基于閾值的電動調節閥故障檢測方法研究

代希文，周犢，趙桂生，邵浙梁，于新海，周邵萍

（1. 華東理工大學，上海 200237；2. 中廣核核電運營有限責任公司，廣東 深圳 518000；3. 中廣核研究院有限公司，廣東 深圳 518000）

閥門在線無故障運行對于系統正常運行至關重要。據統計，一座包含兩臺百萬千瓦機組的核電站每年用于閥門的維護費用高達上億元，占電站總維護費用的近50%[1]。因此，通過在線監測閥門運行參數，準確及時判別閥門運行狀態從而檢測出故障，對保障工藝系統安全運行具有非常重要的意義[2]。

故障檢測是根據監測參數，通過相關分析判斷閥門運行狀態好壞的過程[3]。目前有許多學者就閥門故障檢測的方法開展研究，并形成了以累計殘差法和單指標控制圖法等為主的故障檢測方法[4-5]。例如，2012 年，黃愛芹等[6]采用累計殘差法和3σ殘差控制圖對氣動調節閥的狀態進行評估測試，實現了閥門的故障檢測。2015 年，張昭[7]通過累計殘差法對DAMADICS 閥門仿真平臺的故障數據進行檢測，并識別出大部分故障。這類方法以單指標參數作為閥門故障檢測的標準，具有過程簡單、便于解釋的優點，然而，單指標評估存在無法對各閥門監測參數做系統分析的缺點，導致實際應用的準確性 差。

隨著傳感器靈敏度的提高和上位機存儲技術的進步，通過傳感器對運行狀態的閥門進行監測，運用信息融合的方法對多源數據分析和處理成為了新的故障檢測的趨勢。2019 年，王印松等[8]提出一種基于特征指標信息融合的方法，實現了閥門的故障檢測，同年，孫天舒等[9]通過二分類器構建靜態特征，相似度表征動態特征的方法，融合靜態距離和動態變化等參數，實現了氣動調節閥執行機構的故障檢測并取得較好的效果。然而，基于多源信息融合的方法需要大量的監測參數與現場數據，并且針對復雜工況下的電動調節閥故障檢測的現場實驗研究相對較少，通常僅通過仿真模擬信號進行實驗驗 證。

因此，本文結合統計分析和多源信息融合兩種方法的特點，基于閥門專家大量運維經驗，提出一種適用于電動調節閥的基于閾值的故障檢測方法。為了驗證該算法的有效性，搭建電動調節閥的在線監測平臺，對填料過緊、潤滑條件異常、閥桿彎曲、閥座異物附著、閥芯或閥座損壞等5 類故障原因引起的閥門卡澀故障進行實驗。針對測試信號的信噪比低和信號微弱等問題，使用均值濾波和S-G 濾波對原始信號去噪處理，較明顯地分辨出閥門信號的有效特征；再使用時域頻域分析提取故障特征參數，通過實驗驗證基于閾值的故障檢測方法的有效性。

1 數據處理與故障檢測算法

1.1 S-G濾波降噪算法

由于閥門常處于振動、噪聲的工作環境，且因工作平臺各部件的相互影響，導致采集到的信號存在信噪低、信號微弱的問題，因此，對傳感器采集的各類信號實施信號處理和特征提取是極為重要的。

本文采用平滑濾波算法對數據降噪。常見的平滑處理方法有滑動平均法（Mean Average）、指數滑動平均法（Exponential Mean Average）、S-G 濾波法（Savitzky Golay Filter）三種?；瑒悠骄ㄟm用于真實值變化不大或線性變化的場景，且效果受滑動窗口大小影響較大，信號存在滯后觀測值的問題；指接近當前時刻的觀測值。但實驗數據波動較小時，該算法魯棒性較差；S-G 濾波法具有濾除噪聲的同時，可以確保信號的形狀、寬度不變的特點，是一種在時域內基于局域多項式最小二乘法擬合的濾波方法，適合于實驗數據信號[10]。因此，本文通過S-G 濾波對工況干擾進行濾除。設樣本數據為x（p），其中的一組數據為x（i），i=-J，…0，…J， S-G 濾波是用多項式f1來擬合這組數據，如式（1）所示[11]：

式中n——設定的多項式階數，且n≤2 J。

在擬合的過程中，會存在一定的擬合誤差，設總誤差的平方和為E，通過式（2）表示為[12]：

為使濾波前后的波形盡可能保留原始特征，需要擬合的誤差盡可能小，為此，可令E對各系數的導數為零，由此得到式（3）：

式中，r= 0， 1， …n，令Fr和Sk+r定義為式（4）與式（5）：

則式（3）可改寫為：

根據式（6），只需給定擬合的單邊數J，多項式的階數n和原始樣本數據x（p），即可確定S-G 濾波的擬合多項式f1，計算得到濾波后的波形信號。

1.2 故障檢測檢驗標準

在對原始樣本數據進行降噪處理的基礎上，為定性定量地分析故障檢測模型的好壞，判斷模型的偏差大小，需要引入相關參數評估模型的性能。由于閥門故障檢測是檢測有無故障，本質也屬于分類問題，因此本文引入準確率、召回率、精確率和F1值作為評判閥門故障檢測模型的參數[13]。通常以關注的類為正類，其他類為負類，分類器在數據集上的預測或者正確或者不正確，我們有4 種情況：

TP（True Positive）：把正類預測為正類；

FP（False Positive）：把負類預測為正類；

TN（True Negative）：把負類預測為負類；

FN（False Negative）：把正類預測為負類。

以判斷閥門故障樣本為例，若以發生故障的樣本記為正類，則分類模型中發生故障并被正確分類的樣本個數記為TP，發生故障但被錯誤分類為正常狀態的樣本數量記為FP，正常狀態并被正確分類的樣本數量記為TN，正常狀態但被錯誤識別為故障狀態的樣本數量記為FN。

對于給定的測試數據集，準確率是分類器正確分類的樣本數與總樣本數之比，如式（7）所示：

召回率是所有正確分類的樣本數占應被判斷為正確的樣本數之比，如式（8）所示：

精確率是正確預測為正樣本數的占全部預測為正的比例，如式（9）所示：

F1值為算數平均數除以幾何平均數，如式（10）所示：

1.3 基于閾值的故障檢測方法

為判斷閥門狀態，結合閥門專家大量運維經驗，并基于實驗閥門參數的基礎上，建立了基于閾值的評估方法，其規則邏輯如下：

規則一：若實驗閥位處于0% ～ 5%與95% ～ 100%的區間，則進入規則二繼續診斷；若實驗閥位處于5% ～ 95%，此時測到的推力記為F2，計算得到的與正常狀態下在該閥位的閥桿推力F1比較，若F2＜0.85F1或者F2＞1.15F1，則判斷閥門出現故障，反之則進入規則二進一步判斷。

規則二：通過閥位計算正常狀態下閥位波動的幅值，記為X1，實驗狀態下的閥位波動的幅值記為X2，若X2＞1 + 0.3X1，則判斷閥門出現故障，反之進入規則三判斷。

規則三：將正常狀態的閥位信號做FFT 變換得到閥位的波動頻率，記為f1，實驗狀態下閥位波動的頻率記為f2，若f2＞1.1f1或f2＜0.9f1則判斷閥門出現故障，反之認為閥門處于正常運行狀態。

在確定好規則庫的邏輯后，建立的判別流程圖如圖1 所示。

圖1 基于閾值的電動調節閥有無故障的判別流程圖Fig.1 The flow chart of the judgment of whether the electric regulating valve has faults based on the threshold

2 實驗研究

2.1 在線監測實驗平臺搭建

為了驗證故障檢測模型的有效性和準確性，本文進行了故障模擬實驗，作為評估模型建模和驗證的基礎。為模擬閥門在正常和故障的運行狀態，獲得閥門的實時工作狀態并獲得在線數據，需搭建在線監測實驗平臺。實驗平臺分工作回路模塊與數據采集模塊兩部分，工作回路模擬調節閥的實際工況，并通過數據采集模塊得到閥門在不同狀態下的運行參數。

（1）工作回路模塊

調節閥工作回路用于模擬在不同介質壓力閥門的運行工況。為模擬電動調節閥故障狀態和正常狀態，實驗選取ZAZP-16K 型號閥作為試驗閥門，依托某企業的的閥門運行回路，完成了電動調節閥的在線監測裝置的設計和搭建。故障模擬實驗裝置工作回路示意圖如圖2 所示。該裝置有主回路和輔助回路兩部分組成，主回路是通過試驗閥的回路，用于測試不同條件下閥門的工況，并通過進出口壓力表和溫度計讀取閥門前后管道壓力和介質溫度；輔助回路用于在實驗前調試水壓狀態，保證介質壓力的穩定性。

圖2 故障模擬實驗裝置工作回路圖Fig.2 Working circuit diagram of fault simulation experimental device

（2）數據采集模塊

在完成搭建電動調節閥工作回路的基礎上，為了能在線監測閥門的實時狀態，還需要搭建在線監測和數據采集模塊。如圖3 所示為電動調節閥數據采集系統的工作原理示意圖，該部分由傳感器采集和中間件處理兩部分構成。

圖3 數據采集模塊工作原理示意圖Fig.3 Schematic diagram of the working principle of the data acquisition module

其中，傳感器采集部分包括以下部件：光柵光纖傳感器測量閥桿推力和填料螺栓緊固力；分壓傳感器測量電動頭電壓；電流鉗測量電動頭電流；拉線位移傳感器測量閥桿位移；智能電流表結合串口通訊軟件測量調節閥輸出閥位。中間件處理部分包括光纖解調儀、NI9201 采集卡、cDAQ-9170 卡槽，用于對以上監測參數傳輸與處理，并輸入到上位機中。

2.2 故障模擬

結合閥門卡澀常見的故障原因，實驗過程中模擬填料過緊、潤滑條件異常、閥桿彎曲（閥桿光柱彎曲、閥桿螺紋處彎曲、閥桿填料處彎曲）、閥座異物附著、閥芯或閥座損壞5 類故障，采集參數包括閥桿推力、閥桿位移、電動頭的電流與電壓、電動頭輸出閥位、填料螺栓緊固力共6 個參數。

（1）閥桿彎曲

為模擬該故障，實驗使用外力將三根閥桿分別在閥桿光柱處、螺紋處和閥桿填料密封處進行彎曲變形，如圖4a、b 所示。彎曲程度及彎曲部位如表1 所示。

表1 實驗閥桿加工參數Table 1 Processing parameters of experimental valve stem

（2）填料過緊

試驗通過扭矩扳手將兩個填料螺栓扭矩調節至40 N·m 來模擬填料過緊故障導致的閥門卡澀現象，如圖4c 所示。

（3）潤滑惡劣

為模擬該異常工況，試驗在斷電條件下順次拆除電動裝置，將傳遞扭矩的蝸輪蝸桿周圍的潤滑脂用酒精清除，如圖4d 所示。

（4）閥芯磨損

實驗通過在正常閥桿的閥芯兩端對稱點焊兩個焊點來模擬閥芯磨損故障，如圖4e 所示。

（5）異物卡住

實驗通過在閥芯底部裹上2 mm 的纖維布并用細鐵絲固定來模擬閥芯異物卡住故障，如圖4f 所示。

圖4 故障模擬圖Fig. 4 Analog fault

2.3 實驗樣本處理

根據上述故障模擬方案進行實驗，完成卡澀故障的數據采集和分析。為保證實驗數據僅受單一故障原因的影響，實驗選擇做相同壓差下正常狀態的工況作為比較，且每種壓差條件做3 組實驗，盡可能避免偶然條件帶來的誤差。出于閥門故障檢測的需要，對每種故障在常溫下閥前閥后壓差分別為0.4 MPa、0.8 MPa、1.2 MPa、1.6 MPa 下進行閥位全開行程和全關行程的實驗。通過實驗得到6 種不同故障狀態和正常狀態在不同壓差下共計96 組實驗數據。其中每組數據約有7 000 個樣本點，共計約700 000 個數據點。部分實驗得到的數據表2 所示。

表2 部分實驗樣本數據Table 2 Partial experimental sample data

3 結果與討論

3.1 信號去噪效果

在現場數據采集的過程中，由于380V 工電干擾及管道水流不穩定的情況，導致閥桿位移會出現非正常振動。需要通過均值濾波-S-G 濾波方法對信號采取降噪處理，提取有價值的趨勢項。實驗采集樣本為10 Hz，且大部分樣本數據圍繞趨勢項上下波動，少部分奇異值較大。

考慮到以上數據特點，本文先對信號均值濾波處理，濾波窗口大小設定為5，消除大多數偏離值，再使用平滑濾波算法平滑降噪。經均值濾波和S-G濾波前后得到的結果如圖5 所示。從圖中可以看出，S-G 濾波算法去噪效果顯著，并很好地保留了有用信號的特征。

圖5 S-G 濾波前后對比圖Fig. 5 Comparison S-G filtering

考慮到執行機構電壓是奇異樣本數據，與其他樣本特征相差較大，所以需要對原始數據做歸一化處理。由于數據總體樣本并不符合正態分布規律，且總體數據比較集中，所以選取最大最小標準化法是非常合適的。歸一化方法如式（11）所示：

式中x——樣本特征參數；

max （x）——樣本中穩定的最大值；

min （x）——樣本中穩定的最小值；

x'——歸一化后的特征參數。

3.2 閾值法故障檢測效果

在對原始數據降噪處理的基礎上，為驗證模型的可行性，本文選取實驗得到的故障數據和正常狀態的數據對模型測試。首先選取一組0.4 MPa、0.8 MPa、1.2 MPa、1.6 MPa 壓差下正常狀態的行程和閥桿推力作為正常樣本輸入到模型中，并計算得到閥位的平均波動幅值，波動頻率及閥桿推力，并將正常狀態的閾值保存至模型中。由于閥門閥位信號的直流分量較大，使得信號做傅里葉變換后零頻幅值過大而湮沒了特征頻率，故通過將信號的每個數據減去數據均值來消除零頻信號干擾，然后將信號做快速傅里葉變換（FFT 變換）得到閥位的波動頻率[16-17]。

隨后將實驗樣本作為測試樣本輸入到模型中，驗證模型的性能。測試樣本包括正常狀態、閥芯異物、填料過緊等6 種運行狀態、并分別含有0.4 MPa、0.8 MPa、1.2 MPa、1.6 MPa 四種壓差狀態下的數據。每種運行狀態含有12 組樣本，共計96 組樣本，并分別計算得到各個狀態下的閥桿推力、閥位振幅、波動頻率，部分狀態的波動頻率頻譜圖如圖6 所示，從圖中可以看出，FFT 變換能較好地繪制出各故障的頻譜圖。正常狀態下閥位波動頻率在0.2 Hz 左右，螺紋處彎曲的波動頻率為0.18 Hz，與正常狀態相差不大，閥桿填料處彎曲和閥芯磨損的頻率則明顯增大。異物卡住波動頻率為5 Hz，與正常狀態相差巨大。

根據閾值法對所有樣本數據進行測試，得到的測試結果如表3 所示。從表中可以看出，評估模型將36 組的閥桿彎曲和12 組閥芯點焊故障全部識別出來，對填料過緊、潤滑惡劣和異物卡住也有很好的辨別效 果。

表3 閾值法評估實驗結果Table 3 Threshold value method to judge whether there is a fault

將測試樣本輸入到模型中，將有故障和無故障作為正樣本，得到的模型評估結果如表4 所示。從表中可以看出，當有故障作為正樣本時，模型的準確率高達92.6%，且精確率、召回率、F1 值均達到85%以上，說明模型對有故障的閥門狀態辨別能力高；當將無故障作為正樣本時，準確率高達92.6%，測試得到該方法滿足電動調節閥的故障檢測條件。

表4 閾值法模型評估結果Table 4 Threshold method model evaluation results %

4 結束語

本文基于多年的經驗提出一種基于閾值的故障檢測方法，搭建電動閥門在線監測平臺，以ZAZP-16K 型號的電動調節閥作為實驗對象，實驗模擬5 類故障原因引起的卡澀故障，通過監測相關參數獲得實驗數據。針對信號弱和信噪比低等問題，使用了一種基于均值濾波和S-G 濾波的閥門數據處理方法，實驗驗證了基于閾值的電動調節閥門故障檢測方法的可行性，從而實現電動調節閥在不同閥位下判斷閥門有無故障的功能。