基于數據驅動方法的控制閥故障診斷

馬重　趙眾

摘 要 針對控制閥門的故障類型，提出一種基于數據驅動的控制閥故障診斷方法。利用實際測量值和辨識模型預估值的殘差來提取閥門的內/外漏特征，基于馬氏距離對提取的分類特征進行故障分類。并利用閥門輸入和輸出數據的差值做自相關性分析來診斷閥門的粘滯故障。基于所提方法開發了相關應用軟件，所開發軟件在某大型煤氣化裝置的應用結果證實了所提方法的可行性和有效性，為解決控制閥門的故障診斷提供了一條新的有效途徑。

關鍵詞 閥門故障 數據驅動 閥門內漏 閥門外漏 閥門粘滯 故障診斷 殘差 自相關性

中圖分類號 TP277? ?文獻標識碼 B? ?文章編號 1000?3932（2023）02?0181?08

隨著科學技術和工業過程控制的發展，電力、石油及化工等行業的工業生產變得越來越智能化、信息化、可視化，生產中最重要的是保證生產過程的平穩性和安全性［1］。控制閥是過程控制中不可或缺的一個重要執行機構，目前工業上所用閥門種類繁多，數量龐大。閥門系統一般包括閥門定位器、執行機構及閥體等附件，任何一部分發生故障，都可能會導致整個控制系統的波動，影響生產的平穩性和安全性。在工業生產中，常常采用定期檢查和維護手段來保證控制閥門處于良好的狀態，但這種方式往往會造成大量的人力物力浪費。

分布式控制系統（DCS）被廣泛應用于過程控制生產中，大量的工業數據被DCS采集并儲存在數據庫里，這些數據往往包含著豐富有效的工業運行信息。基于DCS數據驅動的控制閥故障診斷及可預知性維護，成為近年來過程控制領域的研究熱點［2］。GOHARRIZI A Y和SEPEHRI N將小波變換（WT）方法應用到檢測液壓執行器中由密封損壞引起的內部泄漏［3］。CUI H等提出一種基于信息熵和支持向量機（SVM）的壓縮機閥門故障診斷方法［4］。WANG Y等通過分析聲發射信號的波形并模擬閥門運動來判斷閥門故障類型［5］。HAYASHI S等把聲音信號的功率譜數據作為故障診斷信號，提出一種與神經網絡相結合的閥門故障診斷方法［6］。TANG M和LI X提出一種基于T?S模糊模型的氣動閥故障診斷方法［7］。考慮到實際工業應用的便捷性，筆者提出一種基于DCS數據驅動的控制閥門故障診斷方法，利用實際測量值和辨識模型預估值的殘差數據來提取閥門的內漏外漏特征，基于馬氏距離對提取的分類特征進行故障分類；利用閥門輸入和輸出數據的差值做自相關性分析來診斷閥門的粘滯故障。基于所提方法開發了相關應用軟件，所開發軟件在某大型煤氣化裝置的應用結果證實了所提方法的可行性和有效性，為解決控制閥門的故障診斷提供了一條新的有效途徑。

1 控制閥結構及常見的故障

閥門一般由閥門定位器、執行機構和閥體組成［8］，圖1所示為氣動控制閥的基本結構。閥門定位器是一個獨立的負反饋控制回路，接收來自控制器的信號，輸出信號傳輸到執行機構，執行機構再通過閥桿的推力來控制閥體的節流面積，從而調整通過閥體的流量［9］。

在石油化工、工業生產等領域，氣動控制閥的故障主要有閥門泄漏、閥座密封和閥芯損壞、閥門粘滯及閥門堵塞等情況［10］。其中，閥門泄漏可以分為閥門內漏和外漏。閥門內漏指的是閥門完全關閉后，仍有介質從閥門出口流出、滲漏的現象；而閥門外漏一般指的是閥門完全關閉和開啟后，閥門填料處的外部密封部件出現介質的滲漏［11］。閥門粘滯指的是閥門在運行一段時間后，由于閥桿與填料之間產生較大的靜摩擦，從而引起的非線性故障［12］，這種非線性故障可能會導致閉環控制系統的振蕩。閥門內/外漏和閥門粘滯是閥門在工業生產中經常出現的故障。

2 基于數據驅動的控制閥故障診斷

2.1 模型辨識及預測

多數PID控制回路，閥門開度和控制對象測量值之間的階躍曲線呈線性，具有單調變化或者是S型衰減振蕩的特性，所以閥門開度和測量值的關系可以用一階帶純滯后模型（FOPDT）或二階帶純滯后模型（SOPDT）來近似：

由圖7可以看出，當閥門無粘滯特性時，閥門的輸出信號趨近于輸入信號，故閥門的輸入信號和輸出信號差值的自相關系數很快就減小至0%；而有粘滯的閥門，因為閥門輸入信號和輸出信號之間存在著非線性關系，輸入信號和輸出信號差值的自相關系數將反復振蕩。計算的自相關系數調節時間（穩定到終值的正負余差百分比Δ=5%）見表3，可以通過調節時間的長短來判斷閥門是否存在粘滯故障。

3 應用軟件開發及工業數據驗證

3.1 應用軟件開發

在過程控制中，閥門的故障勢必會導致控制系統的不穩定，控制回路的控制效果變差，基于回路控制性能評價軟件（Controller Performance Assessment，CPA），將回路控制效果評價和閥門故障智能診斷相結合，通過OPC采集DCS中的工業數據并存入SQL Server數據庫內，定時對回路控制效果進行評價并對閥門進行故障診斷，該軟件在某大型煤氣化裝置的應用架構如圖8所示。

工程師可以分白班和夜班來定期查看控制回路的運行情況和閥門是否故障，并及時做出檢查和維護，軟件界面如圖9所示，在上位機上運行包括閥門故障監控、回路評價及定期評價匯總等功能。

3.2 閥門內/外漏診斷數據驗證

根據軟件對閥門的內/外漏故障診斷結果，在DCS上截取某氣化爐系統沖洗罐補水流量控制回路自動控制狀態下的閥門開度和沖洗罐補水流量數據，選擇二階帶純滯后模型（SOPDT），下面將通過差分進化算法辨識出模型參數［20］。

a. 按式（3）確定辨識誤差指標。

b. 粒子群個數Size=30，最大迭代次數為100。

c. 確定參數搜索范圍分別為［0，50］，［0，50］，［0，50］，［0，20］。

d. 設置變異因子F=0.95，交叉因子CR=0.6。

通過閥門正常工作時的數據辨識出模型為：

最終辨識的誤差指標J=54.2081，辨識模型的仿真輸出和實際輸出的擬合曲線如圖10所示。

從DCS中導出閥門內漏、外漏和正常運行時的歷史數據，采樣時間為1 s。將內漏、外漏和正常情況下的Err作為3個總體，3個總體的一維分布如圖11所示。

取6組閥門工作時的流量數據，每組100個，采樣時間1 s，這6組數據的一維分布如圖12所示。

軟件診斷結果見表4，可以看出，軟件可以準確地診斷出閥門的內/外漏故障情況。

3.3 閥門粘滯診斷數據驗證

同樣，選擇軟件監控的3個控制閥——洗滌塔底部出口流量控制閥、沉降槽灰水流量控制閥和高壓閃蒸罐液位控制閥。在DCS上分別選取3條設定值有一定階躍時的控制閥輸入和輸出的歷史數據，采樣時間為1 s，總時長5 000 s，計算其差值的自相關系數，曲線如圖13所示。

軟件診斷結果見表5，可以看出軟件同樣也可以有效地診斷出閥門的粘滯故障情況。

4 結束語

針對執行器閥門在工業生產過程中常出現的內/外漏和粘滯故障的問題，提出了利用閥門開度序列與被控對象測量序列的關系進行機理建模，通過計算實際測量序列和預估序列的殘差來診斷閥門內漏和外漏，并且利用閥門的輸入序列和輸出序列差值的自相關性分析來診斷閥門是否出現粘滯故障。然后通過開發的控制系統性能評估軟件對某工廠的氣化爐執行器閥門產生的工業數據來驗證，證明了該方法的有效性，對執行器故障診斷和控制系統性能監測的研究具有一定意義。

參 考 文 獻

［1］ 韓斐，宋筆鋒，喻天翔，等.閥門可靠性技術研究現狀和展望［J］.機床與液壓，2008，36（9）：138-144；178.

［2］? ?KARNOUSKOS S，COLOMBO A W.Architecting the next generation of service?based SCADA/DCS system of systems［C］//IECON 2011?37th Annual Conference of the IEEE Industrial Electronics Society.IEEE，2011：359-364.

［3］? ?GOHARRIZI A Y，SEPEHRI N.A wavelet?based approach to internal seal damage diagnosis in hydraulic actuators［J］.IEEE Transactions on Industrial Electronics，2009，57（5）：1755-1763.

［4］? ?CUI H，ZHANG L，KANG R，et al.Research on fault diagnosis for reciprocating compressor valve using information entropy and SVM method［J］.Journal of Loss Prevention in the Process Industries，2009，22（6）：864-867.

［5］? ?WANG Y，XUE C，JIA X，et al.Fault diagnosis of reciprocating compressor valve with the method integra?ting acoustic emission signal and simulated valve motion［J］.Mechanical Systems and Signal Processing，2015，56：197-212.

［6］? ?HAYASHI S，ASAKURA T，ZHANG S.Study of machine fault diagnosis system using neural networks［C］//Proceedings of the 2002 International Joint Conference on Neural Networks.IEEE，2002：956-961.

［7］? ?TANG M，LI X.Fault detection and diagnosis of pneumatic control valve based on fuzzy method［C］//2021 China Automation Congress （CAC）.IEEE，2021：1386-1391.

［8］ 楊海榮，薄翠梅，龔偉俊，等.基于PCA?SVM集成閥門故障診斷方法研究［J］.流體機械，2009，37（7）：28-32；12.

［9］ 牛菁洋.氣動閥門定位系統建模與算法研究［D］.天津：河北工業大學，2016.

［10］ 黃燕，周密，黃衛星，等.閥門故障分析及其分類［J］.閥門，2007（6）：41-44.

［11］ 張旭.控制閥氣源與內漏故障診斷研究［D］.杭州：浙江工業大學，2017.

［12］ 宋運忠，劉向龍.基于數據驅動的控制閥粘滯特性量化研究［J］.控制工程，2016，23（8）：1254-1260.

［13］ 劉波，王凌，金以慧.差分進化算法研究進展［J］.控制與決策，2007，22（7）：721-729.

［14］ URSEM R K，VADSTRUP P. Parameter identification of induction motors using differential evolution［C］//The 2003 Congress on Evolutionary Computation.IEEE，2003：790-796.

［15］? ?李玉榕，項國波.一種基于馬氏距離的線性判別分析分類算法［J］.計算機仿真，2006（8）：86-88.

［16］? ?李士哲，王印松，田靖雨，等.氣動閥門粘滯模型仿真及控制系統振蕩分析［J］.計算機仿真，2016（1）：239-244.

［17］? ?朱亞平，夏春明，張亮，等.閥門粘滯在線檢測及粘滯補償的KNOCKER方法改進研究［J］.液壓與氣動，2014（8）：41-48.

［18］? ?CHOUDHURY M A A S，THORNHILL N F，SHAH S L.Modelling valve stiction［J］.Control Engineering Practice，2005，13（5）：641-658.

［19］ 周小偉.基于DAMADICS平臺的閥門故障分類及典型粘滯故障的建模與補償［D］.上海：華東理工大學，2013.

［20］ 熊偉麗，陳敏芳，張乾，等.基于改進差分進化算法的非線性系統模型參數辨識［J］.計算機應用研究，2014，31（1）：124-127.

（收稿日期：2022-06-20，修回日期：2023-02-09）

Fault Diagnosis of Control Valve Based on Data?driven Method

MA Zhong， ZHAO Zhong

（ College of Information Science and Technology， Beijing University of Chemical Technology ）

Abstract? ?Aiming at the type of faults which bothering control valves， a data?driven fault diagnosis methodfor them was proposed， which has the residual data of actual measurement value and the predicted value of identification model adopted to extract valves internal/external leakage? characteristics and has Markov distance based to? classify the classification characteristics? extracted， including having the difference between the valve input and output data based to detect? viscous faults of the valves. In addition， based on this method proposed， an application software was developed and its applied to a large coal gasification plant verifies both feasibility and effectiveness of the method proposed.

Key words? ?valve failure， data driven， valve internal leakage， valve external leakage， valve viscosity， fault diagnosis，? residual， autocorrelation

基金項目：2019年工業互聯網創新發展工程項目（TC19084DY）；北京市自然科學基金項目（4172044）；北京市朝陽區協同創新項目（CYXC1707）。

作者簡介：馬重（1997-），碩士研究生，從事回路性能評價及閥門故障診斷研究。

通訊作者：趙眾（1970-），教授，從事復雜工業先進控制及過程檢測的研究，zhaozhong@mail.buct.edu.cn。

引用本文：馬重，趙眾.基于數據驅動方法的控制閥故障診斷［J］.化工自動化及儀表，2023，50（2）：181-187；230.