(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210657956.3 (22)申请日 2022.06.10 (71)申请人 苏州大学 地址 215000 江苏省苏州市相城区济学路8 号 (72)发明人 王宜怀　叶建中　张雯　杨璐　 唐自立　 (74)专利代理 机构 苏州见山知识产权代理事务 所(特殊普通 合伙) 32421 专利代理师 袁丽花 (51)Int.Cl. G06N 3/04(2006.01) G06N 3/08(2006.01) G01D 21/02(2006.01) (54)发明名称 一种电动阀门故障概 率预测方法 (57)摘要 本申请提供一种电动阀门故障概率预测方 法， 包括： 采集电动阀门故障监测系统的历史数 据， 所述历史数据包括芯片温度、 信号强度、 拉压 值、 硫化氢浓度、 氢气 浓度以及开关阀时间； 根据 所述历史数据计算得到历史故障概率； 将所述历 史故障概率输入训练好的故障概率预测模型， 输 出电动阀门的故障概率预测值。 本申请在模型训 练完成后， 通过序列化预测实现对电动阀门设备 在未来半小时内的故障概率、 气体浓度等物理量 数据进行较为精准的描述， 以便于对设备进行提 前的维护与检修， 避免安全 事故的发生。 权利要求书2页 说明书11页 附图5页 CN 115081591 A 2022.09.20 CN 115081591 A 1.一种电动阀门故障概 率预测方法， 其特 征在于， 包括： 采集电动阀门故障监测系统的历史数据， 所述历史数据包括芯片 温度、 信号强度、 拉压 值、 硫化氢浓度、 氢气浓度以及开关阀时间； 根据所述历史数据计算得到历史故障概 率； 将所述历史故障概率输入训练好的故障概率预测模型， 输出电动阀门的故障概率预测 值。 2.根据权利要求1所述的方法， 其特 征在于， 所述电动阀门故障监测系 统包括： MCU、 硫化氢传感器、 氢气传感器、 拉压传感器、 执行 机构； 其中， 拉压传感器通过信号放大器与MCU 的A/D转换接口连接， 硫化氢传感器、 氢气传感器分 别通过各自的信号变送器与MCU的A/D转换接口连接， MCU的D /A转换接口通过电压转电流变 送器与执 行机构的开度控制端口连接 。 3.根据权利要求2所述的方法， 其特 征在于， 所述执行机构的开到位信号和关到位信号与MCU的GPIO输入接口连接， MCU的GPIO输出 接口分别通过 执行机构继电器与执 行机构的控制开端口、 控制关端口连接 。 4.根据权利要求2或3所述的方法， 其特 征在于， 所述系统还进一步包括ME3616模块匹配电路、 STM32硬件最小系统， 分别与MCU的UART 接口连接， STM32硬件最小系统还通过5V转24V电压放大器与信号放大器、 电压转电流变送 器连接。 5.根据权利要求2或3所述的方法， 其特 征在于， 所述系统进一步包括NB ‑IoT模组， 与所述MCU连接以将所述MCU的数据在MCU和外部服 务器之间进行收发。 6.根据权利要求1所述的方法， 其特 征在于， 所述训练好的故障概 率预测模型的训练过程包括： 采集一定时间内的电动阀门故障监测系统的历史故障概 率数据； 将所述历史故障概 率数据分为训练集和 测试集； 建立LSTM神经网络模型， 使用所述训练集训练所述LSTM神经网络模型， 使用所述测试 集对所述模型进行测试； 评估所述模型的训练和 测试结果， 并根据评估的结果进行参数调整， 直至模型收敛。 7.根据权利要求1所述的方法， 其特 征在于， 进一 步包括： 采集电动阀门故障监测系统的实时数据， 所述实时数据包括芯片 温度、 信号强度、 硫化 氢浓度、 以及氢气浓度； 将四项所述实时数据分别一一对应输入各自的训练好的LSTM模型， 得到每项实时数据 的预测值。 8.根据权利要求1所述的方法， 其特 征在于， 所述故障概 率预测模型为 LSTM模型。 9.根据权利要求7或8所述的方法， 其特 征在于， 所述LSTM模型具体参数如 下： 模型结构为一层拥有10个LSTM神经单元的LSTM层以及一 层全连接层、 时间步长为 1000、 训练批次大小为256、 损失函数为均方差函数、 优化器为自适权　利　要　求　书 1/2 页 2 CN 115081591 A 2应矩估计、 学习率由Keras框架动态决定， 其中一轮训练由多个批次组成， 训练批次大小表 示单个批次所选取的数据量大小。 10.根据权利要求7 所述的方法， 其特 征在于， 进一 步包括： 当故障概率预测值高于预设阈值时， 根据对应时间的芯片温度、 信号强度、 硫化氢浓 度、 以及氢气浓度的预测数据， 判断需要 告警的物理量。权　利　要　求　书 2/2 页 3 CN 115081591 A 3