[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

说明书

本发明公开了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，采用动态内部主成分分析与经典主成分分析方法进行特征提取，通过低偏差随机配置网络模型进行故障诊断。本发明不仅实现了气动调节阀的故障诊断且具有较高的诊断准确率，有效避免阀门带故障运行；而且方法的通用性好，无需熟悉阀门机理与繁杂的经验知识即可完成故障诊断；一般的操作人员均可掌握，提高了气动调节阀故障诊断的自动化和智能化程度。

技术领域

本发明涉及阀门故障检测与诊断领域，特别涉及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。

背景技术

调节阀作为流体控制系统的重要组成部分，在系统中承担控制流向、管理开闭、调节介质参数等重要作用。为了稳定运行，阀门应该定期的保养与维护以延长使用寿命和可靠性，但是在长期的生产过程中不可避免的会产生故障，影响生产实践。在我国巨大的工业规模下，研究调节阀的故障诊断具有重要意义。

目前故障诊断方法的研究主要分为三个方面：基于解析模型的方法、基于定性模型的方法及基于数据驱动的方法。

基于解析模型的方法需要准确的测试过程对象的动态特性，通过运用先验知识和系统辨识等方法得到对象的数学模型，使其能够通过算术方程、积分微分方程描述出来。当系统比较复杂，就难以建立系统的定量模型。而对于阀门故障诊断系统，即便同为气动式阀门，不同的厂家也在通用的框架下做了各自的创新，导致模型很难具有通用性。

基于定性模型的方法不需要对对象进行精确描述，只需建立对象的定性模型，将系统的结构用代表物理参数的定型变量和表示参数间相互关系的定性约束方程来描述，但是由于只利用了定性信息，容易导致定性推理结果出现冗余、诊断结论不一致等问题。同时基于定性经验的监控方法需要很多复杂高深的专业知识和长期的经验积累，从而变得不易操作。

基于数据驱动的故障诊断方法近年来引起了众多学者的关注，主要由统计分析法和人工智能法。统计分析法有控制图法、主元分析法、偏最小二乘法等。人工智能法有神经网络、支持向量机、ELM等，基本思路是利用过程数据训练，得到被诊断对象的特定参数的模型，进而实现过程监控的目的。其优点是无需明确被测对象的物理定律、结构原理等。基于数据驱动的故障诊断方法近年来引起了众多学者的关注，用于大规模数据建模的随机化算法成为研究的热门。但一些热门的随机网络存在一些问题。

RWNNs(Random weight neural networks,随机权神经网络)实现简单、建模速度快。然而，两个本质缺陷使得RWNNs的应用受到一定的限制：1)隐含层节点数不能先于训练而确定，即难以设定合适的网络结构；2)隐含层参数在固定不变的区间内产生，影响其实际逼近特性。

RVFLNs(Random vector functional link networks,随机向量函数链路网络)随机分配输入权重和偏置，采用最小二乘法训练输出权重，在模型训练速度上有较大优势。但是如果隐含层随机参数设置范围不合适，RVFLNs网络不能以概率1逼近目标函数。

发明内容

本发明所要解决的技术问题在于克服现有技术缺陷，提供一种结构简单，效果明显的基于低偏差随机配置网络的气动调节阀故障诊断方法。

为了解决上述技术问题，本发明提供的基于低偏差随机配置网络的气动调节阀故障诊断方法，包括以下步骤：

1、数据采集：

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，通过信号采集装置采集各变量数据并通过串口通信将采集的数据通过微机单元传输至上位机。

2、数据预处理与特征提取