【技术实现步骤摘要】
本专利技术涉及阀门，具体为一种阀门故障预测系统及方法。
技术介绍
1、阀门作为工业管道系统的关键组成部分，其性能稳定性对整个系统的安全运行至关重要。传统的阀门维护策略多依赖于定期检查或者是基于经验的维护，这种方式往往无法有效预测故障，导致突发故障的风险增加。
2、传统阀门维护方法具有局限性，一般为定期检查模式：传统的阀门维护通常依赖于定期检查，例如，定时对阀门的机械部件进行物理检查。这种方法在预测和预防故障方面效率较低，无法实时监控阀门状态，容易错过早期故障迹象。并且具有经验依赖：很多维护决策基于操作者的经验和直觉，缺乏科学的数据支持。这种方法的准确性受限于个人经验水平，且难以应对复杂或不常见的故障类型。
3、当前技术挑战导致数据处理能力不足，尽管采集到大量数据，但许多现有系统缺乏有效的数据处理能力，原始数据中包含噪声或不相关信息，需要复杂的处理才能用于故障分析。并且故障诊断准确性存在问题，现有的故障诊断方法在复杂工况下的准确性有限。这主要是因为缺乏高效的算法来识别和预测各种类型的阀门故障。对于阀门的实时监控和反应速度也存在问题，许多系统无法实时监控阀门状态或及时响应潜在故障，导致在发生故障时无法迅速采取措施。
技术实现思路
1、为实现上述目的，本专利技术提供一种阀门故障预测系统及方法，具体技术方案如下：
2、一种阀门故障预测方法，包括，实时监测阀门的运行状态，并通过传感器收集阀门数据；对收集的阀门数据进行预处理，去除数据中的异常值，提取阀门数据
3、优选的，所述阀门的运行状态包括阀门的开合度；所述阀门数据包括阀门上游和下游的流体压力、流体流速以及阀门振动数据，所述阀门振动数据为阀门时域振动信号。
4、优选的，所述预处理包括，对传感器收集的阀门振动数据进行数据清洗；
5、所述数据清洗包括异常值检测、去除以及插值；通过傅立叶转换将阀门时域振动信号转换成频域振动信号；
6、所述异常值检测包括，在阀门的时域振动信号转换成频域振动信号后，对阀门振动信号的频谱数据进行分析，设置振动信号中振幅阈值|tha|，将阀门振动信号的频谱数据中振幅超过|tha|的数据值标记为振动数据异常值；
7、采用机器学习模型去除阀门振动数据异常值，机器学习去除阀门振动异常值的策略为：机器学习模型同时结合阀门上下游的流体压力和流体流速，对阀门振动数据的异常值进行检测和去除；去除因阀门上下游流体压力以及流体流速变化所造成的振动数据异常值；不去除阀门上下游流体压力以及流体流速未发生变化时的振动数据异常值；
8、当去除因阀门上下游流体压力以及流体流速变化所造成的振动数据异常值时，通过数据插值对去除的振动数据进行补值；采用的去除数据上下两点数据的均值补充去除的数据。
9、优选的，统计对阀门振动预处理后单位时间内阀门出现异常振动的时间和次数，构建阀门振动影响模型，计算异常振动对阀门的影响：
10、
11、其中，y表示阀门振动影响系数，ai表示第i次异常振动的振动幅度，ti表示第i次异常振动的时间段，t为单位时间；
12、设立阀门振动影响系数阈值，所述阀门振动影响系数阈值包括第一阀门振动影响系数阈值thy1和第二阀门振动影响系数阈值thy2,thy2＞＞thy1；当阀门振动影响系数y大于等于第一阀门振动影响系数阈值thy1时，触发阀门故障趋势预警；当阀门振动影响系数y大于等于第二阀门振动影响系数阈值thy2时，处罚触发阀门故障报警。
13、优选的，获取阀门上游和下游管道内的流体压力，根据阀门上游和下游管道内的流体压力变化率对阀门压力故障进行预警；所述阀门为非变压阀门；
14、令pup(t)和pdown(t)分别表示时间t时刻阀门上游和下游管道内流体压力，通过计算压力的变化率，对阀门故障进行预警：
15、
16、其中，δt是两个时间点之间的时间间隔；设定压力变化预警值thp,计算上下游流体压力变化率的绝对值之和，并与设定的预警值进行比较，预警条件为：
17、
18、当上下游流体压力变化率的绝对值之和大于预警值时发出故障预警。
19、优选的，训练卷积神经网络模型，用于识别阀门故障类型；
20、获取阶段时间内阀门振动数据的频谱形状图，人工设定阀门振动数据的不同频谱形状图对应的故障特征，并划分不同频谱形状图对应故障特征的标签，构建卷积神经网络模型的训练数据集，所述数据集包括训练集，验证集和测试集；以振动数据的频谱形状图为输入数据，以不同阀门不同故障特征的概率为输出，以最小化卷积神经网络模型的损失函数为训练目标，当卷积神经网络模型的损失函数值收敛时停止训练；
21、在阶段时间内，阀门振动数据触发振动预警和报警时，将当前阶段时间内的阀门振动数据的频谱形状图传输至卷积神经网络模型，训练后的卷积神经网络模型识别阀门故障特征。
22、优选的，所述卷积神经网络模型包括输入层、隐藏层、输出层、激活函数、损失函数和优化算法；
23、所述输入层用于输入阀门振动数据的频谱形状图；所述隐藏层包含多个神经元节点，用于学习阀门振动数据中的特征；所述输出层用于输出阀门故障类型的标签；所述激活函数用于引入阀门振动数据之间的非线性特征，采用的激活函数为relu激活函数；所述损失函数为交叉熵损失函数，用于衡量模型输出和实际阀门振动数据之间的差异；所述优化算法为adam算法，用于更新神经网络的参数以最小化损失函数。
24、一种阀门故障预测系统，其基于所述的一种阀门故障预测方法实现，包括，阀门数据收集模块、阀门数据处理模块、阀门故障预警模块以及阀门故障识别模块。
25、优选的，所述阀门数据收集模块，用于实时监测阀门的运行状态，并通过传感器收集阀门数据；
26、所述阀门数据处理模块，用于对收集的阀门数据进行预处理，去除数据中的异常值，提取阀门数据特征；
27、所述阀门故障预警模块，用于对预处理后的阀门数据进行分析，构建阀门故障预警模型，在检测到阀门出现故障时，以及检测到阀门出现故障趋势时进行报警；
28、所属阀门故障识别模块，用于构建卷积神经网络模型，并基于阀门振动数据，检测阀门故障类型。
29、一种计算机服务器，包括：处理器和存储器；其中，所述存储器中存储有可供处理器调用的计算机程序；所述处理器通过调用所述存储器中存储的计算机程序，执行所述的一种阀门故障预测方法。
30、一种计算机可读存储介质，其上存储有可擦写的计算机程序；当所述计算机程序在计算机设备上运行时，使得所述计算机设备执行所述的一种阀门故障预测方法。
31、本专利技术的有益效果：本专利技术能够提高阀门故障本文档来自技高网...
【技术保护点】
1.一种阀门故障预测方法，其特征在于，包括，
2.根据权利要求1所述的一种阀门故障预测方法，其特征在于，所述阀门的运行状态包括阀门的开合度；所述阀门数据包括阀门上游和下游的流体压力、流体流速以及阀门振动数据，所述阀门振动数据为阀门时域振动信号。
3.根据权利要求2所述的一种阀门故障预测方法，其特征在于，所述预处理包括，对传感器收集的阀门振动数据进行数据清洗；
4.根据权利要求3所述的一种阀门故障预测方法，其特征在于，统计对阀门振动预处理后单位时间内阀门出现异常振动的时间和次数，构建阀门振动影响模型，计算异常振动对阀门的影响：
5.根据权利要求4所述的一种阀门故障预测方法，其特征在于，获取阀门上游和下游管道内的流体压力，根据阀门上游和下游管道内的流体压力变化率对阀门压力故障进行预警；所述阀门为非变压阀门；
6.根据权利要求5所述的一种阀门故障预测方法，其特征在于，训练卷积神经网络模型，用于识别阀门故障类型；
7.根据权利要求6所述的一种阀门故障预测方法，其特征在于，所述卷积神经网络模型包括输入层、隐藏层、输出层
8.一种阀门故障预测系统，其基于权利要求1-7任一所述的一种阀门故障预测方法实现，其特征在于，包括，阀门数据收集模块、阀门数据处理模块、阀门故障预警模块以及阀门故障识别模块；
9.一种电子设备，其特征在于，包括：处理器和存储器，其中，所述存储器中存储有可供处理器调用的计算机程序；所述处理器通过调用所述存储器中存储的计算机程序，执行权利要求1-7任一项所述的一种阀门故障预测方法。
10.一种计算机可读存储介质，其特征在于：储存有指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1-7任一项所述的一种阀门故障预测方法。
...【技术特征摘要】
1.一种阀门故障预测方法，其特征在于，包括，
2.根据权利要求1所述的一种阀门故障预测方法，其特征在于，所述阀门的运行状态包括阀门的开合度；所述阀门数据包括阀门上游和下游的流体压力、流体流速以及阀门振动数据，所述阀门振动数据为阀门时域振动信号。
3.根据权利要求2所述的一种阀门故障预测方法，其特征在于，所述预处理包括，对传感器收集的阀门振动数据进行数据清洗；
4.根据权利要求3所述的一种阀门故障预测方法，其特征在于，统计对阀门振动预处理后单位时间内阀门出现异常振动的时间和次数，构建阀门振动影响模型，计算异常振动对阀门的影响：
5.根据权利要求4所述的一种阀门故障预测方法，其特征在于，获取阀门上游和下游管道内的流体压力，根据阀门上游和下游管道内的流体压力变化率对阀门压力故障进行预警；所述阀门为非变压阀门；
6.根据权利要求5所述...
【专利技术属性】
技术研发人员：方敏，王富国，李俊祺，胡永辉，
申请(专利权)人：阀毕威阀门有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。