[发明专利]一种基于驱动端电流检测的高速开关阀故障诊断方法

权利要求书

1.一种基于驱动端电流检测的高速开关阀故障诊断方法，其特征在于：搭接实验系统；设置实验系统特征阀；根据提取的特征曲线和特征向量；通过小波包对信号进行重构；采用能量-故障的诊断方法提取信号特征值；最后利用已有的数据训练BP神经网络，对数据进行故障分类，具体步骤如下： 

步骤1：搭接实验系统 

步骤2：分析高速开关阀驱动端电流特性； 

步骤3：通过椎杆机构的机械堵死来设置高速开关阀阀芯卡死故障； 

步骤4：根据步骤1.3采集的电流值，采用小波包信号重构和能量-故障的诊断方法，提取信号特征向量； 

步骤5：构建BP神经网络，训练并测试BP神经网络; 

步骤6；确定电磁阀故障类型。将BP神经网络的输出值进行四舍五入，为0则输出高速开关阀正常状态，为1则输出高速开关阀阀芯卡死状态。 

2.根据权利要求1所述的一种基于驱动端电流检测的高速开关阀故障诊断方法，其特征在于：步骤1中所述的“搭接实验系统”的具体步骤如下： 

步骤1.1：所述的搭接实验系统由高速开关阀、推杆机构、数据采集卡、电流传感器构成；所述的高速开关阀由衔铁、衔铁管、线圈、极靴、阀体、顶杆、出油口、球阀、进油口构成；所述的推杆机构由固定架、顶杆、压缩弹簧、螺母构成； 

步骤1.2：数据采集卡的AO输出提供高速开关阀的控制信号，设定频率为5～15HZ，占空比为40～60％，方波信号经放大后作用于高速开关阀； 

步骤1.3：将电流传感器的霍尔电流传感器串接入驱动端，采集卡的端口采集电流值。 

3.根据权利要求1所述的一种基于驱动端电流检测的高速开关阀故障诊断方法，其特征在于：步骤4中所述的“提取信号特征向量”的具体步骤如下： 

步骤4.1采集两种状态下的驱动端电流各30～40组数据，并求得电流变化率作为特征曲线，用于神经网络的训练；另外每种类型再采集30～40组数据用于BP神经网络的测试； 

步骤4.2对特征曲线进行三层小波包分解，提取第三层从低频到高频8个频率成分的信号特征； 

步骤4.3：对小波包分解系数进行重构，提取各频带范围的信号特征； 

步骤4.4：提取各个频带信号的总能量，各层能量为元素进行归一化处理，利用能量- 故障的诊断方法，提取有差异的层能量值，构造特征向量。 

4.根据权利要求1所述的一种基于驱动端电流检测的高速开关阀故障诊断方法，其特征在于：步骤4.4中所述的“构造特征向量”的具体步骤如下： 

步骤4.4.1：采用小波包信号分解时正交分解，遵循能量守恒原理，用E(t)表示信号的能量，有如下关系： 

步骤4.4.2：在分辨率为j水平下的小波包信号分解中x^k，m(i)表示位于子空间信号 的离散信号；设原始信号的数据长度为N，则分解频带中的离散信号x^k，m(i)的数据长度缩减为2^-kN，能量可表示为： 

这里的N表示原始数据的长度；k=1，23表示分解层数：m=0,1，2，....，7表示分解频带的位置序号； 

步骤4.4.3：对能量进行归一化处理，即用分解信号频带能量占信号总能量的比值表示。第m频带信号的归一化能量为： 

。

5.根据权利要求1所述的一种基于驱动端电流检测的高速开关阀故障诊断方法，其特征在于：步骤5中所述的“构建BP神经网络，训练并测试BP神经网络”，的具体步骤如下： 

步骤5.1：BP神经网络训练： 

步骤5.1.1：对隐含层个数进行分析，采用统计分析的方法，对某一固定隐含层的网络进行重复10～100次实验，求取测试误差，并对测试误差求取均值和标准差，选取测试误差均值较小的数值作为隐含层神经元的数目； 

步骤5.1.2：确定BP神经网络的结构和参数，利用采集的正常和阀芯卡死各类30～40组的数据，对BP神经网络进行训练： 

步骤5.2：BP神经网络测试。利用采集的正常和阀芯卡死各种类型30～40组数据进行神经网络测试。