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技术

本发明专利技术公开了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，采用动态内部主成分分析与经典主成分分析方法进行特征提取，通过低偏差随机配置网络模型进行故障诊断。本发明专利技术不仅实现了气动调节阀的故障诊断且具有较高的诊断准确率，有效避免阀门带故障运行；而且方法的通用性好，无需熟悉阀门机理与繁杂的经验知识即可完成故障诊断；一般的操作人员均可掌握，提高了气动调节阀故障诊断的自动化和智能化程度。

【技术实现步骤摘要】
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
本专利技术涉及阀门故障检测与诊断领域，特别涉及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。
技术介绍
调节阀作为流体控制系统的重要组成部分，在系统中承担控制流向、管理开闭、调节介质参数等重要作用。为了稳定运行，阀门应该定期的保养与维护以延长使用寿命和可靠性，但是在长期的生产过程中不可避免的会产生故障，影响生产实践。在我国巨大的工业规模下，研究调节阀的故障诊断具有重要意义。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、基于定性模型的方法及基于数据驱动的方法。基于解析模型的方法需要准确的测试过程对象的动态特性，通过运用先验知识和系统辨识等方法得到对象的数学模型，使其能够通过算术方程、积分微分方程描述出来。当系统比较复杂，就难以建立系统的定量模型。而对于阀门故障诊断系统，即便同为气动式阀门，不同的厂家也在通用的框架下做了各自的创新，导致模型很难具有通用性。基于定性模型的方法不需要对对象进行精确描述，只需建立对象的定性模型，将系统的结构用代表物理参数的定型变量和表示参数间相互关系的定性约束方程来描述，但是由于只利用了定性信息，容易导致定性推理结果出现冗余、诊断结论不一致等问题。同时基于定性经验的监控方法需要很多复杂高深的专业知识和长期的经验积累，从而变得不易操作。基于数据驱动的故障诊断方法近年来引起了众多学者的关注，主要由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、ELM等，基本思路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。其优点是无需明确被测对象的物理定律、结构原理等。基于数据驱动的故障诊断方法近年来引起了众多学者的关注，用于大规模数据建模的随机化算法成为研究的热门。但一些热门的随机网络存在一些问题。RWNNs(Randomweightneuralnetworks,随机权神经网络)实现简单、建模速度快。然而，两个本质缺陷使得RWNNs的应用受到一定的限制：1)隐含层节点数不能先于训练而确定，即难以设定合适的网络结构；2)隐含层参数在固定不变的区间内产生，影响其实际逼近特性。RVFLNs(Randomvectorfunctionallinknetworks,随机向量函数链路网络)随机分配输入权重和偏置，采用最小二乘法训练输出权重，在模型训练速度上有较大优势。但是如果隐含层随机参数设置范围不合适，RVFLNs网络不能以概率1逼近目标函数。
技术实现思路
本专利技术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，效果明显的基于低偏差随机配置网络的气动调节阀故障诊断方法。为了解决上述技术问题，本专利技术提供的基于低偏差随机配置网络的气动调节阀故障诊断方法，包括以下步骤：1、数据采集：在气动调节阀预留处安装位移传感器获取阀杆位移X，在传输管道前后安装压力传感器获取阀前压力P1、阀后压力P2，在管道内安装流速传感器获取介质流速F。阀门执行器电流信号输入范围为4-20mA电流信号，以25％阶跃给定执行器输入CV，通过信号采集装置采集各变量数据并通过串口通信将采集的数据通过微机单元传输至上位机。2、数据预处理与特征提取气动调节阀状态共N种，包括1种正常状态和N-1种故障状态；在训练诊断模型过程中，每次CV以25％阶跃变化从0％变化到100％再变回0％为一次分档测试；每次测试采集的数据是一个包含5种变量的5*k的矩阵，将其按行拼接转换为1*5k的向量作为一个原始样本；每种状态都有Num个样本，样本总数T＝Num*N；对样本数据xi归一化处理，归一化的方法如下：x_min、x_max表示同类样本中的最小值、最大值。给转换后数据加上对应于状态的标签从1到N，分别表示N种不同的调节阀状态；将样本集分成m个训练样本集和n个测试样本集，其中m+n＝T；对训练样本标签、测试样本标签分别进行独热编码生成输出矩阵Tm、Tn。训练样本和测试样本标准化处理，使样本均值为0，方差为1；初始化随机单位向量ω；用X表示训练样本，X2表示测试样本，考虑阀门过程数据的动态关系，认为阀门数据由动态特性与静态特性共同组成；因此首先用动态内部主成分分析法提取数据集动态特征，对训练集数据提取期望个数的主元并记录负载向量ω组成矩阵，提取后的剩余部分X认为是数据的静态成分，X由主成分分析法降维至包含95％样本信息，两部分数据组合为训练集特征矩阵；将测试集按照训练集的负载向量ω所形成负载矩阵提取相同数量主元，剩余部分X2认为是测试集静态成分，由主成分分析法降维至包含95％样本信息，两部分数据组合为测试集特征矩阵。训练样本和测试样本特征提取的方法包括以下步骤：2.1、提取样本X主元ri＝Xiω，其中Xi＝[xixi+1…xN+i-1],i＝1,2,…,s+1，记录负载向量ω；2.2、更新自回归模型参数β＝[r1,r2,…,rs]Trs+1；式中T表示转置运算；2.3、更新负载向量单位化负载向量单位化自回归模型参数2.4、放缩样本其中2.5、返回2.1，提取下一个主元，直至提取出期望个数的主元；2.6、对剩余的X认为是数据的静态部分，由PCA降维至包含95％样本信息；2.7、将提取的主元与PCA降维后的样本组合为训练集特征矩阵；2.8、提取测试样本X2主元ri＝X2iω，X2i组成方式与Xi相似，其中ω与2.1记录保持一致；2.9、放缩样本其中2.10、返回2.8，提取下一个主元，直至提取出期望个数的主元；2.11、对剩余的X2认为是数据的静态部分，由PCA降维至包含95％样本信息；2.12、将提取的主元与PCA降维后的样本组合为测试集特征矩阵。3、建立低偏差随机配置网络故障诊断模型：3.1、初始化参数。最大隐藏层节点数Lmax，临界容忍误差ε，γ∈(0,1)，最大配置次数Tmax，随机参数范围[-λ，λ]，变化步长Δλ；3.2、低偏差sobol序列随机配置输入权重w和偏置b；建立sobol候选点池，大小为Tmax，根据公式w＝sobol1×2λ-λ，b＝sobol2×2λ-λ，以低偏差序列随机配置Tmax次隐藏层输入权重w和偏置b形成候选节点池，将成功构成候选节点的低偏差点从sobol候选点池移除，同时向其中插入新的未使用过的低偏差点，使sobol候选点池的大小保持不变；低偏差sobol序列的生成方法如下：设sobol序列由构成，vi即为sobol序列的第i个数，mi＜2i且为正奇数；vi，mi的生成依赖于系数为a、阶数为p的简单多项式f(x)，多项式系数只为0或1，形式为f(x)＝xp+a1xp-1+…+ap-1x+ap；对于i＞p,vi、mi递推公式为：其中表示向下取整，表示二进制按位异或，得到序列后即为sobol序列；3.3、计算输出矩阵hL，激活函数选取S本文档来自技高网...

【技术保护点】
1.一种基于低偏差随机配置网络的气动调节阀故障诊断方法，其特征在于：包括以下步骤：/n步骤一、数据采集：/n通过信号采集装置采集阀杆位移X、阀前压力P1、阀后压力P2、介质流速F、执行器输入CV数据，然后传输至上位机；/n步骤二、数据预处理与特征提取：/n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；在训练诊断模型过程中，每次CV从0％变化到100％再变回0％为一次分档测试；每次测试采集的数据是一个包含5种变量的5*k的矩阵，将其按行拼接转换为1*5k的向量作为一个原始样本；每种状态都有Num个样本，样本总数T＝Num*N；对样本数据x

【技术特征摘要】
1.一种基于低偏差随机配置网络的气动调节阀故障诊断方法，其特征在于：包括以下步骤：
步骤一、数据采集：
通过信号采集装置采集阀杆位移X、阀前压力P1、阀后压力P2、介质流速F、执行器输入CV数据，然后传输至上位机；
步骤二、数据预处理与特征提取：
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；在训练诊断模型过程中，每次CV从0％变化到100％再变回0％为一次分档测试；每次测试采集的数据是一个包含5种变量的5*k的矩阵，将其按行拼接转换为1*5k的向量作为一个原始样本；每种状态都有Num个样本，样本总数T＝Num*N；对样本数据xi归一化处理；给转换后数据加上对应于状态的标签从1到N，分别表示N种不同的调节阀状态；将样本集分成m个训练样本集和n个测试样本集，其中m+n＝T；对训练样本标签、测试样本标签分别进行独热编码生成输出矩阵Tm、Tn；训练样本和测试样本标准化处理，使样本均值为0，方差为1；用X表示训练样本，X2表示测试样本，使用动态内部主成分分析法与主成分分析法分别提取X动态特征与静态特征组成训练集特征矩阵，并获取负载向量组成负载矩阵，再以获取的负载矩阵完成X2的特征提取，得到测试集特征矩阵；
步骤三、建立低偏差随机配置网络故障诊断模型：
以由低偏差序列随机分配输入权重w和偏置b，根据监督机制建立隐藏节点候选节点池，每次选取最优节点接入随机配置网络直至达到终止条件。


2.根据权利要求1所述的基于低偏差随机配置网络的气动阀故障诊断方法，其特征在于：在步骤一中，在气动调节阀预留处安装位移传感器获取阀杆位移X，在传输管道前后安装压力传感器获取阀前压力P1、阀后压力P2，在管道内安装流速传感器获取介质流速F；阀门执行器电流信号输入范围为4-20mA电流信号，以25％阶跃给定执行器输入CV，通过串口通信将采集的数据通过微机单元传输至上位机。


3.根...

【专利技术属性】
技术研发人员：代伟，王聪，张道明，彭勇，夏振兴，杨春雨，缪燕子，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：江苏;32