[发明专利]一种基于集成即时学习的电磁阀故障监测方法

说明书

本发明涉及对液氮供给系统中电磁阀故障的监测领域，具体公开了一种基于集成即时学习的电磁阀故障监测方法，该方法首先对电磁阀历史输入、输出和健康标记建立样本，然后对样本进行分类、相似性指标和相关样本数量等分析，并建立在线故障检测局部模型，最后根据模型的输出判断当前电磁阀的健康状态；本发明容易实施，应用程度高，并且基于即时学习对电磁阀故障监测，能够在早期监测到电磁阀的故障，降低液氮供给系统因为电磁阀故障没有即时发现而带来安全隐患的风险。

技术领域

本发明涉及电磁阀监测领域，具体讲是一种基于集成即时学习的电磁阀故障监测方法。

背景技术

在液氮供给系统中，开关电磁阀是其很重要的一个元件，其动作准确、自动化程度高、工作稳定可靠。但是在使用的过程中难免会出现各种问题。虽然电磁阀本身成本不高，维修也只需要对其进行更换操作并不复杂，但是其故障本身并不是十分的明显，在故障初期很难被察觉，这将带来很严重的问题，轻则影响产品质量，重则可能会发生事故。

现有的方法主要是通过先验知识来划分工况，并根据不同的工况通过离线数据建立固定的诊断模型。当用于大数据处理时，由于该方法面临着模型结构难以确定、相关优化问题复杂、在线更新困难等一系列限制，使得其应用程度并不高。虽然，通过移动窗口模型、递归方法等方法能对模型进行更新，但在工况变化大的过程中作用不大。

发明内容

因此，为了克服上述不足，本发明在此提供一种容易实施，应用程度高，并且基于即时学习的电磁阀故障监测方法，该方法能够在早期监测到电磁阀的故障，降低液氮供给系统因为电磁阀故障没有即时发现而带来安全隐患的风险。

所述即时学习是一种非线性过程建模策略，它建立在数据库和局部建模技术的基础之上。即时学习模型策略通常使用与其“局部”相关的最相关样本来构建围绕最新样本的在线局部模型。

具体的，一种基于集成即时学习的电磁阀故障监测方法，包括如下步骤：

步骤一、令电磁阀的历史输入、输出和健康标记的样本表示为，其中表示第H个样本的健康标记，健康样本的标记为0，故障样本的标记为1。

步骤二、通过Kmeans将样本分为C类，且，其中为第类的样本数，为至少需要获得的相关样本数量。

步骤三：当获得新的样本时，假设有种相似性指标，通过公式确定在每个相似性指标下从第类中选择个相关样本，从而获得每个相似性指标下相关样本的数量，其中为在相似性指标下新的样本与第类的相似度。

步骤四：针对每个相似性指标计算所有历史样本的相似度权重；对于相似性指标，根据个样本计算的权重是。

步骤五：使用和，通过神经网络方法得到新的样本的在线故障检测局部模型；

其中，和表示通过相似性指标建立的在线故障检测局部模型的输出和输入，表示与对应的真实输出。

步骤六：根据所有相关样本的健康标记情况和在每个相似性指标下对应的，训练SVM分类模型，使SVM分类模型能正确的将分为两类，一类为故障样本（用1表示），另一类为健康样本（用0表示），并计算正确率，其中，TP表示故障样本分类为故障样本，FP表示健康样本分类为故障样本，TN表示健康样本分类为健康样本，FN表示故障样本分类为健康样本。

步骤七：根据公式，获得新的样本的在线故障检测局部模型，然后将分别代入SVM分类模型，并计算综合健康状态值（其中，为第个模型的分类结果），最后当（为阈值）时，当前电磁阀为故障状态，反之，当前电磁阀为健康状态。

本发明具有如下有益效果：

本发明容易实施，应用程度高，并且基于即时学习对电磁阀进行故障监测，本发明能够在早期监测到电磁阀的故障，降低液氮供给系统因为电磁阀故障没有即时发现而带来安全隐患的风险。