[发明专利]一种电动阀门故障概率预测方法

说明书

本申请提供一种电动阀门故障概率预测方法，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。本申请在模型训练完成后，通过序列化预测实现对电动阀门设备在未来半小时内的故障概率、气体浓度等物理量数据进行较为精准的描述，以便于对设备进行提前的维护与检修，避免安全事故的发生。

技术领域

本申请涉及电动阀门故障监测技术领域，尤其涉及一种电动阀门故障概率预测方法。

背景技术

在化工行业中容易产生内部有害介质外漏的一般为关键装置和设备区域。由于管道安装后均处于稳定静止位置，在满足标准规范要求及使用寿命范围内产生外漏的情况相对较少。而对于传动设备，如压力泵、控制阀等，这类设备处于连续或经常性运转和开关动作之中，产生内部介质外漏的可能性极高。控制阀一般安装在压力泵前、后端或装置中的关键位置，对这些高危介质的流量、压力、温度等实时进行控制。

目前存在的问题是，化工行业电动阀门检修成本高、效率低的问题，无法智能、科学的对预定时间之后的故障进行及时的预测和防范。

发明内容

有鉴于此，本申请的目的在于提出一种电动阀门故障概率预测方法，本申请能够针对性的解决现有的问题。

基于上述目的，本申请提出了一种电动阀门故障概率预测方法，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。

进一步地，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。

进一步地，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。

进一步地，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。

进一步地，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。

进一步地，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。

进一步地，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。