本發(fā)明涉及氣動調節(jié)閥在線監(jiān)測，具體為一種氣動調節(jié)閥的實時在線監(jiān)測方法。

背景技術：

1、氣動調節(jié)閥是一種通過壓縮空氣驅動，調節(jié)流體的流量、壓力、溫度或者液位的自動化控制裝置，其原理為通過氣動執(zhí)行機構接收控制系統的氣動信號，驅動閥芯在閥體內移動或旋轉，改變閥門的開度，從而控制流體的流通。氣動調節(jié)閥因其反應快速、精度高、惡劣環(huán)境適應性好等優(yōu)點，廣泛應用于石油、化工電力、食品以及制藥等行業(yè)，用于實現生產過程控制中的精確調節(jié)。

2、對氣動調節(jié)閥進行實時監(jiān)測能夠及時發(fā)現潛在的故障問題，避免突發(fā)事故，減少停機時間和降低維護成本。同時，實時監(jiān)測有助于精確控制閥門的運行狀態(tài)，延長氣動調節(jié)閥設備壽命?，F有技術主要通過傳感器采集關鍵運行參數，并采用信號處理技術和機器學習方法對數據進行分析，以實現對氣動調節(jié)閥的實時監(jiān)測。這種方式能夠對氣動調節(jié)閥的運行狀態(tài)進行連續(xù)監(jiān)測，并實現較高的故障診斷精度和較低的漏診率，但仍存在一些不足之處。

3、現有技術通常針對特定類型的調節(jié)閥或者針對的單一故障模式，通過將采集數據集成至中央處理終端進行處理和分析，進行故障的檢測和識別。而在實際的氣動調節(jié)閥應用場景中，通常為多類型調節(jié)閥綜合使用和多種類型故障并發(fā)的情況。在這種復雜工況下，現有技術在實時監(jiān)測時的數據計算復雜度增大，處理難度上升。這些問題導致氣動調節(jié)閥實時監(jiān)測的準確性、魯棒性和實時性仍然有待提升。

4、為此，提出一種氣動調節(jié)閥的實時在線監(jiān)測方法。

技術實現思路

1、本發(fā)明的目的在于提供一種氣動調節(jié)閥的實時在線監(jiān)測方法，首先采集氣動調節(jié)閥運行數據，傳輸至邊緣計算節(jié)點進行預處理和輕量化處理后生成頻譜數據。接著，對頻譜數據進行特征計算，提取特征數據并壓縮。在中央節(jié)點對特征數據進行多源數據融合與降維生成主成分融合特征。然后對融合特征進行關鍵特征提取，生成故障特征集用于獲取故障識別模型，并實施自適應模型更新機制，對故障識別模型進行調整和更新；最后，基于氣動調節(jié)閥歷史運行數據結合深度學習方法對故障識別模型進行訓練和優(yōu)化，提升多故障識別能力。本發(fā)明通過邊緣輕量化數據處理結合深度學習，提高了氣動調節(jié)閥實時監(jiān)測的準確性、魯棒性和實時性。

2、為實現上述目的，本發(fā)明提供一種氣動調節(jié)閥的實時在線監(jiān)測方法，包括：

3、采集氣動調節(jié)閥運行過程中的實時信號數據，傳輸至邊緣計算節(jié)點進行處理；所述實時信號數據包括氣室壓力數據、閥桿位移數據、溫度數據和振動數據；

4、對所述實時信號數據進行預處理和輕量化處理，生成調節(jié)閥頻譜數據；

5、通過特征計算提取所述調節(jié)閥頻譜數據中的關鍵頻率分量，生成調節(jié)閥特征數據，并傳輸至中央計算節(jié)點；

6、將所述調節(jié)閥特征數據進行主成分提取并降維，得到主成分特征；

7、對所述主成分特征進行多源數據融合生成主成分融合特征；

8、對所述融合特征進行分析與關鍵特征提取，生成調節(jié)閥故障特征集；

9、采用隨機森林模型對調節(jié)閥故障特征集進行分類和識別，得到故障識別結果；

10、采用自適應模型更新機制，對所述隨機森林模型進行調整和更新；

11、采集氣動調節(jié)閥的歷史運行數據和所述故障識別結果，對所述隨機森林模型進行擴展訓練和優(yōu)化，獲得多故障識別模型。

12、進一步地，所述預處理包括低通濾波、基線校正和異常值過濾；

13、xfinal(t)＝foutlier(fbase(ffilt(x(t))))；

14、其中，x(t)為t時刻的信號數據，xfinal(t)為預處理后的數據信號，ffilt(·)為低通濾波操作，fbase(·)為基線校正操作，foutlier(·)為異常值檢測過濾操作。

15、進一步地，所述調節(jié)閥頻譜數據的生成過程通過傅里葉變換完成；

16、對預處理后的數據信號，通過快速傅里葉變換轉換為頻率域信號，生成所述調節(jié)閥頻譜數據；所述頻率域信號的轉換公式為：

17、

18、其中，x(f)為所述調節(jié)閥頻譜數據，j為虛數單位，f為頻率分量，xfinal(i)為預處理后的數據信號，n為數據點總數。

19、進一步地，對所述調節(jié)閥頻譜數據進行特征計算，包括特征提取、實時分析與壓縮；

20、通過fmax＝argmaxf|x(f)|從所述調節(jié)閥頻譜數據中提取最高幅值對應的最大頻率fmax；通過psd(f)＝|x(f)|2/n計算所述調節(jié)閥頻譜數據的功率譜密度psd(f)；通過計算所述調節(jié)閥頻譜數據的均方根值rms；

21、對最大頻率fmax和均方根值rms進行異常監(jiān)測，當檢測到的特征值超出正常范圍時，標記為異常；

22、將最大頻率、均方根值和功率譜密度采用函數xedge＝compress(fmax,psd(f),rms)進行壓縮，得到調節(jié)閥特征數據；將所述調節(jié)閥特征數據傳輸至中央計算節(jié)點進行處理。

23、進一步地，所述多源數據融合的步驟包括主成分分析和加權融合；

24、將來自不同邊緣計算節(jié)點的所述調節(jié)閥特征數據使用主成分分析法進行降維，生成主成分特征；

25、z＝a·[pedge(f),dedge(f),tedge(f),aedge(f)]

26、其中，z為主成分特征，a為主成分分析的特征向量矩陣，pedge(f)、dedge(f)、tedge(f)和aedge(f)分別為壓力、位移、溫度和振動的特征數據；

27、將所述主成分特征依照權重進行加權融合，生成主成分融合特征；

28、f＝ωp·zp+ωd·zd+ωt·zt+ωa·za；

29、其中，zp、zd、zt和za分別為壓力、位移、溫度和振動的主成分特征，ωp、ωd、ωt和ωa分別為對應主成分特征的權重。

30、進一步地，所述故障特征集的獲取步驟為：

31、對融合特征進行分析，通過ffault＝e(f)提取與故障相關的關鍵特征并生成故障特征集ffault，其中e(·)為特征提取函數。

32、進一步地，所述故障識別模型的獲取步驟包括；

33、采用隨機森林cfault＝rf(ffault)對故障特征集進行分類，輸出故障識別結果；cfault為故障識別結果，rf(·)為隨機森林模型。

34、進一步地，所述自適應更新機制的步驟為；

35、計算所述故障識別結果與真實故障類型的差異確定自適應機制觸發(fā)條件；

36、采集氣動調節(jié)閥的最新運行數據生成實時故障特征集；

37、根據實時故障特征集采用自適應在線學習算法對所述隨機森林模型的參數進行更新。

38、θrf,new＝θrf,ori-ηrf·δθrfφ(fnew,,cfault)；

39、其中，θrf,ori和θrf,new分別為更新前和更新后的隨機森林模型參數；ηrf為學習率，φ(fnew,,cfault)為損失函數，δθrf為損失函數的變化率，fnew,為實時故障特征集。

40、進一步地，所述多故障識別模型的訓練過程為：

41、采集氣動調節(jié)閥歷史數據，包括歷史特征數據與對應的所述故障識別結果。

42、對所述隨機森林模型進行擴展訓練，提取歷史特征數據與故障識別結果之間的關聯特征；

43、

44、其中，dnnmulti為所述關聯特征，fc(·)為三層卷積操作，x'history(m)為第m個歷史特征，chistory(p)為第p個的故障識別結果。

45、所述擴展訓練過程包括：

46、將所述歷史特征數據與對應的所述故障識別結果輸入至一個三層卷積層中，提取故障關聯特征，輸出第一關聯特征圖；

47、采用最大池化對故障關聯特征進行降維，減少所述第一關聯特征圖的尺寸并保留重要信息，輸出第二關聯特征圖；

48、將第二關聯特征圖展開為向量，并提取故障關聯全局特征；

49、通過softmax激活函數，將所述故障關聯全局特征轉換為故障類型的概率分布，獲取所述關聯特征；

50、通過所述關聯特征，對所述隨機森林模型進行調整，獲取多故障識別模型；

51、進一步地，所述多故障識別模型的優(yōu)化過程為：

52、采集氣動調節(jié)閥最新運行數據，采用所述多故障識別模型得到多故障識別結果；

53、實時計算所述多故障識別結果和真實多故障類型之間的差異，根據差異對所述多故障識別模型進行優(yōu)化與調整；

54、

55、其中，為多故障識別初步模型的參數，ηrf為學習率，φ(ftrain,cmulti)為損失函數，為損失函數的變化率，ftrain為歷史運行數據的故障特征集，cmulti為歷史運行數據對應的真實多故障類型。

56、與現有技術相比，本發(fā)明的有益效果為：

57、1、本發(fā)明首先對氣動調節(jié)閥運行數據進行預處理，通過快速傅里葉變換將預處理后的時間域信號轉換為頻率域信號，生成調節(jié)閥頻譜數據，并從中提取關鍵的頻率分量。本方法通過這一步驟，將復雜的時間域信號被轉換為更易分析的頻率域信號，提取了反映調節(jié)閥運行狀態(tài)的關鍵頻率信息，解決了現有技術中時間域信號分析計算復雜度高的問題，為提升氣動調節(jié)閥在線監(jiān)測的實時性和準確性提供了數據支持。

58、2、本發(fā)明將數據特征提取任務轉移至邊緣計算節(jié)點，通過提取出關鍵特征數據并實時分析與監(jiān)測，對異常特征進行檢測并標記異常值。關鍵特征數據經過壓縮和降維處理后，通過多源數據融合生成主成分融合特征。本方法解決了現有技術集中處理數據時的計算符合問題，提高了數據處理效率。同時多源數據融合簡化了數據結構，增強了對多源信息的處理和故障檢測能力，提升了氣動調節(jié)閥在線監(jiān)測的魯棒性與實時性。

59、3、本發(fā)明通過從主成分融合特征中提取故障相關的關鍵特征生成故障特征集；隨后采用隨機森林模型對故障特征集進行分類識別，獲取故障識別結果；再通過自適應機制實時調整模型參數，并基于歷史運行數據和故障識別結果，對優(yōu)化后的隨機森林模型進行擴展訓練，最終通過交叉熵損失函數進行調整優(yōu)化，獲取多故障識別模型。本方法通過結合故障特征提取與隨機森林分類，解決了現有技術難以識別并發(fā)故障的問題。通過綜合運用自適應更新與深度學習訓練，綜合提升了氣動調節(jié)閥實時監(jiān)測的準確性。