基于多传感器信像映射的阀门泄漏故障诊断方法技术

本发明专利技术涉及阀门管路泄漏故障诊断技术领域,特别是一种基于多传感器信像映射的阀门泄漏故障诊断方法。包括以下步骤，S1、数据采集与预处理；S2、搭建多通道多尺度卷积神经网络模型；S3、利用步骤S2训练得到的多通道多尺度卷积神经网络模型对阀门泄漏故障进行诊断。其兼顾数据级融合与特征级融合两种融合方式，避免人为因素与专家经验对阀门泄漏故障诊断的影响，在充分保留原始故障信息的同时，深度挖掘泄漏故障灰度图像特征，通过融合来自多个传感器的故障信息，最大限度的提高故障诊断精度，实现端到端的阀门泄漏故障诊断。实现端到端的阀门泄漏故障诊断。实现端到端的阀门泄漏故障诊断。

【技术实现步骤摘要】
基于多传感器信像映射的阀门泄漏故障诊断方法


[0001]本专利技术涉及阀门管路泄漏故障诊断
,特别是一种基于多传感器信像映射的阀门泄漏故障诊断方法。

技术介绍

[0002]阀门是一种流体管路控制设备，在石油、化工、电力、建筑等行业中广泛使用。由于长期处于高温、高压和强腐蚀的恶劣环境中，随着使用时间的增加，其控制性能会逐渐退化，从而经常出现泄漏故障。通过对阀门进行健康状态监测，可以有效维护管网安全，避免资源浪费。
[0003]现代制造系统中，低成本传感器的广泛使用，为基于数据驱动的故障诊断方法提供了大量数据。传统的数据驱动方法通常包括以下几个关键部分：手工设计特征、特征提取和模型训练。然而，复杂的特征提取过程往往依靠于专家经验，对专业知识的要求很高，特征的构建与选择对最终诊断结果影响很大。
[0004]声发射传感器通常安装在管壁上以捕捉泄漏声发射信号，而阀门内部泄漏发生在管道内部，这使测得的声发射信号通常包含强烈的背景噪声干扰。可见，单一传感器存在诊断不确定性等问题，仅依靠单个传感器测得的信号难以得到全面的故障特征，诊断结果缺乏准确性和可靠性。
[0005]综上所述，现有的阀门泄漏故障诊断方法存在对专业知识要求高、特征的构建与选择对诊断结果影响大、单一传感器无法全面表征泄漏故障等问题，这使得阀门泄漏故障诊断方法和模型难以在实际工作场景中有效且广泛的应用。

技术实现思路

[0006]本专利技术的目的在于克服现有技术存在的上述缺陷，提出了一种多传感器信像映射阀门泄漏故障诊断方法，其兼顾数据级融合与特征级融合两种融合方式，避免人为因素与专家经验对阀门泄漏故障诊断的影响，在充分保留原始故障信息的同时，深度挖掘泄漏故障灰度图像特征，通过融合来自多个传感器的故障信息，最大限度的提高故障诊断精度，实现端到端的阀门泄漏故障诊断。
[0007]本专利技术的技术方案是：一种多传感器信像映射阀门泄漏故障诊断方法，其中，包括以下步骤，S1、数据采集与预处理；使用声发射传感器分别采集阀门内漏故障、外漏故障以及无泄漏时的声发射信号，对采集到的信号添加标签，分别得到标记为阀门微型内漏、微型外漏、常规内漏、常规外漏和无泄漏五种标签的时域信号样本数据，通过信像映射方法将上述声发射时域信号转换为灰度图像；S2、搭建多通道多尺度卷积神经网络模型；通过步骤S1得到的灰度图像数据集训练多通道多尺度卷积神经网络，模型收敛后
保存模型；S3、利用步骤S2训练得到的多通道多尺度卷积神经网络模型对阀门泄漏故障进行诊断。
[0008]本专利技术的步骤S1中，搭建阀门泄漏模拟实验台，在泄漏阀门的上游和下游分别各布置两个声发射传感器；将泄漏流量为0
‑
20L/min之间采集到的声发射信号定义为微型泄漏，将泄漏流量为20
‑
40L/min之间采集到的声发射信号定义为常规泄漏。
[0009]步骤S1中的信像映射方法包括以下步骤，S1.1、对声发射时域信号切片，切片长度为M2；S1.2、将切片后的时域信号归一化到[0,255]之间，进而对归一化后的信号进行取整，为行号，为列号，；式中，表示时域信号幅值；表示灰度图像的像素值，函数为取整函数，通过四舍五入的方式取距离归一化信号值最近的整数值，依次填满像素矩阵，获得大小为M
×
M的灰度图像矩阵，像素值为0到255；S1.3、对来自不同传感器的灰度图像矩阵进行数据级融合。
[0010]步骤S1.3中，将位于泄漏阀门上游的第一声发射传感器和第二声发射传感器的灰度图像矩阵进行数据级融合处理：对应于每个像素位置，分别从第一声发射传感器和第二声发射传感器的灰度图像中取出对应位置的像素值和，j为行号，k为列号，；将赋值给S12在处的像素值，重复上述步骤，遍历所有像素点；将位于泄漏阀门下游的第三声发射传感器和第四声发射传感器的灰度图像进行数据级融合处理：对应于每个像素位置，分别从第三声发射传感器和第四声发射传感器的灰度图像中取出对应位置的像素值和，；将赋值给S34在处的像素值，重复上述步骤，遍历所有像素点。
[0011]步骤S2中多通道多尺度卷积神经网络模型的网络结构包括以下流程，S2.1、通过“卷积
‑
池化
‑
卷积”提取灰度图像S12和S34的深度特征：以灰度图像S12作为输入，利用16个大小为3
×
3的卷积核对其进行卷积操作；利用
大小为2
×
2的池化核进行最大池化以减少参数量；最后，再利用16个大小为3
×
3的卷积核对池化后的特征图进行卷积操作，得到一个16层的特征图；与此同时，在另一个通道中，以灰度图像S34作为输入，利用16个大小为3
×
3的卷积核对其进行卷积操作；利用大小为2
×
2的池化核进行最大池化以减少参数量；最后，再利用16个大小为3
×
3的卷积核对池化后的特征图进行卷积操作，得到一个16层的特征图；将两个通道中经过“卷积
‑
池化
‑
卷积”得到的特征图通过深度连接层在深度方向上进行连接，得到一个32层的深度特征图；S2.2、将得到的32层深度特征图在三个通道上分别进行“卷积
‑
池化
‑
卷积”操作提取特征：在每个单一通道内，利用28个大小为5
×
5的卷积核对其进行卷积操作；利用大小为3
×
3的池化核进行最大池化以减少参数量；最后，再利用28个大小为5
×
5的卷积核对池化后的特征图进行卷积操作，得到一个28层的特征图；将通过三个单一通道处理后的特征图通过深度连接层在深度方向上进行连接，得到一个84层的深度特征图；S2.3、利用大小为2
×
2的池化核对深度连接层输出的84层的深度特征图在池化层进行最大池化，将池化后的特征图通过压平层展开为一维特征向量，最后通过全连接层和归一化指数函数层进行故障分类，故障类别分别为阀门微型内漏、微型外漏、常规内漏、常规外漏和无泄漏。
[0012]步骤S2.1和步骤S2.2的卷积操作过程中，；其中为第层输出的n个特征图，为第层输出的m个特征图作为原始输入图像，为卷积核，b为偏置项，表示卷积操作，为激活函数，选择ReLU作为激活函数，。
[0013]步骤S3中，诊断过程中将四个声发射传感器分别置于阀门的两侧，阀门泄漏的声发射信号经前置放大器被采集仪采集，采集仪将采集到的信号通过步骤S1中的信像映射方法转换为灰度图像作为待诊断数据，并利用步骤S2中训练得到的多通道多尺度卷积神经网络模型对待诊断数据进行识别，最终判断阀门的故障。
[0014]本专利技术的有益效果是：与现有的基于专家经验的故障诊断方法不同，本申请提出一种基于深度学习的故障特征提取方法，实现端到端的阀门泄漏故障诊断，为了避免故障特征提取过程对专家经验的依赖，提出一种声发射信号信像映射方法，无需任何预定义参数，保留原始故障信息，将一维声发射信号本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多传感器信像映射的阀门泄漏故障诊断方法，其特征在于，包括以下步骤，S1、数据采集与预处理；使用声发射传感器分别采集阀门内漏故障、外漏故障以及无泄漏时的声发射信号，对采集到的信号添加标签，分别得到标记为阀门微型内漏、微型外漏、常规内漏、常规外漏和无泄漏五种标签的时域信号样本数据，通过信像映射方法将上述声发射时域信号转换为灰度图像；S2、搭建多通道多尺度卷积神经网络模型；通过步骤S1得到的灰度图像数据集训练多通道多尺度卷积神经网络，模型收敛后保存模型；S3、利用步骤S2训练得到的多通道多尺度卷积神经网络模型对阀门泄漏故障进行诊断。2.根据权利要求1所述的基于多传感器信像映射的阀门泄漏故障诊断方法，其特征在于，步骤S1中，搭建阀门泄漏模拟实验台，在泄漏阀门的上游和下游分别各布置两个声发射传感器；将泄漏流量为0
‑
20L/min之间采集到的声发射信号定义为微型泄漏，将泄漏流量为20
‑
40L/min之间采集到的声发射信号定义为常规泄漏。3.根据权利要求2所述的基于多传感器信像映射的阀门泄漏故障诊断方法，其特征在于，步骤S1中的信像映射方法包括以下步骤，S1.1、对声发射时域信号切片，切片长度为M2；S1.2、将切片后的时域信号归一化到[0,255]之间，进而对归一化后的信号进行取整，为行号，为列号，；式中，表示时域信号幅值；表示灰度图像的像素值，函数为取整函数，通过四舍五入的方式取距离归一化信号值最近的整数值，依次填满像素矩阵，获得大小为M
×
M的灰度图像矩阵，像素值为0到255；S1.3、对来自不同传感器的灰度图像矩阵进行数据级融合。4.根据权利要求3所述的基于多传感器信像映射的阀门泄漏故障诊断方法，其特征在于，步骤S1.3中，将位于泄漏阀门上游的第一声发射传感器和第二声发射传感器的灰度图像矩阵进行数据级融合处理：对应于每个像素位置，分别从第一声发射传感器和第二声发射传感器的灰度图像中取出对应位置的像素值和，；将赋值给S12在处的像素值，重复上述步骤，遍历所有像素点；
将位于泄漏阀门下游的第三声发射传感器和第四声发射传感器的灰度图像进行数据级融合处理：对应于每个像素位置，分别从第三声发射传感器和第四声发射传感器的灰度图像中取出对应位置的像素值和，；将赋值给S34在处的像素值，重复上述步骤，遍历所有像素点。5.根据权利要求1所述的基于多传感器信像映射的阀门泄漏故障诊断方法，其特征在于，步骤S2中多通道多尺度卷积神经网络模型的网络结构包括以下流程，S2.1、通过“卷积
‑
池化
‑
卷积”提取灰度图像S12...

【专利技术属性】
技术研发人员：刘正杰，刘贵杰，杨晓慧，
申请(专利权)人：中国海洋大学，
类型：发明
国别省市：