基于小波包分析和优化KNN的电动开度阀故障检测方法.pdf
《基于小波包分析和优化KNN的电动开度阀故障检测方法.pdf》由会员分享,可在线阅读,更多相关《基于小波包分析和优化KNN的电动开度阀故障检测方法.pdf(10页珍藏版)》请在咨信网上搜索。
1、第48 卷第1期2024年1月doi:10.11832/j.issn.1000-4858.2024.01.006基于小波包分析和优化KNN的电动开度阀故障检测方法唐炜,陈远,程鲲鹏(1.江苏科技大学机械工程学院,江苏 镇江212100;2.江苏远望仪器有限公司技术部,江苏泰州225508)摘要:针对以微控制器MCU为控制核心的电动开度阀控制系统难以集成高效且计算量小的故障检测子系统的问题,基于小波包变换和优化K近邻(K-Nearest Neighbor,K NN)算法提出了一种电动开度阀故障检测方法。对阀门振动信号进行小波包变换,计算小波包节点的能量值与其重构信号的时域特征参数。根据Pears
2、on系数筛选出两种与能量强相关的故障特征参数:峰峰值与均方根,并将两者作为KNN算法的样本评价指标;通过对评价指标进行加权优化了KNN算法的距离计算公式,分别在MATLAB和实验样机中进行故障检测测试,对应最高分类准确率分别为9 2.5%与8 6.7%。结果表明:实验测试与仿真分析具有较好的一致性,该故障检测方法的优势在于计算量小、故障识别率较高,并能有效地应用于以MCU为核心的电动开度阀控制系统。关键词:电动开度阀;小波包分析;优化KNN;故障检测中图分类号:TH137;TP277文献标志码:B文章编号:10 0 0-48 58(2 0 2 4)0 1-0 0 46-10Fault Dete
3、ction Method for Electric Opening Valves Based onWavelet Packet Analysis and Optimized KNNTANG Weil,CHEN Yuan,CHENG Kun-peng?(1.School of Mechanical Engineering,Jiangsu University of Science and Technology,Zhenjiang,Jiangsu 212100;2.Technology Department,Jiangsu Yuanwang Instrument Co.,Ltd.,Taizhou,
4、Jiangsu 225508)Abstract:To address the issue of difficult integration of a highly efficient and low-computational-fault detectionsubsystem into an electric opening valve control system with a microcontroller unit(MCU)as its control core,thispaper propose a fault detection method for electric opening
5、 valves based on wavelet packet transform and optimizedK-Nearest Neighbor(KNN)algorithm.The wavelet packet transform is applied to the valve vibration signal,andthe energy values of the wavelet nodes are calculated together with the time domain characteristics of thereconstructed signal.Based on the
6、 Pearson coefficients,two fault characteristics parameters with strong energycorrelation:peak-to-peak value and root mean square,and both are used as sample evaluation indicators for theKNN algorithm;the distance calculation formula of the KNN algorithm is optimized by weighting the evaluationindica
7、tors,and fault detection tests are conducted in MATLAB and the experimental prototype respectively,withcorresponding highest classification accuracy rates of 92.5%and 86.7%.The results show that experimental testand simulation analysis have good consistency,and the advantage of this fault detection
8、method is that it has small收稿日期:2 0 2 3-0 5-31基金项目:教育部产学合作协同育人项目(2 0 2 0 0 2 1440 37);江苏省重点研发计划(BE2016009)作者简介:唐炜(19 7 3一),男,重庆人,副教授,硕士,主要研究方向为机电控制及自动化。液压与气动Chinese Hydraulics&Pneumatics修回日期:2 0 2 3-0 7-0 5Vol.48 No.1January.20242024 年第 1 期amount of calculation,high fault identification rate,and can
9、 be effectively applied to the electric opening valvecontrol system with MCU as the core.Key words:electric opening valve,wavelet packet transform,optimization KNN,fault detection引言电动开度阀是流体机械装备中的一种典型机电一体化设备,主要用于调节管网系统中介质的流动从而控制管路中流体的压力和流量等参数,广泛应用于水处理、石油、化工、船舶等行业控制领域。良好的开度控制系统可有效地提升管网系统中介质的输送效率与控制精度,
10、而稳定可靠的故障检测系统有助于延长阀门执行机构的寿命。在智能制造大背景下,研究电动开度阀的故障检测方法对于确保工矿企业阀控系统的安全运行具有积极意义。近年来,关于阀门故障检测的研究在不断深入,国内外相关学者主要围绕检测信号分析处理、故障诊断模型建立和故障诊断算法优化等开展了研究。KOK TL等2 针对阀门卡滞导致的振荡问题,将无阈值递归图和纹理分析应用于诊断阀门控制回路中,实验表明该方法可有效地检测出阀门的卡滞故障,但局限性在于检测的故障单一。SALAH M A 等3针对阀门故障引起往复式压缩机非计划停机的问题,提出一种基于支持向量机(SVM)和声发射参数的故障检测方法,对阀门在健康和故障状态
11、下的声发射信号进行波形分析,设计了SVM故障检测模型,结果表明该模型的检测准确率超过9 8%,但该方法受限于信号分析处理和特征提取,判别速度较慢。SANTHOSHKV等4 针对调节阀故障导致的供水压力不足问题,提出了一种基于振动分析和SVM的故障检测方法,实验表明该方法的检测准确率为9 7%,但不足之处在于故障种类仅设置了供水压力不足这一项。UTAH M N等5 针对交流电磁阀故障导致介质流动中断的问题,提出了一种基于传统机器学习和深度神经网络的故障检测方法,通过对交流供电的波形进行时频域分析获取16 种特征参数,进而基于机器学习与深度神经网络进行故障分类,结果表明故障分类正确率达到9 4%,
12、但该模型的训练时间较长。LIUYK等6 针对DN50电动阀的内漏故障提出了一种浅层-深层的集成故障诊断模型,基于声信号建立了三种不同的深度信念网络模型,实验结果表明该模型的分类准确率为9 1.9 44%,但其局限性在于该模型仅针对DN50型号的电动阀,若应用于较大通径的阀门可能会影响分类的准确率。液压与气动闻岩等7 为了解决平衡阀早期微弱故障特征难以提取等问题,通过加速退化实验获取故障数据,进而结合全连接神经网络构建故障诊断模型,结果表明该模型的诊断准确率为9 2%,但该模型需经过较多次迭代才能取得较高的准确率,计算量较大。权凌霄等8 为解决标准BP神经网络在故障诊断时学习效率较低的问题,采用
13、“GA+LM”优化BP神经网络的方法,提升了网络的学习效率和搜索精度,大幅提高了故障诊断的效率,但该算法较为复杂,难以应用在MCU 控制系统中。SHI Jinchuan等9 为解决液压换向阀故障诊断系统存在故障信息不足和亢余的问题,提出一种自适应融合多传感器信息的诊断方法,通过多传感器信息融合,采用熵权法和注意力机制自动选择故障敏感特征,使得诊断正确率达到9 9.8 2%,但该方法计算量偏大。徐仁义等10 1为了提高核电厂电动闸阀的预测性维修能力,利用Paris模型和声发射信号建立了阀门外漏故障的状态空间模型,并利用粒子群算法优化粒子滤波,有效提高了算法的预测精度,但在实验室环境下进行案例测试
14、时,存在故障工况较少的问题。综上所述,大部分学者在进行阀门故障检测方法的研究时,主要采用了傅里叶变换、小波包分析等信号分析方法,同时广泛采用了机器学习方法,如支持向量机、卷积神经网络、深度信念网络和K近邻算法。这些方法对本研究提供了一定的方向性指引,本研究以电动开度阀为研究对象,提出一种基于小波包分析和优化KNN的故障检测方法,并应用在以MCU为核心控制器的开度阀控制系统中,取得了良好的故障检测效果。1理论方法1.1小波包分解与重构小波包分析能将原始信号映射到一个小波伸缩构成的一组基函数上,具备了对不平稳信号进行时频局部分析的能力1。采用小波包分析处理原始信号时,给定正交小波函数(t)和正交尺
15、度函数(t),二者需满足双尺度方程12 (t)=/2hos(2t-k)kEz0(t)=/2h*$(2t-k)kEz47(1)48式中,hok,h 为滤波器系数。对在时域上采集的原始信号f(t)进行j层小波包分解,得到的第h个分解序列为d+1.2和d+1.2+,小波包分解递推公式为:(2)式中,ho一一低通滤波器系数hi一高通滤波器系数小波包重构可将小波包分解系数进行逆变换,使信号数量达到原始数量,但信号的分辨率更高。小波包重构公式为:d=go(l-2k)di-2n+式中,8 低通滤波器系数g1一高通滤波器系数1.2小波包能量若电动开度阀出现故障,振动信号的某段频率就会发生变化,那么经小波包分解
16、所得的部分小波包节点的信号能量也必然随之改变13。因此,根据各小波包节点的信号能量变化识别故障在理论上是可行的。原始信号f(t)的能量可表示为:I/(t)I2=If(t)dt小波包可将能量不重叠地正交变换到相邻的节点上,分解得到的各个小波包系数平方和即为原始信号在时域中的能量。原始信号经j层小波包分解后的小波包系数表示为S(j,),=0,1,2i-1,在第j层的k个节点的能量分别表示为E,E2,E,其中:E,=II S(j,k)II 2信号在第j层的总能量E,等于该层k个小波包节点的能量之和,即:E,=ZEk一第j层第k个节点的能量占总能量比值即为能量比P(j,k),即:P(j,k)=E,/E
17、;2故障特征提取2.1振动信号采集提取故障特征前需利用传感器获取电动开度阀运液压与气动行时的工况状态数据,并建立相关数据库作为故障检测的依据。本研究采用加速度传感器来获取开度阀的振动信号,对应的实验系统基本组成如图1所示。Z hoca-dMPU6050加速度传感器Chi(2l-k)d电动开度阀图1采集振动信号的实验系统Fig.1An experimental system for collectingvibration signals(3)其中,加速度传感器MPU6050安装于开度阀的电机的后端盖位置。该传感器采集数据并解算后输出至开度阀控制系统的IC接口,并通过USART通信连接至上位PC机
18、以实现高频数据采集。驱动电机作为电动开度阀的核心部件,其运行状态相对于其他部件更加重要。若开度阀长期处于频繁工作的状态,将导致电机出现过热故障,并进一步造成电机振荡或短时间的停止。此外,电机另一常见故障为电机转子不平衡,该故障产生的原因是电机制造误差或长期使用后沉积的粉尘颗粒对转子造成了磨蚀,(4)会使电机产生频繁的振荡。本研究利用上述采集振动信号的实验系统采集开度阀在正常运行状态和故障状态下振动信号的原始数据,采样频率为12 0 0 Hz,采样时间为16 s。其中,故障状态采用如下方法模拟:频繁进行开度阀开关动作使电机温度升高;通过增重法增加电机转子一侧的重量来模拟转子不平衡。最终得到的三种
19、状态下信号原始(5)波形如图2 所示。2.2振动信号的处理与分析小波变换的实质是原始信号与小波基函数卷积,得到的结果为小波系数。MATLAB软件中提供了(6)Daubechies小波(简称db小波)、Coieflet小波、Haar小波、Biothogonal小波等多种小波基函数。其中,db小波具有快速计算和多分辨率性质等优点,故本研究采(7)用其作为小波基,且阶数设为7。对三种工作状态下采集到的振动信号进行6 层分解变换后得到6 4个小波包节点。计算三种工作状态下这6 4个节点的能量比,汇总后发现能量主要集中于第48 卷第1 期电动开度阀USART控制系统!PC端上位机一ANO-TC匿名上位机
20、V6.exe2024 年第 1 期液压与气动4925550452020-20246b)电机过热状态b)Motor overheating condition2.S.u/各影220246810121416t/sc)转子不平衡状态c)Rotor unbalance condition图2 三种状态下的信号原始波形Fig.2Original waveform of signals in three states如图3所示的10 个节点。由图3可知,在正常状态、电机过热状态和转子不平衡状态下图中10 个节点的能量占比分别为91.62%,92.22%,94.04%,能量占比皆超过9 0%,因此忽略其他节
21、点,只针对这些节点进行分析。分析可知,三种状态下部分节点的能量分布发生明显变化:(1)正常状态下的能量分布相比于其余两种状态,节点11的能量比明显提高,通过频谱分析发现该节点的特征频率为37 5 39 3.7 5Hz;重构小波包节点6,1SELt246810121416t/sa)正常状态a)Normal state81012t/s电机过热正常状态转子不平衡40SSS353020141615105012511121315162728节点序号图3三种状态下的节点能量比Fig.3 Node energy ratio in three states(2)电机过热状态下的能量分布相比于其余两种状态,节点
22、5,13的能量比有较明显提升,两者的特征频率分别为150 16 8.7 5Hz和450 46 8.7 5Hz;(3)转子不平衡状态下的能量分布相比于其余两种状态,节点1,2 的能量比明显提高,而节点12 的能量比则有明显下降,其特征频率为412.5 431.2 5Hz。可将上述节点的特征频率作为电动开度阀的故障特征频率。综上所述,能量分布变化明显的节点有1,2,5,11,12和13共6 个节点。为了分析三种状态下这6 个节点振动信号的差异性,首先对节点的信号进行小波包重构,得到三种状态下的重构信号波形分别如图4图6 所示。重构小波包节点6,2 8二60L69986S024重构小波包节点6,56
23、8t/s10121416024重构小波包节点6,1168t/s1012141600.50-0.50224重构小波包节点6,12 4668t/s8t/sFig.4 Six node reconstruction signal under normal state1010图4正常状态下6 节点重构信号12121414162.S.u/各是0-11600224重构小波包节点6,134668t/s8t/s1010121214141616502-S.u/0.50.0.501002.S.u/各0.5液压与气动重构小波包节点6,1-S.u/告0.50-0.524重构小波包节点6,524重构小波包节点6,12
24、第48 卷第1期重构小波包节点6,2 68t/s68t/s101012121414161601224重构小波包节点6,1146重构小波包节点6,1368t/s8t/s10101212141416160-0.520.502.S.u/各影4重构小波包节点6,124重构小波包节点6,56Fig.5 Six node reconstruction signal under motor overheating state68t/s8t/s10图5电机过热状态下6 节点重构信号2.S./各是0.50-0.51012121414161600224重构小波包节点6,2 46重构小波包节点6,1168t/s8t
25、/s101012121414161602.S.u/各影024重构小波包节点6,12 68t/s10121416024重构小波包节点6,1368t/s101214160然后求取各节点重构信号的能量比以及5种时域特征参数(最大值、最小值、峰峰值、均方根、波形因数),具体如图7 所示。进一步分析图中的特征参数与能量比,寻找与能量比强相关的时域特征参数,如此便可用易于计算的时域特征参数代替不易计算的能量比作为故障特征。观察图7 中各状态下的能量比及特征参数变化趋势,可发现:(1)三种状态下最大值、峰峰值与能量比的变化趋势比较相似,而均方根与能量比在各节点的变化趋势最为相似;(2)在正常状态和电机过热状
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 波包 分析 优化 KNN 电动 开度阀 故障 检测 方法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。