基于时间序列分析的阀门故障实时诊断系统及诊断方法
专利汇可以提供基于时间序列分析的阀门故障实时诊断系统及诊断方法专利检索，专利查询，专利分析的服务。并且本 发明 属于 阀 门 故障检测与诊断技术领域，具体涉及基于时间序列分析的阀门故障实时诊断系统及诊断方法。具体包括：通过振动 加速 度 传感器 和声 压传感器实时监测阀门；利用 信号 采集芯片将监测到的振动加速度信号和声压信号采集到诊断处理器中；对数据进行五点三次平滑降噪处理；生成不同故障诊断类型的诊断数据训练集；建立故障诊断时序模型；使用前向 算法 依次计算各个HMM模型的似然概率值，得出故障诊断结果；通过蓝牙模 块 将故障诊断结果传输到工业显示屏上进行显示。本发明通过时间序列分析对阀门进行故障诊断，在能在故障产生初期识别故障信息并得出故障类别，突破仅能在单一时刻观测得出故障的限制，同时降低故障误检率，显著提高阀门的使用性能。，下面是基于时间序列分析的阀门故障实时诊断系统及诊断方法专利的具体信息内容。
1.一种基于时间序列分析的阀门故障实时诊断系统，其特征在于：包括振动加速度传感器和声压传感器，所述振动加速度传感器和声压传感器安装在待诊断的阀门上，用于从阀门上监测振动加速度信号和声压信号；信号采集芯片，通过电缆与所述振动加速度传感器和声压传感器连接，用于将振动加速度传感器和声压传感器监测到时的信号采集到诊断处理器中；诊断处理器，与所述信号采集芯片电连接，用于接收所述信号采集芯片的信号进行处理得出故障诊断类型，并通过蓝牙模块传输到工业显示屏上进行显示。
2.根据权利要求1所述的基于时间序列分析的阀门故障实时诊断系统，其特征在于：所述故障诊断类型具体为：正常、早期故障、磨损故障和卡阀故障。
3.一种基于时间序列分析的阀门故障实时诊断方法，其特征在于：具体包括以下步骤：
A.通过振动加速度传感器和声压传感器实时监测振动加速度信号和声压信号；
B.利用信号采集芯片将监测到的振动加速度信号和声压信号采集到诊断处理器中；
C.利用诊断处理器对步骤B中获得的振动加速度信号和声压信号进行五点三次平滑降噪处理；
D.利用步骤C中获得的数据生成不同故障诊断类型的诊断数据训练集；
E.建立故障诊断时序模型；
F.使用前向算法依次计算各个HMM模型的似然概率值，得出阀门的故障诊断结果；
G.通过蓝牙模块将故障诊断结果传输到工业显示屏上进行显示。
4.根据权利要求3所述的基于时间序列分析的阀门故障实时诊断方法，其特征在于：所述步骤B中的采集步长为0.2s。
5.根据权利要求3所述的基于时间序列分析的阀门故障实时诊断方法，其特征在于：所述步骤C中五点三次平滑降噪处理为使用Savizkg-Golag五点三次滤波器对采集到的振动加速度a与声压τ进行平滑与降噪处理，具体包括以下步骤：
C.1、建立振动加速度a与采集时间t的三次项关系式
y＝a0+a1x+a2x2+a3x3
其中，a0、a1、a2、a3为多项式各系数，y对应振动加速度a，x对应采集时间t；
C.2、设定动态时窗为1s，在每个动态时窗内采集5个点数据，分别为(x-2,y-2),(x-1,y-1),(x0,y0),(x1,y1),(x2,y2)，将五个点的坐标一一代入，即有方程组
C.3、基于最小二乘法，方程组可转为
上列方程组可用矩阵表示为Y5×1＝X5×4·A4×1+E5×1；
C.4、解得A的最小二乘解 则滤波后的值
从而对振动加速度a进行平滑与降噪处理，同理，对声压
τ进行平滑与降噪处理。
6.根据权利要求3所述的基于时间序列分析的阀门故障实时诊断方法，其特征在于：所述步骤D具体为：
D.1、对振动加速度a进行均匀量化编码，即对[amin,amax]分8个等分的区间，依次从0～7编码；将声压τ分为[0,0.1]、(0.1,+∞)两个区域，依次编码为I，II；
D.2、将振动加速度a、声压τ特征联合编码：将振动加速度特征a和声压τ特征结合，形成在t时刻同时包含两个特征的特征值，构成新的码字：I0,II0,I1,…,II6,I7,II7；
D.3、将步骤D.2处理后的数据根据故障诊断类型分为正常、早期故障、磨损故障和卡阀故障4类数据，每条数据由20连续步长的序列和其对应故障诊断类型标签组成，序列矩阵为
7.根据权利要求3所述的基于时间序列分析的阀门故障实时诊断方法，其特征在于：所述步骤E具体为：
E.1、针对每类故障诊断类型分别建立HMM(隐马尔可夫模型，Hidden Markov Model，简称HMM)模型，每个HMM模型由一个五元组μ＝(Q,V,A,B,π)组成，其中，隐藏状态Q＝{Q1,Q2,…,QN}，N为隐藏状态的数，其中N为4；可观察状态V＝{V1,V2,…,VM}为振动加速度a与声压τ，M为观察状态的数目，M为16；隐藏状态转移概率矩阵A＝[aij]N×N的元素表示HMM模型中各个隐藏状态之间的转移概率，aij是在t时刻隐藏状态为Qi、在t+1时刻隐藏状态为Qj的概率，aij＝P(It+1＝Qj|It＝Qi)，i＝1，2…，N；j＝1，2…，N，I是长度为T的状态序列，且I＝{I1,I2,…,IT}；混淆矩阵B＝[bj(k)]N×M的元素表示HMM模型中各个隐藏状态和观察状态之间的转移概率,bj(k)表示在t时刻，隐藏状态为Qj、观察状态为Ot的概率，bj(k)＝P(Ot＝Vk|It＝Qj)，k＝1，2…，M；j＝1，2…，N，O是对应的观测序列；初始状态概率矩阵π＝(πi)，其中πi＝P(I1＝Qi)，i＝1，2，…，N，表示初始时刻t＝1各个隐藏状态Qi的概率；
E.2、对每类HMM模型初始化：随机的给参数πi,aij,bj(k)赋值，使其满足约束：
由此得到模型μ0；
E.3、将同一类别故障诊断类型的观测序列 作为对应的HMM分类模型的输入，依据模型初始化后的参数，采用EM期望最大化算法(Expectation Maximum)调整模型μ的参数，使概率函数 最大化即 逐步更新模型参数，最终获取各个故障诊
断类型对应的最优HMM模型。
8.根据权利要求7所述的基于时间序列分析的阀门故障实时诊断方法，其特征在于：所述HMM模型具体包括阀门正常HMM模型、阀门早期故障HMM模型、阀门磨损故障HMM模型和阀门卡钳故障HMM模型。
9.根据权利要求3所述的基于时间序列分析的阀门故障实时诊断方法，其特征在于：所述步骤F具体为：
α1(i)＝πibi(O1),1≤i≤N
其中αt(i)为前向中间变量，表示在时间t、HMM模型输出了序列O1O2ΛOt、并且位于状态si的概率，最终取似然概率值最大者为阀门的故障诊断结果。
基于时间序列分析的阀门故障实时诊断系统及诊断方法
技术领域
背景技术
发明内容
具体实施方式
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 用于机器学习模型的金融数据分类方法、装置及电子设备 | 2020-05-13 | 174 |
| 一种低信噪比环境下的极化码辅助载波同步系统及方法 | 2020-05-16 | 583 |
| 一种融合了短时与长时特征建模的环境声识别方法及装置 | 2020-05-18 | 869 |
| 一种基于群智感知技术的联盟链安全激励方法 | 2020-05-15 | 858 |
| 一种有效的图像镜面反射移除方法 | 2020-05-08 | 691 |
| 一种基于卷积神经网络和距离监督的关系抽取方法 | 2020-05-18 | 361 |
| 一种语音检测方法及装置 | 2020-05-19 | 599 |
| 毫米波大规模MIMO系统的波束空间信道估计方法 | 2020-05-20 | 395 |
| 基于先验估计网络和空间约束混合模型的海面障碍物检测方法 | 2020-05-21 | 762 |
| 一种基于可简化的空间约束混合模型的海面图像语义分割方法 | 2020-05-19 | 372 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
