[发明专利]一种电动阀门故障诊断方法、终端设备和可读存储介质

权利要求书

1.一种电动阀门故障诊断方法，其特征在于，所述诊断方法基于支持向量机，包括以下步骤：

S1、在电动阀门工作过程中，采集多组样本数据；

S2、将采集的样本数据分组输入至支持向量机；

S3、支持向量机通过输入样本数据进行训练分类模型，并获得最终分类模型；

S4、输入电动阀门启闭过程中的实时数据，通过分类模型进行故障诊断。

2.根据权利要求1所述的一种电动阀门故障诊断方法，其特征在于，步骤S1具体包括以下步骤：

S11、以一次开阀动作和一次关阀动作为一个采集周期采集样本信号；

其中，样本信号包括AB相电压信号、BC相电压信号、CA相电压信号、A相电流信号、B相电流信号、C相电流信号、A相功率信号、B相功率信号、C相功率信号和总功率信号；

S12、对采集的样本信号进行特征量提取，获得多组样本数据，包括包括n组正常样本和m组异常样本，其中n＞m；

其中，所述样本数据包括：均值、最大值、最小值、方差、均方根、方根均值、偏斜度和峭度。

3.根据权利要求2所述的一种电动阀门故障诊断方法，其特征在于，步骤S2具体包括以下步骤：

S21、将n组正常样本分为两组，将m组异常样本分为k组；

其中，正常样本包括T₁组和T₂组；

S22、将T₂组和任一组异常样本作为测试样本；

S23、将T₁组和其余的k-1组异常样本作为训练样本；

S24、将训练样本和测试样本输入至支持向量机，并重复k次步骤S22-S23；

其中，k组异常样本中的每一组异常样本均需做为测试样本进行训练。

4.根据权利要求3所述的一种电动阀门故障诊断方法，其特征在于，在步骤S3时，还需要通过k折交叉验证法对惩罚参数和核函数参数进行优化，具体优化方法包括以下步骤：

S31、初始化范围参数n₁和n₂、最优分类准确率b_A、最优惩罚系数b_c、最优核函数参数值b_g；

S32、对惩罚系数c赋值，赋值公式为

S33、对核函数参数g赋值，赋值公式为

S34、根据步骤S2输入的数据，训练k个模型，并求得分类平均准确率A；

S35、若A＞b_A，则跳转步骤S36；否则，则直接跳转步骤S37；

S36、对b_A、b_c和b_g赋值，使b_A＝A，b_c＝c，b_g＝g；

S37、判断若是，跳转步骤S38；若否，则对g赋值，赋值公式：g＝g+t₂，然后跳转步骤S34；

其中t₂为核函数参数优化时的迭代步长；

S38、判断c+t₁＞2n₁，若否，则对c赋值，赋值公式：c＝c+t₁，然后跳转步骤S33；若是，则输出b_c和b_g；

其中t₁为惩罚系数优化时的迭代步长；

S39、以输出的b_c和b_g作为支持向量机的训练参数，训练获得最终分类模型。

5.根据权利要求4所述的一种电动阀门故障诊断方法，其特征在于，初始化时，对b_A、b_c、b_g的初始赋值为0。

6.一种电动阀门故障诊断终端设备，其特征在于，包括：

采集模块，用于采集电动阀门在工作过程中的多组样本信号；

特征处理模块，用于对采集模块采集的样本信号进行特征量提取，获得样本数据；

第一处理模块，用于将样本数据通过k折交叉验证法输出；

第二处理模块，用于运行支持向量机，并通过输入样本数据进行训练分类模型，并获得最终分类模型；

诊断模块，用于通过分类模型对电动阀门启闭过程中的实时数据进行故障诊断。