電磁脈沖閥智能故障診斷的技術研究

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，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生裝置[1]。在常見的清灰方式中，脈沖噴吹具有最強的清灰能力，但如果由于電磁脈沖閥故障造成不能滿足噴吹要求時，清灰效果將大大降低。在除塵系統運行過程的可控范圍內，如果能快速檢測并解決電磁脈沖閥的故障，就能夠有效防止停產事故發生，減輕生產損失。因此,對電磁脈沖閥進行有效的智能化故障診斷是亟待解決的重要問題。

目前，電磁脈沖閥的故障診斷主要采用對有限的典型故障進行離線診斷的方式，這種方式需要對電磁脈沖閥逐個檢查，在除塵系統運行過程中難以及時檢測，極大影響了企業的正常生產。

智能化故障診斷通常集成了故障特征提取與智能故障識別方法，即運用各種數據特征篩選方法，在原始信號中提取故障特征，然后使用智能識別算法完成對被測對象的故障辨識。信號特征的提取僅僅提供了對設備狀態進行分析與診斷的依據，如何作出正確的判斷與決策，是診斷技術所要解決的問題。經過數年的探索研究，以K 最近鄰（KNN）算法[2,3]、支持向量機（SVM）算法[4]和神經網絡（BPNN）算法為代表的智能識別方法被越來越廣泛地應用于故障診斷中，極大推進了故障診斷技術的發展。

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象，分析探討了其故障提取和故障識別方法，對一種基于加權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時間與打開狀態保持時間作為其故障特征，選取加權KNN 算法辨識脈沖閥的故障類型，并通過對比實驗對該模型性能進行評估。

1 電磁脈沖閥常見故障類型及故障原因

電磁脈沖閥由先導閥、電磁閥與脈沖閥組成，是一款能在先導閥的控制下瞬間啟閉高壓氣源產生脈沖的膜片閥。電磁脈沖閥的結構及其主要零件見圖1。

圖1 電磁脈沖閥的結構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作相關聯，故可通過監測大膜片組件的運行狀態來監測電磁脈沖閥的噴吹性能變化，并能反映出其對應的故障類型。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、長時間不復位造成漏氣等。

2 電磁脈沖閥傳感器監測與故障特征提取

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作息息相關，所以大膜片組件的運動狀態就成為研究重點。在本文中，采用電開關來監測大膜片組件的運行狀態。電開關具有響應快、靈敏度高、能自動復位等特點，并且能滿足耐壓、耐沖擊及防泄漏等電磁脈沖閥運行環境要求。

電開關檢測大膜片組件的原理是：電開關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觸頭的檢測范圍內，此時電開關無信號；如果大膜片組件完全打開，大膜片組件的位置就進入電開關的檢測范圍內，此時電開關有信號。電開關檢測的大膜片組件運動狀態信號如圖2所示，其中從t1至t2的時間變化為大膜片組件的反應時間，從t2至t3的時間變化為大膜片組件打開狀態的保持時間。

圖2 電開關檢測大膜片組件運動狀態信號示意圖

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驗，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、大膜片沖不同數量的Φ2.5mm孔模擬大膜片破損、小膜片沖不同數量的Φ2.5mm孔模擬小膜片破損、增長脈沖寬度至200ms 模擬動鐵芯長時間不復位，與完好的電磁脈沖閥的試驗結果做對比，在實驗壓力為0.05—0.6MPa 時每間隔0.05MPa 測試一次，在脈沖寬度為100ms 的實驗條件下通過電開關檢測大膜片組件的打開反應時間以及打開狀態保持時間，根據測試對比結果所提取的故障特征見圖3。

圖3 故障特征提取結果顯示圖

3 電磁脈沖閥的故障診斷方法研究

機器學習[5]是人工智能的一個重要組成部分，因其具備故障診斷要求的準確性和高效性，逐步受到了研究者的青睞。機器學習不依賴于診斷系統復雜的數學模型，主要是運用某些算法，指導計算機利用已獲得的數據構建出規律模型，并利用此模型對新數據做出判斷的過程。KNN 算法[2，3]的核心思想就是所有樣本的預測類型根據其K個相鄰樣本類型來確定。

本節根據選取的電磁脈沖閥的故障特征的分布特點，驗證加權KNN 算法識別電磁脈沖閥多種故障的有效性。應用上一節中電磁脈沖閥不同故障類型的電開關信號，提取大膜片組件打開反應時間和大膜片組件的打開狀態保持時間，將其預處理后輸入到加權KNN 分類器中，從而構建加權KNN 故障診斷模型，并對其進行故障診斷，具體流程見圖4。

圖4 基于加權KNN 的電磁脈沖閥故障診斷流程圖

3.1 實驗數據說明

選取實驗壓力為0.05—0.6MPa 時每間隔0.05MPa測試一次的電開關的測試數據，每種故障類型為12 組樣本，共108 組樣本構成故障數據集。

對電磁脈沖閥的兩個故障特征值進行歸一化處理，使得所有特征值分布在[-1，1]區間內。每種故障類型隨機抽取9 組樣本，共81 組樣本構成訓練集；其余3 組樣本，共27 組樣本構成測試集。將每種故障類型的特征值所構成的訓練集和測試集輸入到加權KNN 分類器中，然后利用訓練集對模型進行訓練，同時運用十折交叉驗證模型提升分類器的泛化能力，然后利用測試集樣本對訓練好的模型進行測試。

3.2 基于加權KNN 的故障識別

采用KNN 算法進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則的確定具體步驟如下：

（1）K值選擇：使用十折交叉驗證方法來尋找最佳的K值，當K=7 時，KNN 算法的訓練模型準確率最高，可達到74.1%，因此可選擇7 為對應的KNN模型的K值。

（2）設定距離度量方式為歐幾里得度量，對測試樣本與訓練樣本集進行相似性計算。

（3）分類決策規則：采用加權投票法作為KNN分類器的分類決策規則。

參數選擇完畢后，對其進行訓練與保存，利用測試集的27 個故障樣本對訓練好的模型分別進行測試。如圖5 所示，使用加權KNN 分類器進行電磁脈沖閥的故障識別時，模型識別的準確率達到92.6%，并且能對電磁脈沖閥的9 種故障模擬進行有效識別，從而初步確定了基于加權KNN 的電磁脈沖閥故障診斷方法的有效性。

圖5 故障識別結果圖

3.3 診斷模型測試結果與性能評估

為了進一步驗證所提出的故障診斷模型的有效性，分別使用加權KNN、BP 神經網絡、SVM 模型對電磁脈沖閥進行智能故障診斷。三種故障分類器的故障識別準確率對比結果見圖6，除BP 神經網絡外，加權KNN 和SVM 均能實現對電磁脈沖閥的多故障類型識別，但加權KNN 分類器能夠更精準判別有無大彈簧故障，能夠更好地滿足電磁脈沖閥故障診斷的技術要求。

圖6 實驗對比結果圖

圖7 各故障分類器綜合性能對比圖

加權KNN 與SVM 分類器的綜合性能評價指標對比如圖7 所示，加權KNN 分類器的準確率為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，從而驗證了所提出的加權KNN 模型電磁脈沖閥故障診斷方法的適用性。

4 結語

本文對電磁脈沖閥的故障診斷方法進行了研究，構建了故障模擬實驗方案，并在故障診斷平臺進行故障模擬與信號采集，分析了其故障特征分布特點，設計了基于加權KNN 故障診斷模型，實現了對電磁脈沖閥的智能故障診斷方法，最后通過對比，驗證了該診斷模型的性能優越性。智能故障診斷方法可為電磁脈沖閥的故障診斷應用提供一定參考。