一种基于集成即时学习的电磁阀故障监测方法与流程

1.本发明涉及电磁阀监测领域，具体讲是一种基于集成即时学习的电磁阀故障监测方法。


背景技术：

2.在液氮供给系统中，开关电磁阀是其很重要的一个元件，其动作准确、自动化程度高、工作稳定可靠。但是在使用的过程中难免会出现各种问题。虽然电磁阀本身成本不高，维修也只需要对其进行更换操作并不复杂，但是其故障本身并不是十分的明显，在故障初期很难被察觉，这将带来很严重的问题，轻则影响产品质量，重则可能会发生事故。
3.现有的方法主要是通过先验知识来划分工况，并根据不同的工况通过离线数据建立固定的诊断模型。当用于大数据处理时，由于该方法面临着模型结构难以确定、相关优化问题复杂、在线更新困难等一系列限制，使得其应用程度并不高。虽然，通过移动窗口模型、递归方法等方法能对模型进行更新，但在工况变化大的过程中作用不大。


技术实现要素：

4.因此，为了克服上述不足，本发明在此提供一种容易实施，应用程度高，并且基于即时学习的电磁阀故障监测方法，该方法能够在早期监测到电磁阀的故障，降低液氮供给系统因为电磁阀故障没有即时发现而带来安全隐患的风险。
5.所述即时学习是一种非线性过程建模策略，它建立在数据库和局部建模技术的基础之上。即时学习模型策略通常使用与其“局部”相关的最相关样本来构建围绕最新样本的在线局部模型。
6.具体的，一种基于集成即时学习的电磁阀故障监测方法，包括如下步骤：步骤一、令电磁阀的历史输入、输出和健康标记的样本表示为，其中表示第h个样本的健康标记，健康样本的标记为0，故障样本的标记为1。
7.步骤二、通过kmeans将样本分为c类，且，其中为第类的样本数，为至少需要获得的相关样本数量。
8.步骤三：当获得新的样本时，假设有种相似性指标，通
过公式确定在每个相似性指标下从第类中选择个相关样本，从而获得每个相似性指标下相关样本的数量，其中为在相似性指标下新的样本与第类的相似度。
9.步骤四：针对每个相似性指标计算所有历史样本的相似度权重；对于相似性指标，根据个样本计算的权重是。
10.步骤五：使用和，通过神经网络方法得到新的样本的在线故障检测局部模型；其中，和表示通过相似性指标建立的在线故障检测局部模型的输出和输入，表示与对应的真实输出。
11.步骤六：根据所有相关样本的健康标记情况和在每个相似性指标下对应的，训练svm分类模型，使svm分类模型能正确的将分为两类，一类为故障样本（用1表示），另一类为健康样本（用0表示），并计算正确率，其中，tp表示故障样本分类为故障样本，fp表示健康样本分类为故障样本，tn表示健康样本分类为健康样本，fn表示故障样本分类为健康样本。
12.步骤七：根据公式，获得新的样本的在线故障检测局部模型，然后将分别代入svm分类模型
，并计算综合健康状态值（其中，为第个模型的分类结果），最后当（为阈值）时，当前电磁阀为故障状态，反之，当前电磁阀为健康状态。
13.本发明具有如下有益效果：本发明容易实施，应用程度高，并且基于即时学习对电磁阀进行故障监测，本发明能够在早期监测到电磁阀的故障，降低液氮供给系统因为电磁阀故障没有即时发现而带来安全隐患的风险。
14.同时本发明通过公式确定在每个相似性指标下从第类中选择个相关样本，而不是选择故障的n个相关样本。由于不同相似性指标下不同类的总数不同，采用这个公式的话，可以达到从数量多的类中获得多的样本，从数量少的类中获得少的样本，避免在数量少的类中过度采样，在数量多的类中采样率太低。
15.本发明根据所有相关样本的健康标记情况和在每个相似性指标下对应的 ，训练svm模型，使svm分类模型能正确的将分为两类，一类为故障样本（用1表示），另一类为健康样本（用0表示），并计算正确率；如果输出为1，则样本发生故障，如果是0，样本处于健康阶段；而判断当前电磁阀的健康状态则是综合健康状态值来判断。
附图说明
16.图1是本发明的流程示意图，其中实线为训练过程，虚线为监测过程。
具体实施方式
17.下面将结合附图1对本发明进行详细说明，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
18.如图1所示，本发明在此提供一种基于集成即时学习的电磁阀故障监测方法，包括如下步骤：步骤一、令电磁阀的历史输入、输出和健康标记的样本表示为，，其中表示第h个样本的健康标记，健康样本的标记为0，故障样本的标记为1。
19.步骤二、通过kmeans将样本分为c类，且，其中为第类的样本数，为至少需要获得的相关样本数量。
20.步骤三：由于在不同的相似性指标下，当获得新的样本时，假设有种相似性指标，通过公式确定在每个相似性指标下从第类中选择个相关样本，从而获得每个相似性指标下相关样本的数量，其中为在相似性指标下新的样本与第类的相似度，通过确定在每个相似性指标下从第类中选择个相关样本，从而获得每个相似性指标下相关样本的数量。
21.步骤四：针对每个相似性指标计算所有历史样本的相似度权重；对于相似性指标
，根据个样本计算的权重是。
22.步骤五：使用和，通过神经网络方法得到新的样本的在线故障检测局部模型。
23.其中，和表示通过相似性指标建立的在线故障检测局部模型的输出和输入，表示与对应的真实输出。
24.步骤六：根据所有相关样本的健康标记情况和在每个相似性指标下对应的，训练svm分类模型，使svm分类模型能正确的将分为两类，一类为故障样本（用1表示），另一类为健康样本（用0表示），并计算正确率，其中，tp表示故障样本分类为故障样本，fp表示健康样本分类为故障样本，tn表示健康样本分类为健康样本，fn表示故障样本分类为健康样本。
25.步骤七：根据公式，获得新的样本的在线故障检测局部模型，然后将分别代入svm分类模型，并计算综合健康状态值（其中，为第个模型的分类结果），最后当（为阈值）时，当前电磁阀为故障状态，反之，当前电磁阀为健康状态；所述阈值由技术人员根据经验而定。
26.本发明容易实施，应用程度高，并且基于即时学习对电磁阀进行故障监测，本发明能够在早期监测到电磁阀的故障，降低液氮供给系统因为电磁阀故障没有即时发现而带来安全隐患的风险。
27.对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。


技术特征：
，其中 为在相似性指标下新的样本与第类的相似度。5.根据权利要求4所述一种基于集成即时学习的电磁阀故障监测方法，其特征在于，所述步骤s4的具体方法如下：针对每个相似性指标计算所有历史样本的相似度权重；对于相似性指标，根据个样本计算的权重是。6.根据权利要求5所述一种基于集成即时学习的电磁阀故障监测方法，其特征在于，所述步骤s5的具体方法如下：使用根据步骤s3获得在每个相似性指标下的相关样本和，通过神经网络方法得到新的样本的在线故障检测局部模型；其中，和表示通过相似性指标建立的在线故障检测局部模型的输出和输入，表示与对应的真实输出。7.根据权利要求6所述一种基于集成即时学习的电磁阀故障监测方法，其特征在于，所述步骤s6的具体方法如下：根据所有相关样本的健康标记情况和在每个相似性指标下对应的，训练svm分类模型，使svm分类模型能正确的将分为两类，一类为故障样本，用1表示，另一类为健康样本，用0表示，并计算正确率，其中，tp表示故障样本分类为故障样本，fp表示健康样本分类为故障样本，tn表示健康样本分类为健康样本，fn表示故障样本分类为健康样本。8.根据权利要求7所述一种基于集成即时学习的电磁阀故障监测方法，其特征在于，所述步骤s7的具体方法如下：根据公式，获得新的样本的在线故障检测局部模型，然后将分别代入svm分类模型，并计算
综合健康状态值，最后当时，当前电磁阀为故障状态，反之，当前电磁阀为健康状态；其中，为第个模型的分类结果，为阈值。

技术总结
本发明涉及对液氮供给系统中电磁阀故障的监测领域，具体公开了一种基于集成即时学习的电磁阀故障监测方法，该方法首先对电磁阀历史输入、输出和健康标记建立样本，然后对样本进行分类、相似性指标和相关样本数量等分析，并建立在线故障检测局部模型，最后根据模型的输出判断当前电磁阀的健康状态；本发明容易实施，应用程度高，并且基于即时学习对电磁阀故障监测，能够在早期监测到电磁阀的故障，降低液氮供给系统因为电磁阀故障没有即时发现而带来安全隐患的风险。带来安全隐患的风险。带来安全隐患的风险。


技术研发人员：王平 盖文 胡俊
受保护的技术使用者：中国空气动力研究与发展中心设备设计与测试技术研究所
技术研发日：2022.09.29
技术公布日：2022/11/8