[发明专利]一种基于低偏差随机配置网络的气动调节阀故障诊断方法有效

专利信息
申请号: 202011062714.7 申请日: 2020-09-30
公开(公告)号: CN112229624B 公开(公告)日: 2021-06-25
发明(设计)人: 代伟;王聪;张道明;彭勇;夏振兴;杨春雨;缪燕子 申请(专利权)人: 中国矿业大学
主分类号: G01M13/003 分类号: G01M13/003
代理公司: 江苏圣典律师事务所 32237 代理人: 郝伟扬
地址: 221116 *** 国省代码: 江苏;32
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 基于 偏差 随机 配置 网络 气动 调节 故障诊断 方法
【权利要求书】:

1.一种基于低偏差随机配置网络的气动调节阀故障诊断方法,其特征在于:包括以下步骤:

步骤一、数据采集:

通过信号采集装置采集阀杆位移X、阀前压力P1、阀后压力P2、介质流速F、执行器输入CV数据,然后传输至上位机;

步骤二、数据预处理与特征提取:

气动调节阀状态共N种,包括1种正常状态和N-1种故障状态;在训练诊断模型过程中,每次CV从0%变化到100%再变回0%为一次分档测试;每次测试采集的数据是一个包含5种变量的5*k的矩阵,将其按行拼接转换为1*5k的向量作为一个原始样本;每种状态都有Num个样本,样本总数T=Num*N;对样本数据xi归一化处理;给转换后数据加上对应于状态的标签从1到N,分别表示N种不同的调节阀状态;将样本集分成m个训练样本集和n个测试样本集,其中m+n=T;对训练样本标签、测试样本标签分别进行独热编码生成输出矩阵Tm、Tn;训练样本和测试样本标准化处理,使样本均值为0,方差为1;用X表示训练样本,X2表示测试样本,使用动态内部主成分分析法与主成分分析法分别提取X动态特征与静态特征组成训练集特征矩阵,并获取负载向量组成负载矩阵,再以获取的负载矩阵完成X2的特征提取,得到测试集特征矩阵;

步骤三、建立低偏差随机配置网络故障诊断模型:

以由低偏差序列随机分配输入权重w和偏置b,根据监督机制建立隐藏节点候选节点池,每次选取最优节点接入随机配置网络直至达到终止条件;具体包括以下步骤:

3.1、初始化参数:最大隐藏层节点数Lmax,临界容忍误差ε,γ∈(0,1),最大配置次数Tmax,随机参数范围[-λ,λ],变化步长△λ;

3.2、低偏差sobol序列随机配置输入权重w和偏置b;建立sobol候选点池,大小为Tmax,根据公式w=sobol1×2λ-λ,b=sobol2×2λ-λ,以低偏差序列随机配置Tmax次隐藏层输入权重w和偏置b形成候选节点池,将成功构成候选节点的低偏差点从sobol候选点池移除,同时向其中插入新的未使用过的低偏差点,使sobol候选点池的大小保持不变;低偏差sobol序列的生成方法如下:设sobol序列由构成,vi即为sobol序列的第i个数,mi2i且为正奇数;vi,mi的生成依赖于系数为a、阶数为p的简单多项式f(x),多项式系数只为0或1,形式为f(x)=xp+a1xp-1+…+ap-1x+ap;对于ip,vi、mi递推公式为:

mi=2a1mi-1⊕22a2mi-2⊕…⊕2papmi-p⊕mi-p

其中表示向下取整,⊕表示二进制按位异或,得到序列后即为sobol序列;

3.3、计算输出矩阵hL,激活函数选取Sigmoid,输入为步骤二中训练集特征矩阵,根据监督机制计算ξL,记录Tmax次内ξL最大时的w,b,hL;若Tmax次都不满足监督机制,则更新参数γ=γ+τ,其中τ∈(0,1-γ),λnew=λ+△λ,随机参数区间变化为[-λnew,λnew],返回上一步;ξL计算公式为:

其中μL=(1-γ)/(L+1)

计算隐层输出权重其中HL=[h1,h2,…,hL],表示广义逆;残差为eL=HL·βL-Tm,当残差满足容忍误差ε或隐层节点数达到Lmax时不再新增节点,建模完成,得到低偏差随机配置网络模型f=HβL;否则返回上一步继续构造模型。

2.根据权利要求1所述的基于低偏差随机配置网络的气动调节阀故障诊断方法,其特征在于:在步骤一中,在气动调节阀预留处安装位移传感器获取阀杆位移X,在传输管道前后安装压力传感器获取阀前压力P1、阀后压力P2,在管道内安装流速传感器获取介质流速F;阀门执行器电流信号输入范围为4-20mA电流信号,以25%阶跃给定执行器输入CV,通过串口通信将采集的数据通过微机单元传输至上位机。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于中国矿业大学,未经中国矿业大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202011062714.7/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top