余吉超,姚 燕,歐陽(yáng)航

(中國(guó)計(jì)量大學(xué) 計(jì)量測(cè)試工程學(xué)院,浙江 杭州 310018)

閥門是管道系統(tǒng)中的基本部件,通過(guò)控制閥門可以改變流體介質(zhì)的壓力和流量變化。對(duì)絕大多數(shù)閥門來(lái)說(shuō),泄漏是主要的破壞形式,其中最常見(jiàn)的是由于密封性差或器件老化所導(dǎo)致的閥門內(nèi)漏和外漏。閥門泄漏不僅會(huì)造成經(jīng)濟(jì)方面的損失,易燃、易爆、有毒氣體的泄漏還會(huì)對(duì)人身安全造成巨大威脅,因此迫切需要實(shí)現(xiàn)閥門泄漏故障的及時(shí)檢測(cè)。目前,閥門外漏故障有一套成熟的檢測(cè)技術(shù),但閥門內(nèi)漏依然主要依賴于傳統(tǒng)檢測(cè)方法,如人工巡檢、超聲波檢測(cè)、紅外測(cè)溫法等。這些方法均存在一定的缺陷,如人工巡檢需要手動(dòng)拆卸閥門進(jìn)行檢查而耗費(fèi)大量的人力,紅外測(cè)溫法受環(huán)境局限較大,超聲波檢測(cè)法對(duì)于微小泄漏的檢測(cè)存在缺陷。

傳統(tǒng)方法的局限性使得許多學(xué)者將聲發(fā)射技術(shù)應(yīng)用到閥門內(nèi)漏的檢測(cè)上。閥門內(nèi)漏檢測(cè)的首要工作就是認(rèn)識(shí)內(nèi)漏聲源產(chǎn)生的機(jī)制。張穎[1]對(duì)氣體內(nèi)漏過(guò)程動(dòng)態(tài)流體源的聲源特性進(jìn)行了理論分析,并用四極子聲源近似表示閥門氣體內(nèi)漏噴流噪聲源,同時(shí)建立了閥門氣體內(nèi)漏噴流噪聲聲源強(qiáng)度的流動(dòng)參量描述方程。在理論模型的基礎(chǔ)上,Prateepasen[2]等提出了一種基于聲發(fā)射技術(shù)的新型理論模型來(lái)預(yù)測(cè)泄漏率;高倩霞[3]等基于最小二乘法建立了基于聲發(fā)射信號(hào)特征的閥門泄漏故障特征參數(shù)與閥門泄漏狀態(tài)的定量關(guān)系;鄒兵[4]等建立了預(yù)置缺陷閘閥內(nèi)漏模擬試驗(yàn)平臺(tái),利用小波分析技術(shù),研究了內(nèi)漏聲發(fā)射信號(hào)頻率分布規(guī)律;YAN[5]等通過(guò)最近鄰節(jié)點(diǎn)算法(K-NearestNeighbor,KNN)和支持向量機(jī)(Support Vector Machine,SVM)等分類算法對(duì)閥門狀態(tài)進(jìn)行分類。

近年來(lái),隨著機(jī)器學(xué)習(xí)研究的不斷推進(jìn),研究人員利用機(jī)器學(xué)習(xí)方法對(duì)聲發(fā)射信號(hào)進(jìn)行處理,有效提高了閥門的最小可檢測(cè)泄漏量。如雷紅祥[6]開(kāi)發(fā)的閥門內(nèi)漏檢測(cè)裝置在實(shí)驗(yàn)現(xiàn)場(chǎng)測(cè)得球閥內(nèi)漏流量為1.6 L/min;張庚[7]通過(guò)搭建檢測(cè)實(shí)驗(yàn)平臺(tái)測(cè)得旋塞閥內(nèi)漏流量為0.87 L/min;吳石恩[8]基于支持向量數(shù)據(jù)描述方法,測(cè)得最小可檢測(cè)泄漏量為0.328 L/min;周文[9]基于深度置信網(wǎng)絡(luò)評(píng)估得到閥門最小泄漏率為0.416 L/min。

盡管存在以上進(jìn)展,但上述方法大都從頻域的角度開(kāi)展研究?？紤]到閥門聲發(fā)射數(shù)據(jù)可以在一定時(shí)間段內(nèi)體現(xiàn)出閥門內(nèi)漏的發(fā)展趨勢(shì),可以用時(shí)間序列模型對(duì)閥門內(nèi)漏趨勢(shì)進(jìn)行預(yù)測(cè)。因此,本文提出了基于聲發(fā)射技術(shù)和門控循環(huán)神經(jīng)網(wǎng)絡(luò)(Gated Recurrent Unit,GRU)[10-11]的閥門內(nèi)漏監(jiān)測(cè)方法,利用聲發(fā)射技術(shù)在動(dòng)態(tài)檢測(cè)以及GRU在時(shí)間預(yù)測(cè)方面的優(yōu)勢(shì),期望能夠提高閥門所能檢測(cè)到的最小泄漏量,從而實(shí)現(xiàn)閥門泄漏的更準(zhǔn)確檢測(cè)。

1 門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)原理

GRU是一種新型的循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)[12]。傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)在對(duì)序列信息進(jìn)行預(yù)測(cè)時(shí),無(wú)法基于長(zhǎng)時(shí)間序列建立模型,而循環(huán)神經(jīng)網(wǎng)絡(luò)可以通過(guò)將信息進(jìn)行循環(huán)操作,保持信息持續(xù)存在來(lái)解決上述問(wèn)題。最典型的RNN方法是長(zhǎng)短期記憶網(wǎng)絡(luò)(Long Short-Term Memory,LSTM)[13]。相比于傳統(tǒng)RNN網(wǎng)絡(luò)以及其他深度網(wǎng)絡(luò),LSTM對(duì)數(shù)據(jù)時(shí)序性的適應(yīng)能力更強(qiáng),但LSTM網(wǎng)絡(luò)存在參數(shù)量較多、模型收斂速度較慢等缺點(diǎn)。作為L(zhǎng)STM的一個(gè)變式,GRU簡(jiǎn)化了LSTM的內(nèi)部單元結(jié)構(gòu),在保證較高預(yù)測(cè)精度的同時(shí)可有效縮短模型的訓(xùn)練時(shí)間,因此得到了廣泛關(guān)注。GRU由一系列的門控循環(huán)單元構(gòu)成,其中單個(gè)門控循環(huán)單元的結(jié)構(gòu)示意圖如圖1。

圖1 門控循環(huán)單元示意圖Figure 1 Schematic diagram of gated loop unit

(1)

rt=σ(W(r)xt+U(r)ht-1),

(2)

(3)

(4)

2 閥門內(nèi)漏聲發(fā)射檢測(cè)實(shí)驗(yàn)及數(shù)據(jù)預(yù)處理

2.1 閥門內(nèi)漏聲發(fā)射檢測(cè)實(shí)驗(yàn)

為實(shí)現(xiàn)基于聲發(fā)射的閥門內(nèi)漏檢測(cè),本文設(shè)計(jì)了對(duì)應(yīng)的實(shí)驗(yàn)系統(tǒng),如圖2。實(shí)驗(yàn)系統(tǒng)主要由高壓氮?dú)怃撈?、壓力表、控制球閥、待測(cè)閥門、流量計(jì)、聲發(fā)射傳感器、前置放大器、信號(hào)采集處理終端組成。

圖2 閥門內(nèi)漏聲發(fā)射檢測(cè)實(shí)驗(yàn)系統(tǒng)的設(shè)計(jì)圖Figure 2 Design drawing of valve internal leakage acoustic emission detection experimental system

實(shí)驗(yàn)中用到的發(fā)射傳感器是由北京聲華科技公司生產(chǎn)的SR150N型聲發(fā)射傳感器,檢測(cè)頻率為22～220 kHz。為其配套的前置放大器增益為40 dB,分辨率為16 bit。前置放大器的作用是將聲發(fā)射傳感器采集到的極微弱的信號(hào)通過(guò)模擬電路進(jìn)行放大,以便后續(xù)信號(hào)處理終端對(duì)信號(hào)進(jìn)行采集。聲發(fā)射傳感器固定在待測(cè)閥門的外側(cè)閥壁上,當(dāng)調(diào)節(jié)閥門時(shí),采集聲發(fā)射信號(hào)到采集終端中進(jìn)行進(jìn)一步的處理。

采用0.2 MPa,0.3 MPa,0.4 MPa,0.5 MPa,0.6 MPa,0.7 MPa共6組壓力進(jìn)行實(shí)驗(yàn),測(cè)試采用DN8球閥,通過(guò)調(diào)節(jié)球閥開(kāi)度調(diào)整泄漏流量,采用流量計(jì)進(jìn)行測(cè)定。在泄漏率為0.2 L/min、0.4 L/min、0.6 L/min、0.8 L/min、1 L/min、1.2 L/min的情況下進(jìn)行實(shí)驗(yàn),每個(gè)壓力值下5組實(shí)驗(yàn),得到了不同工況下聲發(fā)射信號(hào)數(shù)據(jù)。

2.2 小波包信號(hào)降噪研究

閥門內(nèi)漏檢測(cè)方法由圖3,固定于閥門壁上的聲發(fā)射傳感器將采集到聲發(fā)射信號(hào)轉(zhuǎn)換為電信號(hào),并經(jīng)過(guò)前置放大器放大。此時(shí)的信號(hào)包含大量環(huán)境噪聲,需要對(duì)其進(jìn)行降噪處理,之后再經(jīng)由深度學(xué)習(xí)模型對(duì)信號(hào)進(jìn)行診斷,判斷閥門內(nèi)漏狀態(tài)。

圖3 閥門內(nèi)漏檢測(cè)方法Figure 3 Valve internal leakage detection method

小波包分解是一種常用的信號(hào)頻譜分析方法,通過(guò)對(duì)信號(hào)的多次迭代,將其按頻率逐層分解。相比于小波分解,小波包分解更為精細(xì),它在分解的過(guò)程中不僅對(duì)低頻信號(hào)再分解,對(duì)高頻信號(hào)也會(huì)再實(shí)施分解,因此更適用于信號(hào)高頻部分的分析[14]。在小波包分解的過(guò)程中,依據(jù)特點(diǎn)不同,不同的小波基函數(shù)對(duì)小波包分解的效果有很大影響,選擇合適的小波基函數(shù)就顯得相當(dāng)重要。

常用的小波基函數(shù)主要包括haar小波、db小波、bior小波、coif小波、sym小波等,如表1。

表1 小波基函數(shù)特性比較

考慮到閥門內(nèi)漏聲發(fā)射信號(hào)復(fù)雜且數(shù)據(jù)量較大,采用具有雙正交性的對(duì)稱小波函數(shù)可以讓信號(hào)在多尺度分解和重構(gòu)中盡量不出現(xiàn)邊緣失真。另外,為了獲取信號(hào)的局部特征,應(yīng)盡量選用具有緊撐性的小波函數(shù)。因此,針對(duì)閥門聲發(fā)射信號(hào),本文采用db小波作為小波包分解重構(gòu)的小波基函數(shù)。基于db小波的分解結(jié)果如圖4。

圖4 db-N小波的尺度函數(shù)與時(shí)域波形Figure 4 Scaling function and time-domain waveform of db-N wavelet

由圖4可知,不同階數(shù)下的db小波的尺度函數(shù)趨勢(shì)幾乎沒(méi)有變化,只是在光滑度上隨階數(shù)變高也在不斷變高。而在不同階數(shù)的db小波函數(shù)圖像上也幾乎沒(méi)有變化,僅有光滑度隨階數(shù)提升不斷提高。由此可見(jiàn),不同階數(shù)的db小波圖像本質(zhì)是類似的。dbN小波消失矩階數(shù)為N,高階db小波的消失矩過(guò)大不利于計(jì)算,不適用于閥門泄漏聲發(fā)射信號(hào)處理。

選擇db3～db5、coif3～coif5、sym3～sym5小波包基函數(shù),分解尺度為4對(duì)信號(hào)進(jìn)行降噪處理,不同小波包基函數(shù)降噪后信號(hào)的信噪比結(jié)果如圖5。由圖可知db小波具有更高的信噪比,且當(dāng)階數(shù)為3時(shí),取得最好效果。

圖5 不同小波包基函數(shù)下降噪對(duì)比結(jié)果Figure 5 Comparison results of different wavelet packet basis functions for noise reduction

由于存在噪聲干擾,無(wú)法直接從時(shí)域圖上對(duì)聲發(fā)射信號(hào)進(jìn)行確認(rèn)。因此,需要從頻域的角度進(jìn)行分析,確認(rèn)聲發(fā)射信號(hào)的確切頻率范圍。結(jié)合上述分析和實(shí)驗(yàn)對(duì)比結(jié)果,本文利用db3小波對(duì)閥門泄漏聲發(fā)射信號(hào)進(jìn)行4層分解,觀察不同頻域段信號(hào)能量占總能量的比例,以確認(rèn)聲發(fā)射信號(hào)所在頻域。

為確認(rèn)聲發(fā)射信號(hào)所在頻段,需要在不改變聲發(fā)射傳感器與閥門的相對(duì)位置的情況下,僅僅控制閥門的開(kāi)度,采集未發(fā)生和已發(fā)生泄漏時(shí)的聲發(fā)射信號(hào)。將其進(jìn)行小波包分解后,計(jì)算不同頻段能量占總能量的比例。由圖6所示,橫坐標(biāo)為將0到300 kHz頻率范圍內(nèi)的信號(hào)進(jìn)行4層小波包分解后的16個(gè)窗口頻率窗口;縱坐標(biāo)為各頻率窗口能量占總信號(hào)能量的百分比。在引入聲發(fā)射信號(hào)后,能量分布從56.25～93.75 kHz頻段,集中到0～18.75 kHz頻段?？芍暟l(fā)射信號(hào)能量的加入,使得0～18.75 kHz頻段能量占比大幅增加,56.25～93.75 kHz頻段能量占比相對(duì)減少。由此可以確認(rèn)閥門聲發(fā)射信號(hào)所在頻段為0～18.75 kHz,而原先集中在56.25～93.75 kHz頻段的信號(hào)可以認(rèn)為是環(huán)境噪聲。

圖6 各頻段能量比較圖Figure 6 Energy comparison chart of each frequency band

其后,利用閾值去噪法對(duì)信號(hào)進(jìn)行處理。在確定聲發(fā)射信號(hào)集中在0～18.75 kHz后,保留該頻段的小波包節(jié)點(diǎn)系數(shù),將其他頻段噪聲信號(hào)的小波包節(jié)點(diǎn)系數(shù)降為0,重構(gòu)聲發(fā)射信號(hào)。原始信號(hào)與降噪后信號(hào)頻域?qū)Ρ热鐖D7。經(jīng)過(guò)小波包降噪,重構(gòu)后信號(hào)濾除了聲發(fā)射信號(hào)所在頻段外,環(huán)境中其他頻段的噪聲,有利于之后對(duì)聲發(fā)射信號(hào)的進(jìn)一步處理。

圖7 重構(gòu)前后信號(hào)頻域圖Figure 7 Signal frequency domain diagram before and after reconstruction

3 基于GRU的閥門內(nèi)漏數(shù)據(jù)分析

在對(duì)聲發(fā)射信號(hào)進(jìn)行了降噪處理之后,分別使用支持向量機(jī)(SVM)、BP神經(jīng)網(wǎng)絡(luò)以及門控循環(huán)神經(jīng)網(wǎng)絡(luò)對(duì)降噪信號(hào)進(jìn)行分類識(shí)別,比較不同模型對(duì)閥門內(nèi)漏故障的識(shí)別效果。

3.1 基于支持向量機(jī)閥門內(nèi)漏故障診斷模型

支持向量機(jī)是一種監(jiān)督學(xué)習(xí)算法,在二元分類方面有很好的適用性[15]。為了降低誤判率,本文采用了徑向基函數(shù)(RBF)作為閥門內(nèi)漏故障識(shí)別SVM模型的核函數(shù),RBF核中有g(shù)amma和C兩個(gè)參數(shù),本文選擇網(wǎng)格搜索的方法尋找各種可能的gamma和C,其后使用交叉驗(yàn)證的方法,確定精確度最高的參數(shù)[16]。

為了對(duì)閥門內(nèi)漏進(jìn)行準(zhǔn)確識(shí)別,將閥門完好狀態(tài)下的聲發(fā)射信號(hào)分別和泄漏程度不同的多組閥門聲發(fā)射信號(hào)進(jìn)行組合,并作為數(shù)據(jù)集進(jìn)行識(shí)別。每種泄漏率下,分別輸入10組數(shù)據(jù)集,每組數(shù)據(jù)集約有300個(gè)采樣點(diǎn)。將數(shù)據(jù)集以及其標(biāo)簽文件分別輸入SVM模型中,每組隨機(jī)選取其中200個(gè)樣本作為訓(xùn)練集,余下作為測(cè)試集;求不同泄漏率測(cè)試集的準(zhǔn)確率均值;評(píng)價(jià)不同泄漏率下的SVM模型故障識(shí)別準(zhǔn)確性。表2為SVM模型閥門內(nèi)漏檢測(cè)的平均準(zhǔn)確率,由表可知,隨著泄漏率越小,SVM模型故障識(shí)別效果也在不斷變差。在泄漏率低于0.8 L/min時(shí),SVM模型識(shí)別準(zhǔn)確率已低于85%。

表2 SVM模型閥門內(nèi)漏檢測(cè)平均準(zhǔn)確率

3.2 基于BP神經(jīng)網(wǎng)絡(luò)閥門內(nèi)漏故障診斷模型

BP神經(jīng)網(wǎng)絡(luò)是一種按照誤差逆向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)。它廣泛應(yīng)用于工業(yè)場(chǎng)合下的故障診斷中,將一個(gè)待定的輸出向量與它的輸入向量聯(lián)系起來(lái),實(shí)現(xiàn)模式識(shí)別[17]。

本文將不同泄漏率下的閥門聲發(fā)射信號(hào)的特征值提取出來(lái),將特征值作為BP神經(jīng)網(wǎng)絡(luò)的輸入值,輸出值則是閥門內(nèi)漏速率。作為輸入量的特征值包括壓力、平均信號(hào)電平(ASL)以及有效值電壓(RMS)。BP神經(jīng)網(wǎng)絡(luò)的輸入端所輸入特征量為3個(gè),網(wǎng)絡(luò)的輸入節(jié)點(diǎn)數(shù)設(shè)置為3。根據(jù)本文需確定閥門泄漏率,所以輸出節(jié)點(diǎn)應(yīng)設(shè)置為7。考慮到隱層節(jié)點(diǎn)數(shù)過(guò)多會(huì)導(dǎo)致訓(xùn)練效率下降,再通過(guò)經(jīng)驗(yàn)公式的推導(dǎo)與多次實(shí)驗(yàn),確定最佳隱層節(jié)點(diǎn)數(shù)為7。那么診斷的網(wǎng)絡(luò)結(jié)構(gòu)可以確定為N(3,7,7)。

圖8為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練曲線,它表示的是訓(xùn)練過(guò)程中收斂精度的變化,由圖可知在訓(xùn)練初期收斂精度下降較大,當(dāng)?shù)?00步時(shí),曲線開(kāi)始平緩,逐漸收斂,均方誤差陷入局部極值無(wú)法跳出。

圖8 BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練曲線Figure 8 Training curve of BP neural network

表3為不同工況下,閥門運(yùn)行狀態(tài)標(biāo)簽,表4為BP神經(jīng)網(wǎng)絡(luò)對(duì)測(cè)試集的部分輸出和分類準(zhǔn)確率。

表3 不同工況下閥門運(yùn)行狀態(tài)標(biāo)簽

表4 BP神經(jīng)網(wǎng)絡(luò)對(duì)測(cè)試集的部分輸出和分類準(zhǔn)確率

由神經(jīng)網(wǎng)絡(luò)的訓(xùn)練結(jié)果和測(cè)試結(jié)果,可以看出BP神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練后期陷入了局部極小值且迭代的花費(fèi)的時(shí)間較長(zhǎng)。測(cè)試結(jié)果中BP網(wǎng)絡(luò)輸出的精度不夠高,正確識(shí)別的數(shù)量還有待提高。

3.3 基于GRU的閥門內(nèi)漏故障診斷模型

利用未泄漏閥門的聲發(fā)射數(shù)據(jù)對(duì)GRU模型進(jìn)行訓(xùn)練;將未泄漏的聲發(fā)射數(shù)據(jù)輸入GRU模型;取預(yù)測(cè)數(shù)據(jù)與真實(shí)數(shù)據(jù)的差值,將差值由小到大排列,較小的99%的數(shù)據(jù)為可信數(shù)據(jù),較大的1%的數(shù)據(jù)則不可信,99%為設(shè)定的置信率。

如圖9,圖中前10 000個(gè)數(shù)據(jù)是閥門尚未發(fā)生泄漏時(shí)采樣所得的數(shù)據(jù),后10 000個(gè)數(shù)據(jù)是閥門發(fā)生內(nèi)漏時(shí)的采樣數(shù)據(jù)。將它們與GRU網(wǎng)絡(luò)輸出的預(yù)測(cè)值數(shù)據(jù)進(jìn)行比較,得到預(yù)測(cè)值與真實(shí)值的差值。將之前的99%置信率的數(shù)值作為基準(zhǔn),低于此值的為不可信數(shù)據(jù),高于此值的為不可信數(shù)據(jù),分別得到前后10 000個(gè)數(shù)據(jù)的置信率。

圖9 閥門泄漏程度的GRU預(yù)測(cè)Figure 9 GRU prediction of valve leakage

如表5,取前1 000個(gè)正常聲發(fā)射數(shù)據(jù)與后10 000個(gè)泄漏聲發(fā)射數(shù)據(jù)置信率的差值。經(jīng)過(guò)比對(duì)可以發(fā)現(xiàn)發(fā)生內(nèi)漏時(shí),置信率差值明顯出現(xiàn)變化,隨著泄漏率變大,置信率偏離程度也在不斷變大。由置信率的偏離程度,可以判斷閥門是否發(fā)生內(nèi)漏。

表5 壓力為0.4 MPa時(shí)預(yù)測(cè)數(shù)據(jù)與真實(shí)數(shù)據(jù)置信率差值比較

在不同實(shí)驗(yàn)壓力下對(duì)內(nèi)漏程度不同的閥門進(jìn)行實(shí)驗(yàn),對(duì)所采集得到的數(shù)據(jù)進(jìn)行進(jìn)一步分析。如表6,可以發(fā)現(xiàn)在不同閥門壓力下,當(dāng)閥門發(fā)生泄漏時(shí),其置信率差值變化明顯,且隨著泄漏的不斷增大,差值逐漸變大。在不同的閥門壓力下,仍可由置信率偏離程度判斷閥門是否發(fā)生內(nèi)漏。

表6 不同壓力下預(yù)測(cè)數(shù)據(jù)與真實(shí)數(shù)據(jù)置信率差值比較

當(dāng)置信率差值大于1%時(shí),可判斷閥門發(fā)生泄漏,表7為GRU對(duì)測(cè)試集的分類準(zhǔn)確率。比較表4BP神經(jīng)網(wǎng)絡(luò)對(duì)測(cè)試集的分類準(zhǔn)確率,可知GRU在閥門內(nèi)漏檢測(cè)方面效果更好。

表7 GRU對(duì)測(cè)試集的分類準(zhǔn)確率

比較支持向量機(jī)、BP神經(jīng)網(wǎng)絡(luò)和門控循環(huán)神經(jīng)網(wǎng)絡(luò)對(duì)閥門內(nèi)漏聲發(fā)射信號(hào)的處理效果如表8所示,可知門控循環(huán)神經(jīng)網(wǎng)絡(luò)利用時(shí)間序列對(duì)閥門故障進(jìn)行判別的方法所取得的效果更佳。

表8 不同研究方法可測(cè)的最小泄漏量比較

4 結(jié) 論

閥門的內(nèi)漏故障程度可以表征為閥門內(nèi)漏時(shí)聲發(fā)射信號(hào)的變化情況。給出一種基于門控循環(huán)神經(jīng)網(wǎng)絡(luò)的閥門內(nèi)漏狀態(tài)判別新方法。門控循環(huán)神經(jīng)網(wǎng)絡(luò)對(duì)于長(zhǎng)時(shí)間序列數(shù)據(jù)十分敏感,并且能夠保存長(zhǎng)期記憶,以用于對(duì)短期記憶包含的信息進(jìn)行校正。當(dāng)發(fā)生泄漏后,聲發(fā)射所接收數(shù)據(jù)的微小變化會(huì)與長(zhǎng)期記憶所存儲(chǔ)信息不同,因而造成與無(wú)泄漏工況下不同的差值,利用此差值可以判斷泄漏率。在本文的實(shí)驗(yàn)工況下,門控循環(huán)神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)方法能夠識(shí)別最小泄漏量為0.2 L/min的閥門內(nèi)漏,其效果優(yōu)于本文中實(shí)現(xiàn)的支持向量機(jī)以及BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法。區(qū)別現(xiàn)有研究中所使用的檢測(cè)方法,利用時(shí)間序列分析進(jìn)行故障診斷的方法,使得檢測(cè)效果有所提升,從而為閥門泄漏故障判斷提供了一種新的方向。