一种基于多特征融合的复杂工况控制阀健康状态监控方法

本发明涉及信息，具体为一种基于多特征融合的复杂工况控制阀健康状态监控方法。

背景技术：

1、随着面向2035年的中国制造业高质量发展对工业生产提出了数字化、智能化、信息化和系统化转型的要求，近年来，在国家调整产业结构、转变经济增长方式和大力推广节能减排的措施下，对石油化工等企业在高温、高压、大流量及强腐蚀等苛刻环境中服役的核心设备的智能化、信息化技术改造与升级提出了新挑战。

2、控制阀是工业智能化的关键基础部件，其技术发展水平直接反映了国家的基础装备制造能力和工业现代化水平，是基础工业及其下游应用产业实现“智改数转”的必备条件。

3、我国石化行业中服务苛刻工况的典型控制阀及其数字定位器等都应用美国、日本的产品，一方面价格昂贵，再一方面相关技术受限，还存在控制信息安全问题。同时为了保障苛刻工况的典型控制阀的安全稳定运行，传统的方法是对控制阀进行定期预防性维修。虽然传统方法对于保障设备的安全性起到了作用，但是由于定期性维修具有一定的盲目性，并且检测量大，并且需要将设备整体停机，对企业与社会带来较大的经济损失。目前现有技术针对控制阀使用智能监控系统，但是针对控制阀的智能监控系统使用单一数据来源、单一模型，导致数据过拟合或监测不准确的问题。

技术实现思路

1、有鉴于此，本发明提供一种基于多特征融合的复杂工况控制阀健康状态监控方法，以至少解决上述问题。

2、本发明提供的一种基于多特征融合的复杂工况控制阀健康状态监控方法，包括：通过数据采集模块采集控制阀的声发射信号数据和振动信号数据；通过数据分割模块将声发射信号数据和振动信号数据切割为多组数据；通过降噪模块对每组数据中声发射信号数据和振动信号数据进行基于改进vmd算法的降噪，得到降噪后的信号数据；通过特征提取模块对降噪后的信号数据进行特征提取和多特征融合，得到原始数据集；通过原始数据集对基于投票优势的多模型嵌套组合模型进行训练，得到目标模型，应用目标模型进行控制阀健康状态监控。

3、在一种实现方式中，通过降噪模块对每组数据中声发射信号数据和振动信号数据进行基于改进vmd算法的降噪，得到降噪后的信号数据，包括：通过vmd算法构建和求解约束变分模型，得到多个具有特定稀疏性的imf分量，约束变分模型为：

4、

5、其中，uk为vmd分解得到的各个imf分量，ωk为各个imf分量对应的中心频率，δ(t)为单位脉冲函数，j为虚数单位，f(t)为原始信号；

6、引入二次惩罚因子和拉格朗日乘子项将公式(1)的有约束变分问题转换为无约束变分问题：

7、

8、其中，α为二次惩罚因子，λ为拉格朗日乘子，不断迭代更新和λn+1，完成无约束变分问题的求解；

9、通过奇异值最佳有效秩阶次改进vmd算法获得最优k值；

10、基于最优k值对原始信号进行vmd分解，得到k个imf分量；

11、对一个长度为n的imf分量进行相空间重构，得到矩阵y：

12、

13、其中，m为嵌入维数，t为延迟时间，m＝n-(m-1)t；

14、将矩阵y中的每行按升序重新排列，得到向量中各元素位置的列索引构成的一组符号序列：

15、s(l)＝{j1，j2，…，jm}，l＝1，2，…，d

16、其中，m维相空间映射不同的符号序列总共有m！种，d≤m！；

17、每一种符号序列出现的次数t与m！种符号序列的总次数m的比值作为该符号序列出现的概率，即：

18、

19、进而得到排列熵的计算式为：

20、

21、将排列熵值进行归一化处理，即：

22、

23、将归一化处理后的排列熵值大于0.8的imf分量剔除，对剩余k′个imf分量进行重构，得到降噪后的信号数据信号重构的计算式为：

24、

25、在另一种实现方式中，通过奇异值最佳有效秩阶次改进vmd算法获得最优k值，包括以下步骤：

26、将原始信号的信号序列排列为：

27、x＝{x1，x2，...，xn}

28、将x重构为p*q阶的汉克尔矩阵：

29、

30、对矩阵h进行奇异值分解：

31、

32、求相邻两个奇异值之间的差值，若k阶奇异值与k-1阶奇异值之差最大，且与k+1阶奇异值之差最小，即max(σk-σk+1)，min(σk-σk+1)时，将此时的k值确定为奇异值最佳有效秩阶次；

33、将k设定为vmd分解的最优k值。

34、在另一种实现方式中，通过特征提取模块对降噪后的信号数据进行特征提取和多特征融合，得到原始数据集，包括：通过特征提取模块对降噪后的信号数据进行声发射特征、振动特征和声学特征三个维度的特征提取；通过主成分分析法对声发射特征、振动特征和声学特征进行多特征融合，得到原始数据集。

35、在另一种实现方式中，通过原始数据集对基于投票优势的多模型嵌套组合模型进行训练，得到目标模型，包括：将原始数据集进行k折交叉验证划分为多个子数据集：

36、d＝[d1，d2，…，dn-1，dn]其中，d表示原始数据集；对每个子数据集采用不同的机器学习模型进行训练，得到每个机器学习模型的预测结果；将每个机器学习模型的预测结果进行投票，选取票数最多的预测结果作为标签；根据标签和原始数据集形成新数据集；采用二层模型对新数据集进行二次训练，得到目标模型。

37、与现有技术相比，本发明的有益效果是：

38、(1)将数据载入和数据切割解耦，避免大量数据的多次载入，提高了程序运行效率。

39、(2)本发明引入了将声发射特征、振动特征、声学特征相融合的特征提取方法，实现了多维度特征的全收集。

40、(3)本发明提出了一种基于投票优势的多模型嵌套组合模型，解决了传统的单模型针对某一特定数据集优势较大，但普适性差，简单多模型融合模型没有考虑不同模型的贡献率问题、给出相对模糊的识别的问题。

技术特征：

1.一种基于多特征融合的复杂工况控制阀健康状态监控方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，通过降噪模块对每组数据中声发射信号数据和振动信号数据进行基于改进vmd算法的降噪，得到降噪后的信号数据，包括：

3.根据权利要求2所述的方法，其特征在于，通过奇异值最佳有效秩阶次改进vmd算法获得最优k值，包括以下步骤：

4.根据权利要求1所述的方法，其特征在于，通过特征提取模块对降噪后的信号数据进行特征提取和多特征融合，得到原始数据集，包括：

5.根据权利要求1-4中任一项所述的方法，其特征在于，通过原始数据集对基于投票优势的多模型嵌套组合模型进行训练，得到目标模型，包括：

技术总结本发明提供一种基于多特征融合的复杂工况控制阀健康状态监控方法，包括通过数据采集模块采集控制阀的声发射信号数据和振动信号数据；通过数据分割模块将声发射信号数据和振动信号数据切割为多组数据；通过降噪模块对每组数据中声发射信号数据和振动信号数据进行基于改进VMD算法的降噪，得到降噪后的信号数据；通过特征提取模块对降噪后的信号数据进行特征提取和多特征融合，得到原始数据集；通过原始数据集对基于投票优势的多模型嵌套组合模型进行训练，得到目标模型，应用目标模型进行控制阀健康状态监控。本发明提高了对控制阀健康状态的侦测识别能力，并可通过可视化的形式反馈给相关维护人员以帮助维护人员实现定向维护，节约人力与时间成本。技术研发人员：王一凡,刘雪东,肖苏杰,宋斯铎,吴嘉澍,孙炳阳,周伟受保护的技术使用者：常州大学技术研发日：技术公布日：2024/9/29