Abstract Timely fault identification is important for safe and reliable operation of the electric valve system. Many research works have utilized different data-driven approach for fault diagnosis in complex systems. However, they do not consider specific characteristics of critical control components such as electric valves. This work presents an integrated shallow-deep fault diagnostic model, developed based on signals extracted from DN50 electric valve. First, the local optimal issue of particle swarm optimization algorithm is solved by optimizing the weight search capability, the particle speed, and position update strategy. Then, to develop a shallow diagnostic model, the modified particle swarm algorithm is combined with support vector machine to form a hybrid improved particle swarm-support vector machine (IPs-SVM). To decouple the influence of the background noise, the wavelet packet transform method is used to reconstruct the vibration signal. Thereafter, the IPs-SVM is used to classify phase imbalance and damaged valve faults, and the performance was evaluated against other models developed using the conventional SVM and particle swarm optimized SVM. Secondly, three different deep belief network (DBN) models are developed, using different acoustic signal structures: raw signal, wavelet transformed signal and time-series (sequential) signal. The models are developed to estimate internal leakage sizes in the electric valve. The predictive performance of the DBN and the evaluation results of the proposed IPs-SVM are also presented in this paper.

中文翻译：

---

DN 50 电动阀门故障诊断的多层方法使用浅深智能模型

摘要 及时识别故障对于电动阀门系统的安全可靠运行具有重要意义。许多研究工作利用不同的数据驱动方法进行复杂系统的故障诊断。但是，它们没有考虑关键控制部件（例如电动阀）的特定特性。这项工作提出了一个集成的浅-深故障诊断模型，该模型基于从 DN50 电动阀中提取的信号而开发。首先，通过优化权重搜索能力、粒子速度和位置更新策略，解决粒子群优化算法的局部最优问题。然后，为了开发浅层诊断模型，将改进的粒子群算法与支持向量机相结合，形成混合改进粒子群-支持向量机（IPs-SVM）。为了去耦背景噪声的影响，采用小波包变换方法重构振动信号。此后，IPs-SVM 用于对相位不平衡和损坏的阀门故障进行分类，并针对使用传统 SVM 和粒子群优化 SVM 开发的其他模型评估性能。其次，开发了三种不同的深度置信网络 (DBN) 模型，使用不同的声学信号结构：原始信号、小波变换信号和时间序列（序列）信号。这些模型用于估计电动阀的内部泄漏尺寸。本文还介绍了 DBN 的预测性能和所提出的 IPs-SVM 的评估结果。此后，IPs-SVM 用于对相位不平衡和损坏的阀门故障进行分类，并针对使用传统 SVM 和粒子群优化 SVM 开发的其他模型评估性能。其次，开发了三种不同的深度置信网络 (DBN) 模型，使用不同的声学信号结构：原始信号、小波变换信号和时间序列（序列）信号。这些模型用于估计电动阀的内部泄漏尺寸。本文还介绍了 DBN 的预测性能和所提出的 IPs-SVM 的评估结果。此后，IPs-SVM 用于对相位不平衡和损坏的阀门故障进行分类，并针对使用传统 SVM 和粒子群优化 SVM 开发的其他模型评估性能。其次，开发了三种不同的深度置信网络 (DBN) 模型，使用不同的声学信号结构：原始信号、小波变换信号和时间序列（序列）信号。这些模型用于估计电动阀的内部泄漏尺寸。本文还介绍了 DBN 的预测性能和所提出的 IPs-SVM 的评估结果。开发了三种不同的深度置信网络 (DBN) 模型，使用不同的声学信号结构：原始信号、小波变换信号和时间序列（顺序）信号。这些模型用于估计电动阀的内部泄漏尺寸。本文还介绍了 DBN 的预测性能和所提出的 IPs-SVM 的评估结果。开发了三种不同的深度置信网络 (DBN) 模型，使用不同的声学信号结构：原始信号、小波变换信号和时间序列（顺序）信号。这些模型用于估计电动阀的内部泄漏尺寸。本文还介绍了 DBN 的预测性能和所提出的 IPs-SVM 的评估结果。