基于数据驱动方法的控制阀故障诊断

马重　赵众

摘 要 针对控制阀门的故障类型，提出一种基于数据驱动的控制阀故障诊断方法。利用实际测量值和辨识模型预估值的残差来提取阀门的内/外漏特征，基于马氏距离对提取的分类特征进行故障分类。并利用阀门输入和输出数据的差值做自相关性分析来诊断阀门的粘滞故障。基于所提方法开发了相关应用软件，所开发软件在某大型煤气化装置的应用结果证实了所提方法的可行性和有效性，为解决控制阀门的故障诊断提供了一条新的有效途径。

关键词 阀门故障 数据驱动 阀门内漏 阀门外漏 阀门粘滞 故障诊断 残差 自相关性

中图分类号 TP277   文献标识码 B   文章编号 1000?3932（2023）02?0181?08

随着科学技术和工业过程控制的发展，电力、石油及化工等行业的工业生产变得越来越智能化、信息化、可视化，生产中最重要的是保证生产过程的平稳性和安全性［1］。控制阀是过程控制中不可或缺的一个重要执行机构，目前工业上所用阀门种类繁多，数量庞大。阀门系统一般包括阀门定位器、执行机构及阀体等附件，任何一部分发生故障，都可能会导致整个控制系统的波动，影响生产的平稳性和安全性。在工业生产中，常常采用定期检查和维护手段来保证控制阀门处于良好的状态，但这种方式往往会造成大量的人力物力浪费。

分布式控制系统（DCS）被广泛应用于过程控制生产中，大量的工业数据被DCS采集并储存在数据库里，这些数据往往包含着丰富有效的工业运行信息。基于DCS数据驱动的控制阀故障诊断及可预知性维护，成为近年来过程控制领域的研究热点［2］。GOHARRIZI A Y和SEPEHRI N将小波变换（WT）方法应用到检测液压执行器中由密封损坏引起的内部泄漏［3］。CUI H等提出一种基于信息熵和支持向量机（SVM）的压缩机阀门故障诊断方法［4］。WANG Y等通过分析声发射信号的波形并模拟阀门运动来判断阀门故障类型［5］。HAYASHI S等把声音信号的功率谱数据作为故障诊断信号，提出一种与神经网络相结合的阀门故障诊断方法［6］。TANG M和LI X提出一种基于T?S模糊模型的气动阀故障诊断方法［7］。考虑到实际工业应用的便捷性，笔者提出一种基于DCS数据驱动的控制阀门故障诊断方法，利用实际测量值和辨识模型预估值的残差数据来提取阀门的内漏外漏特征，基于马氏距离对提取的分类特征进行故障分类；利用阀门输入和输出数据的差值做自相关性分析来诊断阀门的粘滞故障。基于所提方法开发了相关应用软件，所开发软件在某大型煤气化装置的应用结果证实了所提方法的可行性和有效性，为解决控制阀门的故障诊断提供了一条新的有效途径。

1 控制阀结构及常见的故障

阀门一般由阀门定位器、执行机构和阀体组成［8］，图1所示为气动控制阀的基本结构。阀门定位器是一个独立的负反馈控制回路，接收来自控制器的信号，输出信号传输到执行机构，执行机构再通过阀杆的推力来控制阀体的节流面积，从而调整通过阀体的流量［9］。

在石油化工、工业生产等领域，气动控制阀的故障主要有阀门泄漏、阀座密封和阀芯损坏、阀门粘滞及阀门堵塞等情况［10］。其中，阀门泄漏可以分为阀门内漏和外漏。阀门内漏指的是阀门完全关闭后，仍有介质从阀门出口流出、渗漏的现象；而阀门外漏一般指的是阀门完全关闭和开启后，阀门填料处的外部密封部件出现介质的渗漏［11］。阀门粘滞指的是阀门在运行一段时间后，由于阀杆与填料之间产生较大的静摩擦，从而引起的非线性故障［12］，这种非线性故障可能会导致闭环控制系统的振荡。阀门内/外漏和阀门粘滞是阀门在工业生产中经常出现的故障。

2 基于數据驱动的控制阀故障诊断

2.1 模型辨识及预测

多数PID控制回路，阀门开度和控制对象测量值之间的阶跃曲线呈线性，具有单调变化或者是S型衰减振荡的特性，所以阀门开度和测量值的关系可以用一阶带纯滞后模型（FOPDT）或二阶带纯滞后模型（SOPDT）来近似：

由图7可以看出，当阀门无粘滞特性时，阀门的输出信号趋近于输入信号，故阀门的输入信号和输出信号差值的自相关系数很快就减小至0%；而有粘滞的阀门，因为阀门输入信号和输出信号之间存在着非线性关系，输入信号和输出信号差值的自相关系数将反复振荡。计算的自相关系数调节时间（稳定到终值的正负余差百分比Δ=5%）见表3，可以通过调节时间的长短来判断阀门是否存在粘滞故障。

3 应用软件开发及工业数据验证

3.1 应用软件开发

在过程控制中，阀门的故障势必会导致控制系统的不稳定，控制回路的控制效果变差，基于回路控制性能评价软件（Controller Performance Assessment，CPA），将回路控制效果评价和阀门故障智能诊断相结合，通过OPC采集DCS中的工业数据并存入SQL Server数据库内，定时对回路控制效果进行评价并对阀门进行故障诊断，该软件在某大型煤气化装置的应用架构如图8所示。

工程师可以分白班和夜班来定期查看控制回路的运行情况和阀门是否故障，并及时做出检查和维护，软件界面如图9所示，在上位机上运行包括阀门故障监控、回路评价及定期评价汇总等功能。

3.2 阀门内/外漏诊断数据验证

根据软件对阀门的内/外漏故障诊断结果，在DCS上截取某气化炉系统冲洗罐补水流量控制回路自动控制状态下的阀门开度和冲洗罐补水流量数据，选择二阶带纯滞后模型（SOPDT），下面将通过差分进化算法辨识出模型参数［20］。

a. 按式（3）确定辨识误差指标。

b. 粒子群个数Size=30，最大迭代次数为100。

c. 确定参数搜索范围分别为［0，50］，［0，50］，［0，50］，［0，20］。

d. 设置变异因子F=0.95，交叉因子CR=0.6。

通过阀门正常工作时的数据辨识出模型为：

最终辨识的误差指标J=54.2081，辨识模型的仿真输出和实际输出的拟合曲线如图10所示。

从DCS中导出阀门内漏、外漏和正常运行时的历史数据，采样时间为1 s。将内漏、外漏和正常情况下的Err作为3个总体，3个总体的一维分布如图11所示。

取6组阀门工作时的流量数据，每组100个，采样时间1 s，这6组数据的一维分布如图12所示。

软件诊断结果见表4，可以看出，软件可以准确地诊断出阀门的内/外漏故障情况。

3.3 阀门粘滞诊断数据验证

同样，选择软件监控的3个控制阀——洗涤塔底部出口流量控制阀、沉降槽灰水流量控制阀和高压闪蒸罐液位控制阀。在DCS上分别选取3条设定值有一定阶跃时的控制阀输入和输出的历史数据，采样时间为1 s，总时长5 000 s，计算其差值的自相关系数，曲线如图13所示。

软件诊断结果见表5，可以看出软件同样也可以有效地诊断出阀门的粘滞故障情况。

4 结束语

针对执行器阀门在工业生产过程中常出现的内/外漏和粘滞故障的问题，提出了利用阀门开度序列与被控对象测量序列的关系进行机理建模，通过计算实际测量序列和预估序列的残差来诊断阀门内漏和外漏，并且利用阀门的输入序列和输出序列差值的自相关性分析来诊断阀门是否出现粘滞故障。然后通过开发的控制系统性能评估软件对某工厂的气化炉执行器阀门产生的工业数据来验证，证明了该方法的有效性，对执行器故障诊断和控制系统性能监测的研究具有一定意义。

参 考 文 献

［1］ 韩斐，宋笔锋，喻天翔，等.阀门可靠性技术研究现状和展望［J］.机床与液压，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］ 杨海荣，薄翠梅，龚伟俊，等.基于PCA?SVM集成阀门故障诊断方法研究［J］.流体机械，2009，37（7）：28-32；12.

［9］ 牛菁洋.气动阀门定位系统建模与算法研究［D］.天津：河北工业大学，2016.

［10］ 黄燕，周密，黄卫星，等.阀门故障分析及其分类［J］.阀门，2007（6）：41-44.

［11］ 张旭.控制阀气源与内漏故障诊断研究［D］.杭州：浙江工业大学，2017.

［12］ 宋运忠，刘向龙.基于数据驱动的控制阀粘滞特性量化研究［J］.控制工程，2016，23（8）：1254-1260.

［13］ 刘波，王凌，金以慧.差分进化算法研究进展［J］.控制与决策，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，项国波.一种基于马氏距离的线性判别分析分类算法［J］.计算机仿真，2006（8）：86-88.

［16］   李士哲，王印松，田靖雨，等.气动阀门粘滞模型仿真及控制系统振荡分析［J］.计算机仿真，2016（1）：239-244.

［17］   朱亚平，夏春明，张亮，等.阀门粘滞在线检测及粘滞补偿的KNOCKER方法改进研究［J］.液压与气动，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］ 周小伟.基于DAMADICS平台的阀门故障分类及典型粘滞故障的建模与补偿［D］.上海：华东理工大学，2013.

［20］ 熊伟丽，陈敏芳，张乾，等.基于改进差分进化算法的非线性系统模型参数辨识［J］.计算机应用研究，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年工业互联网创新发展工程项目（TC19084DY）；北京市自然科学基金项目（4172044）；北京市朝阳区协同创新项目（CYXC1707）。

作者简介：马重（1997-），硕士研究生，从事回路性能评价及阀门故障诊断研究。

通讯作者：赵众（1970-），教授，从事复杂工业先进控制及过程检测的研究，zhaozhong@mail.buct.edu.cn。

引用本文：马重，赵众.基于数据驱动方法的控制阀故障诊断［J］.化工自动化及仪表，2023，50（2）：181-187；230.