高级检索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

手动截止阀动作可靠性高效验证与状态识别方法研究

周苏婷 张林 聂常华 范文宇涛 黄彦平 刘杰 袁凯

周苏婷, 张林, 聂常华, 范文宇涛, 黄彦平, 刘杰, 袁凯. 手动截止阀动作可靠性高效验证与状态识别方法研究[J]. 核动力工程, 2024, 45(4): 190-195. doi: 10.13832/j.jnpe.2024.04.0190
引用本文: 周苏婷, 张林, 聂常华, 范文宇涛, 黄彦平, 刘杰, 袁凯. 手动截止阀动作可靠性高效验证与状态识别方法研究[J]. 核动力工程, 2024, 45(4): 190-195. doi: 10.13832/j.jnpe.2024.04.0190
Zhou Suting, Zhang Lin, Nie Changhua, Fan Wenyutao, Huang Yanping, Liu Jie, Yuan Kai. Research on Efficient Verification and State Recognition Method for the Action Reliability of Manual Globe Valve[J]. Nuclear Power Engineering, 2024, 45(4): 190-195. doi: 10.13832/j.jnpe.2024.04.0190
Citation: Zhou Suting, Zhang Lin, Nie Changhua, Fan Wenyutao, Huang Yanping, Liu Jie, Yuan Kai. Research on Efficient Verification and State Recognition Method for the Action Reliability of Manual Globe Valve[J]. Nuclear Power Engineering, 2024, 45(4): 190-195. doi: 10.13832/j.jnpe.2024.04.0190

手动截止阀动作可靠性高效验证与状态识别方法研究

doi: 10.13832/j.jnpe.2024.04.0190
详细信息
    作者简介:

    周苏婷(1995—),女,硕士研究生,助理研究员,现从事核级设备可靠性研究,E-mail: zhousu_ting@163.com

  • 中图分类号: TL353+.11

Research on Efficient Verification and State Recognition Method for the Action Reliability of Manual Globe Valve

  • 摘要: 手动截止阀作为回路系统的典型阀门,是维持系统运行和保护系统安全的重要设备。为高效验证核级手动截止阀的动作可靠性,准确量化地判别其运行状态,本文研究建立了手动截止阀一体化动作试验智能装置,并提出了一种基于小波包分解和支持向量机(SVM)方法相结合的手动截止阀状态识别方法,该方法首先以力矩信号作为特征曲线,利用小波包分解技术提取其时频域特征,融合时域特征构建时域-时频域的混合特征向量;其次采用主成分分析(PCA)方法对特征向量进行降维分析,获取故障特征向量;最后采用支持向量机(SVM)方法对阀门动作状态进行判别。研究结果表明,本研究所建立的装置有效解决了手动截止阀动作可靠性验证耗时长、效率低以及动作过程状态难以量化评估的问题,所提方法能够准确有效地识别阀门的3种动作状态。

     

  • 图  1  手动截止阀一体化动作试验智能装置结构示意图

    Figure  1.  Schematic Diagram of Intelligent Testing System for Manual Globe Valve

    图  2  不同动作状态下的阀门力矩信号曲线

    Figure  2.  Torque Signal Curves for Valve under Different Action States

    图  3  不同特征指标对不同动作状态类型的主元分析结果

    Figure  3.  PCA of Different Action States Using Various State Indexes

    图  4  主元累积贡献率

    Figure  4.  Cumulative Contribution Rate of Each Principle Component

    图  5  交叉验证准确度变化曲线

    Figure  5.  Curve of Cross Validation Accuracy

    图  6  特征向量指标训练集及测试集状态识别结果

    Figure  6.  State Recognition Results of Feature Vector Indicator Training Set and Test Set

    表  1  试验效率对比

    Table  1.   Comparison of Test Efficiency

    试验装置 试验周期/d 人力投入/(人·d−1)
    传统手动驱动装置 62 5
    本文装置 36 1
    下载: 导出CSV

    表  2  各主元贡献率

    Table  2.   Contribution Rate of Each Principle Component

    主元序号 贡献率/% 主元序号 贡献率/%
    1 77.56 7 0.38
    2 10.72 8 0.34
    3 6.29 9 0.16
    4 1.92 10 0.08
    5 1.41 11 0.08
    6 0.93 12 0.04
    下载: 导出CSV

    表  3  SVM参数设置情况

    Table  3.   Parameter Setting of Support Vector Machine

    参数 设置情况
    模型设置类型 C-SVM
    核函数类型 径向基函数
    交互检验模式 留一法交叉验证
    惩罚参数 1
    Gamma参数 1/3
    下载: 导出CSV
  • [1] 魏国俭,陶瑞峰,许健,等. 航天阀门运动副卡滞故障分析及对策[J]. 航天器环境工程,2012, 29(1): 7-13. doi: 10.3969/j.issn.1673-1379.2012.01.002
    [2] 尚群立,李梦强,张晶瑜. 气动截止阀机理建模及其在阀门故障诊断中的应用[J]. 浙江工业大学学报,2020, 48(2): 154-158,216. doi: 10.3969/j.issn.1006-4303.2020.02.006
    [3] 邱金水,李少杰,刘少刚,等. 舰船特种阀门极少失效条件下可靠性寿命研究[J]. 哈尔滨工程大学学报,2012, 33(9): 1086-1090.
    [4] 王洪波,黄智鹏,柳志姣,等. 基于故障模式及失效机理分析的电液伺服阀寿命分析[J]. 机电工程,2022, 39(8): 1132-1137. doi: 10.3969/j.issn.1001-4551.2022.08.015
    [5] AL-RAHEEM K F, ROY A, RAMACHANDRAN K P, et al. Application of the Laplace-wavelet combined with ANN for rolling bearing fault diagnosis[J]. Journal of Vibration and Acoustics, 2008, 130(5): 051007. doi: 10.1115/1.2948399
    [6] 孙伟,熊邦书,黄建萍,等. 小波包降噪与LMD相结合的滚动轴承故障诊断方法[J]. 振动与冲击,2012, 31(18): 153-156.
    [7] MISHRA C, SAMANTARAY A K, CHAKRABORTY G. Rolling element bearing fault diagnosis under slow speed operation using wavelet de-noising[J]. Measurement, 2017, 103: 77-86. doi: 10.1016/j.measurement.2017.02.033
    [8] KANKAR P K, SHARMA S C, HARSHA S P. Fault diagnosis of rolling element bearing using cyclic autocorrelation and wavelet transform[J]. Neurocomputing, 2013, 110: 9-17. doi: 10.1016/j.neucom.2012.11.012
    [9] VAPNIK V N. Statistical learning theory[J]. Encyclopedia of the Sciences of Learning, 2010, 41(4): 3185.
    [10] 姜久亮,刘文艺,侯玉洁,等. 基于内积延拓LMD及SVM的轴承故障诊断方法研究[J]. 振动与冲击,2016, 35(6): 104-108.
    [11] KONAR P, CHATTOPADHYAY P. Bearing fault detection of induction motor using wavelet and support vector machines (SVMs)[J]. Applied Soft Computing, 2011, 11(6): 4203-4211. doi: 10.1016/j.asoc.2011.03.014
    [12] BOURINET J M, DEHEEGER F, LEMAIRE M. Assessing small failure probabilities by combined subset simulation and support vector machines[J]. Structural Safety, 2011, 33(6): 343-353. doi: 10.1016/j.strusafe.2011.06.001
  • 加载中
图(6) / 表(3)
计量
  • 文章访问数:  530
  • HTML全文浏览量:  28
  • PDF下载量:  50
  • 被引次数: 0
出版历程
  • 收稿日期:  2023-10-16
  • 修回日期:  2024-05-23
  • 刊出日期:  2024-08-12

目录

    /

    返回文章
    返回