figure 943260DEST_PATH_IMAGE020
为阀组系统B的信息描述子；
Figure 100002_DEST_PATH_IMAGE021
为阀组系统B的整体平均电机功率变化曲线；
Figure 53167DEST_PATH_IMAGE022
为阀组系统B的压力适宜指标；
Figure 100002_DEST_PATH_IMAGE023
为阀组系统B的动作过程均衡性；
Figure 983165DEST_PATH_IMAGE024
为L2范数；
统计每个组所包含的阀组系统的数量，将数量最多的组作为正常组、数量次多的组作为轻微异常组、数量最少的组作为异常组。
进一步的，所述变换置信度的获取方法，包括：
将任意一个阀组系统所属组中的其他阀组系统作为目标阀组系统，统计下一个总动作过程中阀组系统的划分结果中，每个组中所包含的目标阀组系统的数量，组成数量序列，将数量序列进行极差标准化后的结果作为该阀组系统的变换置信度。
进一步的，所述基于变换置信度将阀组系统分为M个类型的方法，包括：
利用L2范数计算任意两个阀组系统的变换置信度的L2距离，利用DBSCAN算法对所有的阀组系统进行分类，并将其分为M个类型。
进一步的，所述对每个类型的OCSVM模型设置疑似故障级别的方法，包括：
分别统计每个类型中阀组系统的总数量以及阀组系统属于异常组的第一数量，计算第一数量在总数量中的占比作为对应类型的异常组分量；分别获取每个类型的异常组分量，异常组分量越大，对应类型的OCSVM模型的疑似故障级别越高，进而得到每个类型的OCSVM模型的疑似故障级别。
进一步的，所述检测阀组系统中偏心旋转阀的异常的方法，包括：
当每个OCSVM模型都判断为异常时，按照最大的疑似故障级别发出故障预警；当存在一个OCSVM模型判断没有异常时，按照对应疑似故障级别来进行故障预警；当不止存在一个OCSVM模型判断没有异常时，按照没有异常的这些OCSVM模型中对应的最大疑似故障级别来进行故障预警。
本发明实施例至少具有如下有益效果：在阀组系统的总动作过程中，获取流体的平均流量和平均动作时间组成信息描述子，根据每个偏心旋转阀到达每个动作节点的平均电机功率，构建阀组系统的整体平均电机功率变化曲线以计算获取阀组系统的动作过程均衡性，获取每个动作节点下阀组系统的压力以获取压力适宜指标，将信息描述子、动作过程均衡性和压力适宜指标构成阀组系统的状态特征向量，以更加直观表征阀组系统在使用过程中的状态；为了区分各阀组系统的使用状态，基于状态特征向量对多个阀组系统进行分类，得到正常组、异常组和轻微异常组，基于偏心旋转阀的自维护特性，通过获取下一下阀组系统的新分类结果，获取每个阀组系统的变换置信度，以能够准确评估阀组系统的整体自维护性能；然后基于变换置信度将阀组系统分为多个类型，利用每个类型下阀组系统的状态特征向量训练对应类型的专属OCSVM模型，以利用训练好的OCSVM模型对阀组系统进行及时异常预警，以降低故障隐患的发生。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明一个实施例提供的一种偏心旋转阀故障诊断方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种偏心旋转阀故障诊断方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种偏心旋转阀故障诊断方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种偏心旋转阀故障诊断方法的步骤流程图，该方法包括以下步骤：
步骤S001，在阀组系统的总动作过程中，获取流体的平均流量和平均动作时间组成信息描述子；基于总动作过程中的每个动作节点，根据阀组系统中每个偏心旋转阀到达每个动作节点的平均电机功率，构建阀组系统的整体平均电机功率变化曲线以计算获取阀组系统的动作过程均衡性；获取每个动作节点下阀组系统的压力以获取压力适宜指标；将信息描述子、动作过程均衡性和压力适宜指标构成阀组系统的状态特征向量。
具体的，当工艺过程中出现结晶结疤等结晶物质时，结晶物质会影响阀组系统的工作效率，也即会影响流体的流通性，因此在阀组系统的当前批次下，获取阀组系统实际使用过程中，流体的平均流量和阀组系统中偏心旋转阀的平均动作时间，进而组成阀组系统的信息描述子P。
需要说明的是，批次是指阀组系统在使用中的一个总动作过程。且一个总动作过程包括多个动作节点，将偏心旋转阀从一个角度旋转到另一个角度所对应的位置称为一个动作节点。
在实际使用过程中，检测阀组系统在使用中的总动作过程到达一个开度的平均电机功率大小的变化情况，以确定阀组系统的动作过程均衡性。
对于总动作过程到达一个开度的平均电机功率的检测方式是：基于总动作过程中的每个动作节点，统计各个动作节点下各个偏心旋转阀的能耗情况。对于总动作过程，每个偏心旋转阀是同步进行的，进而能够根据偏心旋转阀到达总动作过程中的每个动作节点的平均电机功率，确定每个偏心旋转阀在总动作过程中的平均电机功率变化曲线
Figure DEST_PATH_IMAGE025
。
需要说明的是，平均电机功率可以通过设置采样频率来采集一个动作节点到另一个动作节点过程中的电机功率，进而根据电机功率获取每个动作节点的平均电机功率，该方法为公知技术，本方案不再详细赘述。
相应的，根据每个偏心旋转阀在总动作过程中的同一动作节点的平均电机功率，计算平均电机功率的均值，根据总动作过程中每个动作节点的平均电机功率的均值，构建阀组系统的整体平均电机功率变化曲线
Figure 912944DEST_PATH_IMAGE026
。
需要说明的是，由于结晶、卡滞等因素，阀组系统中的每个偏心旋转阀到达一个开度的平均电机功率的变化会有一定差异，因此检测构建实际的总动作过程中到达一个开度的平均电机功率大小，也即是阀组系统的整体平均电机功率变化曲线
Figure 28667DEST_PATH_IMAGE026
。
计算获取阀组系统的动作过程均衡性H：分别计算每个偏心旋转阀的平均电机功率变化曲线
Figure 166650DEST_PATH_IMAGE025
与整体平均电机功率变化曲线
Figure 709627DEST_PATH_IMAGE026
的差异指标，将差异指标的相反数输入以常数e为底数的指数函数中，并对每个偏心旋转阀对应的指数函数结果计算均值作为阀组系统的动作过程均衡性H。
作为一个示例，动作过程均衡性H的计算公式为：
Figure 64385DEST_PATH_IMAGE028
其中，
Figure DEST_PATH_IMAGE029
为阀组系统中偏心旋转阀的数量；
Figure 547581DEST_PATH_IMAGE030
为动态时间规整距离；
Figure DEST_PATH_IMAGE031
为第x个偏心旋转阀的平均电机功率变化曲线；
Figure 366501DEST_PATH_IMAGE009
为以常数e为底数的指数函数。
当阀组系统中所有偏心旋转阀的总动作过程到达一个开度的平均电机功率变化趋近一致时，动态时间规整距离
Figure 814800DEST_PATH_IMAGE030
的大小趋近于0，也即是每个偏心旋转阀的平均电机功率变化曲线
Figure 423898DEST_PATH_IMAGE025
与整体平均电机功率变化曲线
Figure 881424DEST_PATH_IMAGE026
越相似，进而指数函数大小趋近于1，相对应最终的动作过程均衡性H更高，而当其中一个偏心旋转阀与其他偏心旋转阀有明显差异时，动作过程的均衡性将会变小。
当偏心旋转阀出现异常时，会导致阀组系统的系统压力出现异常，因此统计阀组系统在当前批次下的系统压力数据：在阀组系统的每个偏心旋转阀的内部放置压力传感器，每当到达一个动作节点时，利用压力传感器检测阀组系统内的压力，进而得到阀组系统在总动作过程中的压力序列
Figure 492534DEST_PATH_IMAGE010
。
需要说明的是，阀组系统内的压力的获取方法是基于每个偏心旋转阀的压力得到的，即将所有偏心旋转阀的压力相加得到阀组系统内的压力。
当阀组系统的压力发生变化时，对偏心旋转阀本身的总动作过程产生影响，以至于偏心旋转阀的总动作过程不稳定，同时，如果偏心旋转阀的总动作过程出现异常，对阀组系统内的压力同样有影响，因此对阀组系统在总动作过程中的压力序列
Figure 642893DEST_PATH_IMAGE010
进行分析，用于体现压力变化趋势以及适宜性。
根据压力序列
Figure 733428DEST_PATH_IMAGE010
计算压力适宜指标的方法为：获取压力序列的方差和平均值，计算压力序列的平均值与标准平均值之间的差值绝对值，对压力序列的方差进行归一化，结合归一化结果和差值绝对值得到压力适宜指标
Figure 994645DEST_PATH_IMAGE001
，则压力适宜指标
Figure 460261DEST_PATH_IMAGE001
的计算公式为：
Figure 781521DEST_PATH_IMAGE032
其中，
Figure 99632DEST_PATH_IMAGE004
为双曲线正切函数，用于归一化；
Figure 898961DEST_PATH_IMAGE005
为方差函数，用于确定压力波动情况；
Figure 484663DEST_PATH_IMAGE006
为均值函数；
Figure 711245DEST_PATH_IMAGE007
为阀组系统在正常状态下的压力序列的标准平均值；
Figure 251073DEST_PATH_IMAGE008
为绝对值函数；
Figure 854093DEST_PATH_IMAGE009
为以常数e为底数的指数函数。
优选的，本方案中阀组系统在正常状态下的压力序列的标准平均值为4bar，实施者可以根据偏心旋转阀的具体材质和实际情况对该标准平均值进行自行设定。
需要说明的是，压力序列的方差越大，波动越剧烈或者变化越大，对应压力适宜指标
Figure 294301DEST_PATH_IMAGE001
越低；压力序列的平均值与设定的标准平均值越大，说明对应压力不大适用于偏心旋转阀工作，对应的压力适宜指标
Figure 691785DEST_PATH_IMAGE001
越低。
进一步，将阀组系统的当前批次下的信息描述子P、动作过程均衡性H和压力适宜指标TH构成阀组系统的状态特征向量。
步骤S002，获取多个阀组系统的当前批次的状态特征向量，将多个阀组系统划分为三个组，包括正常组、轻微异常组和异常组；基于下一个总动作过程中阀组系统的划分结果，分别计算每个阀组系统的变换置信度；基于变换置信度将阀组系统分为M个类型，M为正整数，利用每个类型中阀组系统的状态特征向量训练对应类型的OCSVM模型。
具体的，利用步骤S001的方法，获取多个阀组系统的当前批次的状态特征向量。基于状态特征向量将多个阀组系统划分为三个组，包括正常组、轻微异常组和异常组，以确定阀组系统的使用情况类型。
计算任意两个阀组系统之间的差异距离，将差异距离作为样本距离，利用k-means算法，对阀组系统进行分类，令k=3，其中k-means算法为公知技术，本方案不再进行赘述。
其中差异距离的计算公式为：
Figure DEST_PATH_IMAGE033
其中，
Figure 781226DEST_PATH_IMAGE013
为阀组系统A和阀组系统B之间的差异距离；
Figure 922357DEST_PATH_IMAGE014
函数表示余弦相似度函数，用于比较两个信息描述子之间的相似度；
Figure 217072DEST_PATH_IMAGE015
函数表示形态相似距离函数，用于比较两条变化曲线之间的差异距离；
Figure 785457DEST_PATH_IMAGE016
为阀组系统A的信息描述子；
Figure 317455DEST_PATH_IMAGE017
为阀组系统A的整体平均电机功率变化曲线；
Figure 262277DEST_PATH_IMAGE018
为阀组系统A的压力适宜指标；
Figure 677078DEST_PATH_IMAGE019
为阀组系统A的动作过程均衡性；
Figure 947522DEST_PATH_IMAGE020
为阀组系统B的信息描述子；
Figure 683659DEST_PATH_IMAGE021
为阀组系统B的整体平均电机功率变化曲线；
Figure 166593DEST_PATH_IMAGE022
为阀组系统B的压力适宜指标；
Figure 435901DEST_PATH_IMAGE023
为阀组系统B的动作过程均衡性；
Figure 346088DEST_PATH_IMAGE024
为L2范数。
当两个阀组系统的使用状态相似时，
Figure 333635DEST_PATH_IMAGE034
的值越大，差异距离
Figure 121725DEST_PATH_IMAGE013
越小，
Figure DEST_PATH_IMAGE035
的值越大，差异距离
Figure 42277DEST_PATH_IMAGE013
越小，
Figure 388944DEST_PATH_IMAGE036
越小，差异距离
Figure 99674DEST_PATH_IMAGE013
越小；差异距离
Figure 924410DEST_PATH_IMAGE013
接近于0，越不相似，差异距离越大，越接近于1。
根据组内的实际数据情况，将三个组分为正常组，轻微异常组和异常组：由于偏心旋转阀具备自维护特性，能够保证大多数阀组系统处于正常状态，只有少量的阀组系统会处于异常状态，因此统计每个组所包含的阀组系统的数量，将数量最多的组作为正常组normal、数量次多的组作为轻微异常组moderate、数量最少的组作为异常组hard。
由于偏心旋转阀具备自维护的特性，也即是当工艺过程中出现结晶物质时，偏心旋转阀在动作过程中能够把结晶物质破坏掉，以保证阀组系统的正常，因此通过分析这些阀组系统在下一批次的使用情况类型，来对阀组系统的性能进行评估，具体如下：首先利用步骤S001方法获取这些阀组系统在下一批次中的状态特征向量；然后基于状态特征向量，利用上述阀组系统的划分方法，对这些阀组系统再次进行k-means聚类分组，得到新分类结果，其中k值不变；最后基于新分类结果获取每个阀组系统的变换置信度，也即是在阀组系统的下次使用状态下，阀组系统所属组中的其他阀组系统变换到其他组的概率分布，能够体现阀组系统的自维护性能的好坏。
其中变换置信度的获取方法为：以一个阀组系统为例，将该阀组系统所属组中的其他阀组系统作为目标阀组系统，统计新分类结果中，每个组中所包含的目标阀组系统的数量，组成数量序列，将数量序列进行极差标准化后的结果作为对应阀组系统的变换置信度Z。
利用变换置信度的获取方法获取每个阀组系统的变换置信度Z。由于阀组系统的变换置信度可以表示阀组系统确实经历了不同结晶物质的影响，从而导致一些同组的其他阀组系统转而出现了疑似不正常情况的分布类型，因此基于变换置信度Z对每个阀组系统的状态特征向量进行无监督分类：利用L2范数计算任意两个阀组系统的变换置信度的L2距离，L2距离越大，说明对应这两个阀组系统的自维护性能相差越大，对应表示这两个阀组系统的使用状态差异越大；基于L2距离，利用DBSCAN算法对所有的阀组系统进行分类，并将其分为M个类型，M为正整数，其中本方案中M=4、且DBSCAN算法中最小聚类数目minpts为10，聚类半径r为0.21，DBSCAN算法为公知技术，本方案不再赘述。
需要说明的是，DBSCAN算法中的参数需要实施者根据实际的变换置信度Z以及阀组系统的记录数据分布来调整。
利用每个类型中阀组系统的状态特征向量训练对应类型的OCSVM模型，以得到4个OCSVM模型，其中OCSVM模型中的核函数使用RBF，用于拟合各个状态特征向量的非线性边界，且OCSVM模型中的nu参数为0.01。
需要说明的是，OCSVM模型为公知技术，本方案不再赘述。
步骤S003，对每个类型的OCSVM模型设置疑似故障级别；将实时获取的阀组系统的状态特征向量依次输入到从低到高的疑似故障级别对应的OCSVM模型中，检测阀组系统中偏心旋转阀的异常。
具体的，对每个类型的OCSVM模型设置疑似故障级别：分别统计每个类型中阀组系统的总数量以及阀组系统属于异常组hard的第一数量，计算第一数量在总数量中的占比作为对应类型的异常组分量；分别获取每个类型的异常组分量，异常组分量越大，对应类型的OCSVM模型的疑似故障级别越高，进而得到每个类型的OCSVM模型的疑似故障级别。
需要说明的是，OCSVM模型的作用是根据不同的疑似故障级别给出待检测阀组系统的状态特征向量是否对应此疑似故障级别，当状态特征向量可能对应此疑似故障级别时，OCSVM模型可以给出非异常的判别结果，反之认为是异常，此处的异常是相对OCSVM模型对应的某类状态特征向量所得到的，即待检测阀组系统的状态特征向量与这类状态特征向量越相似，对应OCSVM模型越不容易判为异常。
实时获取待检测阀组系统的状态特征向量，将该状态特征向量输入到从低到高的疑似故障级别对应的OCSVM模型中进行分析，当每个OCSVM模型都判断该状态特征向量对应的阀组系统为异常时，说明无论是哪种疑似故障级别的样本都未覆盖到这个情况，此时是极端故障情况，则按照最大的疑似故障级别发出故障预警，以提醒操作人员进行检修维护；当存在一个OCSVM模型判断该状态特征向量对应的阀组系统没有异常时，则按照对应疑似故障级别来进行故障预警；当不止存在一个OCSVM模型判断该状态特征向量对应的阀组系统没有异常时，则按照没有异常的这些OCSVM模型中对应的最大疑似故障级别来进行故障预警。
需要说明的是，阀组系统异常，也即是阀组系统中的偏心旋转阀存在故障。
综上所述，本发明实施例在阀组系统的总动作过程中，获取阀组系统的信息描述子，根据偏心旋转阀的在每个动作节点的平均电机功率获取动作过程均衡性，获取压力适宜指标，以结合信息描述子、动作过程均衡性构成阀组系统的状态特征向量；将多个阀组系统划分为三个组，以获取每个阀组系统的变换置信度，基于变换置信度将阀组系统分为M个类型，利用每个类型中阀组系统的状态特征向量训练对应类型的OCSVM模型；对每个类型的OCSVM模型设置疑似故障级别，将实时获取的阀组系统的状态特征向量依次输入到从低到高的疑似故障级别对应的OCSVM模型中，检测阀组系统中偏心旋转阀的异常。本方案能够快速准确检测出偏心旋转阀的异常，降低故障隐患。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种偏心旋转阀故障诊断方法，其特征在于，该方法包括以下步骤：
在阀组系统的总动作过程中，获取流体的平均流量和平均动作时间组成信息描述子；基于总动作过程中的每个动作节点，根据阀组系统中每个偏心旋转阀到达每个动作节点的平均电机功率，构建阀组系统的整体平均电机功率变化曲线以计算获取阀组系统的动作过程均衡性；获取每个动作节点下阀组系统的压力以获取压力适宜指标；将信息描述子、动作过程均衡性和压力适宜指标构成阀组系统的状态特征向量；
获取多个阀组系统的当前批次的状态特征向量，将多个阀组系统划分为三个组，包括正常组、轻微异常组和异常组；基于下一个总动作过程中阀组系统的划分结果，分别计算每个阀组系统的变换置信度；基于变换置信度将阀组系统分为M个类型，M为正整数，利用每个类型中阀组系统的状态特征向量训练对应类型的OCSVM模型；
对每个类型的OCSVM模型设置疑似故障级别；将实时获取的阀组系统的状态特征向量依次输入到从低到高的疑似故障级别对应的OCSVM模型中，检测阀组系统中偏心旋转阀的异常。
2.如权利要求1所述的一种偏心旋转阀故障诊断方法，其特征在于，所述整体平均电机功率变化曲线的构建方法，包括：
根据每个偏心旋转阀在总动作过程中的同一动作节点的平均电机功率，计算平均电机功率的均值；利用总动作过程中每个动作节点的平均电机功率的均值，构建阀组系统的总动作过程对应的整体平均电机功率变化曲线。
3.如权利要求1所述的一种偏心旋转阀故障诊断方法，其特征在于，所述阀组系统的动作过程均衡性的获取方法，包括：
根据每个偏心旋转阀到达每个动作节点的平均电机功率构建对应偏心旋转阀在总动作过程中的平均电机功率变化曲线；
分别计算每个偏心旋转阀的平均电机功率变化曲线与整体平均电机功率变化曲线的差异指标，将差异指标的相反数输入以常数e为底数的指数函数中，并对每个偏心旋转阀对应的指数函数结果计算均值作为阀组系统的动作过程均衡性。
4.如权利要求1所述的一种偏心旋转阀故障诊断方法，其特征在于，所述压力适宜指标的获取方法，包括：
根据每个动作节点下阀组系统的压力得到总动作过程中压力序列；获取压力序列的方差和平均值，计算压力序列的平均值与标准平均值之间的差值绝对值，对压力序列的方差进行归一化，结合归一化结果和差值绝对值得到压力适宜指标，则压力适宜指标
Figure DEST_PATH_IMAGE001
的计算公式为：
Figure DEST_PATH_IMAGE003
其中，
Figure 60223DEST_PATH_IMAGE004
为双曲线正切函数；
Figure DEST_PATH_IMAGE005
为方差函数；
Figure 852729DEST_PATH_IMAGE006
为均值函数；
Figure DEST_PATH_IMAGE007
为阀组系统在正常状态下的压力序列的标准平均值；
Figure 806035DEST_PATH_IMAGE008
为绝对值函数；
Figure DEST_PATH_IMAGE009
为以常数e为底数的指数函数；
Figure 76611DEST_PATH_IMAGE010
为压力序列。
5.如权利要求1所述的一种偏心旋转阀故障诊断方法，其特征在于，所述将多个阀组系统划分为三个组的方法，包括：
计算任意两个阀组系统之间的差异距离，将差异距离作为样本距离，利用k-means算法，对阀组系统进行分类得到三个组，其中，差异距离的计算公式为：
Figure 563087DEST_PATH_IMAGE012
其中，
Figure DEST_PATH_IMAGE013
为阀组系统A和阀组系统B之间的差异距离；
Figure 556188DEST_PATH_IMAGE014
函数表示余弦相似度函数；
Figure DEST_PATH_IMAGE015
函数表示形态相似距离函数；
Figure 433009DEST_PATH_IMAGE016
为阀组系统A的信息描述子；
Figure DEST_PATH_IMAGE017
为阀组系统A的整体平均电机功率变化曲线；
Figure 799618DEST_PATH_IMAGE018
为阀组系统A的压力适宜指标；
Figure DEST_PATH_IMAGE019
为阀组系统A的动作过程均衡性；
Figure 343863DEST_PATH_IMAGE020
为阀组系统B的信息描述子；
Figure DEST_PATH_IMAGE021
为阀组系统B的整体平均电机功率变化曲线；
Figure 711128DEST_PATH_IMAGE022
为阀组系统B的压力适宜指标；
Figure DEST_PATH_IMAGE023
为阀组系统B的动作过程均衡性；
Figure 75245DEST_PATH_IMAGE024
为L2范数；
统计每个组所包含的阀组系统的数量，将数量最多的组作为正常组、数量次多的组作为轻微异常组、数量最少的组作为异常组。
6.如权利要求1所述的一种偏心旋转阀故障诊断方法，其特征在于，所述变换置信度的获取方法，包括：
将任意一个阀组系统所属组中的其他阀组系统作为目标阀组系统，统计下一个总动作过程中阀组系统的划分结果中，每个组中所包含的目标阀组系统的数量，组成数量序列，将数量序列进行极差标准化后的结果作为该阀组系统的变换置信度。
7.如权利要求1所述的一种偏心旋转阀故障诊断方法，其特征在于，所述基于变换置信度将阀组系统分为M个类型的方法，包括：
利用L2范数计算任意两个阀组系统的变换置信度的L2距离，利用DBSCAN算法对所有的阀组系统进行分类，并将其分为M个类型。
8.如权利要求1所述的一种偏心旋转阀故障诊断方法，其特征在于，所述对每个类型的OCSVM模型设置疑似故障级别的方法，包括：
分别统计每个类型中阀组系统的总数量以及阀组系统属于异常组的第一数量，计算第一数量在总数量中的占比作为对应类型的异常组分量；分别获取每个类型的异常组分量，异常组分量越大，对应类型的OCSVM模型的疑似故障级别越高，进而得到每个类型的OCSVM模型的疑似故障级别。
9.如权利要求1所述的一种偏心旋转阀故障诊断方法，其特征在于，所述检测阀组系统中偏心旋转阀的异常的方法，包括：
当每个OCSVM模型都判断为异常时，按照最大的疑似故障级别发出故障预警；当存在一个OCSVM模型判断没有异常时，按照对应疑似故障级别来进行故障预警；当不止存在一个OCSVM模型判断没有异常时，按照没有异常的这些OCSVM模型中对应的最大疑似故障级别来进行故障预警。
CN202211204434.4A 2022-09-30 2022-09-30 一种偏心旋转阀故障诊断方法 Active CN115290316B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211204434.4A CN115290316B (zh) 2022-09-30 2022-09-30 一种偏心旋转阀故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211204434.4A CN115290316B (zh) 2022-09-30 2022-09-30 一种偏心旋转阀故障诊断方法

Publications (2)

Publication Number Publication Date
CN115290316A true CN115290316A (zh) 2022-11-04
CN115290316B CN115290316B (zh) 2022-12-27

Family

ID=83835050

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211204434.4A Active CN115290316B (zh) 2022-09-30 2022-09-30 一种偏心旋转阀故障诊断方法

Country Status (1)

Country Link
CN (1) CN115290316B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115575155A (zh) * 2022-11-17 2023-01-06 南通东杰食品科技有限公司 一种食料粉碎机故障检测方法及系统
CN115713625A (zh) * 2022-11-18 2023-02-24 盐城众拓视觉创意有限公司 一种教学实录视频与课件背景的快速结合成片方法
CN117268743A (zh) * 2023-11-22 2023-12-22 山东力威液压技术有限公司 一种比例流量阀的故障诊断方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1924774A1 (en) * 2005-09-06 2008-05-28 SIIVONEN, Lauri Detecting of faults in a valve system and a fault tolerant control
TW201407148A (zh) * 2012-08-13 2014-02-16 rong-hua Su 變速箱之電磁閥異常檢測方法及其系統
CN107402124A (zh) * 2017-07-20 2017-11-28 中广核工程有限公司 一种核电厂汽轮机调节阀组周期性试验方法和装置
WO2019104969A1 (zh) * 2017-11-28 2019-06-06 国电南瑞科技股份有限公司 水轮机调速器主配压阀故障诊断方法及装置、存储介质
CN111443602A (zh) * 2019-01-16 2020-07-24 上海伽易信息技术有限公司 一种基于隐马尔可夫的阀门健康度估计与寿命预测方法
CN111931574A (zh) * 2020-07-07 2020-11-13 中国矿业大学 一种气动调节阀鲁棒故障诊断方法
CN111929053A (zh) * 2020-07-07 2020-11-13 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
CN112460326A (zh) * 2020-11-23 2021-03-09 中国华能集团清洁能源技术研究院有限公司 一种基于声波传感器监测调节阀流量的系统和方法
CN114003016A (zh) * 2021-10-12 2022-02-01 燕山大学 数字阀组多故障模式下的主动容错控制方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1924774A1 (en) * 2005-09-06 2008-05-28 SIIVONEN, Lauri Detecting of faults in a valve system and a fault tolerant control
TW201407148A (zh) * 2012-08-13 2014-02-16 rong-hua Su 變速箱之電磁閥異常檢測方法及其系統
CN107402124A (zh) * 2017-07-20 2017-11-28 中广核工程有限公司 一种核电厂汽轮机调节阀组周期性试验方法和装置
WO2019104969A1 (zh) * 2017-11-28 2019-06-06 国电南瑞科技股份有限公司 水轮机调速器主配压阀故障诊断方法及装置、存储介质
CN111443602A (zh) * 2019-01-16 2020-07-24 上海伽易信息技术有限公司 一种基于隐马尔可夫的阀门健康度估计与寿命预测方法
CN111931574A (zh) * 2020-07-07 2020-11-13 中国矿业大学 一种气动调节阀鲁棒故障诊断方法
CN111929053A (zh) * 2020-07-07 2020-11-13 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
CN112460326A (zh) * 2020-11-23 2021-03-09 中国华能集团清洁能源技术研究院有限公司 一种基于声波传感器监测调节阀流量的系统和方法
CN114003016A (zh) * 2021-10-12 2022-02-01 燕山大学 数字阀组多故障模式下的主动容错控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SHUNGEN XIAO 等: "Fault Diagnosis of a Reciprocating Compressor Air", 《APPLIED SCIENCES》 *
陈声强: "乙烯FV-156控制阀故障分析及其处理", 《石油化工自动化》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115575155A (zh) * 2022-11-17 2023-01-06 南通东杰食品科技有限公司 一种食料粉碎机故障检测方法及系统
CN115575155B (zh) * 2022-11-17 2024-01-16 南通东杰食品科技有限公司 一种食料粉碎机故障检测方法及系统
CN115713625A (zh) * 2022-11-18 2023-02-24 盐城众拓视觉创意有限公司 一种教学实录视频与课件背景的快速结合成片方法
CN117268743A (zh) * 2023-11-22 2023-12-22 山东力威液压技术有限公司 一种比例流量阀的故障诊断方法
CN117268743B (zh) * 2023-11-22 2024-02-09 山东力威液压技术有限公司 一种比例流量阀的故障诊断方法

Also Published As

Publication number Publication date
CN115290316B (zh) 2022-12-27

Similar Documents

Publication Publication Date Title
CN115290316B (zh) 一种偏心旋转阀故障诊断方法
WO2021135630A1 (zh) 基于grcmse与流形学习的滚动轴承故障诊断方法
CN110598851A (zh) 一种融合lstm和gan的时间序列数据异常检测方法
CN107844799B (zh) 一种集成svm机制的冷水机组故障诊断方法
EP1960853A1 (en) Evaluating anomaly for one-class classifiers in machine condition monitoring
CN116066343A (zh) 一种输油泵机组故障模型的智能预警方法及系统
CN110765587A (zh) 基于动态正则化判别局部保留投影的复杂石化过程故障诊断方法
CN110503133A (zh) 一种基于深度学习的离心式压缩机故障预测方法
Wang et al. Fault detection based on diffusion maps and k nearest neighbor diffusion distance of feature space
CN115358297A (zh) 一种基于改进mkeca方法的注塑机异常检测方法及系统
CN114757269A (zh) 一种基于局部子空间-邻域保持嵌入的复杂过程精细化故障检测方法
CN112149913A (zh) 基于高斯过程回归的离心泵外特性预测方法
WO2023044770A1 (zh) 干泵宕机的预警方法、装置、电子设备、存储介质及程序
CN117056402A (zh) 一种基于多源信号的电机诊断方法、装置及存储介质
CN117076869B (zh) 旋转机械时频域融合故障诊断方法及系统
CN114398939A (zh) 系统故障检测的方法、装置及设备、存储介质
Li et al. A novel application of intelligent algorithms in fault detection of rudder system
CN110701487B (zh) 一种基于KPCA和Cas-SVDD的多工况管道泄漏检测方法
Cheng et al. Sensor fault diagnosis method based on-grey wolf optimization-support vector machine
CN116204825A (zh) 一种基于数据驱动的生产线设备故障检测方法
CN115526276A (zh) 一种具有鲁棒性的风洞天平校准载荷预测方法
CN115628776A (zh) 一种供水管网异常数据检测方法
CN114800036A (zh) 一种设备健康状态评估方法
Sharmila et al. A two-step unsupervised learning approach to diagnose machine fault using big data
Guo et al. A Hybrid clustering method for bridge structure health monitoring

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