一种电动阀门关阀退化趋势预测方法技术

本发明专利技术涉及电动阀门性能测试技术领域，具体涉及一种电动阀门关阀退化趋势预测方法，包括以下步骤：实时监测电动阀门的多向振动，并获取n次闸阀关阀失效前m次的振动数据；对各向振动数据分别提取上、下包络信号；获取各所述包络信号的特征指标，并做归一化处理；基于归一化处理后的特征指标构建神经网络；基于所述神经网络，对s组所述振动数据的特征指标进行训练，以获得阀门失效前动作寿命的预测模型，其中s小于n；利用所述预测模型，对电动闸阀失效前的动作寿命的次数进行预测。本发明专利技术能够有效的预测电动闸阀的关阀故障，以避免电动闸阀在使用中失效而发生事故。在使用中失效而发生事故。在使用中失效而发生事故。

【技术实现步骤摘要】
一种电动阀门关阀退化趋势预测方法


[0001]本专利技术涉及电动阀门性能测试
，具体涉及一种电动阀门关阀退化趋势预测方法。

技术介绍

[0002]目前全球火电、核电、水电、石油化工、石油天然气运输管线、煤液化及冶金等重大工程都对电动闸阀的可靠性提出了较高的要求。然而在电动闸阀的使用过程中发生退化失效是不可避免的，例如在核电领域中一旦一回路系统中的电动闸阀由于退化失效不能正常开启，而在退化过程中却没有对电动闸阀的退化量有个提前预估，将对核电领域的生产和工作带来毁灭性打击；又如石油化工领域电动闸阀由于关阀退化失效引起不能正常关阀，轻则导致资源浪费，重则对工作人员的人生安全构成威胁。
[0003]因此，需要有效的预测电动闸阀的关阀故障，以避免电动闸阀在使用中失效而发生事故。

技术实现思路

[0004]本专利技术提供了一种电动阀门关阀退化趋势预测方法，能够有效的预测电动闸阀的关阀故障，以避免电动闸阀在使用中失效而发生事故。
[0005]本专利技术通过下述技术方案实现：
[0006]本专利技术提供了一种电动阀门关阀退化趋势预测方法，包括以下步骤：
[0007]S10、实时监测电动阀门的多向振动，并获取n次闸阀关阀失效前m次的振动数据；
[0008]S20、对各向振动数据分别提取上、下包络信号；
[0009]S30、获取各所述包络信号的特征指标，并做归一化处理；
[0010]S40、基于归一化处理后的特征指标构建神经网络；
[0011]S50、基于所述神经网络，对s组所述振动数据的特征指标进行训练，以获得阀门失效前动作寿命的预测模型，其中s小于n；
[0012]S60、利用所述预测模型，对电动闸阀失效前的动作寿命的次数进行预测。
[0013]本专利技术提供的电动阀门关阀退化趋势预测方法，先实时监测电动阀门的多向振动，并获取n次闸阀关阀失效前m次的振动数据，然后对各向振动数据分别提取上、下包络信号，并获取各所述包络信号的特征指标，再做归一化处理，并给予归一化处理后的特征指标构建神经网络，再通过对s组所述振动数据的特征指标进行训练，以获得阀门失效前动作寿命的预测模型，最后利用所述预测模型，对电动闸阀失效前的动作寿命的次数进行预测，从而实现对电动闸阀关阀退化状态的预警。
[0014]因此，本专利技术能够有效的预测电动闸阀的关阀故障，以避免电动闸阀在使用中失效而发生事故，避免灾难性事件的发生。
[0015]具体而言，步骤S10中，实时监测电动阀门的横向、纵向和竖向的振动。
[0016]具体而言，所述神经网络为BP神经网络包括输入层、隐藏层和输出层。采用BP神经
网络，其拥有更强的自学习和自适应能力，能够自适应的将学习内容记忆于网络的权值中。
[0017]具体而言所述输入层的神经元数量为2。
[0018]具体而言所述输出层的神经元数量为1。
[0019]具体而言所述隐藏层神经元数量根据计算模型式中：b为所述输入层的神经元的数量、c为所述输出层的神经元的数量、a为[1,10]之间的常数。
[0020]在一可选的实施例中，还包括步骤：S51、将剩下的n
‑
s组所述振动数据的特征指标代入所述预测模型进行准确率验证，并将准确率与预设阈值相比，若所述准确率大于所述预设阈值，则重复步骤S10～S51直至所述准确率小于或等于所述预设阈值。通过剩下的n
‑
s组所述振动数据的特征指标验证预测模型的准确性，从而确保预测模型的准确性，以避免误判电动阀门关阀退化趋势。
[0021]具体而言，所述预设阈值为5％。
[0022]具体而言，所述特征指标为波形指标、峰值指标、偏斜度指标和脉冲指标中的一种。
[0023]具体而言，所述特征指标为在MATLAB中通过envelope函数处理获得。
[0024]本专利技术具有如下的优点和有益效果：
[0025]本专利技术提供的电动阀门关阀退化趋势预测方法，先实时监测电动阀门的多向振动，并获取n次闸阀关阀失效前m次的振动数据，然后对各向振动数据分别提取上、下包络信号，并获取各所述包络信号的特征指标，再做归一化处理，并给予归一化处理后的特征指标构建神经网络，再通过对s组所述振动数据的特征指标进行训练，以获得阀门失效前动作寿命的预测模型，最后利用所述预测模型，对电动闸阀失效前的动作寿命的次数进行预测，从而实现对电动闸阀关阀退化状态的预警，以避免电动闸阀在使用中失效而发生事故。
附图说明
[0026]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定。
[0027]在附图中：
[0028]图1为本专利技术一实施例反应堆流场可视化试验测速试验模型的流程示意图；
[0029]图2为本专利技术实施例利用envelope函数对电动闸阀的振动数据提取包络信号示意图；
[0030]图3为本专利技术实施例神经网络结构示意图；
[0031]图4为本专利技术一实施例反应堆流场可视化试验测速试验模型的流程示意图。
具体实施方式
[0032]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。
[0033]实施例1
[0034]结合图1，本实施例提供了一种电动阀门关阀退化趋势预测方法，包括以下步骤：
[0035]S10、实时监测电动阀门的多向振动，并n次获取闸阀关阀失效前m次的振动数据。
[0036]具体来说，在采集到电动阀门的多向后，需对电动闸阀试验数据进行整理。在本实施中，在电动闸阀的三个方向的侧壁安装振动传动器，以获得电动阀门的横向、纵向和竖向(X、Y、Z方向)的振动。然后获取n次闸阀关阀失效前m次的三向振动数据，具体如表1所示。
[0037]其中[x
i1
,x
i2
,
…
x
im
]表示电动闸阀第i次关阀失效前的倒数第1次能够正常关阀至倒数第m次能够正常关阀的X方向振动信号，Y方向和Z方向的振动信号同样如此。
[0038][0039][0040]表1
[0041]S20、对各向振动数据分别提取上、下包络信号。
[0042]具体而言，针对步骤S10中的各组振动信号，分别提取包络信号，其示意图如图2所示。例如对电动闸阀第1次失效前的倒数第1次能够正常关阀时的X方向振动提取包络信号就可以分别得到上、下两个包络。其他方向(Y方和Z方向)的信号处理同样如此。
[0043]S30、获取各所述包络信号的特征指标，并做归一化处理。
[0044]可以理解的是，针对步骤S20中所提取的上、下包络信号，可以分别求得它们对应的特征形指标并且做归一化处理本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电动阀门关阀退化趋势预测方法，其特征在于，包括以下步骤：S10、实时监测电动阀门的多向振动，并获取n次闸阀关阀失效前m次的振动数据；S20、对各向振动数据分别提取上、下包络信号；S30、获取各所述包络信号的特征指标，并做归一化处理；S40、基于归一化处理后的特征指标构建神经网络；S50、基于所述神经网络，对s组所述振动数据的特征指标进行训练，以获得阀门失效前动作寿命的预测模型，其中s小于n；S60、利用所述预测模型，对电动闸阀失效前的动作寿命的次数进行预测。2.根据权利要求1所述的电动阀门关阀退化趋势预测方法，其特征在于，步骤S10中，实时监测电动阀门的横向、纵向和竖向的振动。3.根据权利要求1所述的电动阀门关阀退化趋势预测方法，其特征在于，所述神经网络为BP神经网络包括输入层、隐藏层和输出层。4.根据权利要求3所述的电动阀门关阀退化趋势预测方法，其特征在于，所述输入层的神经元数量为2。5.根据权利要求3所述的电动阀门关阀退化趋势预测方法，其特征在于，所述输出层的...

【专利技术属性】
技术研发人员：刘杰，湛力，聂常华，闫晓，郑华，张林，欧柱，刘志龙，
申请(专利权)人：中国核动力研究设计院，
类型：发明
国别省市：