一种波纹管密封阀泄漏故障智能诊断方法与流程

本发明涉及电数字数据处理领域，具体涉及一种波纹管密封阀泄漏故障智能诊断方法。

背景技术：

1、波纹管在半导体行业中主要用于管道系统的热膨胀补偿、振动吸收以及压力调节，通常采用波纹管密封阀控制波纹管中流体的流动。

2、波纹管密封阀运行时会因交变应力、腐蚀介质、温度循环及机械疲劳等因素影响而发生故障，造成波纹管中流体泄漏。为减少安全事故，需布设多类传感器实时监测波纹管密封阀状态，通过分析各传感器分别经独立的通道传输的采集信号来判断波纹管密封阀的工况是正常、阀外漏、阀内漏还是早期微小泄漏。现有诊断方法主要存在以下缺陷：

3、（1）现有诊断方法多将各通道数据作为独立输入，忽略了物理量间的传播路径和因果关系，导致正常压力波动引起的振动与声发射响应易被误判为泄漏，早期微小泄漏阶段的微弱异常信号极易淹没在背景噪声和正常耦合响应之中，使得早期微小泄漏对应的弱关联特征不容易被稳定提取，使得诊断准确率下降；

4、（2）波纹管密封阀泄漏故障的形成和加重具有明显的阶段性，早期微小泄漏往往表现为长时间缓慢积累的弱特征，严重泄漏则表现为短时间内快速增强的强特征。但现有方法的时序神经网络采用固定的状态更新机制，无论输入序列处于何种阶段，其信息保留和遗忘方式都完全相同，导致早期易遗忘缓慢积累的弱特征，后期对快速增强的强特征响应不足，无法有效建模泄漏从萌生到加剧的完整演化过程，使得诊断准确率下降；

5、（3）现有方法仅依赖交叉熵损失进行概率分类，对于早期微小泄漏工况与正常工况的部分特征重叠、阀内漏工况与阀外漏工况物理机理不同但部分特征相似的情况，难以学习具有判别性的特征分布，导致混淆类别之间的分类边界模糊，诊断准确率难以提升；

6、（4）现有方法采用的固定步长的循环网络或单尺度卷积无法兼顾不同泄漏类型的时间尺度差异，难以针对性强化短暂但关键的泄漏异常片段并同时抑制长时间的无泄漏时段干扰，使得诊断准确率下降。

7、因此现有的波纹管密封阀泄漏故障智能诊断方法存在诊断准确率较低的问题。

技术实现思路

1、本发明所要解决的技术问题在于克服上述现有技术的缺点，提供一种诊断准确率较高的波纹管密封阀泄漏故障智能诊断方法。

2、为解决上述技术问题，本发明提供的一种波纹管密封阀泄漏故障智能诊断方法包括：

3、s1.通过传感器设备连续采集波纹管密封阀在多种状态下的运行数据，同一个采集周期内的运行数据即为一个样本，为每个样本分别构建该样本对应的原始传感器时序矩阵；标注各样本的工况类别作为各样本的真实标签；

4、s2.基于各样本的原始传感器时序矩阵计算各样本的物理信息增强输入矩阵；

5、s3.基于所有样本的物理信息增强输入矩阵计算全局特征向量；

6、s4.基于全局特征向量训练诊断模型得到已训练诊断模型；

7、s401.根据全局特征向量计算各工况类别的预测概率分布；

8、s402.基于预测概率分布构建总损失函数并训练诊断模型得到已训练诊断模型；

9、s403.采用小批量随机梯度下降法对诊断模型进行训练，得到已训练诊断模型；

10、s5.实时采集新的运行数据，执行s2后输入已训练诊断模型中，得到各工况类别对应的预测概率分布，将概率最大的工况类别作为诊断结果输出。

11、作为本发明的更进一步的改进：s2的步骤包括：

12、s201.从原始传感器时序矩阵中提取压力场数据与非压力场数据，非压力场数据包括机械运动场数据、声振场数据以及温度场数据，计算各非压力场相对于压力场数据的复数传递函数；

13、s202.基于各非压力场相对于压力场数据的复数传递函数计算物理信息增强输入矩阵。

14、优选地，s201的步骤包括：

15、s2011.从原始传感器时序矩阵中提取机械运动场数据、压力场数据、声振场数据以及温度场数据；

16、s2012.对阀后压力信号、机械运动场数据、声振场数据、温度场数据分别进行时频变换，得到阀后压力信号的频谱、机械运动场数据的频谱、声振场数据的频谱、温度场数据的频谱；

17、s2013.以阀后压力信号的频谱为参考，根据机械运动场数据的频谱、声振场数据的频谱、温度场数据的频谱计算阀后压力到机械运动场的复数传递函数、阀后压力到声振场的复数传递函数、阀后压力到温度场的复数传递函数。

18、优选地，s202的步骤包括：

19、s2021.将阀后压力信号的频谱分别乘以各非压力场相对于压力场数据的复数传递函数得到各非压力场预期响应频谱；

20、s2022.对各非压力场预期响应频谱分别执行逆时频变换，恢复到时域，得到各非压力场估计值；

21、s2023.用各非压力场数据分别减去各非压力场估计值计算各非压力场泄漏相关残余分量，各非压力场泄漏相关残余分量包括机械运动场泄漏相关残余分量、声振场泄漏相关残余分量、温度场泄漏相关残余分量；

22、s2024.将压力场数据、机械运动场泄漏相关残余分量、声振场泄漏相关残余分量以及温度场泄漏相关残余分量按列拼接得到物理信息增强输入矩阵。

23、作为本发明的更进一步的改进：s3的步骤包括：

24、s301.以各样本的物理信息增强输入矩阵为输入，沿时间轴提取不同时间尺度上的局部变化模式，融合后得到各时间步的多尺度局部特征；

25、s302.基于归一化后的物理信息增强输入矩阵计算泄漏演化阶段因子；

26、s303.根据泄漏演化阶段因子计算第二层演化感知门控循环单元输出序列；

27、s304.基于第二层演化感知门控循环单元输出序列计算全局特征向量。

28、优选地，s301的步骤包括：

29、s3011.将各样本的物理信息增强输入矩阵组成增强训练集，统计增强训练集中所有样本在全部时间步上每个通道的均值与增强训练集中所有样本在全部时间步上每个通道的标准差；

30、s3012.根据增强训练集中所有样本在全部时间步上每个通道的均值与增强训练集中所有样本在全部时间步上每个通道的标准差对各物理信息增强输入矩阵进行通道归一化处理，得到归一化物理信息增强输入矩阵；

31、s3013.从归一化物理信息增强输入矩阵中分别提取短时局部时间片段、中时局部时间片段以及长时局部时间片段；

32、s3014.将短时局部时间片段、中时局部时间片段以及长时局部时间片段分别进行1维卷积运算得到短时局部卷积特征、中时局部卷积特征、长时局部卷积特征；

33、s3015.根据短时局部卷积特征、中时局部卷积特征以及长时局部卷积特征计算各时间步的多尺度局部特征。

34、优选地，s303的步骤包括：

35、s3031.将各时间步的第二层隐藏状态、各时间步的多尺度局部特征以及泄漏演化阶段因子共同输入更新门计算模块计算更新门；

36、s3032.将各时间步的第二层隐藏状态、各时间步的多尺度局部特征以及泄漏演化阶段因子共同输入重置门计算模块计算重置门；

37、s3033.根据重置门计算经重置门调节后的历史状态；

38、s3034.采用双曲正切激活函数根据各时间步的多尺度局部特征、经重置门调节后的历史状态以及泄漏演化阶段因子计算新状态候选值的候选隐藏状态；

39、s3035.利用更新门对上一时间步的第二层隐藏状态与候选隐藏状态进行加权融合，得到当前时间步隐藏状态；

40、s3036.沿时间轴依次计算所有时间步的当前时间步隐藏状态，得到第一层演化感知门控循环单元输出序列；将第一层演化感知门控循环单元输出序列输入至第二层演化感知门控循环单元，得到第二层演化感知门控循环单元输出序列。

41、优选地，s304的步骤包括：

42、s3041.从第二层演化感知门控循环单元输出序列提取各时间步的第二层隐藏状态；

43、s3042.将各时间步的第二层隐藏状态输入注意力评分模块计算各时间步的未归一化重要性得分；

44、s3043.根据各时间步的未归一化重要性得分计算各时间步的注意力权重；

45、s3044.根据所有时间步的注意力权重与所有时间步的第二层隐藏状态计算全局特征向量。

46、作为本发明的更进一步的改进：s401的步骤包括：

47、s4011.将全局特征向量输入全连接分类层后映射到所有工况类别，得到分类得分向量；

48、s4012.对分类得分向量执行softmax变换得到预测概率分布。

49、作为本发明的更进一步的改进：s402的步骤包括：

50、s4021.根据预测概率分布与真实标签构建交叉熵损失；

51、s4022.在特征空间为所有工况类别分别设置一个类别中心；

52、s4023.根据每个样本的全局特征向量与各类别中心的距离计算类别中心距离损失；

53、s4024.将交叉熵损失与类别中心距离损失加权求和，得到总损失。

54、本发明的有益效果如下：本发明提供的一种波纹管密封阀泄漏故障智能诊断方法诊断准确率较高。为了把正常压力耦合导致的变化与泄漏诱发的额外异常分开表达，s2在得到复数传递函数后，利用阀后压力信号重构各物理场在正常压力扰动下的预期响应，再将该预期响应从原始信号中剔除，依据泄漏故障的物理传播路径进行针对性分离，能够突出早期微小泄漏对应的弱异常，提高不同泄漏类型之间的可分性，从而提取更能反映泄漏异常的残余分量；同时保留原始压力场数据，以直接反映泄漏造成的压降和压力波动。s3能够使动态状态调控深度时序网络能够根据当前泄漏演化程度自适应调整信息保留与更新策略，并使诊断模型能够关注泄漏演化过程中的关键时间片段；s301的多尺度局部特征提取能够同时覆盖不同时间尺度的故障模式，使动态状态调控深度时序网络能够在同一时间位置同时关注短时、中时和长时的局部时序特征。常规方法通常只将泄漏演化程度作为额外输入特征拼接到动态状态调控深度时序网络开头，但s303则将泄漏演化程度直接作用于门控循环单元的更新门、重置门和候选状态生成过程，使内部状态更新机制能够真正随泄漏阶段变化而变化，进而使得早期微小泄漏阶段可以更充分保留历史弱特征，严重泄漏阶段可以更快吸收当前强异常，从而同时提高早期检出能力和严重故障响应能力。与直接平均池化或直接取最后一个时间步特征相比，s304这种自适应注意力时序池化更适合保留短暂但关键的泄漏异常片段，也能兼顾长时间持续演化的缓慢趋势片段。s4在分类器训练过程中引入类别中心距离约束，使同类样本在特征空间中更加集中、异类样本更加分离，在特征空间中形成更紧凑的类内分布和更清晰的类间边界，从而提高混淆类别的区分能力。