CN116992260B - 一种基于云理论的气动调节阀故障诊断方法 - Google Patents
一种基于云理论的气动调节阀故障诊断方法 Download PDFInfo
- Publication number
- CN116992260B CN116992260B CN202210425403.5A CN202210425403A CN116992260B CN 116992260 B CN116992260 B CN 116992260B CN 202210425403 A CN202210425403 A CN 202210425403A CN 116992260 B CN116992260 B CN 116992260B
- Authority
- CN
- China
- Prior art keywords
- fault
- cloud
- regulating valve
- valve
- model
- 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.)
- Active
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000001105 regulatory effect Effects 0.000 claims abstract description 54
- 238000005070 sampling Methods 0.000 claims abstract description 13
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 9
- 230000007246 mechanism Effects 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 40
- 238000012360 testing method Methods 0.000 claims description 17
- 238000006073 displacement reaction Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 4
- 230000033001 locomotion Effects 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000001351 cycling effect Effects 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 230000001172 regenerating effect Effects 0.000 claims description 2
- 239000000284 extract Substances 0.000 abstract description 3
- 238000010276 construction Methods 0.000 abstract description 2
- 230000010354 integration Effects 0.000 abstract description 2
- 239000013598 vector Substances 0.000 description 16
- 239000011159 matrix material Substances 0.000 description 15
- 230000008569 process Effects 0.000 description 8
- 238000000605 extraction Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000003213 activating effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000009776 industrial production Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- RZVAJINKPMORJF-UHFFFAOYSA-N Acetaminophen Chemical compound CC(=O)NC1=CC=C(O)C=C1 RZVAJINKPMORJF-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
本发明公开了一种基于云理论的气动调节阀故障诊断方法，本发明采用云模型理论与动态内部主成分分析方法分别进行特征提取并融合，提出一种基于云化采样的集成随机配置网络模型进行故障诊断。本发明不仅以较高的诊断准确率实现了对气动调节阀的故障诊断，有效避免了阀门带故障运行；而且考虑到在实际应用中阀门故障数据匮乏的问题，通过构造样本和集成的方法解决了模型在小样本数据下诊断精度不高的问题。除此之外，本发明无需熟悉阀门机理与繁杂的经验知识即可完成故障诊断，具有较好的实用性。
Description
技术领域
本发明涉及阀门故障检测与诊断领域，特别涉及一种基于云理论的气动调节阀故障诊断方法。
背景技术
工业调节阀作为工业流体输送系统中的基础控制单元，是保证工业生产安全、系统平稳运行至关重要的一环，其具有性能稳定、动作迅速等优点。但由于频繁的机械动作、恶劣的工业生产环境以及运输介质的强腐蚀性等原因，导致调节阀容易出现各类异常故障。这些故障轻则影响工业生产，重则威胁人民生命财产安全。因此，提高对调节阀的故障诊断能力对保证工业流体输送系统安全稳定运行具有重要意义。
目前故障诊断方法的研究主要分为三个方面：基于解析模型的方法、基于专家知识的方法及基于数据驱动的方法。
基于解析模型的诊断方法是在充分理解调节阀机理结构基础上，结合质量流量和动力学理论、气动声学和涡运动理论、压力场和湍射流理论等相关知识，分析调节阀的输入输出特性，建立故障诊断的数学模型。此类方法的优点是从数学模型上能够直观地反映故障的特性，但由于不同工况下的输入量和干扰因素存在差异，往往难以建立精确、普适的解析模型，因此在实际应用中存在较大局限性。
基于专家知识的诊断方法通过建立专家知识库对故障进行推理和诊断，这类方法包括专家系统、模糊逻辑等。由于专家规则是从系统运行过程中总结挖掘的成功经验，因此具有更高的实际应用价值，但是其存在的问题也是显而易见的：规则的制定依赖于人的经验，模型的学习能力有限，处理未知情况的能力差，且当专家规则数量很多时，其规则搜索势必会降低系统的响应速度。
近年来，随着的各类智能算法迅速兴起，数据驱动的方法引起了学者们的广泛关注。这类方法主要包括统计分析法和人工智能法。统计分析法有控制图法、主元分析法、偏最小二乘法等。人工智能法有神经网络、支持向量机、极限学习机等，其主要思想是利用过程数据训练，得到被诊断对象的特定参数的模型，进而实现过程监控的目的。其优点是以过程数据为基础，不需要建立复杂的解析模型，同时此类方法不依赖专家知识，建立的模型学习能力更强，但许多数据驱动的阀门故障诊断方法也存在一些问题。
其一，对于故障信号中的不确定性成分缺乏有效的提取和利用。由于外界环境和噪声的干扰、数据采集和信息加工过程的影响等原因，调节阀故障信息具有不确定性。目前的众多研究中仅对数据进行简单的数学变换或生成指示故障的残差信号，未考虑故障信息的不确定性，这可能会影响诊断模型的准确度。
其二，用于建立诊断模型的学习算法建模过程过于耗时且难以在线重构。以BP神经网络算法为例，在误差梯度曲面的平坦区域内，权值误差变化很小，使得算法的收敛速度慢。另外，网络结构的设定往往依赖于经验，难以通过模型自主学习的方式快速准确地确定最优的网络结构，模型的逼近特性可能因此受到影响。
其三，实际工业应用中的故障数据比较匮乏，这个问题在调节阀背景下显得尤为突出，很难收集到能够满足模型训练需要的数据量。由于没有充分的训练样本训练模型，可能会导致学习算法的诊断精度不高，即训练所得是弱学习模型。
发明内容
本发明所要解决的技术问题在于克服现有技术缺陷，提供一种结构简单，效果明显的基于云理论的气动调节阀故障诊断方法。
为了解决上述技术问题，本发明提供了一种基于云理论的气动调节阀故障诊断方法，包括以下步骤：
步骤1，提取调节阀故障云特征与动态特征；
步骤2，建立基于云化采样的集成随机配置网络故障诊断模型；
步骤3，使用步骤2建立的故障诊断模型诊断气动调节阀故障。
步骤1包括：
气动调节阀状态共N种，包括1种正常状态和N-1种故障状态；在采集故障信号的时间序列的过程中，每次控制器给定输入信号CV从0％开始，以阀杆允许运动总行程的σ％作为差值变化进行分档测试直至CV达到100％，共经历N1个不同的开度状态，对采集到的包含N1个不同的开度状态的阀杆位移、介质流速数据归一化处理；
取一故障状态下的阀杆位移、介质流速数据，基于云理论，提取在不同开度状态下的调节阀云特征，即Ex、En、He。Ex是在当前开度状态下最能表征该调节阀故障概念的故障信号的数值，En表征调节阀故障信号的不确定性，He为超参数，表征En的不确定性，则阀杆位移、介质流速两种故障信号经相同步骤能够提取N1×3×2维调节阀故障云特征值；
将分档测试采集到的包含阀杆位移和介质流速的故障数据去均值并按方差为1标准化，使用动态内部主成分分析法提取l个动态特征，结合调节阀云特征，从而共得到故障特征N1×3×2+l维，故障特征组成的集合即为模型的训练样本集合，由于样本数量较少，故称之为小样本训练集，记作X。
步骤1还包括：基于云模型和动态内部主成分分析的特征提取方法进行特征提取，包括：设气动调节阀在某一故障状态M下经分档测试得到的某一故障信号的采样序列为a＝[a1,a2,…,ai]，其中ai是由n个元素ai(k),k＝1,2,…,n组成的列向量，ai(k)表示调节阀在第i个开度下的第k个故障信息云滴；
基于云模型的特征提取方法包括以下步骤：
1.1、求出该故障信号在第i个开度下采样序列ai的均值期望/>
1.2、计算列向量ai的一阶中心矩熵/>
1.3、计算列向量ai的方差超熵/>
1.4、得到在故障状态M下的云模型特征序列B＝[B1,B2,…,Bi]，其中Bi＝[Exi,Eni,Hei]，Bi表示调节阀在第i个开度下的云模型特征值；
设Q＝[q1 q2…qz+s]T是一故障状态下的z+s个故障信号数据(参数z无具体意义，写成z+s以方便后续计算步骤的表达)，其中s表示时间阶次，基于动态内部主成分分析法的动态特征提取步骤包括：
1.5、将Q去均值，按方差为1标准化，并将权值向量ζ初始化为随机单位向量；
1.6、提取主元c＝Qζ，从c中取第t至t+z-1行，记为ψt，其中t＝1,2,…,s+1；
1.7、更新自回归模型参数η＝[ψ1 ψ2…ψs]Tψs+1及权值向量并分别单位化，其中ηt表示长度为s的列向量η的第t个元素，Qt＝[qt qt+1…qz+t-1]，T表示转置运算；
1.8、保存当前主元c，更新样本数据Q＝Q-cpT，其中p＝QTc/cTc表示提取主元c后的负载向量；
1.9、返回步骤1.6，直至提取l个主元；
1.10、得到在故障状态下的动态特征序列C＝[c1,c2,…,cl]，cl表示提取的第l个主元；
1.11、令X＝[B C]，则X即为故障状态M经过云模型和动态内部主成分分析法特征信息融合后的调节阀故障特征序列，因所得特征序列数量较少，故本发明又称X为小样本训练集。
步骤2包括：
云化采样的基本思想是从小样本训练集中挖掘出特征信息，将其映射到特征空间中构造训练样本，从而达到数据增强的效果。取相同标签下的小样本训练集，对其每一维度的调节阀故障特征求取云模型特征值并生成调节阀故障特征云滴，根据云滴距离中心的距离或对应的确定度设定阈值θ对生成的云滴进行筛选以减小随机性的影响，将每个标签每一维度生成的云滴组合后构成模型的训练样本。
基于云化采样的集成随机配置网络故障诊断模型其具体实现步骤包括：
2.1、设定生成表征调节阀故障信息的云滴的个数，即每个调节阀故障诊断基模型各故障状态所需训练样本数量d及生成云滴对应确定度的阈值θ；
2.2、取故障状态M对应的所有小样本训练集X，计算故障状态M下第j维特征Feature j的云模型特征值Exj、Enj、Hej，其中j＝1,2,…,N1×3×2+l；
2.3、根据云模型特征值生成调节阀故障云滴；
2.4、计算生成的调节阀故障特征云滴所对应的隶属于故障状态M这一定性概念的确定度；
2.5、当调节阀故障云滴对应的确定度大于设定的阈值θ则保留，否则重新生成，直至生成满足条件的d个调节阀故障云滴；
2.6、将每一维特征生成的调节阀故障特征云滴合并，贴上标签构成故障M的训练样本；
2.7、循环步骤2.2～2.6，生成N个故障状态的训练样本并组合，作为随机配置网络基模型的输入；
2.8、利用生成的训练样本在监督机制下训练一个随机配置网络，将其作为调节阀故障诊断基模型；
2.9、重复步骤2.2～2.8，直至得到N2个调节阀故障诊断基模型；
2.10、采用投票法策略对各调节阀故障诊断基模型的输出结果进行集成，得到最终的诊断模型。
步骤3包括：
计算隐层输出矩阵H及输出权重βL，激活函数选取Sigmoid函数，输入为由上述步骤1所用方法求得的测试集特征矩阵，得到模型输出矩阵Yout＝H*βL；对输出矩阵解码，得到转换后的输出矩阵；再与测试样本标签对比计算诊断准确率Accuracy，计算公式为其中NF表示测试样本中标签分类错误的数量，NA表示所有测试样本的总数。
有益效果：本发明结构简单，效果明显，不仅以较高的准确率实现了对气动调节阀的故障诊断，尤其减少了故障漏诊率，有效避免了阀门带故障运行；而且考虑到在实际应用中阀门故障数据匮乏的问题，通过构造样本和集成的方法解决了模型在小样本数据下诊断精度不高的问题。除此之外，无需熟悉阀门机理与繁杂的经验知识即可完成故障诊断，具有较好的实用性，对于推进调节阀故障诊断的智能化发展有一定意义。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述或其他方面的优点将会变得更加清楚。
图1为本发明系统框架流程图；
图2为云化采样的示意图；
图3为本发明使用的气动调节阀；
图4为本发明所示案例的诊断结果的测试混淆矩阵，其每一行之和表示该类别的真实样本数量，每一列之和表示被预测为该类别的样本数量；
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
实施例
如图1所示，本发明提供了一种基于云理论的气动调节阀故障诊断方法，具体包括以下步骤：
1、提取故障信号特征：
气动调节阀状态共10种，包括1种正常状态和9种故障状态；在训练诊断模型过程中，每次控制器给定输入信号CV从0％开始，以阀杆允许运动总行程的25％作为差值变化进行分档测试直至CV达到100％，共经历5个不同的开度状态，对采集到的包含5个不同的开度状态的故障数据归一化处理；取一故障状态下的阀杆位移、介质流速数据，基于云理论，提取在不同开度状态下的调节阀云特征，即Ex、En、He。Ex是在当前开度状态下最能表征该调节阀故障概念的故障信号的数值，En表征调节阀故障信号的不确定性，He为超参数，表征En的不确定性，则该故障信号共提取云模型特征值5组，2种故障信号经相同步骤共提取云模型特征值30维；将分档测试采集到的包含2种故障信号的数据去均值并按方差为1标准化，使用动态内部主成分分析法提取l个动态特征；将云模型特征值和动态主元进行特征信息融合，共得到故障特征30+l维。图3为本发明使用的气动调节阀；图中：1弹簧2气室3控制器4阀杆5阀座。
设气动调节阀在某一故障状态M下经分档测试得到的某一故障信号的采样序列为a＝[a1,a2,…,ai]，其中ai是由n个元素ai(k),k＝1,2,…,n组成的列向量，每一个ai(k)称为一个故障信息云滴，i表示不同的控制器输出状态，即调节阀不同的开度。基于云模型的特征提取方法包括以下步骤：
1.1、求出故障信号在第i个开度下采样序列ai的均值期望/>
1.2、计算列向量ai的一阶中心矩熵/>
1.3、计算列向量ai方差超熵/>
1.4、令B＝[B1,B2,…,Bi]，其中Bi＝[Exi,Eni,Hei]，表示调节阀在第i个开度下的云模型特征值，经上述步骤即获取在该故障状态M下的云模型特征序列B。
设Q＝[q1 q2…qz+s]T是一故障状态下的z+s个故障信号数据，其中s表示时间阶次，基于动态内部主成分分析法的动态特征提取步骤包括：
1.5、将Q去均值，按方差为1标准化，并将权值向量ζ初始化为随机单位向量；
1.6、提取主元c＝Qζ，从c中取第t至t+z-1行，记为ψt，其中t＝1,2,…,s+1；
1.7、更新自回归模型参数η＝[ψ1 ψ2…ψs]Tψs+1及权值向量并分别单位化，其中ηt表示长度为s的列向量η的第t个元素，Qt＝[qt qt+1…qz+t-1]，T表示转置运算；
1.8、保存当前主元c，更新样本数据Q＝Q-cpT，其中p＝QTc/cTc表示提取主元c后的负载向量；
1.9、返回步骤1.6，直至提取l个主元；
1.10、得到在故障状态下的动态特征序列C＝[c1,c2,…,cl]，cl表示提取的第l个主元；
1.11、令X＝[B C]，则X即为故障状态M经过云模型和动态内部主成分分析法特征信息融合后的调节阀故障特征序列，因所得特征序列数量较少，故本发明又称X为小样本训练集。
2、建立基于云化采样的集成随机配置网络故障诊断模型：
云化采样的基本思想是从小样本训练集中挖掘出特征信息，将其映射到特征空间中构造训练样本，从而达到数据增强的效果。如图2所示为云化采样过程的示意图：取相同标签下的小样本训练集，对其每一维度的调节阀故障特征求取云模型特征值并生成调节阀故障特征云滴，根据云滴距离中心的距离或对应的确定度设定阈值θ对生成的云滴进行筛选以减小随机性的影响，将每个标签每一维度生成的云滴组合后构成模型的训练样本。
基于云化采样的集成随机配置网络故障诊断模型其具体实现步骤为：
2.1、设定生成表征调节阀故障信息的云滴的个数，即每个随机配置网络基模型各故障状态所需训练样本数量d设为140及生成云滴对应的确定度的阈值θ设为0.9；
2.2、取故障状态M对应的所有小样本训练集X，根据步骤1.1-1.3计算故障状态M下第j维特征Featurej的云模型特征值Exj、Enj、Hej，其中j＝1,2,…,30+l；
2.3、以调节阀故障信号不确定性表征Enj为期望，以超参数Hej为标准差生成正态随机数En'j；
2.4、以表征该调节阀故障概念的故障信号的数值Exj为期望，以步骤2.3生成的随机数En'j为标准差生成调节阀故障特征云滴xj；
2.5、计算xj对应的隶属于故障状态M这一定性概念的确定度
2.6、如果生成的调节阀故障特征云滴对应的确定度大于设定的阈值θ(取值0.9)则保留否则重新生成，直至生成满足条件的d(取值140)个云滴；
2.7、将每一维特征生成的云滴合并，贴上标签构成故障M的训练样本；
2.8、循环上述步骤2.2～2.7，生成N(取值为10)个故障状态的训练样本并组合，作为基模型的输入；
2.9、初始化参数。最大隐藏层节点数Lmax＝50，临界容忍误差ε＝0.15，γ＝0.999，最大配置次数Tmax＝50，随机参数范围[-1，1]，变化步长Δλ＝10；
2.10、随机配置隐层参数。以随机数配置Tmax次输入权重ω和偏置b；
2.11、计算输出矩阵hL，激活函数选取Sigmoid，输入为步骤2.8得到的训练样本，根据监督机制计算监督变量ξL，记录Tmax次内ξL最大时的ω，b，hL；如果Tmax次都不满足监督机制，则更新参数γ＝γ+τ，其中τ∈(0,1-γ)，λnew＝λ+Δλ，随机参数区间变化为[-λnew，λnew]，λ表示随机参数区间的上界，Δλ表示步长；返回上一步；监督变量ξL的计算公式为：
其中μL＝(1-γ)/(L+1)，eL-1表示以L-1个节点构建的网络的残差，μL和γ均为收缩参数；
计算隐层输出权重其中HL＝[h1,h2,…,hL]，/>表示广义逆，Y是对样本标签进行独热编码生成的输出矩阵。残差为eL＝HL·βL-Y，当残差满足容忍误差ε或隐层节点数达到Lmax时不再新增节点，建模完成，至此得到一个随机配置网络基模型f＝HLβL；
2.12、重复上述步骤2.2～2.11，直至得到N2(取值为11)个随机配置网络基模型；
2.13、采用投票法策略对各基模型的输出结果进行集成，得到最终的诊断模型。
3、使用诊断模型诊断测试集样本：
计算隐层输出矩阵H及输出权值βL。激活函数同样选取Sigmoid函数，输入为由上述步骤1所用方法求得的测试集特征矩阵，得到模型输出矩阵Yout＝H*βL；对输出矩阵解码，每行最大的元素设为1，其余设为0，得到转换后的输出矩阵；再与测试样本标签对比计算诊断准确率，计算公式为其中NF表示测试样本中标签分类错误的数量，NA表示所有测试样本的总数。通过混淆矩阵可直观的观测模型诊断结果，本例的诊断结果混淆矩阵如图4所示，诊断准确率达到97.17％。
本发明提供了一种基于云理论的气动调节阀故障诊断方法，具体实现该技术方案的方法和途径很多，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。本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (1)
1.一种基于云理论的气动调节阀故障诊断方法，其特征在于，包括以下步骤：
步骤1，提取调节阀故障云特征与动态特征；
步骤2，建立基于云化采样的集成随机配置网络故障诊断模型；
步骤3，使用步骤2建立的故障诊断模型诊断气动调节阀故障；
步骤1包括：
气动调节阀状态共N种，包括1种正常状态和N-1种故障状态；在采集故障信号的时间序列的过程中，每次控制器给定输入信号CV从0％开始，以阀杆允许运动总行程的σ％作为差值变化进行分档测试直至CV达到100％，共经历N1个不同的开度状态，对采集到的包含N1个不同的开度状态的故障信号的时间序列归一化处理；
取一故障状态下的阀杆位移、介质流速数据，基于云理论，提取在不同开度状态下的调节阀云特征，即Ex、En、He；Ex是在当前开度状态下最能表征调节阀故障概念的故障信号的数值，En表征调节阀故障信号的不确定性，He为超参数，表征En的不确定性，则阀杆位移、介质流速两种故障信号经相同步骤能够提取N1×3×2维调节阀故障云特征值；
将分档测试采集到的包含阀杆位移和介质流速的故障数据去均值并按方差为1标准化，使用动态内部主成分分析法提取l个动态特征，结合调节阀云特征，从而共得到故障特征N1×3×2+l维，故障特征组成的集合即为模型的训练样本集合，又称为小样本训练集，记作X；
步骤2包括：
2.1、设定生成表征调节阀故障信息的云滴的个数，即每个调节阀故障诊断基模型各故障状态所需训练样本数量d及生成云滴对应确定度的阈值θ；
2.2、取故障状态M对应的所有小样本训练集X，计算故障状态M下第j维特征Feature j的云模型特征值Exj、Enj、Hej，其中j＝1,2,…,N1×3×2+l；
2.3、根据云模型特征值生成调节阀故障云滴；
2.4、计算生成的调节阀故障云滴所对应的隶属于故障状态M这一定性概念的确定度；
2.5、当调节阀故障云滴对应的确定度大于设定的阈值θ则保留，否则重新生成，直至生成满足条件的d个调节阀故障云滴；
2.6、将每一维特征生成的调节阀故障云滴合并，贴上标签构成故障M的训练样本；
2.7、循环步骤2.2～2.6，生成N个故障状态的训练样本并组合，作为调节阀故障诊断基模型的输入；
2.8、利用生成的训练样本在监督机制下训练一个随机配置网络，将其作为调节阀故障诊断基模型；
2.9、重复步骤2.2～2.8，直至得到N2个调节阀故障诊断基模型；
2.10、采用投票法策略对各调节阀故障诊断基模型的输出结果进行集成，得到最终的诊断模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210425403.5A CN116992260B (zh) | 2022-04-21 | 2022-04-21 | 一种基于云理论的气动调节阀故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210425403.5A CN116992260B (zh) | 2022-04-21 | 2022-04-21 | 一种基于云理论的气动调节阀故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116992260A CN116992260A (zh) | 2023-11-03 |
| CN116992260B true CN116992260B (zh) | 2024-03-22 |
Family
ID=88523689
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210425403.5A Active CN116992260B (zh) | 2022-04-21 | 2022-04-21 | 一种基于云理论的气动调节阀故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116992260B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106199267A (zh) * | 2016-06-30 | 2016-12-07 | 浙江群力电气有限公司 | 一种电力设备故障特征分析方法 |
| CN110672328A (zh) * | 2019-11-05 | 2020-01-10 | 大连理工大学 | 一种基于随机配置网络的涡扇发动机健康参数估计方法 |
| CN112229624A (zh) * | 2020-09-30 | 2021-01-15 | 中国矿业大学 | 一种基于低偏差随机配置网络的气动调节阀故障诊断方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11022524B2 (en) * | 2019-11-05 | 2021-06-01 | Dalian University Of Technology | Stochastic configuration network based turbofan engine health parameter estimation method |
-
2022
- 2022-04-21 CN CN202210425403.5A patent/CN116992260B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106199267A (zh) * | 2016-06-30 | 2016-12-07 | 浙江群力电气有限公司 | 一种电力设备故障特征分析方法 |
| CN110672328A (zh) * | 2019-11-05 | 2020-01-10 | 大连理工大学 | 一种基于随机配置网络的涡扇发动机健康参数估计方法 |
| CN112229624A (zh) * | 2020-09-30 | 2021-01-15 | 中国矿业大学 | 一种基于低偏差随机配置网络的气动调节阀故障诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于RS-LSTM的滚动轴承故障识别;陈伟 等;中国科技论文;第13卷(第10期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116992260A (zh) | 2023-11-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109766583A (zh) | 基于无标签、不均衡、初值不确定数据的航空发动机寿命预测方法 | |
| CN110288046B (zh) | 一种基于小波神经网络与隐马尔科夫模型的故障预测方法 | |
| CN113935406A (zh) | 基于对抗流模型的机械设备无监督故障诊断方法 | |
| CN111026058B (zh) | 基于瓦瑟斯坦距离和自编码器的半监督深度学习故障诊断方法 | |
| CN111680875B (zh) | 基于概率基线模型的无人机状态风险模糊综合评价方法 | |
| CN112947385B (zh) | 一种基于改进Transformer模型的飞行器故障诊断方法和系统 | |
| CN114218872B (zh) | 基于dbn-lstm半监督联合模型的剩余使用寿命预测方法 | |
| CN111815806A (zh) | 一种基于野值剔除和特征提取的飞参数据预处理方法 | |
| CN111581880A (zh) | 基于apso-dbn的滚动轴承剩余寿命预测方法 | |
| CN112836719B (zh) | 一种融合二分类和三元组的示功图相似性检测方法 | |
| CN112504682A (zh) | 基于粒子群优化算法的底盘发动机故障诊断方法及系统 | |
| CN110991471A (zh) | 一种高速列车牵引系统故障诊断方法 | |
| WO2019178930A1 (zh) | 一种机械设备故障诊断方法 | |
| Wang et al. | A remaining useful life prediction model based on hybrid long-short sequences for engines | |
| CN114462459A (zh) | 一种基于1dcnn-lstm网络模型的液压机故障诊断方法 | |
| CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
| CN112229624A (zh) | 一种基于低偏差随机配置网络的气动调节阀故障诊断方法 | |
| Xue et al. | Data-driven prognostics method for turbofan engine degradation using hybrid deep neural network | |
| Mao et al. | Comparative study on prediction of fuel cell performance using machine learning approaches | |
| CN115905848A (zh) | 基于多模型融合的化工过程故障诊断方法及系统 | |
| CN116992260B (zh) | 一种基于云理论的气动调节阀故障诊断方法 | |
| Bocaniala et al. | A novel fuzzy classification solution for fault diagnosis | |
| CN117007302A (zh) | 一种基于云理论的气动调节阀故障诊断系统 | |
| CN114137915A (zh) | 一种工业设备的故障诊断方法 | |
| Mendonça et al. | Fault detection and isolation of industrial processes using optimized fuzzy models |
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 |