流体机械

序号	故障模式	部件	故障机理	电装表现
1	卡死	电装	扭矩降低	电机惰转
2	推力杆	滚珠锈蚀	运行一下即惰转
3	双锥面突台	变形、磨损或断裂	电机惰转
4	卡滞	推力杆	滚珠过度磨损	电机输出力矩不稳定，振动偏大
5	阀板	阀板腐蚀
6	阀座	氧化、结晶粘接、过度磨损
7	电装	过度磨损
8	丝杠	T形台断裂

序号	故障模式	部件	故障机理	电装表现
1	卡死	电装	扭矩降低	电机惰转
2	推力杆	滚珠锈蚀	运行一下即惰转
3	双锥面突台	变形、磨损或断裂	电机惰转
4	卡滞	推力杆	滚珠过度磨损	电机输出力矩不稳定，振动偏大
5	阀板	阀板腐蚀
6	阀座	氧化、结晶粘接、过度磨损
7	电装	过度磨损
8	丝杠	T形台断裂

序号	采集设备	名称	量程	采集频率/Hz
1	数采	系统压力	0~20 MPa	1 000
2	系统温度	0~300 ℃	1 000
3	环境温度	0~150 ℃	1 000
4	振动	＞2 MHz	1 000
5	电流	0~5 A	1 000
6	DCS	系统压力	0~20 MPa	1
7	系统温度	0~300 ℃	1

序号	采集设备	名称	量程	采集频率/Hz
1	数采	系统压力	0~20 MPa	1 000
2	系统温度	0~300 ℃	1 000
3	环境温度	0~150 ℃	1 000
4	振动	＞2 MHz	1 000
5	电流	0~5 A	1 000
6	DCS	系统压力	0~20 MPa	1
7	系统温度	0~300 ℃	1

压差/MPa	三相电阻/Ω	阀门动作情况
0	33.0	32.9	33.0	380 V阀门开启成功，2.2 A
0	33.0	32.9	33.0	关闭正常
0	33.0	32.9	33.0	开启正常,开启时间20.2 s
0	36.0	35.9	35.4	380 V开阀失效
0	35.4	35.0	35.0	380 V开阀正常，17.5 s，电流3.677 A
13.64	35.4	35.0	35.0	380 V正常
0	35.6	35.7	35.4	关阀正常，380 V开阀卡滞
0	35.7	35.6	35.7	380 V开阀失效

压差/MPa	三相电阻/Ω	阀门动作情况
0	33.0	32.9	33.0	380 V阀门开启成功，2.2 A
0	33.0	32.9	33.0	关闭正常
0	33.0	32.9	33.0	开启正常,开启时间20.2 s
0	36.0	35.9	35.4	380 V开阀失效
0	35.4	35.0	35.0	380 V开阀正常，17.5 s，电流3.677 A
13.64	35.4	35.0	35.0	380 V正常
0	35.6	35.7	35.4	关阀正常，380 V开阀卡滞
0	35.7	35.6	35.7	380 V开阀失效

算法精度	划分比例
决策树-电流	0.96	0.90	0.92	0.91	0.94
决策树-振动	0.93	0.89	0.95	0.91	0.96
决策树-电流振动	0.94	0.96	0.97	0.93	0.95
梯度提升树-电流	0.93	0.98	0.96	0.96	0.98
梯度提升树-振动	1.00	0.98	0.98	0.96	0.96
梯度提升树-电流振动	0.99	0.98	0.99	0.98	0.98
随机森林-振动	1.00	0.98	0.98	0.96	0.98
随机森林-电流	0.96	0.95	0.99	0.98	0.98
随机森林-电流振动	0.99	0.99	0.99	0.98	0.98

算法精度	划分比例
决策树-电流	0.96	0.90	0.92	0.91	0.94
决策树-振动	0.93	0.89	0.95	0.91	0.96
决策树-电流振动	0.94	0.96	0.97	0.93	0.95
梯度提升树-电流	0.93	0.98	0.96	0.96	0.98
梯度提升树-振动	1.00	0.98	0.98	0.96	0.96
梯度提升树-电流振动	0.99	0.98	0.99	0.98	0.98
随机森林-振动	1.00	0.98	0.98	0.96	0.98
随机森林-电流	0.96	0.95	0.99	0.98	0.98
随机森林-电流振动	0.99	0.99	0.99	0.98	0.98

算法精度	划分比例
决策树-电流	0.62	0.59	0.63	0.60	0.66
决策树-振动	0.69	0.71	0.55	0.63	0.61
决策树-电流振动	0.69	0.82	0.67	0.70	0.63
随机森林-电流	0.69	0.65	0.61	0.70	0.70
随机森林-振动	0.69	0.59	0.53	0.63	0.63
随机森林-电流振动	0.69	0.68	0.61	0.67	0.70
梯度提升树-电流	0.69	0.65	0.63	0.70	0.65
梯度提升树-振动	0.69	0.68	0.63	0.66	0.68
梯度提升树-电流振动	0.69	0.71	0.69	0.72	0.72

算法精度	划分比例
决策树-电流	0.62	0.59	0.63	0.60	0.66
决策树-振动	0.69	0.71	0.55	0.63	0.61
决策树-电流振动	0.69	0.82	0.67	0.70	0.63
随机森林-电流	0.69	0.65	0.61	0.70	0.70
随机森林-振动	0.69	0.59	0.53	0.63	0.63
随机森林-电流振动	0.69	0.68	0.61	0.67	0.70
梯度提升树-电流	0.69	0.65	0.63	0.70	0.65
梯度提升树-振动	0.69	0.68	0.63	0.66	0.68
梯度提升树-电流振动	0.69	0.71	0.69	0.72	0.72

可靠性强化试验技术在电动闸阀故障识别中的应用

张林 ¹^,² , 汤文斌 ¹ , 刘杰 ¹^,³ , 闫晓 ¹ , 湛力 ¹ , 李明刚 ¹ , 周吴 ²

流体机械 | 应用技术 2025,53(3): 110-118

收起

流体机械 |应用技术 2025 , 53 (3) : 110 -118

可靠性强化试验技术在电动闸阀故障识别中的应用

全屏

张林¹^,², 汤文斌¹, 刘杰¹^,³, 闫晓¹, 湛力¹, 李明刚¹, 周吴²

作者信息

¹中国核动力研究设计院，成都 610213

²电子科技大学机械与电气工程学院，成都 611731

³四川大学计算机学院，成都 610065

作者简介:

张林（1989），男，硕士，副研究员，主要从事机电设备可靠性研究工作，通信地址：610213四川省成都市双流区长顺大道一段328号中国核动力研究设计院，E-mail：castalzhang@126.com。

Application of reliability enhancement test technology in fault identification of electric gate valve

Lin ZHANG¹^,², Wenbin TANG¹, Jie LIU¹^,³, Xiao YAN¹, Li ZHAN¹, Minggang LI¹, Wu ZHOU²

Affiliations

¹Nuclear Power Institute of China，Chengdu 610213，China

²School of Mechanical and Electrical Engineering，University of Electronic Science and Technology of China，Chengdu 611731，China

³College of Computer Science，Sichuan University，Chengdu 610065，China

出版时间: 2025-03-30 doi: 10.3969/j.issn.1005-0329.2025.03.014

文章导航

摘要

收起

为探究电动闸阀的可靠性及轻微故障识别技术的难点，采用可靠性强化试验技术在非破坏条件下开展电动阀门故障模拟试验，成功获取了2种典型故障模式的响应数据，最后采用决策树、随机森林和梯度提升3种机器学习方法，并结合网格搜索和Actor‑Critic强化学习2种优化方案，对试验数据进行了分析。结果表明，可靠性强化试验技术能够在不破坏阀门的前提下，低成本、高效地模拟阀门卡滞和卡死故障；电流与振动特征的组合显著提高了故障识别精度，尤其是在随机森林和梯度提升算法中正常数据识别精度达98%，在随机森林和决策树算法中故障数据识别精度最高达到82%；多特征融合有助于充分利用数据的特性提升模型性能；强化学习在提升随机森林性能方面表现出色，振动特征下准确率提升21%，振动电流组合特征下提升15%，电流特征下提升6%；但在梯度提升树中未能显著改善性能，反而导致其产生一定程度的下降；决策树适合处理多特征组合数据，表现出更高的故障识别精度；而随机森林在单一特征和多特征组合下均表现稳定，训练时间和识别精度均具有较高的鲁棒性；梯度提升树在某些特征类型下的表现波动较大，应针对其特点进行进一步优化；在实际工业故障诊断中，应优先考虑随机森林和决策树算法，结合多特征融合和优化方法以提升分类性能。研究可为电动闸阀的故障识别提供参考。

关键词

电动阀门 / 可靠性强化 / 故障模拟 / 故障识别

Abstract

收起

To investigate the reliability of electric gate valves and challenges in minor fault identification，reliability enhancement testing （RET） technology was applied to simulate valve faults under non‑destructive conditions. Response data from two typical failure modes were collected and analyzed using three machine learning methods （decision tree，random forest，gradient boosting） combined with two optimization approaches （grid search，actor‑critic reinforcement learning）. Results indicate that RET effectively simulates valve sticking and jamming faults without physical damage，achieving cost‑efficient fault replication. The integration of current and vibration features significantly enhances fault recognition accuracy： normal data identification accuracy reaches 98% with random forest and gradient boosting，while fault data identification peaks at 82% using random forest and decision tree. Multi‑feature fusion improves model performance by leveraging data characteristics. Reinforcement learning boosts random forest accuracy by 21% （vibration features），15% （vibration‑current features），and 6% （current features），but degrades gradient boosting performance. Decision Tree excels in processing multi‑feature data with superior fault recognition，while random forest maintains robust performance across single and combined features. Gradient boosting exhibits instability requiring feature‑specific optimization. For industrial applications，random forest and decision tree with multi‑feature fusion are recommended to enhance classification performance. This study provides technical references for electric gate valve fault diagnosis.

Key words

electric valve / reliability enhancement / fault simulation / fault identification

引用本文

张林, 汤文斌, 刘杰, 闫晓, 湛力, 李明刚, 周吴. 可靠性强化试验技术在电动闸阀故障识别中的应用. 流体机械, 2025 , 53 (3) : 110 -118 . DOI: 10.3969/j.issn.1005-0329.2025.03.014

Lin ZHANG, Wenbin TANG, Jie LIU, Xiao YAN, Li ZHAN, Minggang LI, Wu ZHOU. Application of reliability enhancement test technology in fault identification of electric gate valve[J]. Fluid Machinery, 2025 , 53 (3) : 110 -118 . DOI: 10.3969/j.issn.1005-0329.2025.03.014

正文

收起

0　引言

收起

随着工业自动化程度的不断提高，电动闸阀作为重要的控制装置在工业生产中扮演着至关重要的角色，其可靠性直接关系到工业生产系统的安全稳定运行，因此，对电动闸阀的可靠性进行研究显得尤为迫切。

然而，伴随着电动闸阀等机电产品可靠性水平的日益提升，传统可靠性试验方法面临巨大的时间和经济成本问题，难以满足高可靠产品更新迭代快、生产周期短的需求，最终导致产品研发周期延长、研制费用增加。基于上述弊端与不足，可靠性强化试验技术得以研究和发展^［1］。

在阀门可靠性研究中，可靠性强化试验技术在确保不改变阀门失效机理的前提下，通过施加步进应力能够快速激发产品故障，真实地反映阀门在复杂工况下的工作状态，并为阀门故障识别提供大量可靠的数据基础。曹宏发等^［2］通过开展电磁阀可靠性强化试验方法研究，发现其对于低温环境较为敏感且内部橡胶件失效，证明了可靠性强化试验能够有效暴露产品缺陷，为产品改进和提升提供指导。

目前，电动阀门故障识别方法主要是以信号处理为基础的非介入式故障诊断^［3］，采用信号分析处理技术对从传感器获取的电信号、振动信号等进行分析，包括波形分析^［4］、特征提取^［5］、特征增强^［6］、模式识别^［7］等算法，从而完成电动阀门的故障识别。

针对基于电信号的电动阀门故障识别，LIU等^［8］提出一种基于驱动端电流检测的电磁阀故障诊断方法，该方法利用BP神经网络分析弹簧断裂和阀芯卡死。MA等^［9］利用小波包分解结合C-SVM方法对驱动端阀门电流进行处理与分析，有效识别出阀门正常动作、弹簧断裂、阀芯卡滞、轻微卡滞等4种动作状态。杨国峰等^［10］采用电功率法结合模糊识别技术对阀门故障数据进行模糊推理，高效识别出3类典型物理故障。

针对电动阀门的振动信号分析处理，HUANG等^［11］采用SVD算法和遗传算法优化后的VMD算法分别开展高低频噪声降噪，并应用基于PSO算法优化的BGRU深度神经网络模型完成强噪声环境下的阀门故障分类。刘杰等^［12］结合HHT变换和反向传播神经网络算法分析了核级电动阀门的振动信号，有效预测出电动阀门的3种退化状态。

然而，上述阀门故障识别研究大多针对电流信号或振动信号单独进行研究，并未分析给定故障条件下电流信号和振动信号在故障表征方面的有效性差异。为了全面、高效地实现阀门故障识别，提升故障诊断的准确性与鲁棒性，需要深入探究电信号和振动信号在阀门故障诊断中的表征特性。本文以电动闸阀电流和振动数据为基础，分析对比了决策树^［13］、随机森林^［14］及梯度提升^［15］这3种算法基于不同数据特征开展故障识别的精度和效率，分析了电动闸阀故障表征的优势数据和故障识别的高效模型，为电动闸阀的故障识别提供了重要支撑。

1　背景原理

收起

1.1　决策树

决策树是一种采用树形结构进行层层推理，解决分类问题的算法，其树形结构如图1所示。

图中，根节点表示包含样本的全集，内部节点表示对应特征属性测试，叶节点表示决策结果。上述决策树的学习过程包括下面3个步骤。

（1）特征选择。由于决策结果和特征选择息息相关，因此，需要人为筛选能够有效表征分类结果的相关特征，在特征筛选过程中通常需要遵守信息增益原则。

（2）决策树生成。特征筛选完成后，触发根节点，计算节点所有特征的信息增益，以信息增益最大的特征作为节点特征，并根据该特征的不同取值建立子节点。对每个子节点使用相同的方式生成新的子节点，直到信息增益很小或者没有特征可以选择为止。

（3）决策树修剪。决策树修剪主要是通过主动去掉部分分支来降低过拟合的风险。

1.2　随机森林

随机森林是以多个决策树为基础进行构建，其数据集是随机有放回的选出，同时随机选出部分特征作为输入。假设训练集T的大小为N，特征数目为M，随机森林的大小为K，则其具体步骤如下：

（1）从训练集T中采用有放回的方式抽样N次，形成一个新的子训练集D；

（2）随机选择m个特征，其中m＜M；

（3）使用新的训练集D和m个特征，学习出一个完整的决策树；

（4）重复步骤（1）到步骤（4）的过程K次，得到随机森林模型。

1.3　梯度提升

梯度提升通过多个弱预测器（通常为决策树）来构建一个强预测器，其基本思想是每个后续预测器都试图纠正前一个预测器的错误，从而逐步提高模型的准确性和泛化能力。

梯度提升的具体算法如下所述。

（1）初始化一个常数预测器

f 0 (x) = γ

，其中，

γ

是训练数据的平均目标值。

（2）对于每个迭代步骤

t = 1,2, · · ·, T

，存在以下计算内容：计算每个训练样本的残差

r t = y - f t - 1 (x)

，其中，

y

为真实目标值，

f t - 1 (x)

为上一步的预测值；拟合一个弱预测器

h t (x)

，使其能够预测残差

r t

；计算一个步长参数

a t

，用于控制预测器的贡献程度；更新预测器

f t (x) = f t - 1 (x) + a t h t (x)

，即将新的预测器加权后加入到之前的预测器中。

（3）输出最终的预测器

f T (x)

，即所有预测器的加权和。

1.4　参数优化框架

参数优化先采用框架搜索，获得最优参数组合，然后再利用强化学习模型，进行参数微调。强化学习模型基于Actor‑Critic架构实现，包括一个Actor网络和一个Critic网络，用于进行策略梯度优化。

Actor网络是一个神经网络，用于根据当前状态输出每个可能动作的概率分布。在代码中，这个网络由类Actor实现，结构上包括了两层全连接层。输出层采用了Softmax激活函数，确保输出的是一个概率分布。

Critic网络是另一个神经网络，用于估计给定状态的价值。这个网络由类Critic实现，结构上也包括了两层全连接层，输出层没有使用激活函数，直接输出一个标量值。

策略梯度更新通过策略梯度方法来优化Actor网络。策略梯度方法更新Actor的参数，使得好的动作更可能被选中。更新的核心在于减少Actor选择坏动作的概率，并增加选择好动作的概率。

Critic网络则通过时序差分误差来更新，其目标是更准确地估计当前状态的价值，从而为Actor提供更好的反馈。

优化过程：（1）在每次迭代中，Actor网络会采样一个动作，并通过Critic网络计算这个动作的好坏；（2）Critic网络根据实际的奖励和其预估奖励之间的差异来更新自己的参数，减小这种差异；（3）Actor网络根据Critic的反馈更新自己的策略，使得将来能够更好地选择最优的动作。

2　试验设计

收起

2.1　试验方法

由于电动闸阀拥有一套成熟的设计标准，并经过长时间考验，阀体破裂和外部结构部件断裂等极端故障发生概率极低，但卡滞、卡死及内部泄漏等故障却时有发生，其中，内部泄漏可通过阀门前后的温度和压力差异进行判断。因此，电动闸阀故障模式分析主要针对卡滞和卡死两种情况。

卡滞通常是由于电动驱动装置（以下简称“电装”）与其运行载荷不匹配导致的，具体而言是由于电装的输出扭矩不足或载荷超出设计值，导致运行时发生波动。卡死则是由于电装的输出扭矩降低，无法支持阀门的基础运行需求，或者是因为某种原因致使载荷突增，导致电装无法推动阀门正常工作。因此，通过对电装参数进行实时监测，可以预测上述两种故障模式。

在模拟电动闸阀的卡滞和卡死故障模式过程中，可通过调整电装运行状态实现，策略包括：

（1）调整电源供电参数，如电压、频率；

（2）制造预先设计的故障部件并安装到电动闸阀中；

（3）调整电装运行环境条件，如温度和振动。相较于前两种策略，第3种策略在设计范围内更为灵活，能够有效模拟阀门故障，而不会导致不可逆的损坏，且操作相对简单。

因此，调整电装运行环境条件是一个较为优越的选择，不仅能模拟阀门故障模式，还能确保阀门测试过程中不会遭受到不可逆损坏。通常电动闸阀可通过监测其启闭电流与振动来识别卡滞和卡死2种故障模式。根据电动闸阀故障模式与电装表现的对应关系，可通过逐步调整电装温度，模拟电装在不同工作负载下的响应，电动闸阀敏感部件-故障现象对照关系见表1。

据此设计并开展以下试验项目：

（1）高温（环境）步进应力动作试验；

（2）快速温度（环境）循环试验；

（3）快速温度（系统、动水）循环试验。

2.2　试验装置

采用标准的阀门热态试验装置（如图2所示），阀门前后管道内插入10 kW电热元件，分别控制电热元件实际投入功率来控制阀门前后温度，通过向稳压器内充排氮气，实现阀门系统内部压力的控制。

为了开展强化试验项目，设计并改造了高温高压设备多应力可靠性综合试验装置，该装置由回路系统、仪控电气系统和三综合环境试验系统组成，其中，回路系统如图3所示。试验时，电动闸阀安装于三综合环境试验箱内，通过高温高压软管将阀门与回路系统相连，并采用高温线缆连接电气仪控系统。三综合环境试验箱为试验提供所需的多重环境应力条件，包括温度（-40~150 °C）、振动（0~2000 Hz）及湿度（0~98%）的综合模拟能力。回路系统向被试阀门提供系统温度（10~260 ℃）、系统压力（0~17 MPa）和介质流量（0~40 t/h），仪控电气系统则是控制被测试阀门通断，并采集电流、电压、振动、温度、压力和流量等试验参数。强化试验采用数采系统采集数据，对比试验采用DCS采集数据。相关采集参数见表2。

3　试验结果

收起

3.1　高温（环境）步进应力动作试验

试验过程中，当试验阀阀体上部温度小于41.6 ℃时，阀门能够正常启闭；但当温度大于49.6 ℃时，阀门启闭功能受影响无法正常操作；而在41.6~49.6 ℃温度范围内，阀门启闭功能存在随机性，在能够启闭时也存在卡滞现象。

为了深入研究这一问题，在不同温度条件下对试验阀进行操作测试，观察其在各温度条件下的动作状态。由于电装内部温度无法直接测量，其内部线圈电阻与温度存在正相关性，因此，在试验中直接测量三相电阻，以此来替代对电装内部温度的测量，其测量结果如表3所示。

由表3可知，试验开始前三相电阻值约为33 Ω，随着试验的进行，三相电阻值逐步增加，当三相电阻值增至35.4 Ω或更高时，阀门出现卡滞或卡死情况。

3.2　快速温度（环境）循环试验

试验阀所处环境温度在15~150 ℃之间变化，均可正常启闭。

3.3　快速温度（系统、动水）循环试验

试验阀在系统温度为90~250 ℃范围内，温度变化在15 ℃/min以内时，均不影响阀门正常动作，未开展超出15 ℃/min试验。

4　数据分析

收起

4.1　数据情况及分析目标

在试验过程中，共获得了800组数据，这些数据记录了阀门在不同的环境温度、振动、流量、系统温度、系统压力及压差等条件下的启闭操作。在这一阶段，收集了电流和振动数据，其中累积了177条故障数据。

试验的阀门呈现出卡滞和卡死两类故障。该表现与表1中的分析结果一致。

卡滞故障主要在电机输出力矩模拟下降时出现，表现为阀门的轻微卡滞。这种故障的主要特征是运行电流的稳定增高，同时振动呈现出稳定不变的特征。

卡死故障主要在模拟阀门满负载时产生，导致阀门卡死。这种故障的突出特征是电机进入惰转电流状态，伴随着振动产生一个冲击波，随后立刻停止。值得注意的是，受到试验期间环境温度的影响，电机的惰转电流值并不是恒定的。

为了深入探讨电流与振动参数的时域数据特性在电动闸阀故障识别中的应用效果。通过提取这两类参数的统计特征，采用决策树、随机森林及梯度提升三种机器学习方法进行深度分析，并探讨强化学习（Actor‑Critic方法）对这些算法的优化效果。主要对比目标包括：

（1）在固定算法框架下，比较基于电流与振动的故障识别率及其准确性；

（2）在不同算法框架下，探讨单一特征（电流或振动）对模型准确性及计算效率的影响。

为保证算法性能的客观评估，所有算法均采用网格搜索法进行超参数优化，并设定初始迭代次数为100次，最大迭代计算量为300次。同时，设定提前终止条件为识别精度达到85%以上，若故障及正常数据识别精度均未达到，则反馈故障识别精度与正常识别精度之和的最大组合作为最优解。试验数据集按照不同比例划分为训练集与测试集，3种方法将在训练集上构建模型，并利用测试集对模型的预测性能进行评估。

4.2　数据清洗、特征提取

首先从指定的文件夹中提取数据并进行标准化处理。针对电流特征和振动特征的数据，分别从原始数据文件中提取相关列并计算相应的统计特征。具体而言，电流特征数据在提取时未进行特殊处理，而振动数据则采用了带通滤波，仅保留0~100 Hz的数据（阀门电装输出转动频率为25 Hz）。

在数据清洗过程中，处理了特征提取过程中的NaN值和无效值（如null值）。随后，对所有数据进行了归一化处理，以确保模型训练的鲁棒性和准确性。

4.3　模型训练与评估

在模型训练和评估阶段，我们采用了决策树、随机森林和梯度提升树3种算法，并在不同训练/测试集比例（0.5/0.5，0.6/0.4，0.7/0.3，0.8/0.2，0.9/0.1）下对模型进行了测试。每种算法在不同比例下均进行了训练和评估，并记录了正常数据精度、故障数据精度和训练时间等指标。

模型参数设置方面：（1）决策树模型：设置了固定的随机状态（random_state）为42；（2）随机森林模型：设置了估计器数量（n_estimators）为100，固定随机状态为42；（3）梯度提升树模型：设置了一组参数网格（param_grid），包括估计器数量（n_estimators=100，200，300）、最大深度（max_depth=3，4，5）和学习率（learning_rate=0.1，0.01，0.001）。

通过在不同参数组合下的训练和评估，选择最佳参数组合，要求故障/正常识别精度大于90%，或者故障/正常识别精度之和为迭代次数中的最大值，从而使模型在正常数据和故障数据上的表现达到最优。

在参数评估优化方面，采用精度作为主要评估依据，并对强化学习（采用Actor‑Critic模型）和非强化学习的模型表现进行了对比分析。

5　试验结果及分析

收起

表4列出采用网格搜索方法进行优化的各算法正常数据识别精度对比。由表中可以看出，梯度提升树和随机森林在所有测试集比例下，针对所有特征类型（电流特征、振动特征、电流和振动特征）均显示出非常高的精度，通常在96%~99%之间，显示出其在处理复杂特征时的强大分类能力。尤其是随机森林，其在电流和振动特征组合下，精度高达99%，进一步证明了其在融合多种特征时的优势。相比之下，决策树的表现相对稍逊，但在较高的测试集比例下决策树模型在“电流和振动特征”上进行训练，训练精度达到96%。这表明决策树在多特征融合时具有一定的适应性和提升效果。针对不同特征类型的影响情况，电流和振动特征组合通常能带来更好的分类精度。对于梯度提升树和随机森林，在所有测试集比例下，使用电流和振动特征组合的精度基本都在98%以上，甚至接近99%，显示出在多特征融合下的显著优势。振动特征的分类效果略有波动，尤其是在决策树算法下，随着测试集比例的变化，精度有所起伏，但整体仍然保持在90%以上。例如，决策树-振动特征在不同测试集比例下的精度在55%~93%之间波动。电流特征表现出较高的精度，尤其是在梯度提升树和随机森林下，精度非常接近100%，如梯度提升树-电流特征在10%测试集比例下的精度达到了96%，随机森林-电流特征在10%比例下的精度也达到了95%。对于大多数算法和特征类型，随着测试集比例的增加，分类精度并没有明显下降。尤其是对于梯度提升树和随机森林，无论测试集比例是10%还是50%，分类精度均变化不大，通常保持在96%~99%之间，表明这些算法在不同训练集和测试集比例下都能保持稳定的表现。决策树在振动特征和电流特征上的表现随着测试集比例的变化略有波动，但总体趋势是，较大的测试集比例能够获得更高的精度。例如，决策树-电流特征在50%测试集比例下的精度达到了94%，而在20%比例时则下降至90%。

表5列出采用网格搜索方法进行优化的各算法故障数据识别精度对比。可以发现，决策树算法在所有测试集比例和特征类型下表现突出，尤其是在电流与振动特征组合上，故障识别率最高达到82%，展示了其强大的故障分类能力。相比之下，随机森林算法在单一特征处理上表现稳定，故障识别率在振动特征和电流特征下分别为69%和70%，但在电流与振动特征组合上，故障识别率为68%，略低于决策树的表现。梯度提升树算法在故障识别中的表现相对较差，尤其是在电流特征上表现不稳定，故障识别率从63%（30%测试集比例）上升至70%（40%测试集比例），随后下降至65%（50%测试集比例），表明其在处理此类数据时的适应性不足。

图4示出了在不同测试集比例下，各算法-特征类型组合的训练效率对比结果（训练时间小于100 s）。

不同算法在训练时间上的表现揭示了其对数据特征复杂性和规模的敏感度，决策树在处理单一特征时的训练效率较高，训练时间仅需约5~12 s。然而，在电流与振动特征的组合下，训练时间显著增加至约11~15 s，显示出组合特征对算法训练时间的显著影响。随机森林在不同特征组合和测试集比例下，训练时间相对稳定，均保持在约34~43 s之间。尤其是在电流与振动特征组合上，训练时间略有增加，但变化不大，显示出良好的鲁棒性和计算效率。决策树在单一特征下，随着测试集比例的增加，训练时间略有减少，表明其对数据规模的敏感度较低。但在多特征组合下，训练时间显著增加，且随着测试集比例的变化，训练时间波动较大。随机森林对测试集比例的变化表现出较强的稳定性，训练时间变化极小，显示出其在不同数据规模下良好的适应性和计算效率。

如图5所示，强化学习作为优化方法，在提升随机森林算法的故障识别率方面效果显著，尤其在融合多特征时表现尤为出色。

对于低初始精度的模型，如随机森林，强化学习能够显著提高模型性能；但对于高初始精度的模型，提升有限，甚至在部分情况下导致性能下降，如梯度提升树在所有特征类型下的表现均有所下降。随机森林在所有特征类型下，通过强化学习相比于网格搜索显著提高了故障识别率。例如，在振动特征上，随机森林的故障识别率从59%提升至79%；在电流与振动特征组合上从68%提升至82%；在电流特征上从65%提升至71%。随机森林展示了其在故障分类中的强大能力，尤其在融合多特征时表现尤为出色。决策树算法在电流特征下通过强化学习略微提高了故障识别率，从59%提升至62%。然而，在振动特征和电流与振动特征组合下，强化学习未能带来性能提升，故障识别率保持不变，分别为71%和82%。梯度提升树在所有特征类型下，使用强化学习反而导致故障识别率下降。在振动特征上，故障识别率从68%降至59%；在电流与振动特征组合上从70%降至56%；在电流特征上从0.65降至0.62。这表明梯度提升树在这些特征类型下对强化学习的适应性不足，未能有效提升模型性能。不同特征类型的影响中，电流与振动特征的组合通常能够提高故障识别精度，尤其是在随机森林算法下，故障识别率达到82%。振动特征的分类效果在随机森林和决策树算法下分别为79%和71%，表现相对稳定。电流特征在随机森林和决策树算法下故障识别率分别为71%和62%，显示出随机森林在此特征类型下的优势。

6　结论

收起

（1）可靠性强化试验技术在不破坏阀门的前提下，能够有效模拟阀门卡滞和卡死故障，且成本低、效果好。

（2）电流与振动特征的组合显著提高了故障识别精度，在随机森林和决策树算法中效果尤为明显，正常数据识别率≥98%。这表明多特征融合有助于充分利用数据的特性，提升模型性能。

（3）强化学习在提升随机森林性能方面表现出色，准确率在振动特征下提升21%，振动电流组合特征下提升15%，电流特征下提升6%；但在梯度提升树中未能显著改善性能，反而导致性能有一定程度的下降。

（4）决策树适合处理多特征组合数据，表现出更高的故障识别精度；而随机森林在单一特征和多特征组合下均表现稳定，训练时间和识别精度均具有较高的鲁棒性；梯度提升树在某些特征类型下的表现波动较大，应针对其特点进行进一步优化。

（5）在实际工业故障诊断中，应优先考虑随机森林和决策树算法，结合多特征融合和优化方法以提升分类性能。

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

任德洁，陈天佐，钱思宇.可靠性强化试验技术概述［J］.电子产品可靠性与环境试验，2020，38（2）：85-89.

REN D J，CHEN T Z，QIAN S Y. Overview of reliability enhancement testing［J］. Electronic Product Reliability and Environment Testing，2020，38（2）：85-89.

曹宏发，王正杰，王孝延，等.电磁阀产品的可靠性强化试验方法研究［J］.铁道机车车辆，2023，43（3）：154-160.

CAO H F，WANG Z J，WANG X Y，et al. Research on reliability enhancement test method of solenoid valve［J］. Railway Locomotive & Car，2023，43（3）：154-160.

李喆仁，刘志亮，莫巍，等.基于泵送频率的往复泵活塞故障诊断方法［J］.流体机械，2024，52（4）：95-104.

LI Z R，LIU Z L，MO W，et al. Fault diagnosis method based on pump stroke frequency for reciprocating pump piston［J］. Fluid Machinery，2024，52（4）：95-104.

郭涛，梁颖，张程杰，等.疲劳裂纹摩擦声发射信号特性研究［J］.计算机与数字工程，2024，52（5）：1423-1427.

GUO T，LIANG Y，ZHANG C J，et al. Ensemble holo-Hilbert spectral analysis and its application in fault diagnosis of rolling bearing［J］. Journal of Vibration and Shock，2024，52（5）：1423-1427.

赵海峰，张家骏，吕建卓.基于散布熵的往复压缩机气阀故障特征提取方法［J］.流体机械，2022，50（6）：84-89.

ZHAO H F，ZHANG J J，LYU J Z. Fault feature extraction method of reciprocating compressor valves based on dispersion entropy［J］. Fluid Machinery，2022，50（6）：84-89.

栾孝驰，赵俊豪，沙云东，等.基于循环提取有效信息的主轴承故障特征增强方法［J］.仪器仪表学报，2024，45（3）：251-262.

LUAN X C，ZHAO J H，SHA Y D，et al. A main bearing fault feature enhancement method based on cyclical information extraction［J］. Chinese Journal of Scientific Instrument，2024，45（3）：251-262.

张菲，傅攀，樊巍.基于DHMM的机械密封端面膜厚识别技术的研究［J］.流体机械，2016，44（3）：11-17.

ZHANG F，FU P，FAN W. Mechanical seal end face film thickness state recognition based on DHMM［J］. Fluid Machinery，2016，44（3）：11-17.

LIU Z，GAO Q，NIU H，et al. The fault diagnosis of electromagnetic valves based on driving current detection［J］. Acta Armamentarii，2014，35（7）：1083-1090.

MA D，GAO Q H，LIU Z H，et al. Research on fault diagnosis technology of nonintrusive current detection electromagnetic valve［C］//2021 7th International Conference on Condition Monitoring of Machinery in Non-Stationary Operations （CMMNO）. IEEE，2021：190-194.

杨国峰，胡守印.模式识别技术在安全级电动阀故障诊断中的应用［J］.核动力工程，2010，31（1）：79-87.

YANG G F，HU S Y. Pattern recognition technology in fault diagnosis of electrical safety valve level［J］. Nuclear Power Engineering，2010，31（1）：79-87.

HUANG X，XIA H，YIN W，et al. Research on fault diagnosis method of electric gate valve under strong background noise［J］. Annals of Nuclear Energy，2023，194：110055.

刘杰，张林，王运生，等.基于Hilbert-Huang变换和BP神经网络的核级电动阀门退化趋势预测［J］.核动力工程，2022，43（3）：179-184.

LIU J，ZHANG L，WANG Y S，et al. Degradation trend prediction of nuclear‑level electric valve based on hilbert-huang transform and BP neural network［J］. Nuclear Power Engineering，2022，43（3）：179-184.

杨卫国.基于改进决策树算法的智慧电厂设备故障数据特征融合研究［J］.自动化与仪器仪表，2024，（8）：90-94.

YANG W G. Research on feature fusion of intelligent power plant equipment fault data based on improved decision tree algorithm［J］. Automation & Instrumentation，2024，（8）：90-94.

向方娜，管桉琦，林振浩，等.气动调节阀粘滞故障检测与参数辨识方法研究［J］.流体机械，2024，52（8）：23-30.

XIANG F N，GUAN A Q，LIN Z H，et al. Detection and parameter identification of stiction in control valves［J］. Fluid Machinery，2024，52（8）：23-30.

赵岩，孙江山.改进梯度提升树算法的输电线路故障识别［J］.黑龙江科技大学学报，2024，34（2）：310-316.

ZHAO Y，SUN J S.Transmission line fault identification based on improved extreme gradient boosting algorithm［J］. Journal of Heilongjiang University of Science and Technology，2024，34（2）：310-316.

2025年第53卷第3期

143

引用本文

BibTeX

文章信息

doi: 10.3969/j.issn.1005-0329.2025.03.014

接收时间：2024-07-27
首发时间：2026-10-20
出版时间：2025-03-30

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2024-07-27
修回日期：2025-02-15

基金

作者信息

¹中国核动力研究设计院，成都 610213

²电子科技大学机械与电气工程学院，成都 611731

³四川大学计算机学院，成都 610065

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/ltjx/CN/10.3969/j.issn.1005-0329.2025.03.014

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT

序号	故障模式	部件	故障机理	电装表现
1	卡死	电装	扭矩降低	电机惰转
2	推力杆	滚珠锈蚀	运行一下即惰转
3	双锥面突台	变形、磨损或断裂	电机惰转
4	卡滞	推力杆	滚珠过度磨损	电机输出力矩不稳定，振动偏大
5	阀板	阀板腐蚀
6	阀座	氧化、结晶粘接、过度磨损
7	电装	过度磨损
8	丝杠	T形台断裂

序号

故障模式

部件

故障机理

电装表现

卡死

电装

扭矩降低

电机惰转

推力杆

滚珠锈蚀

运行一下即惰转

双锥面突台

变形、磨损或断裂

电机惰转

卡滞

推力杆

滚珠过度磨损

电机输出力矩不稳定，振动偏大

阀板

阀板腐蚀

阀座

氧化、结晶粘接、过度磨损

电装

过度磨损

丝杠

T形台断裂

序号	采集设备	名称	量程	采集频率/Hz
1	数采	系统压力	0~20 MPa	1 000
2	系统温度	0~300 ℃	1 000
3	环境温度	0~150 ℃	1 000
4	振动	＞2 MHz	1 000
5	电流	0~5 A	1 000
6	DCS	系统压力	0~20 MPa	1
7	系统温度	0~300 ℃	1

序号

采集设备

名称

量程

采集频率/Hz

数采

系统压力

0~20 MPa

1 000

系统温度

0~300 ℃

1 000

环境温度

0~150 ℃

1 000

振动

＞2 MHz

1 000

电流

0~5 A

1 000

DCS

系统压力

0~20 MPa

系统温度

0~300 ℃

压差/MPa	三相电阻/Ω	阀门动作情况
0	33.0	32.9	33.0	380 V阀门开启成功，2.2 A
0	33.0	32.9	33.0	关闭正常
0	33.0	32.9	33.0	开启正常,开启时间20.2 s
0	36.0	35.9	35.4	380 V开阀失效
0	35.4	35.0	35.0	380 V开阀正常，17.5 s，电流3.677 A
13.64	35.4	35.0	35.0	380 V正常
0	35.6	35.7	35.4	关阀正常，380 V开阀卡滞
0	35.7	35.6	35.7	380 V开阀失效

压差/MPa

三相电阻/Ω

阀门动作情况

33.0

32.9

33.0

380 V阀门开启成功，2.2 A

33.0

32.9

33.0

关闭正常

33.0

32.9

33.0

开启正常,开启时间20.2 s

36.0

35.9

35.4

380 V开阀失效

35.4

35.0

380 V开阀正常，17.5 s，电流3.677 A

13.64

35.4

35.0

380 V正常

35.6

35.7

35.4

关阀正常，380 V开阀卡滞

35.7

35.6

35.7

380 V开阀失效

算法精度	划分比例
决策树-电流	0.96	0.90	0.92	0.91	0.94
决策树-振动	0.93	0.89	0.95	0.91	0.96
决策树-电流振动	0.94	0.96	0.97	0.93	0.95
梯度提升树-电流	0.93	0.98	0.96	0.96	0.98
梯度提升树-振动	1.00	0.98	0.98	0.96	0.96
梯度提升树-电流振动	0.99	0.98	0.99	0.98	0.98
随机森林-振动	1.00	0.98	0.98	0.96	0.98
随机森林-电流	0.96	0.95	0.99	0.98	0.98
随机森林-电流振动	0.99	0.99	0.99	0.98	0.98

算法精度

划分比例

10%

20%

30%

40%

50%

决策树-电流

0.96

0.90

0.92

0.91

0.94

决策树-振动

0.93

0.89

0.95

0.91

0.96

决策树-电流振动

0.94

0.96

0.97

0.93

0.95

梯度提升树-电流

0.93

0.98

0.96

0.98

梯度提升树-振动

1.00

0.98

0.96

梯度提升树-电流振动

0.99

0.98

0.99

0.98

随机森林-振动

1.00

0.98

0.96

0.98

随机森林-电流

0.96

0.95

0.99

0.98

随机森林-电流振动

0.99

0.98

算法精度	划分比例
决策树-电流	0.62	0.59	0.63	0.60	0.66
决策树-振动	0.69	0.71	0.55	0.63	0.61
决策树-电流振动	0.69	0.82	0.67	0.70	0.63
随机森林-电流	0.69	0.65	0.61	0.70	0.70
随机森林-振动	0.69	0.59	0.53	0.63	0.63
随机森林-电流振动	0.69	0.68	0.61	0.67	0.70
梯度提升树-电流	0.69	0.65	0.63	0.70	0.65
梯度提升树-振动	0.69	0.68	0.63	0.66	0.68
梯度提升树-电流振动	0.69	0.71	0.69	0.72	0.72

算法精度

划分比例

10%

20%

30%

40%

50%

决策树-电流

0.62

0.59

0.63

0.60

0.66

决策树-振动

0.69

0.71

0.55

0.63

0.61

决策树-电流振动

0.69

0.82

0.67

0.70

0.63

随机森林-电流

0.69

0.65

0.61

0.70

随机森林-振动

0.69

0.59

0.53

0.63

随机森林-电流振动

0.69

0.68

0.61

0.67

0.70

梯度提升树-电流

0.69

0.65

0.63

0.70

0.65

梯度提升树-振动

0.69

0.68

0.63

0.66

0.68

梯度提升树-电流振动

0.69

0.71

0.69

0.72