[发明专利]一种基于LSTM模型的电动阀门故障检测方法

权利要求书

1.一种基于LSTM模型的电动阀门故障检测方法，其特征在于，包括如下步骤：

步骤S1：实时检测阀门工作时的特征数据，并通过8通道高精度VGA信号采集卡将特征数据采集到故障诊断处理器中；

步骤S2：设定动态时窗，提取等长的时序数据作为数据集的样本，制作诊断数据训练集；

步骤S3：建立LSTM故障检测网络模型，并根据建立的电动阀门LSTM故障检测模型采取反向传播算法进行训练；

步骤S4：电动阀门故障实时检测，并将输出向量元素最大值对应的故障类别作为电动阀门的故障检测结果并将故障检测结果显示在液晶显示屏上，如果检测出某一电动阀门有故障，同时触发蜂鸣警报器和故障信号灯以示监控人员提醒。

2.根据权利要求1所述的电动阀门故障检测方法，其特征在于，所述特征参数包括电机电流I、电压U、工作功率P、输出扭矩T、线圈温度Υ、行程百分比α、振动加速度a、声压τ。

3.据权利要求2所述的电动阀门故障检测方法，其特征在于，所述特征数据行归一化处理，采用的归一化处理方式为最大最小归一化方法，使得所有的输入向量元素取值都在0-1之间，计算公式为其中，为归一化后的特征值；x_i为第i个特征值，x_max,x_min分别为x_i中的最大值和最小值，将归一化后的特征向量作为LSTM网络的输入向量，其中S为正整数。

4.根据权利要求3所述的电动阀门故障检测方法，其特征在于，步骤S2中将电动阀门的故障类别分为正常、早期故障、磨损故障和卡阀故障四个类别，定义数据集格式为[data,label]，其中data为某种电动阀门运行状态下的采集数据，label为人工标注的该种data所属的故障类别，样本数据采用“one-hot”方式编码，其中[1,0,0,0]对应正常状态，[0,1,0,0]对应早期故障状态，[0,0,1,0]对应磨损故障状态，[0,0,0,1]对应卡阀故障状态。

5.根据权利要求1所述的电动阀门故障检测方法，其特征在于，所述LSTM故障检测模型的神经元细胞中每个时刻不同门的更新公式如下：

遗忘门：f_t＝sigmoid(w_f*[h_t-1,x_t]+b_f)；

输入门：i_t＝sigmoid(w_i*[h_t-1,x_t]+b_i)；

输入的候选状态：

记忆细胞的输出：c_t＝f_t*c_t-1+i_t*c_t％；

输出门：o_t＝sigmoid(w_o*[h_t-1,x_t]+b_o)；

单元输出：h_t＝o_t*tanh(c_t)；

其中，w_i、w_f、w_o、w_c分别为输入门、遗忘门、输出门以及细胞状态的权值矩阵；b_i、b_f、b_o、b_c为对应的偏置项；h_t-1为t-1时刻的隐藏层状态；x_t为t时刻的输入向量；tanh为双曲正切激活函数，将最后一个时刻的单元输出值作为LSTM网络的输出值。

6.根据权利要求5所述的电动阀门故障检测方法，其特征在于，步骤S3的训练过程包括如下步骤：

步骤S301：对LSTM网络模型随机初始化种子；

步骤S302：选取每批训练大小T为50，即每个Epoch选取50个样本；弃权系数选取0.2；

步骤S303：损失函数选取分类交叉熵函数作为误差计算公式：

其中，T为一次训练用故障检测的样本数；为样本i是否属于类别m种电动阀门故障类别的真实标签值，属于则否则y_im为模型预测样本i属于第m种电动阀门故障类别的概率，i、m为正整数，其中

步骤304：选取学习率为0.2，选取隐藏层特征维度为28，选取整体样本迭代次数Epoch设为100，以最小化损失函数为目标，计算误差函数对权值矩阵的梯度，并应用Adam优化算法不断迭代更新网络中各门的权值矩阵，进而得到最优的电动阀门LSTM故障检测网络模型。