葉志勇，王濤，蔣孟杰，張濤，瞿曉燕，陳惟東，李二心

（1.上海袋式除塵配件有限公司，上海 200241；2.北京理工大學(xué)，北京 100081）

電磁脈沖閥是脈沖袋式除塵器的核心部件，是脈沖噴吹袋式除塵器清灰氣流的發(fā)生裝置[1]。在常見的清灰方式中，脈沖噴吹具有最強(qiáng)的清灰能力，但如果由于電磁脈沖閥故障造成不能滿足噴吹要求時(shí)，清灰效果將大大降低。在除塵系統(tǒng)運(yùn)行過(guò)程的可控范圍內(nèi)，如果能快速檢測(cè)并解決電磁脈沖閥的故障，就能夠有效防止停產(chǎn)事故發(fā)生，減輕生產(chǎn)損失。因此,對(duì)電磁脈沖閥進(jìn)行有效的智能化故障診斷是亟待解決的重要問(wèn)題。

目前，電磁脈沖閥的故障診斷主要采用對(duì)有限的典型故障進(jìn)行離線診斷的方式，這種方式需要對(duì)電磁脈沖閥逐個(gè)檢查，在除塵系統(tǒng)運(yùn)行過(guò)程中難以及時(shí)檢測(cè)，極大影響了企業(yè)的正常生產(chǎn)。

智能化故障診斷通常集成了故障特征提取與智能故障識(shí)別方法，即運(yùn)用各種數(shù)據(jù)特征篩選方法，在原始信號(hào)中提取故障特征，然后使用智能識(shí)別算法完成對(duì)被測(cè)對(duì)象的故障辨識(shí)。信號(hào)特征的提取僅僅提供了對(duì)設(shè)備狀態(tài)進(jìn)行分析與診斷的依據(jù)，如何作出正確的判斷與決策，是診斷技術(shù)所要解決的問(wèn)題。經(jīng)過(guò)數(shù)年的探索研究，以K 最近鄰（KNN）算法[2,3]、支持向量機(jī)（SVM）算法[4]和神經(jīng)網(wǎng)絡(luò)（BPNN）算法為代表的智能識(shí)別方法被越來(lái)越廣泛地應(yīng)用于故障診斷中，極大推進(jìn)了故障診斷技術(shù)的發(fā)展。

為滿足電磁脈沖閥的智能故障診斷需求，本文以電磁脈沖閥作為故障診斷的研究對(duì)象，分析探討了其故障提取和故障識(shí)別方法，對(duì)一種基于加權(quán)KNN 的電磁脈沖閥故障診斷方法展開深入研究，選取大膜片組件打開反應(yīng)時(shí)間與打開狀態(tài)保持時(shí)間作為其故障特征，選取加權(quán)KNN 算法辨識(shí)脈沖閥的故障類型，并通過(guò)對(duì)比實(shí)驗(yàn)對(duì)該模型性能進(jìn)行評(píng)估。

1 電磁脈沖閥常見故障類型及故障原因

電磁脈沖閥由先導(dǎo)閥、電磁閥與脈沖閥組成，是一款能在先導(dǎo)閥的控制下瞬間啟閉高壓氣源產(chǎn)生脈沖的膜片閥。電磁脈沖閥的結(jié)構(gòu)及其主要零件見圖1。

圖1 電磁脈沖閥的結(jié)構(gòu)及其主要零件組成圖

由于大膜片組件是電磁脈沖閥的重要組件，所有由電磁脈沖閥故障引起的噴吹性能變化都與大膜片組件的動(dòng)作相關(guān)聯(lián)，故可通過(guò)監(jiān)測(cè)大膜片組件的運(yùn)行狀態(tài)來(lái)監(jiān)測(cè)電磁脈沖閥的噴吹性能變化，并能反映出其對(duì)應(yīng)的故障類型。常見的故障類型有大彈簧失效、小彈簧失效、大膜片破損、小膜片破損、長(zhǎng)時(shí)間不復(fù)位造成漏氣等。

2 電磁脈沖閥傳感器監(jiān)測(cè)與故障特征提取

2.1 傳感器選型

所有由電磁脈沖閥故障引起的噴吹性能變化都與大膜片的動(dòng)作息息相關(guān)，所以大膜片組件的運(yùn)動(dòng)狀態(tài)就成為研究重點(diǎn)。在本文中，采用電開關(guān)來(lái)監(jiān)測(cè)大膜片組件的運(yùn)行狀態(tài)。電開關(guān)具有響應(yīng)快、靈敏度高、能自動(dòng)復(fù)位等特點(diǎn)，并且能滿足耐壓、耐沖擊及防泄漏等電磁脈沖閥運(yùn)行環(huán)境要求。

電開關(guān)檢測(cè)大膜片組件的原理是：電開關(guān)安裝在電磁脈沖閥的大閥蓋上，如果大膜片組件正常閉合，大膜片組件的位置不在電開關(guān)觸頭的檢測(cè)范圍內(nèi)，此時(shí)電開關(guān)無(wú)信號(hào)；如果大膜片組件完全打開，大膜片組件的位置就進(jìn)入電開關(guān)的檢測(cè)范圍內(nèi)，此時(shí)電開關(guān)有信號(hào)。電開關(guān)檢測(cè)的大膜片組件運(yùn)動(dòng)狀態(tài)信號(hào)如圖2所示，其中從t1至t2的時(shí)間變化為大膜片組件的反應(yīng)時(shí)間，從t2至t3的時(shí)間變化為大膜片組件打開狀態(tài)的保持時(shí)間。

圖2 電開關(guān)檢測(cè)大膜片組件運(yùn)動(dòng)狀態(tài)信號(hào)示意圖

2.2 電磁脈沖閥故障模擬與故障特征提取

在確定了所要診斷的電磁脈沖閥故障類型和傳感器的選用方案后，需要確定電磁脈沖閥的故障模擬實(shí)驗(yàn)，本文采用移除大彈簧模擬大彈簧失效、移除小彈簧模擬小彈簧失效、大膜片沖不同數(shù)量的Φ2.5mm孔模擬大膜片破損、小膜片沖不同數(shù)量的Φ2.5mm孔模擬小膜片破損、增長(zhǎng)脈沖寬度至200ms 模擬動(dòng)鐵芯長(zhǎng)時(shí)間不復(fù)位，與完好的電磁脈沖閥的試驗(yàn)結(jié)果做對(duì)比，在實(shí)驗(yàn)壓力為0.05—0.6MPa 時(shí)每間隔0.05MPa 測(cè)試一次，在脈沖寬度為100ms 的實(shí)驗(yàn)條件下通過(guò)電開關(guān)檢測(cè)大膜片組件的打開反應(yīng)時(shí)間以及打開狀態(tài)保持時(shí)間，根據(jù)測(cè)試對(duì)比結(jié)果所提取的故障特征見圖3。

圖3 故障特征提取結(jié)果顯示圖

3 電磁脈沖閥的故障診斷方法研究

機(jī)器學(xué)習(xí)[5]是人工智能的一個(gè)重要組成部分，因其具備故障診斷要求的準(zhǔn)確性和高效性，逐步受到了研究者的青睞。機(jī)器學(xué)習(xí)不依賴于診斷系統(tǒng)復(fù)雜的數(shù)學(xué)模型，主要是運(yùn)用某些算法，指導(dǎo)計(jì)算機(jī)利用已獲得的數(shù)據(jù)構(gòu)建出規(guī)律模型，并利用此模型對(duì)新數(shù)據(jù)做出判斷的過(guò)程。KNN 算法[2，3]的核心思想就是所有樣本的預(yù)測(cè)類型根據(jù)其K個(gè)相鄰樣本類型來(lái)確定。

本節(jié)根據(jù)選取的電磁脈沖閥的故障特征的分布特點(diǎn)，驗(yàn)證加權(quán)KNN 算法識(shí)別電磁脈沖閥多種故障的有效性。應(yīng)用上一節(jié)中電磁脈沖閥不同故障類型的電開關(guān)信號(hào)，提取大膜片組件打開反應(yīng)時(shí)間和大膜片組件的打開狀態(tài)保持時(shí)間，將其預(yù)處理后輸入到加權(quán)KNN 分類器中，從而構(gòu)建加權(quán)KNN 故障診斷模型，并對(duì)其進(jìn)行故障診斷，具體流程見圖4。

圖4 基于加權(quán)KNN 的電磁脈沖閥故障診斷流程圖

3.1 實(shí)驗(yàn)數(shù)據(jù)說(shuō)明

選取實(shí)驗(yàn)壓力為0.05—0.6MPa 時(shí)每間隔0.05MPa測(cè)試一次的電開關(guān)的測(cè)試數(shù)據(jù)，每種故障類型為12 組樣本，共108 組樣本構(gòu)成故障數(shù)據(jù)集。

對(duì)電磁脈沖閥的兩個(gè)故障特征值進(jìn)行歸一化處理，使得所有特征值分布在[-1，1]區(qū)間內(nèi)。每種故障類型隨機(jī)抽取9 組樣本，共81 組樣本構(gòu)成訓(xùn)練集；其余3 組樣本，共27 組樣本構(gòu)成測(cè)試集。將每種故障類型的特征值所構(gòu)成的訓(xùn)練集和測(cè)試集輸入到加權(quán)KNN 分類器中，然后利用訓(xùn)練集對(duì)模型進(jìn)行訓(xùn)練，同時(shí)運(yùn)用十折交叉驗(yàn)證模型提升分類器的泛化能力，然后利用測(cè)試集樣本對(duì)訓(xùn)練好的模型進(jìn)行測(cè)試。

3.2 基于加權(quán)KNN 的故障識(shí)別

采用KNN 算法進(jìn)行電磁脈沖閥的故障診斷，K值、距離度量方式及分類決策規(guī)則的確定具體步驟如下：

（1）K值選擇：使用十折交叉驗(yàn)證方法來(lái)尋找最佳的K值，當(dāng)K=7 時(shí)，KNN 算法的訓(xùn)練模型準(zhǔn)確率最高，可達(dá)到74.1%，因此可選擇7 為對(duì)應(yīng)的KNN模型的K值。

（2）設(shè)定距離度量方式為歐幾里得度量，對(duì)測(cè)試樣本與訓(xùn)練樣本集進(jìn)行相似性計(jì)算。

（3）分類決策規(guī)則：采用加權(quán)投票法作為KNN分類器的分類決策規(guī)則。

參數(shù)選擇完畢后，對(duì)其進(jìn)行訓(xùn)練與保存，利用測(cè)試集的27 個(gè)故障樣本對(duì)訓(xùn)練好的模型分別進(jìn)行測(cè)試。如圖5 所示，使用加權(quán)KNN 分類器進(jìn)行電磁脈沖閥的故障識(shí)別時(shí)，模型識(shí)別的準(zhǔn)確率達(dá)到92.6%，并且能對(duì)電磁脈沖閥的9 種故障模擬進(jìn)行有效識(shí)別，從而初步確定了基于加權(quán)KNN 的電磁脈沖閥故障診斷方法的有效性。

圖5 故障識(shí)別結(jié)果圖

3.3 診斷模型測(cè)試結(jié)果與性能評(píng)估

為了進(jìn)一步驗(yàn)證所提出的故障診斷模型的有效性，分別使用加權(quán)KNN、BP 神經(jīng)網(wǎng)絡(luò)、SVM 模型對(duì)電磁脈沖閥進(jìn)行智能故障診斷。三種故障分類器的故障識(shí)別準(zhǔn)確率對(duì)比結(jié)果見圖6，除BP 神經(jīng)網(wǎng)絡(luò)外，加權(quán)KNN 和SVM 均能實(shí)現(xiàn)對(duì)電磁脈沖閥的多故障類型識(shí)別，但加權(quán)KNN 分類器能夠更精準(zhǔn)判別有無(wú)大彈簧故障，能夠更好地滿足電磁脈沖閥故障診斷的技術(shù)要求。

圖6 實(shí)驗(yàn)對(duì)比結(jié)果圖

圖7 各故障分類器綜合性能對(duì)比圖

加權(quán)KNN 與SVM 分類器的綜合性能評(píng)價(jià)指標(biāo)對(duì)比如圖7 所示，加權(quán)KNN 分類器的準(zhǔn)確率為92.6%、精確率為92.6%、召回率為93.5%、F1 值為92.4%，整體性能均好于SVM 分類器，從而驗(yàn)證了所提出的加權(quán)KNN 模型電磁脈沖閥故障診斷方法的適用性。

4 結(jié)語(yǔ)

本文對(duì)電磁脈沖閥的故障診斷方法進(jìn)行了研究，構(gòu)建了故障模擬實(shí)驗(yàn)方案，并在故障診斷平臺(tái)進(jìn)行故障模擬與信號(hào)采集，分析了其故障特征分布特點(diǎn)，設(shè)計(jì)了基于加權(quán)KNN 故障診斷模型，實(shí)現(xiàn)了對(duì)電磁脈沖閥的智能故障診斷方法，最后通過(guò)對(duì)比，驗(yàn)證了該診斷模型的性能優(yōu)越性。智能故障診斷方法可為電磁脈沖閥的故障診斷應(yīng)用提供一定參考。