CN115389121A - 一种基于随机森林的电动阀门泄漏模式识别方法及装置 - Google Patents
一种基于随机森林的电动阀门泄漏模式识别方法及装置 Download PDFInfo
- Publication number
- CN115389121A CN115389121A CN202211016760.2A CN202211016760A CN115389121A CN 115389121 A CN115389121 A CN 115389121A CN 202211016760 A CN202211016760 A CN 202211016760A CN 115389121 A CN115389121 A CN 115389121A
- Authority
- CN
- China
- Prior art keywords
- leakage
- electric valve
- acoustic emission
- valve
- random forest
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000007637 random forest analysis Methods 0.000 title claims abstract description 72
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 238000001228 spectrum Methods 0.000 claims description 54
- 238000003066 decision tree Methods 0.000 claims description 40
- 238000012549 training Methods 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 22
- 238000003909 pattern recognition Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000009826 distribution Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000007789 sealing Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 230000003595 spectral effect Effects 0.000 claims description 11
- 238000012567 pattern recognition method Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 10
- 238000010183 spectrum analysis Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 239000007822 coupling agent Substances 0.000 claims description 4
- 239000000945 filler Substances 0.000 claims description 4
- 238000003825 pressing Methods 0.000 claims description 3
- 230000007847 structural defect Effects 0.000 claims description 3
- 238000012856 packing Methods 0.000 claims description 2
- 239000012535 impurity Substances 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 17
- 238000012423 maintenance Methods 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000005236 sound signal Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 3
- 239000012530 fluid Substances 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 125000004432 carbon atom Chemical group C* 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/18—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being spectral information of each sub-band
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/21—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being power information
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Physics & Mathematics (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明公开了一种基于随机森林的电动阀门泄漏模式识别方法及装置,涉及电动阀门泄漏模式识别技术领域。该方法包括:获取核电厂反应堆一回路电动阀门的泄漏声发射信号;采用有效值法对电动阀门是否泄漏进行初步判断,得到初步判断结果;根据所述初步判断结果,当所述初步判断结果为泄漏,则基于随机森林的电动阀门泄漏模式识别法,对电动阀门进行进一步泄漏类型判断,得到泄漏类型判断结果。本发明通过构造泄漏声发射信号建模特征并建立基于随机森林算法的电动阀门泄漏模式识别模型,解决了当前基于声信号的电动阀门泄漏检测中对阀门泄漏具体模式无法识别的问题,为后续指导维修提供了可能。
Description
技术领域
本发明涉及电动阀门泄漏模式识别技术领域,具体涉及一种基于随机森林的电动阀门泄漏模式识别方法及装置。
背景技术
阀门是核电厂不可或缺的控制设备,其主要功能有切断或者联通管路介质的流动,改变介质流动方向,调节管路中介质流量和压力,确保设备和系统的正常运行。其中,电动阀门是核电厂反应堆一回路应用最为广泛的阀门,电动阀门在长时间的工作过程中,会发生卡涩、泄漏等故障,而泄漏故障是阀门诸多故障中出现频度最高的一类故障。当阀门发生泄漏故障时,一方面会造成系统能量损失,降低系统运行效率,另一方面,一回路管路中的介质为高温、高压的放射性流体,一旦发生泄漏,可能会导致事故的发生,严重时会威胁机组运行安全。
阀门泄漏可分为内漏和外漏。目前,核电站阀门泄漏检测通常是在大修时期借助声发射、红外等检测手段来完成的,其中,基于声学的检测是目前应用最为成熟的阀门泄漏检测手段。但基于声学的检测手段仅仅能够识别出阀门是否发生泄漏,而无法判断阀门发生的是外部泄漏还是内部泄漏,即无法确定是由于阀门内部结构损伤造成的泄漏还是由于外部结构、安装等因素引起的泄漏,这就导致在给后续的维修工作中,仍然片面地对阀门进行解体检修,而解体检修过程又可能引入新的阀门结构类故障,这种缺乏针对性地维修方式,即降低了阀门可靠性,又无形中加重了核电厂的维修成本。
发明内容
本发明目的在于提供一种基于随机森林的电动阀门泄漏模式识别方法及装置,可解决目前无法通过泄漏声信号区分电动阀门发生的是内漏还是外漏的问题,以指导后续维修工作。
本发明通过下述技术方案实现:
第一方面,本发明提供了一种基于随机森林的电动阀门泄漏模式识别方法,该方法包括:
获取核电厂反应堆一回路电动阀门的泄漏声发射信号;
根据所述泄漏声发射信号,采用有效值法对电动阀门是否泄漏进行初步判断,得到初步判断结果;
根据所述初步判断结果,当所述初步判断结果为泄漏,则基于随机森林的电动阀门泄漏模式识别法,对电动阀门进行进一步泄漏类型判断,得到泄漏类型判断结果;当所述初步判断结果为未泄漏,则对电动阀门不进行进一步泄漏类型判断。
进一步地,所述泄漏声发射信号的获取方式是通过在核电厂反应堆一回路中靠近电动阀门法兰结合面、阀杆与填料密封处,以及靠近阀瓣与阀座密封面外侧的阀体上,采用涂抹耦合剂并用卡环压紧声发射传感器的方式。
进一步地,该方法还包括:对获取的所述泄漏声发射信号进行预处理,得到预处理后的泄漏声发射信号;
所述预处理为对所述泄漏声发射信号进行去直流处理。
进一步地,所述的采用有效值法对电动阀门是否泄漏进行初步判断,得到初步判断结果,包括:
采用有效值法,计算泄漏声发射信号的有效值;
对所述泄漏声发射信号的有效值与预设值的A倍进行比较:
若所述泄漏声发射信号的有效值超过预设值的A倍,则初步判断结果为泄漏;
若所述泄漏声发射信号的有效值未超过预设值的A倍,则初步判断结果为未泄漏。
进一步地,所述有效值法的计算公式为:
式中,RMS为泄漏声发射信号的有效值;N为采样点数;n的取值为1,2,3,…,N-1;x(n)为输入的泄漏声发射信号。
进一步地,所述的基于随机森林的电动阀门泄漏模式识别法,对电动阀门进行进一步泄漏类型判断,得到泄漏类型判断结果,包括:
对所述泄漏声发射信号,基于快速傅里叶变换进行频谱分析,得到泄漏声发射信号的频谱分布;根据所述频谱分布,提取泄漏数据特征向量;
根据所述泄漏特征向量,基于随机森林算法建立内漏和外漏的模式识别模型,对所述泄漏特征向量进行识别,输出表征电动阀门内漏和外漏的类别标签。
进一步地,根据所述频谱分布,提取泄漏数据特征向量,包括:
步骤A,对所述频谱分布进行等间隔划分,得到划分后的各分段频率;
步骤B,根据划分后的各分段频率,计算各分段频率的能量;所述各分段频率的能量的计算公式为:
其中,j的数值代表电动阀门发生的泄漏类型,即内漏还是外漏;Ej,s为第s段频谱的平均能量,s取值为1,2,3,…,S,其中S为泄漏声发射信号采样频率Fs和频谱划分间隔Δf的比值;X(kj,s)是信号x(n)的频谱划分后第s段频谱,kj,s=1,2,3,…,Kj,s,Kj,s为第s段频谱的谱线数;
步骤C,根据各分段频率的能量,计算泄漏声发射信号各分段频谱的能量比;所述各分段频谱的能量比的计算公式为:
进一步地,所述基于随机森林算法建立内漏和外漏的模式识别模型的构建过程包括决策树生成部分和组合投票部分。
进一步地,所述基于随机森林算法建立内漏和外漏的模式识别模型的构建过程,具体为:
步骤a,对于包含M个样本的训练集,根据泄漏数据特征向量的计算步骤,计算各样本特征,得到M个样本的特征构成的初始的特征矩阵;从所述初始的特征矩阵中有放回地随机选择样本数量为K样本数据构成一个训练样本子集,将所述训练样本子集作为一颗决策树的初始训练集数据;其中,K<M;
步骤b,针对具有S个特征属性的样本子集,在单棵决策树的各个节点处,随机地从S个特征属性中选择n个特征属性,并且以节点不纯度G最小为标准从所述特征属性中选择部分特征属性,自上而下递归分裂产生二叉树;
步骤c,重复步骤b,直至该决策树遍历S个特征属性,得到一颗决策树;在整个决策树的生长过程中n保持恒定;
步骤d,根据步骤a至c,生成若干颗决策树;根据全部决策树构造随机森林分类器;并采用所述随机森林分类器对样本数据进行分类,得到分类结果。
进一步地,所述泄漏类型判断结果包括电动阀门外漏和电动阀门内漏;
所述电动阀门外漏为管路中的介质通过法兰结合面、阀杆与填料间的缝隙由阀门内部流向阀门外部的泄漏;
所述电动阀门内漏为阀体内部阀瓣密封面处由于关闭不严或者阀瓣本身存在结构缺陷而产生的泄漏,所述电动阀门内漏时管路内的介质无法被完全截断。
第二方面,本发明又提供了一种基于随机森林的电动阀门泄漏模式识别装置,该装置支持所述的一种基于随机森林的电动阀门泄漏模式识别方法;该装置包括:
获取单元,用于获取核电厂反应堆一回路电动阀门的泄漏声发射信号;
泄漏初步判断单元,用于根据所述泄漏声发射信号,采用有效值法对电动阀门是否泄漏进行初步判断,得到初步判断结果;
泄漏类型进一步判断单元,用于根据所述初步判断结果,当所述初步判断结果为泄漏,则基于随机森林的电动阀门泄漏模式识别法,对电动阀门进行进一步泄漏类型判断,得到泄漏类型判断结果;当所述初步判断结果为未泄漏,则对电动阀门不进行进一步泄漏类型判断。
本发明与现有技术相比,具有如下的优点和有益效果:
本发明一种基于随机森林的电动阀门泄漏模式识别方法及装置,针对基于声学的阀门泄漏检测中,无法区分阀门泄漏模式为内漏还是外漏的问题,通过对泄漏声发射信号进行频谱分析,构造了分段频谱能量比特征作为阀门泄漏模式识别的特征,并基于随机森林算法建立了一种可实现内漏和外漏区分的电动阀门泄漏模式识别模型。本发明通过构造泄漏声发射信号建模特征并建立基于随机森林算法的电动阀门泄漏模式识别模型,解决了当前基于声信号的电动阀门泄漏检测中对阀门泄漏具体模式无法识别的问题,为后续指导维修提供了可能。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。在附图中:
图1为本发明一种基于随机森林的电动阀门泄漏模式识别方法流程图。
图2为本发明实施例2一种基于随机森林的电动阀门泄漏模式识别方法详细流程图。
图3为本发明实施例2泄漏声发射信号的获取过程示意图。
图4为本发明一种基于随机森林的电动阀门泄漏模式识别装置结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
实施例1
本发明一种基于随机森林的电动阀门泄漏模式识别方法,可解决目前无法通过泄漏声信号区分电动阀门发生的是内漏还是外漏的问题,以指导后续维修工作。
如图1所示,该方法包括:
(1)获取核电厂反应堆一回路电动阀门的泄漏声发射信号,对获取的所述泄漏声发射信号进行预处理,得到预处理后的泄漏声发射信号;所述预处理为对所述泄漏声发射信号进行去直流处理。
电动阀门在带压力工况下,可能会发生泄漏。电动阀门的泄漏模式主要有两种,一种是电动阀门外漏,即管路中的介质通过法兰结合面、阀杆与填料间的缝隙由阀门内部流向阀门外部的泄漏;另一种是电动阀门内漏,即阀体内部阀瓣密封面处由于关闭不严或者阀瓣本身存在结构缺陷而产生的泄漏,内漏情况下管路内的介质无法被完全截断。在实际工程中,基于声学的检测是目前阀门泄漏检测中应用最成熟的一种检测手段,由于阀门发生泄漏时高速流体介质湍流会产生声信号,故可利用声发射传感器来对泄漏信号进行探测。因此,为有效探测阀门泄漏声信号,在靠近阀门法兰结合面、阀杆与填料密封处,以及靠近阀瓣与阀座密封面外侧的阀体上,采用涂抹耦合剂并用卡环压紧声发射传感器的方式,探测阀门泄漏产生的声信号。由于阀体外表面不规则,声发射传感器的安装位置可根据现场实际情况做适当调整。
(2)根据预处理后的泄漏声发射信号,采用有效值法对电动阀门是否泄漏进行初步判断,得到初步判断结果;包括:
采用有效值法,计算泄漏声发射信号的有效值;所述有效值法的计算公式为:
式中,RMS为泄漏声发射信号的有效值;N为采样点数;n的取值为1,2,3,…,N-1;x(n)为输入的泄漏声发射信号。
对所述泄漏声发射信号的有效值与预设值的A倍进行比较:
若所述泄漏声发射信号的有效值超过预设值的A倍,则初步判断结果为泄漏;
若所述泄漏声发射信号的有效值未超过预设值的A倍,则初步判断结果为未泄漏。
以上步骤是考虑到电动阀门有无泄漏情况出现可通过采集到的泄漏声发射信号的能量大小来判断,其能量可用泄漏声发射信号(电压)的有效值RMS值来表征。对于采集到的泄漏声发射信号,经过直流处理后得到预处理后的泄漏声发射信号;根据上述有效值计算公式计算泄漏声发射信号的RMS值;当采集到的泄漏声发射信号RMS值,超过阀门相同工况下未发生泄漏时的本底噪声RMS的A倍时,可认为阀门发生泄漏,其中A的确定需要根据阀门具体规格和实际工程环境标定后得到。
(3)根据所述初步判断结果,当所述初步判断结果为泄漏,则基于随机森林的电动阀门泄漏模式识别法,对电动阀门进行进一步泄漏类型判断,得到泄漏类型判断结果;当所述初步判断结果为未泄漏,则对电动阀门不进行进一步泄漏类型判断。
具体地,所述的基于随机森林的电动阀门泄漏模式识别法,对电动阀门进行进一步泄漏类型判断,得到泄漏类型判断结果,包括:
对所述泄漏声发射信号,基于快速傅里叶变换进行频谱分析,得到泄漏声发射信号的频谱分布;根据所述频谱分布,提取泄漏数据特征向量;
根据所述泄漏特征向量,基于随机森林算法建立内漏和外漏的模式识别模型,对所述泄漏特征向量进行识别,输出表征电动阀门内漏和外漏的类别标签。
作为进一步地实施,对所述泄漏声发射信号,基于快速傅里叶变换(FFT)进行频谱分析,得到泄漏声发射信号的频谱分布X(k)为:
其中,X(k)表示频谱分析后得到的信号频谱,x(n)为输入的泄漏声发射信号,N为采样点数,k=0,1,2,…,N-1。
作为进一步地实施,所述频谱分布,提取泄漏数据特征向量;当电动阀门发生内漏或外漏时,虽泄漏声发射信号时域RMS值都会出现增大的现象,但对于内漏或外漏两种泄漏形式时,其频谱能量分布情况存在差异。因此,对泄漏声发射信号做如下处理:
步骤A,对所述频谱分布进行等间隔划分,得到划分后的各分段频率;
步骤B,根据划分后的各分段频率,计算各分段频率的能量;所述各分段频率的能量的计算公式为:
其中,j的数值代表电动阀门发生的泄漏类型,即内漏还是外漏;Ej,s为第s段频谱的平均能量,s取值为1,2,3,…,S,其中S为泄漏声发射信号采样频率Fs和频谱划分间隔Δf的比值;X(kj,s)是信号x(n)的频谱划分后第s段频谱,kj,s=1,2,3,…,Kj,s,Kj,s为第s段频谱的谱线数;
步骤C,根据各分段频率的能量,计算泄漏声发射信号各分段频谱的能量比;所述各分段频谱的能量比的计算公式为:
作为进一步地实施,即将上述得到的由多个泄漏数据样本得到的泄漏数据特征向量作为输入,输入到基于随机森林算法建立内漏和外漏的模式识别模型中,将表征内漏和外漏的类别标签(数值)作为输出;所述基于随机森林算法建立内漏和外漏的模式识别模型的构建过程包括决策树生成部分和组合投票部分。
所述基于随机森林算法建立内漏和外漏的模式识别模型的构建过程,具体为:
步骤a,对于包含M个样本的训练集,根据泄漏数据特征向量的计算步骤,计算各样本特征,得到M(K<M)个样本的特征构成的初始的特征矩阵;其中,初始的特征矩阵可表示如下:
从所述初始的特征矩阵中有放回地随机选择样本数量为K样本数据构成一个训练样本子集,将所述训练样本子集作为一颗决策树的初始训练集数据;
步骤b,针对具有S个特征属性的样本子集,在单棵决策树的各个节点处,随机地从S个特征属性中选择n个特征属性,并且以节点不纯度G最小为标准从所述特征属性中选择部分特征属性,自上而下递归分裂产生二叉树;节点不纯度G由下式得到:
式中,G(i)为节点i的不纯度,pw是节点i上样本属于w类(假设样本的特征属性数量为W)的频率。
步骤c,重复步骤b,直至该决策树遍历S个特征属性,得到一颗决策树;在整个决策树的生长过程中n保持恒定;
步骤d,根据步骤a至c,生成若干颗决策树;根据全部决策树构造随机森林分类器;并采用所述随机森林分类器对样本数据进行分类,得到分类结果。所述的采用所述随机森林分类器对样本数据进行分类时,最终的分类结果由各决策树的分类结果投票确定,投票过程可表示如下:
式中,nt为构成随机森林的决策树个数;I(*)为性函数;nhi,C为决策树hi对预测类样本C的分类结果;nhi是决策树hi的叶子结点数。
本发明针对基于声学的阀门泄漏检测中,无法区分阀门泄漏模式为内漏还是外漏的问题,通过对泄漏声发射信号进行频谱分析,构造了分段频谱能量比特征作为阀门泄漏模式识别的特征,并基于随机森林算法建立了一种可实现内漏和外漏区分的电动阀门泄漏模式识别模型。本方法通过构造泄漏声发射信号建模特征并建立基于随机森林算法的电动阀门泄漏模式识别模型,解决了当前基于声信号的电动阀门泄漏检测中对阀门泄漏具体模式无法识别的问题,为后续指导维修提供了可能。
实施例2
如图2所示,本实施例与实施例1的区别在于,本实施例以某全封闭式电动阀门为例,来说明本发明方法具体实施过程:
步骤1,获取核电厂反应堆一回路电动阀门的泄漏声发射信号;
本实施例中电动阀门的泄漏主要有法兰密封面外漏和阀体内部闸板与阀座密封面处的内漏,为最近距离的探测阀门泄漏信息,在电动阀门的中法兰密封面外侧和阀体下侧外表面上,采用涂抹耦合剂并用卡环压紧声发射传感器的方式探测电动阀门的泄漏信息。
泄漏声发射信号的获取(即采集与处理过程)如图3所示。前端传感器采集的信号首先进过前置放大器进行放大,再经过信号调理设备对信号进行滤波等处理,然后由A/D采集卡对信号进行采集,本实施例中以1MHz采样频率对信号进行连续采样,每次采样时间为50ms,最后在以Labview软件为开发平台开发的阀门泄漏信号采集软件中对信号进行处理。
步骤2,根据所述泄漏声发射信号,采用有效值法对电动阀门是否泄漏进行初步判断,得到初步判断结果;包括:
采用有效值法,计算泄漏声发射信号的有效值;
对所述泄漏声发射信号的有效值与预设值的A倍进行比较:
若所述泄漏声发射信号的有效值超过预设值的A倍,则初步判断结果为泄漏;
若所述泄漏声发射信号的有效值未超过预设值的A倍,则初步判断结果为未泄漏。
步骤3,根据所述初步判断结果,当所述初步判断结果为泄漏,则基于随机森林的电动阀门泄漏模式识别法,对电动阀门进行进一步泄漏类型判断,得到泄漏类型判断结果;当所述初步判断结果为未泄漏,则对电动阀门不进行进一步泄漏类型判断。
步骤3具体包括:
可基于信号处理软件对采集到的泄漏声发射信号进行快速傅里叶变换(FFT),得到其频谱X(k):
其中,x(n)为输入信号,k=0,1,2,…,49999。
对上述过程获得的泄漏声发射信号的频谱进行等间隔划分。其中,泄漏声发射信号采样频率Fs为1MHz,以Δf(25kHz)为频率间隔对泄漏声发射信号频谱进行划分,共获得20个分段频谱。对划分后得到的各分段频谱,根据下式计算其能量值:
其中,E0,s为电动阀门内漏信号第s段频谱的平均能量,E1,s为电动阀门外漏信号第s段频谱的平均能量,s取值为1,2,3,…,20;k0,s=1,2,3,…,K0,s,K0,s为内漏信号第s段频谱的谱线数,k1,s=1,2,3,…,K1,s,K1,s为外漏信号第s段频谱的谱线数。
得到各分段频谱的能量值后,再根据下式计算信号各分段频谱能量比:
其中,
基于随机森林的内漏和外漏诊断模型建立,如下:
对于分别包含200个样本的内漏样本集和外漏样本集,首先对样本进行划分,按照7:3的比例将两类数据样本集划分为训练样本集和测试样本集。对于包含280个样本的训练集,根据前述特征计算步骤,分别计算内漏和外漏各样本特征,得到280个样本的特征构成的初始的特征矩阵,其中,内漏样本训练集特征矩阵可表示为:
外漏样本训练集特征矩阵可表示为:
将上述特征矩阵作为输入,表征内漏和外漏的类别标签(数值)作为输出,这里表征阀门发生内漏的标签数值为0,表征阀门发生外漏的标签数值为1,基于随机森林算法建立内漏和外漏的模式识别模型。在训练随机森林模型时,对决策树个数予以限定,本实施例中决策树个数为500。
在生成决策树过程中,首先从上述样本中随机选择样本数量为K(K<500)的样本数据构成一个训练样本子集,将其作为一棵决策树的初始训练集数据;经过500次有放回地随机选择,形成500棵决策树的初始训练样本子集;
其次,对于上述过程生成的500个决策树初始训练样本子集,每个子集均具有20个特征属性;在单棵决策树的各个节点处,随机地从20个特征属性中选择n个特征属性,并且以节点不纯度G最小为标准从上述特征属性中选择部分特征属性,自上而下递归分裂产生二叉树。节点不纯度G取决于下式:
式中,G(i)为节点i的不纯度,pw是节点i上样本属于w类(假设样本的特征属性数量为W)的频率。
最后,重复上述过程直至单棵决策树遍历20个特征属性,在整个森林的生长过程中n保持恒定不变。
生成500个决策树后,由全部决策树构成随机森林分类器,此随机森林分类器对训练集样本数据进行分类时,最终的分类结果由各决策树的分类结果投票确定,投票过程可表示如下:
本实施例中,建立的随机森林模型对训练集样本的分类准确率为100%。
此后,利用测试集样本数据,验证随机森林模型对阀门内漏和外漏样本的识别能力。将包含120个样本的测试集特征矩阵作为输入,利用前述过程中获得的随机森林模型对其类别进行预测,预测后发现模型对阀门内漏和外漏测试集样本的分类准确度分别为95.8%和97.5%。可见本发明在该案例上有较高的分类准确率,能够实现电动阀门内漏和外漏两种泄漏模式的识别。
本发明针对基于声信号的电动阀门泄漏检测方法中无法实现内漏和外漏两种泄漏模式识别的缺陷,通过对泄漏声信号进行频谱分析,构造了泄漏声发射信号各分段频谱能量比作为建模特征,并基于随机森林算法建立了泄漏模式识别模型来实现电动阀门内漏和外漏两种泄漏模式的识别,解决了以往基于声信号的电动阀门泄漏检测方法中内漏和外漏无法区分的问题,为后期有针对性地维修提供了必要条件。
实施例3
如图4所示,本实施例与实施例1的区别在于,本实施例又提供了一种基于随机森林的电动阀门泄漏模式识别装置,该装置支持实施例1所述的一种基于随机森林的电动阀门泄漏模式识别方法;该装置包括:
获取单元,用于获取核电厂反应堆一回路电动阀门的泄漏声发射信号;
泄漏初步判断单元,用于根据所述泄漏声发射信号,采用有效值法对电动阀门是否泄漏进行初步判断,得到初步判断结果;
泄漏类型进一步判断单元,用于根据所述初步判断结果,当所述初步判断结果为泄漏,则基于随机森林的电动阀门泄漏模式识别法,对电动阀门进行进一步泄漏类型判断,得到泄漏类型判断结果;当所述初步判断结果为未泄漏,则对电动阀门不进行进一步泄漏类型判断。
各个单元的执行过程按照实施例1所述的一种基于随机森林的电动阀门泄漏模式识别方法流程步骤执行即可,此实施例中不再一一赘述。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于随机森林的电动阀门泄漏模式识别方法,其特征在于,该方法包括:
获取核电厂反应堆一回路电动阀门的泄漏声发射信号;
根据所述泄漏声发射信号,采用有效值法对电动阀门是否泄漏进行初步判断,得到初步判断结果;
根据所述初步判断结果,当所述初步判断结果为泄漏,则基于随机森林的电动阀门泄漏模式识别法,对电动阀门进行进一步泄漏类型判断,得到泄漏类型判断结果;当所述初步判断结果为未泄漏,则对电动阀门不进行进一步泄漏类型判断。
2.根据权利要求1所述的一种基于随机森林的电动阀门泄漏模式识别方法,其特征在于,所述泄漏声发射信号的获取方式是通过在核电厂反应堆一回路中靠近电动阀门法兰结合面、阀杆与填料密封处,以及靠近阀瓣与阀座密封面外侧的阀体上,采用涂抹耦合剂并用卡环压紧声发射传感器的方式。
3.根据权利要求1所述的一种基于随机森林的电动阀门泄漏模式识别方法,其特征在于,该方法还包括:对获取的所述泄漏声发射信号进行预处理,得到预处理后的泄漏声发射信号;
所述预处理为对所述泄漏声发射信号进行去直流处理。
5.根据权利要求1所述的一种基于随机森林的电动阀门泄漏模式识别方法,其特征在于,所述的基于随机森林的电动阀门泄漏模式识别法,对电动阀门进行进一步泄漏类型判断,得到泄漏类型判断结果,包括:
对所述泄漏声发射信号,基于快速傅里叶变换进行频谱分析,得到泄漏声发射信号的频谱分布;根据所述频谱分布,提取泄漏数据特征向量;
根据所述泄漏特征向量,基于随机森林算法建立内漏和外漏的模式识别模型,对所述泄漏特征向量进行识别,输出表征电动阀门内漏和外漏的类别标签。
6.根据权利要求5所述的一种基于随机森林的电动阀门泄漏模式识别方法,其特征在于,根据所述频谱分布,提取泄漏数据特征向量,包括:
步骤A,对所述频谱分布进行等间隔划分,得到划分后的各分段频率;
步骤B,根据划分后的各分段频率,计算各分段频率的能量;所述各分段频率的能量的计算公式为:
其中,j的数值代表电动阀门发生的泄漏类型,即内漏还是外漏;Ej,s为第s段频谱的平均能量,s取值为1,2,3,…,S,其中S为泄漏声发射信号采样频率Fs和频谱划分间隔Δf的比值;X(kj,s)是信号x(n)的频谱划分后第s段频谱,kj,s=1,2,3,…,Kj,s,Kj,s为第s段频谱的谱线数;
步骤C,根据各分段频率的能量,计算泄漏声发射信号各分段频谱的能量比;所述各分段频谱的能量比的计算公式为:
7.根据权利要求5所述的一种基于随机森林的电动阀门泄漏模式识别方法,其特征在于,所述基于随机森林算法建立内漏和外漏的模式识别模型的构建过程包括决策树生成部分和组合投票部分。
8.根据权利要求7所述的一种基于随机森林的电动阀门泄漏模式识别方法,其特征在于,所述基于随机森林算法建立内漏和外漏的模式识别模型的构建过程,具体为:
步骤a,对于包含M个样本的训练集,根据泄漏数据特征向量的计算步骤,计算各样本特征,得到M个样本的特征构成的初始的特征矩阵;从所述初始的特征矩阵中有放回地随机选择样本数量为K样本数据构成一个训练样本子集,将所述训练样本子集作为一颗决策树的初始训练集数据;其中,K<M;
步骤b,针对具有S个特征属性的样本子集,在单棵决策树的各个节点处,随机地从S个特征属性中选择n个特征属性,并且以节点不纯度最小为标准从所述特征属性中选择部分特征属性,自上而下递归分裂产生二叉树;
步骤c,重复步骤b,直至该决策树遍历S个特征属性,得到一颗决策树;
步骤d,根据步骤a至c,生成若干颗决策树;根据全部决策树构造随机森林分类器;并采用所述随机森林分类器对样本数据进行分类,得到分类结果。
9.根据权利要求1所述的一种基于随机森林的电动阀门泄漏模式识别方法,其特征在于,所述泄漏类型判断结果包括电动阀门外漏和电动阀门内漏;
所述电动阀门外漏为管路中的介质通过法兰结合面、阀杆与填料间的缝隙由阀门内部流向阀门外部的泄漏;
所述电动阀门内漏为阀体内部阀瓣密封面处由于关闭不严或者阀瓣本身存在结构缺陷而产生的泄漏,所述电动阀门内漏时管路内的介质无法被完全截断。
10.一种基于随机森林的电动阀门泄漏模式识别装置,其特征在于,该装置支持如权利要求1至9中任一所述的一种基于随机森林的电动阀门泄漏模式识别方法;该装置包括:
获取单元,用于获取核电厂反应堆一回路电动阀门的泄漏声发射信号;
泄漏初步判断单元,用于根据所述泄漏声发射信号,采用有效值法对电动阀门是否泄漏进行初步判断,得到初步判断结果;
泄漏类型进一步判断单元,用于根据所述初步判断结果,当所述初步判断结果为泄漏,则基于随机森林的电动阀门泄漏模式识别法,对电动阀门进行进一步泄漏类型判断,得到泄漏类型判断结果;当所述初步判断结果为未泄漏,则对电动阀门不进行进一步泄漏类型判断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211016760.2A CN115389121B (zh) | 2022-08-24 | 2022-08-24 | 一种基于随机森林的电动阀门泄漏模式识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211016760.2A CN115389121B (zh) | 2022-08-24 | 2022-08-24 | 一种基于随机森林的电动阀门泄漏模式识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115389121A true CN115389121A (zh) | 2022-11-25 |
CN115389121B CN115389121B (zh) | 2023-10-24 |
Family
ID=84120027
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211016760.2A Active CN115389121B (zh) | 2022-08-24 | 2022-08-24 | 一种基于随机森林的电动阀门泄漏模式识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115389121B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111553811A (zh) * | 2020-05-02 | 2020-08-18 | 大连理工大学 | 基于迭代机器学习的供水管网泄漏区域识别方法 |
CN112665801A (zh) * | 2021-01-14 | 2021-04-16 | 浙江浙能技术研究院有限公司 | 基于卷积神经网络的输气管线阀门内漏识别装置及方法 |
CN113295346A (zh) * | 2021-05-19 | 2021-08-24 | 北京化工大学 | 基于声波的阀门内漏检测方法 |
CN114001880A (zh) * | 2021-10-29 | 2022-02-01 | 清华大学合肥公共安全研究院 | 一种基于管内泄漏声波分析的供水管道泄漏量评估方法 |
-
2022
- 2022-08-24 CN CN202211016760.2A patent/CN115389121B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111553811A (zh) * | 2020-05-02 | 2020-08-18 | 大连理工大学 | 基于迭代机器学习的供水管网泄漏区域识别方法 |
CN112665801A (zh) * | 2021-01-14 | 2021-04-16 | 浙江浙能技术研究院有限公司 | 基于卷积神经网络的输气管线阀门内漏识别装置及方法 |
CN113295346A (zh) * | 2021-05-19 | 2021-08-24 | 北京化工大学 | 基于声波的阀门内漏检测方法 |
CN114001880A (zh) * | 2021-10-29 | 2022-02-01 | 清华大学合肥公共安全研究院 | 一种基于管内泄漏声波分析的供水管道泄漏量评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115389121B (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112660745B (zh) | 托辊故障智能诊断方法、系统及可读存储介质 | |
CN111238843B (zh) | 一种基于快速谱峭度分析的风机健康评价方法 | |
CN110440148B (zh) | 一种漏损声信号分类识别方法、装置及系统 | |
CN108804740A (zh) | 基于集成改进ica-krr算法的长输管道压力监测方法 | |
CN112097126A (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 | |
CN107798283A (zh) | 一种基于决策导向无环图的神经网络故障多类分类器 | |
CN115035913B (zh) | 一种声音异常检测方法 | |
CN115424635B (zh) | 一种基于声音特征的水泥厂设备故障诊断方法 | |
Desmet et al. | Leak detection in compressed air systems using unsupervised anomaly detection techniques | |
CN116717461B (zh) | 一种真空泵运行状态的智能监测方法及系统 | |
CN115389121B (zh) | 一种基于随机森林的电动阀门泄漏模式识别方法及装置 | |
Li et al. | Bearing fault detection via wavelet packet transform and rough set theory | |
Outa et al. | Reliability analysis using experimental statistical methods and AIS: application in continuous flow tubes of gaseous medium | |
CN110598674A (zh) | 一种基于模式识别的转辙机故障识别方法 | |
CN112104340B (zh) | 一种基于HMM模型和Kalman滤波技术的开关量输入模块BIT降虚警方法 | |
CN116206625A (zh) | 基于频谱与时间信息结合的自监督异常声音检测方法 | |
JP3012449B2 (ja) | 音響信号の識別方法および装置 | |
CN112660746B (zh) | 基于大数据技术的托辊故障诊断方法、系统及存储介质 | |
Hu et al. | Degradation assessment of bearing fault using SOM network | |
Wengang et al. | Application of rough set theory to fault diagnosis of check valves in reciprocating pumps | |
Helsen et al. | Signal processing informed deep learning for failure detection in a fleet of multi-stage planetary gearboxes with limited knowledge about characteristic frequencies | |
Zhang et al. | A Pipeline Abnormal Signal Detection Method Based on 1D-Faster R-CNN. | |
Sheng et al. | Gas leakage detection system using Kalman filter | |
Pradeep et al. | Smart Factory Setting Awareness by Noise-Pattern Analysis | |
Lee et al. | Context Awareness by Noise-Pattern Analysis of a Smart Factory. |
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 |