基于數(shù)據(jù)驅(qū)動的調(diào)節(jié)閥故障診斷方法研究.pdf

1、過程控制是工業(yè)自動化技術(shù)的一個最重要的分支，調(diào)節(jié)閥是過程控制系統(tǒng)最重要的終端部件，也是過程工業(yè)故障的主要來源。對于擁有成千上萬臺調(diào)節(jié)閥的現(xiàn)代復(fù)雜過程工業(yè)系統(tǒng)，某一調(diào)節(jié)閥發(fā)生故障就可能影響整個生產(chǎn)線的正常運行，甚至導(dǎo)致災(zāi)難性事故。
　　為保障調(diào)節(jié)閥的安全性與可靠性，現(xiàn)行主要維護方式是預(yù)防性定期檢修，造成“維修過?！眴栴}，致使維修費用過高、可靠性降低、故障率上升。另一方面，隨著分布式控制系統(tǒng)(Distributed Control S

2、ystem，DCS)和計算機技術(shù)在過程控制中的廣泛應(yīng)用，大量包含運行狀態(tài)信息的數(shù)據(jù)被采集并存儲，但是這些數(shù)據(jù)并沒有被有效地利用，出現(xiàn)了所謂“數(shù)據(jù)豐富、信息匾乏”的現(xiàn)象。因此，借鑒機器學(xué)習(xí)、模式識別、信號處理和數(shù)據(jù)挖掘等學(xué)科領(lǐng)域的優(yōu)秀方法，開展基于數(shù)據(jù)驅(qū)動的調(diào)節(jié)閥故障診斷方法的研究具有現(xiàn)實的理論意義和應(yīng)用價值。
　　在國家高技術(shù)研究發(fā)展計劃項目(2008AA04Z130)、高等學(xué)校博士學(xué)科點專項科研基金項目(201101311100

3、42)以及國家自然科學(xué)基金(51305234)和濱化集團等的資助下，本文在分析了過程控制調(diào)節(jié)閥系統(tǒng)的特點及調(diào)節(jié)閥故障診斷方法研究現(xiàn)狀的基礎(chǔ)上，提出了利用最小二乘支持向量機(Least Square Support Vector Machine，LS-SVM)對調(diào)節(jié)閥進行故障檢測和分類的研究方向，主要開展了如下研究工作:
　　調(diào)節(jié)閥故障模擬試驗:基于數(shù)據(jù)驅(qū)動的故障診斷系統(tǒng)以數(shù)據(jù)樣本為研究基礎(chǔ)，為獲得調(diào)節(jié)閥各類工況的故障樣本，本文首先

4、參考濱化集團氯堿工業(yè)中某調(diào)節(jié)閥的作業(yè)工況，搭建了調(diào)節(jié)閥模擬故障試驗平臺，模擬了前法蘭泄漏、后法蘭泄漏、閥蓋泄漏和卡堵4類故障，其中，每類泄漏又根據(jù)程度不同定性的分為2種，卡堵按照卡堵率不同分為4種，外加正常狀態(tài)，共計11種工況;采集了各類工況的數(shù)據(jù)樣本，試驗數(shù)據(jù)表明故障樣本具有可預(yù)測性和可分性。
　　調(diào)節(jié)閥LS-SVM預(yù)測模型及其參數(shù)優(yōu)化方法研究:建立一個精準(zhǔn)的數(shù)學(xué)模型是基于模型的故障診斷方法的核心問題，但調(diào)節(jié)閥因具有結(jié)構(gòu)復(fù)雜、非

5、線性和時變性等特點，機理模型并不適用，所以本文利用LS-SVM回歸建立調(diào)節(jié)閥流量和閥后壓力的“黑箱”預(yù)測模型，分析了不同輸入?yún)?shù)組合時的預(yù)測精度，分別確定了流量和閥后壓力預(yù)測時的最優(yōu)輸入特征向量;利用調(diào)節(jié)閥實際生產(chǎn)數(shù)據(jù)研究了LS-SVM參數(shù)懲罰因子C和核函數(shù)寬度σ對預(yù)測性能的影響，提出一種基于用果蠅優(yōu)化算法的LS-SVM參數(shù)優(yōu)化方法，與粒子群優(yōu)化算法和網(wǎng)格搜索法相比，果蠅優(yōu)化方法具有相當(dāng)?shù)念A(yù)測精度，但在計算速度上具有絕對優(yōu)勢，更適合于調(diào)

6、節(jié)閥的在線預(yù)測或故障診斷。
　　調(diào)節(jié)閥LS-SVM與Hammerste in集成預(yù)測模型及其去噪方法研究:用于精密控制的調(diào)節(jié)閥對故障預(yù)測模型提出了更高的精度要求，在調(diào)節(jié)閥LS-SVM回歸模型的基礎(chǔ)上，提出了LS-SVM與Hammerstein辨識集成的預(yù)測模型，利用LS-SVM方法求解Hammerstein模型中的非線性模塊及相關(guān)參數(shù);和LS-SVM回歸模型相比，集成預(yù)測模型大大提高了預(yù)測精度，將所建模型與SVM模型、BP神經(jīng)網(wǎng)絡(luò)

7、模型進行了對比，結(jié)果表明集成預(yù)測模型的精度最高、用時最少，在小樣本問題的處理上，支持向量機的性能明顯優(yōu)于BP神經(jīng)網(wǎng)絡(luò);分析了集成預(yù)測模型對噪聲的敏感性，結(jié)果表明當(dāng)信噪比小于40dB時，模型對噪聲較敏感，噪聲魯棒性差，利用小波去噪方法進行去噪處理，進一步提高了所建模型的預(yù)測精度，有效提高了其噪聲魯棒性。
　　基于殘差控制圖的故障檢測方法研究:參照質(zhì)量管理控制圖方法提出殘差控制圖的概念，以預(yù)測百分誤差為殘差、根據(jù)3σ原則設(shè)置正常狀態(tài)的

8、殘差閾值;分析了正常狀態(tài)、泄漏與卡堵等11種工況下流量和閥后壓力預(yù)測殘差的分布規(guī)律，利用殘差控制圖對各類故障進行檢測，結(jié)果表明，除前法蘭泄漏（程度1與程度2）和閥蓋泄漏（程度1）3種故障外，其余故障均有大于90％的測試樣本被正確檢測;針對殘差控制圖對上述3種故障檢測正確率低的問題，參照質(zhì)量控制圖對異常模式的定義，進一步設(shè)計了更為嚴格的調(diào)節(jié)閥故障檢測規(guī)則庫，大幅提高了故障檢測正確率。
　　故障分類樣本異常數(shù)據(jù)清洗方法研究:分析了異常

9、樣本對LS-SVM分類結(jié)果的影響，根據(jù)異常樣本在多次LS-SVM分類中錯分率更高的特點，提出了基于LS-SVM分類的有監(jiān)督異常數(shù)據(jù)清洗方法;根據(jù)異常樣本與正常樣本相比具有更大的局部離群因子的特點，提出了基于馬氏距離的局部離群因子的無監(jiān)督異常數(shù)據(jù)清洗方法;利用“一對一”LS-SVM多分類器對調(diào)節(jié)閥的故障樣本進行了分類試驗，結(jié)果表明所提方法能夠以較高的正確率對測試故障樣本進行分類。
　　基于滑動窗口技術(shù)的調(diào)節(jié)閥故障診斷系統(tǒng)的實現(xiàn):綜合