电磁脉冲阀智能故障诊断的技术研究

叶志勇，王涛，蒋孟杰，张涛，瞿晓燕，陈惟东，李二心

（1.上海袋式除尘配件有限公司，上海 200241；
2.北京理工大学，北京 100081）

电磁脉冲阀是脉冲袋式除尘器的核心部件，是脉冲喷吹袋式除尘器清灰气流的发生装置[1]。在常见的清灰方式中，脉冲喷吹具有最强的清灰能力，但如果由于电磁脉冲阀故障造成不能满足喷吹要求时，清灰效果将大大降低。在除尘系统运行过程的可控范围内，如果能快速检测并解决电磁脉冲阀的故障，就能够有效防止停产事故发生，减轻生产损失。因此,对电磁脉冲阀进行有效的智能化故障诊断是亟待解决的重要问题。

目前，电磁脉冲阀的故障诊断主要采用对有限的典型故障进行离线诊断的方式，这种方式需要对电磁脉冲阀逐个检查，在除尘系统运行过程中难以及时检测，极大影响了企业的正常生产。

智能化故障诊断通常集成了故障特征提取与智能故障识别方法，即运用各种数据特征筛选方法，在原始信号中提取故障特征，然后使用智能识别算法完成对被测对象的故障辨识。信号特征的提取仅仅提供了对设备状态进行分析与诊断的依据，如何作出正确的判断与决策，是诊断技术所要解决的问题。经过数年的探索研究，以K 最近邻（KNN）算法[2,3]、支持向量机（SVM）算法[4]和神经网络（BPNN）算法为代表的智能识别方法被越来越广泛地应用于故障诊断中，极大推进了故障诊断技术的发展。

为满足电磁脉冲阀的智能故障诊断需求，本文以电磁脉冲阀作为故障诊断的研究对象，分析探讨了其故障提取和故障识别方法，对一种基于加权KNN 的电磁脉冲阀故障诊断方法展开深入研究，选取大膜片组件打开反应时间与打开状态保持时间作为其故障特征，选取加权KNN 算法辨识脉冲阀的故障类型，并通过对比实验对该模型性能进行评估。

电磁脉冲阀由先导阀、电磁阀与脉冲阀组成，是一款能在先导阀的控制下瞬间启闭高压气源产生脉冲的膜片阀。电磁脉冲阀的结构及其主要零件见图1。

图1 电磁脉冲阀的结构及其主要零件组成图

由于大膜片组件是电磁脉冲阀的重要组件，所有由电磁脉冲阀故障引起的喷吹性能变化都与大膜片组件的动作相关联，故可通过监测大膜片组件的运行状态来监测电磁脉冲阀的喷吹性能变化，并能反映出其对应的故障类型。常见的故障类型有大弹簧失效、小弹簧失效、大膜片破损、小膜片破损、长时间不复位造成漏气等。

2.1 传感器选型

所有由电磁脉冲阀故障引起的喷吹性能变化都与大膜片的动作息息相关，所以大膜片组件的运动状态就成为研究重点。在本文中，采用电开关来监测大膜片组件的运行状态。电开关具有响应快、灵敏度高、能自动复位等特点，并且能满足耐压、耐冲击及防泄漏等电磁脉冲阀运行环境要求。

电开关检测大膜片组件的原理是：电开关安装在电磁脉冲阀的大阀盖上，如果大膜片组件正常闭合，大膜片组件的位置不在电开关触头的检测范围内，此时电开关无信号；
如果大膜片组件完全打开，大膜片组件的位置就进入电开关的检测范围内，此时电开关有信号。电开关检测的大膜片组件运动状态信号如图2所示，其中从t1至t2的时间变化为大膜片组件的反应时间，从t2至t3的时间变化为大膜片组件打开状态的保持时间。

图2 电开关检测大膜片组件运动状态信号示意图

2.2 电磁脉冲阀故障模拟与故障特征提取

在确定了所要诊断的电磁脉冲阀故障类型和传感器的选用方案后，需要确定电磁脉冲阀的故障模拟实验，本文采用移除大弹簧模拟大弹簧失效、移除小弹簧模拟小弹簧失效、大膜片冲不同数量的Φ2.5mm孔模拟大膜片破损、小膜片冲不同数量的Φ2.5mm孔模拟小膜片破损、增长脉冲宽度至200ms 模拟动铁芯长时间不复位，与完好的电磁脉冲阀的试验结果做对比，在实验压力为0.05—0.6MPa 时每间隔0.05MPa 测试一次，在脉冲宽度为100ms 的实验条件下通过电开关检测大膜片组件的打开反应时间以及打开状态保持时间，根据测试对比结果所提取的故障特征见图3。

图3 故障特征提取结果显示图

机器学习[5]是人工智能的一个重要组成部分，因其具备故障诊断要求的准确性和高效性，逐步受到了研究者的青睐。机器学习不依赖于诊断系统复杂的数学模型，主要是运用某些算法，指导计算机利用已获得的数据构建出规律模型，并利用此模型对新数据做出判断的过程。KNN 算法[2，3]的核心思想就是所有样本的预测类型根据其K个相邻样本类型来确定。

本节根据选取的电磁脉冲阀的故障特征的分布特点，验证加权KNN 算法识别电磁脉冲阀多种故障的有效性。应用上一节中电磁脉冲阀不同故障类型的电开关信号，提取大膜片组件打开反应时间和大膜片组件的打开状态保持时间，将其预处理后输入到加权KNN 分类器中，从而构建加权KNN 故障诊断模型，并对其进行故障诊断，具体流程见图4。

图4 基于加权KNN 的电磁脉冲阀故障诊断流程图

3.1 实验数据说明

选取实验压力为0.05—0.6MPa 时每间隔0.05MPa测试一次的电开关的测试数据，每种故障类型为12 组样本，共108 组样本构成故障数据集。

对电磁脉冲阀的两个故障特征值进行归一化处理，使得所有特征值分布在[-1，1]区间内。每种故障类型随机抽取9 组样本，共81 组样本构成训练集；
其余3 组样本，共27 组样本构成测试集。将每种故障类型的特征值所构成的训练集和测试集输入到加权KNN 分类器中，然后利用训练集对模型进行训练，同时运用十折交叉验证模型提升分类器的泛化能力，然后利用测试集样本对训练好的模型进行测试。

3.2 基于加权KNN 的故障识别

采用KNN 算法进行电磁脉冲阀的故障诊断，K值、距离度量方式及分类决策规则的确定具体步骤如下：

（1）K值选择：使用十折交叉验证方法来寻找最佳的K值，当K=7 时，KNN 算法的训练模型准确率最高，可达到74.1%，因此可选择7 为对应的KNN模型的K值。

（2）设定距离度量方式为欧几里得度量，对测试样本与训练样本集进行相似性计算。

（3）分类决策规则：采用加权投票法作为KNN分类器的分类决策规则。

参数选择完毕后，对其进行训练与保存，利用测试集的27 个故障样本对训练好的模型分别进行测试。如图5 所示，使用加权KNN 分类器进行电磁脉冲阀的故障识别时，模型识别的准确率达到92.6%，并且能对电磁脉冲阀的9 种故障模拟进行有效识别，从而初步确定了基于加权KNN 的电磁脉冲阀故障诊断方法的有效性。

图5 故障识别结果图

3.3 诊断模型测试结果与性能评估

为了进一步验证所提出的故障诊断模型的有效性，分别使用加权KNN、BP 神经网络、SVM 模型对电磁脉冲阀进行智能故障诊断。三种故障分类器的故障识别准确率对比结果见图6，除BP 神经网络外，加权KNN 和SVM 均能实现对电磁脉冲阀的多故障类型识别，但加权KNN 分类器能够更精准判别有无大弹簧故障，能够更好地满足电磁脉冲阀故障诊断的技术要求。

图6 实验对比结果图

图7 各故障分类器综合性能对比图

加权KNN 与SVM 分类器的综合性能评价指标对比如图7 所示，加权KNN 分类器的准确率为92.6%、精确率为92.6%、召回率为93.5%、F1 值为92.4%，整体性能均好于SVM 分类器，从而验证了所提出的加权KNN 模型电磁脉冲阀故障诊断方法的适用性。

本文对电磁脉冲阀的故障诊断方法进行了研究，构建了故障模拟实验方案，并在故障诊断平台进行故障模拟与信号采集，分析了其故障特征分布特点，设计了基于加权KNN 故障诊断模型，实现了对电磁脉冲阀的智能故障诊断方法，最后通过对比，验证了该诊断模型的性能优越性。智能故障诊断方法可为电磁脉冲阀的故障诊断应用提供一定参考。