[发明专利]一种基于LSTM模型的电动阀门故障检测方法

说明书

本发明公开了一种基于LSTM模型的电动阀门故障检测方法，包括如下步骤：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；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；建立LSTM故障检测网络模型，并根据LSTM故障检测模型采取反向传播算法进行训练；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。本发明提高了电动阀门智能化水平，减免了人工检测的大量工作，实时性高并满足工业要求。

技术领域

本发明涉及电动阀门技术领域，尤其涉及到一种基于LSTM模型的电动阀门故障检测方法。

背景技术

在大多数工业领域，阀门是必不可少的元件之一。现今，电动阀门由于其具有力矩大、能够用在高温高压的介质控制中的优点，在化工、石油、天然气等行业受到广泛青睐。然而在真实工业环境里，有相当一部分的阀门因长期使用、磨损、腐蚀或其他原因会出现内外渗漏或泄漏故障。若不及时发现和处理，将会导致介质泄漏、环境污染甚至造成起火爆炸等灾难性的事故发生。传统的阀门故障诊断机理，是以检修工人以一定周期地去巡检与查验，这种方法费时费力，而且庞大的工业系统中阀门的使用数量是数以百计甚至是数以千计的。随着工业技术的不断发展，经常拆卸阀门的诊断方法已经远远不能适应要求，故障检测效果往往不够理想，并且增加了维修成本和检修周期。基于数据驱动的方法是解决电动阀门故障检测问题的一种主流方法，这得益于深度学习理论惊人的非线性拟合能力和出色的抽象挖掘能力。循环神经网络(RNN) 将时序的概念引入到网络结构设计中，隐藏层之间的互连结构反映出时间序列之间的相互影响关系，但是RNN存在着梯度消失、梯度爆炸和长期记忆能力不足等问题。长短期记忆(LSTM)模型是RNN的一种变体，它通过在网络中加入细胞结构(cell)弥补RNN的不足，从而对时序数据具有更强地适用性，能够抓住长远的上下文信息。

发明内容

针对上述技术问题，本发明的目的在于提供一种基于LSTM模型的电动阀门故障检测方法，能依靠可观测的数据解析并得出故障类别，突破仅能在单一时刻观测得出故障的限制，抓住传感器检测数据的上下文信息，降低故障误检率，显著提高阀门的智能化水平，使得精确实时地检测出电动阀门是否处于故障状态并得出故障类别。

为实现上述目的，本发明是根据以下技术方案实现的：

一种基于LSTM模型的电动阀门故障检测方法，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。

上述技术方案中，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γ、行程百分比α、振动加速度a、声压τ。

上述技术方案中，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。