[发明专利]一种电动阀门故障概率预测方法

权利要求书

1.一种电动阀门故障概率预测方法，其特征在于，包括：

采集电动阀门故障监测系统的历史数据，所述历史数据包括芯片温度、信号强度、拉压值、硫化氢浓度、氢气浓度以及开关阀时间；

根据所述历史数据计算得到历史故障概率；

将所述历史故障概率输入训练好的故障概率预测模型，输出电动阀门的故障概率预测值。

2.根据权利要求1所述的方法，其特征在于，

所述电动阀门故障监测系统包括：MCU、硫化氢传感器、氢气传感器、拉压传感器、执行机构；其中，

拉压传感器通过信号放大器与MCU的A/D转换接口连接，硫化氢传感器、氢气传感器分别通过各自的信号变送器与MCU的A/D转换接口连接，MCU的D/A转换接口通过电压转电流变送器与执行机构的开度控制端口连接。

3.根据权利要求2所述的方法，其特征在于，

所述执行机构的开到位信号和关到位信号与MCU的GPIO输入接口连接，MCU的GPIO输出接口分别通过执行机构继电器与执行机构的控制开端口、控制关端口连接。

4.根据权利要求2或3所述的方法，其特征在于，

所述系统还进一步包括ME3616模块匹配电路、STM32硬件最小系统，分别与MCU的UART接口连接，STM32硬件最小系统还通过5V转24V电压放大器与信号放大器、电压转电流变送器连接。

5.根据权利要求2或3所述的方法，其特征在于，

所述系统进一步包括NB-IoT模组，与所述MCU连接以将所述MCU的数据在MCU和外部服务器之间进行收发。

6.根据权利要求1所述的方法，其特征在于，

所述训练好的故障概率预测模型的训练过程包括：

采集一定时间内的电动阀门故障监测系统的历史故障概率数据；

将所述历史故障概率数据分为训练集和测试集；

建立LSTM神经网络模型，使用所述训练集训练所述LSTM神经网络模型，使用所述测试集对所述模型进行测试；

评估所述模型的训练和测试结果，并根据评估的结果进行参数调整，直至模型收敛。

7.根据权利要求1所述的方法，其特征在于，进一步包括：

采集电动阀门故障监测系统的实时数据，所述实时数据包括芯片温度、信号强度、硫化氢浓度、以及氢气浓度；

将四项所述实时数据分别一一对应输入各自的训练好的LSTM模型，得到每项实时数据的预测值。

8.根据权利要求1所述的方法，其特征在于，

所述故障概率预测模型为LSTM模型。

9.根据权利要求7或8所述的方法，其特征在于，

所述LSTM模型具体参数如下：模型结构为一层拥有10个LSTM神经单元的LSTM层以及一层全连接层、时间步长为1000、训练批次大小为256、损失函数为均方差函数、优化器为自适应矩估计、学习率由Keras框架动态决定，其中一轮训练由多个批次组成，训练批次大小表示单个批次所选取的数据量大小。

10.根据权利要求7所述的方法，其特征在于，进一步包括：

当故障概率预测值高于预设阈值时，根据对应时间的芯片温度、信号强度、硫化氢浓度、以及氢气浓度的预测数据，判断需要告警的物理量。