基于泄漏量監(jiān)測(cè)的減壓閥泄漏預(yù)測(cè)模型研究.pdf

1、減壓閥是工業(yè)生產(chǎn)中常用和重要的穩(wěn)壓元器件之一。減壓閥持續(xù)的泄漏或過大的泄漏會(huì)使其密封面遭受腐蝕，導(dǎo)致減壓閥的功能部分喪失或完全喪失，從而引起安全事故，阻礙工業(yè)生產(chǎn)并對(duì)生命財(cái)產(chǎn)安全構(gòu)成威脅。鑒于泄漏危害的嚴(yán)重性，ISO19973(全稱:氣動(dòng)元件可靠性評(píng)價(jià)的實(shí)驗(yàn)方法)規(guī)定了通過實(shí)驗(yàn)評(píng)價(jià)氣動(dòng)減壓閥可靠性的測(cè)試方法和失效標(biāo)準(zhǔn)。由此可見，研究減壓閥泄漏的機(jī)理和本質(zhì)，建立泄漏的數(shù)學(xué)模型，掌握其泄漏的變化規(guī)律，對(duì)于保護(hù)生命財(cái)產(chǎn)安全、保證工業(yè)生產(chǎn)的健康

2、穩(wěn)定運(yùn)行具有積極的現(xiàn)實(shí)意義。特別是如果能建立泄漏的時(shí)間預(yù)測(cè)模型，就能夠快速、準(zhǔn)確地預(yù)測(cè)泄漏，進(jìn)而做出維修或繼續(xù)使用的決定，建立高效率的、低成本的維修制度。
　　減壓閥的泄漏過程是非線性、多變量、時(shí)變、強(qiáng)耦合的，并且涉及大量的不確定因素，因而該過程是典型的復(fù)雜過程。采用機(jī)理建模方法，有利于理解減壓閥泄漏的機(jī)理和本質(zhì)，揭示泄漏和諸多參數(shù)之間的關(guān)系，卻難以獲得精確的預(yù)測(cè)值。支持向量機(jī)是在預(yù)測(cè)建模領(lǐng)域出現(xiàn)的一種新的人工智能方法，由于其完備

3、的理論基礎(chǔ)在工程中獲得了成功的應(yīng)用，并受到了廣泛的關(guān)注。因此，該方法為泄漏預(yù)測(cè)開辟了一條可能的有效途徑。在研究支持向量機(jī)的基礎(chǔ)上，本文針對(duì)泄漏預(yù)測(cè)建模中精度和速度等方面展開了一系列的研究工作，主要研究?jī)?nèi)容如下:
　　(1)減壓閥泄漏的機(jī)理預(yù)測(cè)模型。將泄漏分為兩部分，經(jīng)過泄放孔的排放量和端面密封引起的泄漏量。對(duì)第一部分，把泄放孔等效為收縮噴嘴，根據(jù)連續(xù)性方程得到經(jīng)過泄放孔的泄漏。對(duì)第二部分，利用分形理論來描述隨時(shí)間變化的密封端面的形

4、貌，給出了密封端面上泄漏通道的數(shù)學(xué)表達(dá)式，將這些泄漏通道也抽象成收縮噴嘴，從而獲得經(jīng)過泄漏通道的泄漏量。
　　(2)基于支持向量機(jī)和隱含信息的權(quán)重調(diào)整方法。減壓閥在長(zhǎng)期的運(yùn)行過程中，端面形貌和密封間隙的幾何形狀都是不斷變化的，因此其泄漏量理論模型很難求解。而在支持向量機(jī)領(lǐng)域，可用變權(quán)重方法來描述這種情況，不同時(shí)刻的樣本數(shù)據(jù)，重要程度相差較大，對(duì)每個(gè)樣本點(diǎn)應(yīng)采用不同的權(quán)重系數(shù)。提出了隱含懲罰系數(shù)的概念。將隱含信息和樣本映射到同一個(gè)高

5、維空間，在這個(gè)空間中，使用標(biāo)準(zhǔn)的支持向量回歸方法處理隱含信息，獲得樣本在隱含信息作用下的偏差，以該偏差作為權(quán)重函數(shù)的調(diào)整函數(shù)。分別進(jìn)行了回歸麥克-格拉斯混沌時(shí)間序列的仿真驗(yàn)證和回歸機(jī)械密封實(shí)驗(yàn)裝置泄漏量的實(shí)驗(yàn)驗(yàn)證。
　　(3)基于雙隱含信息的減壓閥泄漏時(shí)間預(yù)測(cè)模型。針對(duì)機(jī)理預(yù)測(cè)模型和現(xiàn)代分析預(yù)測(cè)方法的不足和減壓閥泄漏的特點(diǎn)，在支持向量回歸加的基礎(chǔ)上，結(jié)合基于隱含信息的權(quán)重函數(shù)調(diào)整方法，提出了基于支持向量機(jī)和雙隱含信息的減壓閥泄漏預(yù)

6、測(cè)模型。給出了建立該模型的步驟和方法，包括隱含信息的選擇、泄漏數(shù)據(jù)和壓力差數(shù)據(jù)的預(yù)處理，以及求解和使用該模型的方法。討論了遺傳算法和粒子群算法在多參數(shù)優(yōu)化背景下的性能比較。遺傳算法和粒子群算法在優(yōu)化兩個(gè)或者三個(gè)待定參數(shù)時(shí)，性能比較沒有一個(gè)統(tǒng)一的結(jié)論;在優(yōu)化該模型的六個(gè)參數(shù)時(shí)，粒子群算法優(yōu)于遺傳算法。對(duì)減壓閥泄漏失效進(jìn)行預(yù)測(cè)實(shí)驗(yàn)，和其它預(yù)測(cè)建模方法相比，該模型能正確預(yù)測(cè)出最多個(gè)數(shù)的泄漏失效樣本。詳細(xì)分析了閥No.3的情況，從理論上討論了隱

7、含信息不起作用的原因。
　　(4)貫序最小優(yōu)化加算法。支持向量回歸加充分利用了隱含信息，進(jìn)一步提高了預(yù)測(cè)的精度。由于引入了隱含信息，需要處理的數(shù)據(jù)量增大，延長(zhǎng)了訓(xùn)練模型的時(shí)間，使得難以快速獲得模型的結(jié)果。提出了用于優(yōu)化支持向量回歸加的貫序最小優(yōu)化加算法。通過分析支持向量機(jī)加優(yōu)化問題的約束條件，并根據(jù)KKT優(yōu)化條件，給出了判斷支持向量和普通樣本的標(biāo)準(zhǔn)，給出了貫序最小優(yōu)化加算法中的違反KKT條件，討論了滿足KKT條件的幾種情況。通過適