文摘
科里奥利质量流量计(CMF)被广泛用于测量质量流量,主要是在石油化工、医疗、制药、食品制造业和其他行业。测量管CMF的关键组件,从而影响测量精度,给生产企业造成损失。安装在墙上的测量管的失败会影响测量精度。实时检测方法基于加速度传感器阵列信号处理和模式识别等提出了检测失败。两个加速度传感器排列在CMF五频传感器阵列组成。多通道阵列的信号分解通过盲源分离算法,和阵列信号特征提取的小波散射的网络。支持向量数据描述(SVDD)是用于检测挂状态CMF。实验结果表明,该方法可以用来检测CMF壁挂式实时故障的准确性达89.59%、和方法可以降低生产损失。
1。介绍
科里奥利质量流量计(CMF)是一种乐器,它可以直接测量流体的质量流量没有中间参数转换(1]。与其他传统仪器测量质量流量相比,CMF如高测量精度有明显优势,没有运动部件,使用寿命长,轻微的磨损。CMF已广泛应用于流体检测在石油化工、食品、医疗、制药、和其他领域(2]。一个典型CMF由测量管,驱动单元和传感器(3]。杂质附着在测量管的质量极大地影响测量准确度的CMF。CMF的振动频率越高,影响越大的附加杂质测量精度(4]。由于长期操作,流体中的杂质沉积在测量管导致不平衡的测量管。它影响流量计的校准系数和流动阶段计算CMF (5]。振动信号检测和分析是一种常见的方法来检测杂质的CMF测量管。x射线和超声成像技术通常用于检查的内部CMF测量管。然而,这些方法要么是昂贵或需要额外的设备测量管,很难满足实时检测的要求杂质粘附CMF测量管(6,7]。由于加速度传感器可以准确检测加速度的变化,并将其转换成可用输出信号,它可以安装在CMF挡板来评估质量的杂质附着在CMF测量管没有安装任何设备。
信号收集的CMF加速度传感器阵列测量管的大量数据。机器学习算法是一个很好的数据分析和质量评价等质量数据问题的解决方案。故障检测CMF的方法有很多。斯塔克等人提出了一种多模方法来检测故障状态CMF和完成相应的诊断设备的设计8]。杨等人提出了一个算法CMF故障检测和修正基于阈值的比较9]。这种方法提高了测量精度不增加系统成本通过添加相应的算法对现有软件。高等人意识到特征识别和校正结果的神经网络(10]。太阳和王讨论和比较两种验证方法CMF:在线和离线验证(11]。惠勒等人提出了一种方法来检测故障CMF通过其刚度的变化。然而,这种方法只能进行当CMF是不工作12]。阵列信号处理包括阵列信号分解,信号特征提取和信号检测异常。王等人提出了一种基于组合的轴承故障诊断方法的快速独立分量分析(FastICA)盲源分离和包络谱分析来识别轴承故障信号特征复杂路径下(13]。多通道数据采集的信号是原始信号的混合信号。的FastICA预处理获得源信号,这是一个快速优化迭代算法适用于任何类型的数据(14]。机器学习检测算法的影响取决于信号特征的提取。有许多方法来提取信号特征,如经验模态分解(EMD),傅里叶变换和小波变换15]。EMD模式混叠和端点效应问题,不能用于非平稳的信号,傅里叶变换和小波变换信号有更广泛的应用和保留时间信息16- - - - - -18]。一个不变的散射卷积网络是一个很好的基于小波变换的特征提取方法。看到下面成了分类算法基于支持向量数据描述(SVDD)是采用信号检测异常。算法的基本思想是建立一个最优的超球面数据,然后确定样品是否超球面的分类(19]。由FastICA阵列信号分解,获得原始信号。原始信号的特征提取使用小波散射网络训练SVDD异常检测模型,实现异常检测的CMF。
本文旨在提出一个CMF固定在墙上的故障检测系统在测量管没有额外的设备。CMF测量管固定在墙上的失败可以通过分析阵列信号检测。的原则和方法介绍了部分2。模拟和实验分析部分3。仿真结果和实验数据的一些合理的解释在过去。
2。原则和方法
2.1。工作原理CMF
CMF由一个主要仪器和二次仪表,如图1(一)。主要仪器包括法兰,分流的身体,测量管(u)、驱动单元、检测单元,如图1 (b)。二次仪表是一个过程的输出信号发射机的主要乐器。
(一)
(b)
法兰是用于连接测量管和二次仪表。并联机构是用来平分测量液体分为两型测量管。一个励磁信号发出的驱动装置的机械力u形管,和连续测量管振动的二阶振动模式。A和B传感器是用来检测管的相变。
管道中的流体流动时,由于科里奥利力测量管扭曲。这导致的相位检测传感器的反馈信号A和B领先和落后于驱动信号的相位,分别。传感器A和B之间的相位关系图所示2。
代表的振幅振动信号的驱动装置,和和分别代表传感器的振幅A和B。根据传感器A和B之间的相位差,此刻CMF的质量流率可以得到如下公式所示:
质量流率,是角测量管的弹性模量,测量管的半径,是双方之间的时差的线圈穿过中心线。
2.2。CMF固定在墙上的故障检测方法和设计
传感器分为两组。数组1由两个外部加速度传感器分布在图档板1(一);数组2由两个传感器和驱动装置,如图1(一)。
具体如图异常检测进展3。
步骤1。阵列捕获振动信号后,FastICA用于分解信号的两个数组来获得原始信号。
步骤2。小波散射网络是用于提取原始信号的特点,用于训练SVDD异常检测模型。
步骤3。最后,基于SVDD的单一分类算法用于检测CMF杂质粘附。如果收集到的传感器阵列数据是解决在超球面之外,相信杂质是坚持管壁。
步骤1。快速独立分量分析。
不锈钢的波的传播路径是复杂的,而且传播速度快。很难用一个精确的描述传播模型。本文选择简化模型和线性混合FastICA用于数组分解信号。FastICA旨在估计源信号和混合矩阵通过观察变量 。
有三个独立的声音来源图4。一个麦克风接收混合信号的三个声音来源。由于不同的声源之间的距离和每个麦克风,波信号每个麦克风收到的是不同的。
有信号来源 , 是一个独立的信号源,是一个未知的混合矩阵,用于组合和构造观测变量 ,可以表示为哪一个
通过传感器阵列,变量可以获得。根据中心极限定理,结合多维随机变量的分布趋向于高斯分布。找到一个最优的方向最大化的非高斯特性在这个方向。因此, ,负熵是用来测量non-Gaussianness:
微分熵,是一个高斯随机变量的协方差矩阵一样吗 。在某种意义上,负熵的最优估计非高斯。负熵通常是通过负熵的近似方法来解决。经典的方法之一是下列方程(20.]:
类型的( )是一个非线性函数,是标准正态分布的随机变量将是一个常数。我们只需要关心的价值 。根据Karush-Kuhn-Tucker条件,方程的最优解(4)的情况下 可以表示为如下方程:
的系数是拉格朗日乘子,它是用来约束的期望 。方程(5)可以表示如下:
在这个实验中,振幅,没有要求的归一化处理得到结果如下:
初始化的单位矩阵。由于订单的不确定性分解结果的FastICA峰度作为分类标准重新排序分解确保阵列信号分解结果是由一定的顺序,避免有序无序的影响特征提取(21]。
步骤2。小波变换。
各种方法用于生成信号的特性,如信号统计特性和频域特性的计算(22]。不变的散射卷积网络用于自动提取信号特征具有优良的性能和较高的可解释性。它包含小波卷积,非线性和平均操作(23,24]。
复小波变换的信号表示为
扩展的小波通过主波变换。小波模量系数是由一个复杂的小波,可以表示为
小波散射系数与平移不变性可以卷积得到的小波系数的模量换算系数函数获得的低频信息的信号:
是比例系数函数低通滤波器。
不变的散射卷积网络如图5。首先,信号平均使用小波低通滤波器,它失去了高频细节。然后连续小波变换应用于信号来生成一组规模图系数用于捕获细节迷失在第一步。在定标系数的模量,输出过滤使用小波低通滤波器产生的第一层散射系数。最后,重复上述过程,构建更多层的散射系数。
图6显示的结果后的双通道加速计传感器信号处理的FastICA放置在固定板。6例的实验中,散射系数的分解组件非常相似。图6显示设置的可视化1散射系数滤波器的第二个组件分解。从图可以看出6之间的散射特性有显著差异的,没有杂质坚持管壁。
一个不变的散射卷积网络是一种特殊的卷积网络。作为预设和非线性小波基础运营商提前设置,不需要通过训练样本调整滤波器参数,大大减少了操作的数量和计算复杂度25]。
步骤3。支持向量数据描述。
本文是尝试把杂质挂在固定的管壁模拟管道中的杂质CMF的附着力。通常,模型只能训练使用数据从正常工作状态CMF缺乏反例数据26,27]。本文采用一个基于SVDD分类算法实现异常检测杂质粘附情况下解决这一问题的极端类不平衡(28,29日]。
税收和Tuin SVDD首次提出基于支持向量机(SVM)。这些数据可用于描述新奇或异常值检测。主要检测原则如下。
试图找到一个超球面与最小的体积和包装的所有积极的样本数据超球面完成目标数据区域的描述。假设有一种积极的示例数据 ,在哪里的样品和数量吗是功能维度。SVDD用于寻找一个最小的体积超球面包含正类样本数据,超球面的中心 ,和半径是 ,这是转化为优化问题:
在方程(12)和(13),松弛变量,是惩罚系数。引入松弛变量允许的一些样品不是在超球面,从而降低超球面的体积,减少过度拟合的风险。
如图7,如果图像的新样本点属于最优超球面在特征空间中,样品被认为是正常的。相反,如果新样品的形象超出最优超球面特征空间,新样品被认为是一个异类。通过这种方式,新颖性的判断或孤立点检测完成。
3所示。模拟和实验
3.1。建模和分析
开展研究工作,使协议可行,ANSYS仿真模型如图8(一个)完成获得CMF内的流体的流速分布。根据流速分布,CMF测量管的位置最容易安装在墙上的失败是发现。的流速测量管弯曲CMF是最大的一部分。当身体粘性流或含有杂质,流经弯管,不容易出现粘性流体或杂质沉积。在连续的位置与弯管相交,液体的流速是最小的,杂质挂在墙上的概率是最大的,并可能发生沉积。
(一)
(b)
因为实际情况的测量管杂质粘附复杂,杂质附着的位置和质量难以准确地描述的模型,因此本文采用定点固定在墙上的研究。假设杂质的密度大于测量流体的密度,直接管相交弯管的位置作为杂质沉积的位置。蓝丁胶用于表示杂质涂在墙上的管来模拟杂质沉积的情况和坚持测量管。
蓝丁胶压成薄片粘贴在管壁上的人物8 (b)马克来模拟杂质沉积和粘附管道。质量的橡皮泥粘在一个单一的位置是3克。总共有6个条件,分别是:(1)没有杂质粘附;(2)只有一个杂质粘附;(3)有两个杂质粘连在测量管;(4)有一个杂质粘附在每两个测量管;(5)有一个杂质粘附在一个测量管和两个杂质附着在其他测量管;(6)有两个杂质粘连在测量管。
3.2。实验平台和设置
在这个实验中,所需的设备包括将军双u型CMF和将军双u型CMF传感器匹配DPT100发射机,蓝丁胶(用于模拟杂质),分辨率为0.01电子天平(重蓝丁胶)、加速度传感器LC0403振动传感器,bvm - 8101 microcharge放大器、直流稳压电源、数据采集卡usb - 4716,和一个主计算机。现场设备如图9。
30000组数据收集,包括20000套CMF正常运行数据和2000 5组数据实验阵列安装在墙上的,每一个都有1秒的长度。污染参数设置为0.1,表明污染数据的比例正样本数据集。
在实验中,传感器数据CMF先收集在正常工作条件下。然后,FastICA数组,用于分解信号和小波散射特征提取和选择。最后,SVDD的检测模型训练获得球形中心和边界的决定。如果收集到的传感器阵列数据之外的超球面计算后,可以认为杂质坚持管壁在CMF。相反,它认为没有坚持的管壁CMF杂质。仿真结果和实验数据的合理解释。
3.3。CMF冲击实验
理论的有效性需要特定的实验来验证。因此,该冲击实验用来验证FastICA算法的有效性在CMF阵列信号分解。当CMF处于正常工作状态时,一个轻微的冲击了测量管,收集和CMF的振动信号通过振动数据采集实验平台。
阵列信号CMF如图10,那里的 - - - - - -轴是采样点时的数量 - - - - - -轴是振幅。CMF振动信号波形图如图10 ()和组件获得的FastICA分解如图10 (b)。它可以得出的结论是,源信号1是信号传输到外壳的振动测量管的正常运行期间CMF。源信号2的冲击信号测量管。FastICA算法可以有效地分离混合信号CMF阵列信号通过对实验结果的分析。
(一)
(b)
3.4。结果与讨论
不变的卷积散射网络和傅里叶变换被用来提取的特征信号。只有正常工作数据CMF用于训练提出了异常检测模型。它可以分为四个病例根据是否使用FastICA算法分解阵列信号以及是否使用不变的卷积散射网络或傅里叶变换提取信号特征。接受者操作特征(ROC)曲线如图11。
从中华民国曲线,FastICA算法分解信号可以提高异常检测算法的性能。曲线下的面积(AUC)指标显著提高从0.89319到0.93021在分解信号的情况下通过采用FastICA算法和特征提取一个不变的卷积散射网络。本文使用不变的卷积散射信号特征提取的网络比傅里叶变换更加高效。
的实验中,使用异常检测算法的阵列信号处理在图3混淆矩阵,如表所示1。
即使一些杂质坚持管壁,该方法仍然可以有效地监控,并可以实现像样的结果。虽然小附加质量的差异反映在信号很弱,本文提出的方法可以达到89.59%的检测精度。
4所示。结论
在本文中,建立了有限元分析模型CMF基于ANSYS Workbench平台,和CMF壁挂基于阵列传感器的故障检测算法。5 g橡皮泥是用来模拟杂质对实验。一些结论可以根据一系列的仿真和实际实验。(1)故障定位预测。位置最容易安装在墙上的失败是获得的模拟,这被认为是固定在墙上的失败的位置建立模型(2)故障检测算法。CMF的壁挂故障检测算法提出了基于阵列传感器,和5 g橡皮泥是用来模拟杂质对实验。最后,实验结果的精度可以达到89.59%(3)应用优势。本文提出的算法可以检测是否有杂质附着在CMF墙在实时。检测效果好,进一步保证了长期有效操作CMF,降低了企业的成本。同时,该方法可广泛应用于超声波阵列检测信号处理、模式识别、异常检测和数据分类
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。
确认
这部分工作是支持关键R & D项目下的陕西格兰特D5140190030和部分由中国国家自然科学基金会资助下51875477。