水下空间站阀门故障分析与检测方法与流程

摘要: 本发明涉及一种水下极端环境阀门故障诊断与机器学习交叉,特别涉及一种水下空间站阀门故障分析与检测方法。背景技术:1、水下空间站作为深海资源勘探与科学研究的核心装备...
水下空间站阀门故障分析与检测方法与流程

本发明涉及一种水下极端环境阀门故障诊断与机器学习交叉,特别涉及一种水下空间站阀门故障分析与检测方法。

背景技术:

1、水下空间站作为深海资源勘探与科学研究的核心装备,其运行稳定性直接取决于关键部件的可靠性,其中舷侧阀与二道阀作为舱体密封、介质控制的核心屏障,长期工作在高压、高湿、强腐蚀、强电磁干扰的极端环境中,易出现过力矩、密封失效、通信故障、行程异常等故障,若未能及时检测与处理,可能引发舱体失压、介质泄漏等重大安全事故。

2、传统的阀门故障诊断方式主要依赖人工巡检与周期检修,存在响应滞后、故障定位困难、无法实现24小时值守等缺陷,难以适配水下空间站的长期运维需求。随着数据驱动技术的发展,基于机器学习的故障诊断方法逐渐替代人工方式,但现有技术仍存在诸多不足:一方面,传统机器学习方法需人工提取数据特征,过程耗时且易导致特征丢失,尤其针对水下阀门的多元时序数据,特征提取难度更大;另一方面,现有深度学习方法多针对一维数据或单一维度故障设计,难以有效处理多元时序数据中的时序关联特征,且对水下场景的小样本、强噪声数据适配性差,模型部署时难以满足嵌入式硬件的轻量化要求。

3、此外,水下空间站阀门的运行数据涵盖阀位、模拟量输入、故障状态等多维度信息,不同维度数据的量纲与范围差异较大,直接输入模型会导致特征权重失衡,影响诊断精度。同时,故障样本的采集受极端环境与实验条件限制,样本数量稀缺且类别分布不均,进一步加剧了模型训练的难度。因此,亟需一种无需人工特征提取、适配小样本与强噪声环境、轻量化且诊断精度高的水下空间站阀门故障检测方法,以解决现有技术的痛点。

技术实现思路

1、针对上述问题,提出了一种水下空间站阀门故障分析与检测方法,通过多元时序数据的gafs图像转换、多维度图像融合与轻量化深度学习模型训练,以解决上述的技术问题。

2、本发明的技术方案为:一种水下空间站阀门故障分析与检测方法,包括以下步骤:

3、步骤s1:通过阀门监控专家系统采集水下空间站阀门运行过程中的多元时序数据;

4、步骤s2:对所述多元时序数据进行预处理,包括剔除异常值及归一化处理,将各变量数据映射至预设数值区间;

5、步骤s3:将预处理后的各单变量时序数据分别通过格拉姆角场变换转换为二维灰度图像;

6、步骤s4:将多个所述二维灰度图像按预设权重进行加权融合,生成多通道融合样本图像;

7、步骤s5:将所述多通道融合样本图像输入轻量化深度学习模型进行训练,得到阀门故障诊断模型;

8、步骤s6:将待检测阀门的实时时序数据经步骤s2至s4处理后,输入所述阀门故障诊断模型,输出故障类别及对应的置信度,并根据置信度阈值进行状态判定与预警。

9、进一步,所述步骤s2中,所述剔除异常值采用3σ准则;所述归一化处理将数据线性映射至[-1, 1]区间。

10、进一步,所述步骤s3具体包括:

11、将归一化后的单变量时序数据转换至极坐标系,其中数据值转换为夹角余弦值,时间戳序号作为极坐标半径;

12、基于格拉姆角场内积公式计算生成二维图像矩阵,所述二维图像的空间分辨率设置为224×224像素。

13、进一步,所述步骤s4中,采用图像加法函数对多个所述二维灰度图像进行像素级加权叠加,并通过通道映射或通道复制技术转换为3通道融合样本图像,实现多元时序特征在图像域的空间对齐与信息整合。

14、进一步,所述步骤s5中的轻量化深度学习模型为resnet18轻量化架构;其网络适配包括:

15、基于resnet18的残差学习核心架构,对模型输出端进行故障检测任务定制化重构,替换原始分类头,重构为依次连接的全局平均池化层、第一全连接层及第二全连接层;

16、其中,所述全局平均池化层对resnet18骨干网络输出的高维特征图进行空间维度压缩,将512通道的7×7特征图映射为512维特征向量;所述第一全连接层将特征维度由512降至256,引入gelu激活函数增强特征非线性表达能力;所述第二全连接层将特征维度由256映射至n,n为预设的水下空间站阀门故障类别总数。

17、进一步,所述步骤s5中的模型训练过程包括:

18、加载imagenet预训练的resnet18权重,基于resnet18的层级特征提取特性,冻结模型前两个stage(对应conv2_x、conv3_x模块)的网络参数,仅对后两个stage(对应conv4_x、conv5_x模块)的参数及重构后的分类头进行微调训练;

19、采用adamw优化器,设置权重衰减系数为0.05,初始学习率为1e-4,并采用余弦退火策略进行动态学习率调度;

20、采用带标签平滑的交叉熵损失函数进行模型优化,标签平滑系数设置为0.1;引入验证集早停机制,当验证集准确率在连续预设轮数内未提升时终止训练,避免模型过拟合。

21、进一步,所述步骤s6中,根据置信度进行状态判定的逻辑为:

22、当输出置信度≥0.9时,判定为确认故障并触发对应故障类别的预警指令;当输出置信度处于0.7至0.9之间时,标记为疑似故障状态并启动持续监测逻辑;

23、当输出置信度<0.7时,判定为健康运行状态或维持常规监测。

24、进一步,所述步骤s1中,所述多元时序数据包括时间戳、当前阀位、模拟量输入信号、极限位置状态及力矩状态信息;数据采集频率为50hz,每个样本截取完整开关过程预设长度的时间序列;所述故障类别包括健康状态、开方向过力矩、关方向过力矩、电机通信故障及行程异常。

25、一种水下空间站阀门故障分析与检测系统,包括:

26、数据采集模块,配置为通过阀门监控专家系统实时采集阀门运行多元时序数据;

27、数据处理模块,配置为执行所述的预处理、格拉姆角场转换及图像融合操作;

28、模型推理模块,内置所述方法训练得到的阀门故障诊断模型,配置为接收多通道融合样本图像并输出故障类别及置信度;

29、预警控制模块,配置为根据所述置信度阈值生成预警信号或持续监测指令。

30、一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现所述的水下空间站阀门故障分析与检测方法。

31、本发明的有益效果在于:本发明水下空间站阀门故障分析与检测方法,无需人工特征提取,避免高维数据降维导致的特征丢失,抗水下强干扰能力强,适配嵌入式部署,为水下空间站阀门安全稳定运行提供可靠技术支撑。适用于水下深空站如舷侧阀、二道阀等关键阀门的实时故障诊断,可实现健康状态与多种故障类型的精准识别。

1.一种水下空间站阀门故障分析与检测方法,其特征在于,包括以下步骤:步骤s1:通过阀门监控专家系统采集水下空间站阀门运行过程中的多元时序数据;步骤s2:对所述多元时序数据进行预处理,包括剔除异常值及归一化处理,将各变量数据映射至预设数值区间;步骤s3:将预处理后的各单变量时序数据分别通过格拉姆角场变换转换为二维灰度图像;步骤s4:将多个所述二维灰度图像按预设权重进行加权融合,生成多通道融合样本图像;步骤s5:将所述多通道融合样本图像输入轻量化深度学习模型进行训练,得到阀门故障诊断模型;步骤s6:将待检测阀门的实时时序数据经步骤s2至s4处理后,输入所述阀门故障诊断模型,输出故障类别及对应的置信度,并根据置信度阈值进行状态判定与预警。

2. 根据权利要求1所述的水下空间站阀门故障分析与检测方法,其特征在于,所述步骤s2中,所述剔除异常值采用3σ准则;所述归一化处理将数据线性映射至[-1, 1]区间。

3.根据权利要求1所述的水下空间站阀门故障分析与检测方法,其特征在于,所述步骤s3具体包括:将归一化后的单变量时序数据转换至极坐标系,其中数据值转换为夹角余弦值,时间戳序号作为极坐标半径;基于格拉姆角场内积公式计算生成二维图像矩阵,所述二维图像的空间分辨率设置为224×224像素。

4.根据权利要求1所述的水下空间站阀门故障分析与检测方法,其特征在于,所述步骤s4中,采用图像加法函数对多个所述二维灰度图像进行像素级加权叠加,并通过通道映射或通道复制技术转换为3通道融合样本图像,实现多元时序特征在图像域的空间对齐与信息整合。

5.根据权利要求1所述的水下空间站阀门故障分析与检测方法,其特征在于,所述步骤s5中的轻量化深度学习模型为resnet18轻量化架构;其网络适配包括:基于resnet18的残差学习核心架构,对模型输出端进行故障检测任务定制化重构,替换原始分类头,重构为依次连接的全局平均池化层、第一全连接层及第二全连接层;其中,所述全局平均池化层对resnet18骨干网络输出的高维特征图进行空间维度压缩,将512通道的7×7特征图映射为512维特征向量;所述第一全连接层将特征维度由512降至256,引入gelu激活函数增强特征非线性表达能力;所述第二全连接层将特征维度由256映射至n,n为预设的水下空间站阀门故障类别总数。

6.根据权利要求5所述的水下空间站阀门故障分析与检测方法,其特征在于,所述步骤s5中的模型训练过程包括:加载imagenet预训练的resnet18权重,基于resnet18的层级特征提取特性,冻结模型前两个stage的网络参数,仅对后两个stage的参数及重构后的分类头进行微调训练;采用adamw优化器,设置权重衰减系数为0.05,初始学习率为1e-4,并采用余弦退火策略进行动态学习率调度;采用带标签平滑的交叉熵损失函数进行模型优化,标签平滑系数设置为0.1;引入验证集早停机制,当验证集准确率在连续预设轮数内未提升时终止训练,避免模型过拟合。

7.根据权利要求1所述的水下空间站阀门故障分析与检测方法,其特征在于,所述步骤s6中,根据置信度进行状态判定的逻辑为:当输出置信度≥0.9时,判定为确认故障并触发对应故障类别的预警指令;当输出置信度处于0.7至0.9之间时,标记为疑似故障状态并启动持续监测逻辑;当输出置信度<0.7时,判定为健康运行状态或维持常规监测。

8.根据权利要求1所述的水下空间站阀门故障分析与检测方法,其特征在于,所述步骤s1中,所述多元时序数据包括时间戳、当前阀位、模拟量输入信号、极限位置状态及力矩状态信息;数据采集频率为50hz,每个样本截取完整开关过程预设长度的时间序列;所述故障类别包括健康状态、开方向过力矩、关方向过力矩、电机通信故障及行程异常。

9.一种水下空间站阀门故障分析与检测系统,其特征在于,包括:数据采集模块,配置为通过阀门监控专家系统实时采集阀门运行多元时序数据;数据处理模块,配置为执行如权利要求2至4任一项所述的预处理、格拉姆角场转换及图像融合操作;模型推理模块,内置如权利要求5或6所述方法训练得到的阀门故障诊断模型,配置为接收多通道融合样本图像并输出故障类别及置信度;预警控制模块,配置为根据所述置信度阈值生成预警信号或持续监测指令。

10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述的水下空间站阀门故障分析与检测方法。