CN111783252B - 一种基于残差网络的控制回路阀门粘滞检测方法 - Google Patents
一种基于残差网络的控制回路阀门粘滞检测方法 Download PDFInfo
- Publication number
- CN111783252B CN111783252B CN202010696803.0A CN202010696803A CN111783252B CN 111783252 B CN111783252 B CN 111783252B CN 202010696803 A CN202010696803 A CN 202010696803A CN 111783252 B CN111783252 B CN 111783252B
- Authority
- CN
- China
- Prior art keywords
- valve
- loop
- network
- model
- simulation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000004088 simulation Methods 0.000 claims description 65
- 239000013598 vector Substances 0.000 claims description 26
- 238000000034 method Methods 0.000 claims description 20
- 238000010606 normalization Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/10—Noise analysis or noise optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供了一种基于残差网络的控制回路阀门粘滞检测方法，包括以下步骤：S1.通过数据集构建和模型训练得到用于阀门粘滞检测的网络模型；S2.将一段时间内待测回路的控制器输出和被控变量输入所述网络模型中并得到网络输出结果；S3.根据所述网络输出结果判断相应时间段内阀门是否存在粘滞问题。本发明通过使用控制回路中的控制器输出以及被控变量数据能够准确地进行阀门粘滞自动检测工作，无需人工实地进行阀门粘滞检测，有利于现场工程师进行阀门的维护工作，提高工厂中回路的控制性能。
Description
技术领域
本发明属于控制回路性能监控系统的技术领域，尤其是涉及一种基于残差网络的控制回路阀门粘滞检测方法。
背景技术
现代工厂生产规模极为庞大，每个工厂通常由成百上千条控制回路组成。控制回路在刚投入使用初期时往往控制性能良好，但随着运行时间的增长，由于设备磨损、维护不及时等原因，经常会导致控制回路的性能下降，影响到整个工厂的生产质量及经济效益。阀门是控制回路中的常见执行元件，也是直接会影响控制回路性能的元件。阀门在运行时可能会出现死区、粘滞等问题，而在这些问题中，粘滞是阀门最常出现的问题，并且也是对于控制回路性能影响最恶劣的问题。
阀门在正常运行时，阀门的控制信号和实际位置应该是一种线性关系，阀门粘滞指的是阀杆受到的静摩擦力增加，导致阀杆在运动时会暂时卡住，而随着控制信号变化幅度的增大，推动阀杆的作用力会持续变大，当作用力大于静摩擦力时，阀杆会突然跳跃。阀门粘滞往往会导致回路出现振荡，降低回路的控制性能。依靠工程师人工地对工厂中的每个阀门进行粘滞检测是一件效率低下的工作，会浪费大量的人力物力。因此，如何利用控制回路中的可用数据进行自动化的阀门粘滞检测成为控制回路性能监控系统领域的一个重要问题。
目前，常用的阀门粘滞检测方法包括：基于回路原始数据与替代数据的检验统计量的方法，基于模式搜索的方法，基于控制回路的OP-PV图椭圆拟合的方法等。上述方法都容易受到回路中噪声等复杂因素的影响，存在检测效果不理想的问题。
发明内容
本发明的目的是针对上述问题，提供一种基于残差网络的控制回路阀门粘滞检测方法。
为达到上述目的，本发明采用了下列技术方案：
一种基于残差网络的控制回路阀门粘滞检测方法，包括以下步骤：
S1.通过数据集构建和模型训练得到用于阀门粘滞检测的网络模型；
S2.将一段时间内待测回路的控制器输出和被控变量输入所述网络模型中并得到网络输出结果；
S3.根据所述网络输出结果判断相应时间段内阀门是否存在粘滞问题。
在上述的基于残差网络的控制回路阀门粘滞检测方法中，步骤S2具体包括：
S21.获取一段时间内待测回路的控制器输出和被控变量数据；
S22.将步骤S21中得到的数据按照每个样本包含n个时间点的数据进行分段；
S23.将分段数据进行向量归一化及合并处理以得到多个二维矩阵；
S24.将得到的二维矩阵输入到网络模型中以得到网络输出结果。
在上述的基于残差网络的控制回路阀门粘滞检测方法中，在步骤S1中，数据集构建步骤包括：
S11.构建用于生成仿真数据的单输入单输出控制回路仿真模型；
S12.建立阀门粘滞模型，且所述阀门粘滞模型包含有能够改变仿真的阀门粘滞严重程度的粘滞参数；
S13.将步骤S12中建立的阀门粘滞模型加入到步骤S11中的仿真模型中以构建阀门粘滞回路仿真模型；
S14.使用步骤S13中的阀门粘滞回路仿真模型对控制回路中包括存在不同程度粘滞问题的多种情况进行仿真，并保存运行过程中的控制器输出和被控变量作为成仿真数据；
S15.将每次仿真运行时存储的控制器输出和被控变量分别划分为多个元素个数为n的向量；
S16.将一条回路运行时同一时间段内产生的两个向量分别经过Min-Max归一化处理后再合并为一个二维矩阵；
S17.将回路阀门处于非粘滞状态时生成的仿真数据的标签设置为[1,0],将回路阀门处于粘滞状态时生成的仿真数据的标签设置为[0,1]；
S18.将所有仿真数据经过步骤S16处理后得到的二维矩阵和每个二维矩阵对应的标签同时打乱后得到阀门粘滞检测数据集。
在上述的基于残差网络的控制回路阀门粘滞检测方法中，在步骤S11中，使用matlab软件中的simulink仿真模块构建一条包含阶跃输入、PID控制器、被控对象、随机噪声以及外部扰动的单输入单输出控制回路用于后续仿真数据的生成。
在上述的基于残差网络的控制回路阀门粘滞检测方法中，在步骤S1中，模型训练步骤包括：
S19.构建用于阀门粘滞检测的残差网络，且所述的残差网络包括残差块、全局平均池化层、全连接层和激活函数层四个部分，对于输入的训练数据，所述残差网络的输出结果为向量[y0,y1]；
S20.使用步骤S18得到的阀门粘滞检测数据集作为训练数据，以残差网络的输出结果和训练数据的标签的交叉熵作为残差网络的损失函数，并使用Adam优化算法对残差网络进行训练，训练完成后得到所述网络模型。
在上述的基于残差网络的控制回路阀门粘滞检测方法中，在步骤S3中，网络输出结果为向量[y0,y1]，且当y0＞y1时，判断为相应时间段内回路的阀门不存在粘滞问题，否则，判断为存在粘滞问题。
在上述的基于残差网络的控制回路阀门粘滞检测方法中，在步骤S13中，阀门粘滞模型的输入为PID控制器的输出，阀门粘滞模型的输出为被控对象的输入。
在上述的基于残差网络的控制回路阀门粘滞检测方法中，在步骤S14中，对控制回路中控制器参数变化、回路受不同大小的外部扰动影响和回路阀门存在不同程度的粘滞问题这三类情况进行仿真。
在上述的基于残差网络的控制回路阀门粘滞检测方法中，在步骤S14中，三类情况的仿真方法分别为：
S141.控制器参数变化，每次仿真运行时，控制回路中控制器的比例增益以及积分时间参数不完全相同，回路不受到外部扰动影响，且回路内部阀门没有粘滞问题；
S142.回路受不同大小的外部扰动影响，每次仿真运行时，回路受到的外部正弦扰动的幅值、周期不完全相同，且回路内的控制器参数良好，回路中的阀门没有粘滞问题；
S143.回路阀门存在不同程度的粘滞问题，每次仿真运行时，回路的阀门粘滞模型的粘滞参数不完全相同，且回路内的控制器参数良好，回路不受到外部扰动影响。
在上述的基于残差网络的控制回路阀门粘滞检测方法中，在步骤S19中，每个残差块的主路径均包含三个一维卷积层，卷积核大小依次为7,5,3，每个卷积层后均连接用于加快训练速度的Batch Normalization层，且前两个Batch Normalization层的输出还连接用于非线性处理的ReLU激活函数层。
本发明的有益效果在于：本发明通过使用控制回路中的控制器输出以及被控变量数据能够准确地进行阀门粘滞自动检测工作，无需人工实地进行阀门粘滞检测，有利于现场工程师进行阀门的维护工作，提高工厂中回路的控制性能。
附图说明
图1是本发明基于残差网络的控制回路阀门粘滞检测方法中网络模型的训练过程；
图2是本发明基于残差网络的控制回路阀门粘滞检测方法中网络模型的在线使用过程；
图3是本发明在matlab软件中构建的仿真回路图；
图4是本发明使用的残差网络结构图；
图5是本发明具体应用在火力发电控制回路中的一个样本的控制器输出-被控变量图。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步详细的说明。
本实施例以浙能集团下属台二电厂的锅炉A侧过热器一级减温器控制回路为例。减温器的作用主要为调节汽温，使蒸汽温度在规定的范围内，以及保护过热器、汽轮机相应的蒸汽管道和阀门。
应该理解，本发明不止局限于上述实例的控制回路，凡是熟悉本领域的技术人员在不违背本发明的前提下还可以做出等同变型或替换，这些等同的变型或替换均包含在本申请权利要求所限定的范围内。
如图1和图2所示，本实施例方法包括以下步骤：
(一)仿真模型构建及数据集构建：
(1)单输入单输出控制回路仿真模型构建：使用matlab软件中的simulink仿真模块，构建一条包含阶跃输入，PID控制器，被控对象，随机噪声以及外部扰动的单输入单输出闭环控制回路用于后续仿真数据的生成。外部扰动主要指外部正弦扰动。在本实例中，被控对象的传递函数为PID控制器为比例积分控制器。
(2)阀门粘滞模型建立：使用simulink仿真模块中的S-Function模块实现Choudhury的基于数据驱动的粘滞阀门模型，该模型包含两个仿真参数S和J，通过改变模型中S和J的大小，可以改变仿真的阀门粘滞的严重程度。
(3)阀门粘滞回路仿真模型构建：将步骤(2)中建立的阀门粘滞模型加入到步骤(1)中构建的控制回路仿真模型中，阀门粘滞模型的输入为PID控制器的输出，阀门粘滞模型的输出为被控对象的输入。完整的仿真回路如图3所示。
(4)仿真数据生成：使用步骤(3)中构建的仿真模型对控制回路中控制器参数变化、回路受不同大小的外部扰动影响、回路阀门存在不同程度的粘滞问题这三类情况进行仿真，每类情况仿真时回路都会受到随机噪声影响，每次仿真时回路运行800秒，并且分别保存仿真运行过程中每秒时的控制器输出(OP)以及被控变量(PV)的数据为向量xo和xp以作为仿真数据。
不同情况下的仿真实验设计具体为：
(4.1)回路控制器参数变化指每次仿真运行时，控制回路中控制器的比例增益以及积分时间参数不完全相同，回路不受到外部正弦扰动影响，回路内部阀门没有粘滞问题。回路部分参数的设置如下表所示：
表1回路控制器参数变化时回路部分参数设置
| 参数名称 | 参数取值范围 | 参数名称 | 参数取值范围 |
| 控制器比例系数 | [0.1:0.02:0.3] | 正弦扰动频率 | 0 |
| 控制器积分系数 | [0.01:0.02:0.27] | 粘滞参数S | 0 |
| 正弦扰动幅值 | 0 | 粘滞参数J | 0 |
(4.2)回路受不同大小的外部扰动影响指每次仿真运行时回路受到的外部正弦扰动的幅值、周期不完全相同，回路内的控制器参数良好，回路中的阀门没有粘滞问题。回路部分参数的设置如下表所示：
表2回路受不同大小的外部扰动影响时回路部分参数设置
| 参数名称 | 参数取值范围 | 参数名称 | 参数取值范围 |
| 控制器比例系数 | 0.15 | 正弦扰动频率 | [0.01:0.01:0.11] |
| 控制器积分系数 | 0.15 | 粘滞参数S | 0 |
| 正弦扰动幅值 | [0.5:0.25:4] | 粘滞参数J | 0 |
(4.3)回路阀门存在不同程度的粘滞问题指每次仿真运行时回路的阀门粘滞模型的S和J参数不完全相同，回路内的控制器参数良好，回路不受到外部正弦扰动影响。回路部分参数的设置如下表所示：
表3回路阀门有不同程度的粘滞问题时回路部分参数设置
| 参数名称 | 参数取值范围 | 参数名称 | 参数取值范围 |
| 控制器比例系数 | 0.15 | 正弦扰动频率 | 0 |
| 控制器积分系数 | 0.15 | 粘滞参数S | [0.25:0.75:10] |
| 正弦扰动幅值 | 0 | 粘滞参数J | [0.25:0.75:10] |
(4.4)当阀门粘滞回路仿真模型中的参数如上述设置时，会在回路受到大小不同的随机噪声方差的情况下多次进行仿真，回路受到的随机噪声方差的取值范围为[0,0.010.5,0.020.5,0.030.5,0.040.5,0.050.5]，在控制器参数变化情况下，回路随机噪声方差的取值不包含0。
(5)数据归一化：舍弃每次仿真运行时存储的向量xo和xp中的前300个元素，将剩余的500个元素划分为一个向量，并对每个划分后的向量分别进行Min-Max归一化(最大最小归一化)，Min-Max归一化公式如下所示：
其中：x表示一个向量，xi表示向量的第i个元素，min(x)表示向量中所有元素的最小值，max(x)表示向量中所有元素的最大值。
(6)向量合并：将一条回路运行时同一时间段内产生的两个向量分别经过归一化处理后再合并为一个二维矩阵
(7)仿真数据标注：在控制器参数变化、回路受外部扰动影响的各种情况下，即回路阀门处于非粘滞状态时生成的仿真数据的标签设置为[1,0]，将回路阀门处于粘滞状态时生成的仿真数据的标签设置为[0,1]。
(8)数据集构建：将所有参数情况下，仿真数据经过步骤(6)处理后得到的二维矩阵，及每个二维矩阵对应的标签同时打乱后得到阀门粘滞检测数据集。在本实例中，上述仿真一共生成2936个样本，其中回路控制器参数变化的样本个数为770，回路受到外部扰动的样本个数为990，回路阀门有粘滞问题的样本个数为1176。
(二)网络模型构建及训练
(9)构建用于阀门粘滞检测的残差网络：如图4所示，网络模型由四个部分组成，第一部分包含3个残差块，每个残差块的特征图数量依次为32,64,128，第二部分是一个全局平均池化层，第三部分是一个全连接层，第四部分是一个激活函数层。对于输入的训练数据，残差网络的输出结果为向量[y0,y1]。残差网络的第一组成部分具体为：
(9.1)每个残差块的主路径部分均包含有三个一维卷积层，卷积核大小依次为7,5,3，每个卷积层后均连接用于加快训练速度的Batch Normalization层(批标准化层)，前两个Batch Normalization层的输出会连接用于非线性处理的ReLU激活函数层。
(10)残差网络训练：使用步骤(8)中得到的数据集，使用残差网络输出结果与训练数据标签的交叉熵作为残差网络的损失函数，网络训练时的批大小为2000，epoch设置为300，使用学习率为0.0005的Adam优化算法对残差网络进行训练，权重衰减系数设置为0.0001，训练完成后得到一个用于阀门粘滞检测的网络模型。交叉熵的计算公式如下：
其中，sj表示数据标签向量中的第j个元素，yj表示网络输出结果向量中的第j个元素。
(三)网络模型在线应用
(11)本实例选取1号炉A侧过热器一级减温水调节回路中的5000个数据点作为本次阀门粘滞检测的测试数据，这些数据的采样间隔为1s，我们按照每个样本包含500个数据点进行划分，可以得到10个样本，图5为该实例中第9个样本的OP-PV图。对样本按照步骤(6)进行数据处理，将处理后的样本输入到训练好的网络模型中，得到的结果如下表4所示。从表4中结果可以发现，该方法成功检测出了回路中的阀门粘滞问题。
表4在火力发电中控制回路的阀门粘滞检测结果
本方法利用仿真软件分别生成单输入单输出控制回路在阀门粘滞与非粘滞状态运行时的控制器输出以及被控变量数据；对每次仿真时生成的仿真数据分别进行归一化后合并为二维矩阵；构建残差网络并使用处理后的仿真数据对网络进行训练，得到训练好的网络模型；将待测回路的控制器输出以及被控变量数据归一化并合并为二维矩阵后输入训练好的网络模型得到待测回路阀门粘滞检测结果。该方法可以有效地解决控制回路中阀门粘滞自动检测问题，为工厂人员进行高效的阀门维护与检修提供有效参考。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
尽管本文较多地使用了网络模型、控制器输出、被控变量、粘滞参数、阀门粘滞回路仿真模型、标签等术语，但并不排除使用其它术语的可能性。使用这些术语仅仅是为了更方便地描述和解释本发明的本质；把它们解释成任何一种附加的限制都是与本发明精神相违背的。
Claims (6)
1.一种基于残差网络的控制回路阀门粘滞检测方法，其特征在于，包括以下步骤：
S1.通过数据集构建和模型训练得到用于阀门粘滞检测的网络模型；
S2.将一段时间内待测回路的控制器输出和被控变量输入所述网络模型中并得到网络输出结果；
S3.根据所述网络输出结果判断相应时间段内阀门是否存在粘滞问题；
步骤S1中，数据集构建步骤包括：
S11.构建用于生成仿真数据的单输入单输出控制回路仿真模型；
S12.建立阀门粘滞模型，且所述阀门粘滞模型包含有能够改变仿真的阀门粘滞严重程度的粘滞参数；
S13.将步骤S12中建立的阀门粘滞模型加入到步骤S11中的仿真模型中以构建阀门粘滞回路仿真模型；
S14.使用步骤S13中的阀门粘滞回路仿真模型对控制回路中包括存在不同程度粘滞问题的多种情况进行仿真，并保存运行过程中的控制器输出和被控变量以作为仿真数据；
S15.将每次仿真运行时存储的控制器输出和被控变量分别划分为多个元素个数为n的向量；
S16.将一条回路运行时同一时间段内产生的两个向量分别经过Min-Max归一化处理后再合并为一个二维矩阵；
S17.将回路阀门处于非粘滞状态时生成的仿真数据的标签设置为[1,0],将回路阀门处于粘滞状态时生成的仿真数据的标签设置为[0,1]；
S18.将所有仿真数据经过步骤S16处理后得到的二维矩阵和每个二维矩阵对应的标签同时打乱后得到阀门粘滞检测数据集；
模型训练步骤包括：
S19.构建用于阀门粘滞检测的残差网络，且所述的残差网络包括残差块、全局平均池化层、全连接层和激活函数层四个部分，对于输入的训练数据，所述残差网络的输出结果为向量；
S20.使用步骤S18得到的阀门粘滞检测数据集作为训练数据，以残差网络的输出结果和训练数据的标签的交叉熵作为残差网络的损失函数，并使用Adam优化算法对残差网络进行训练，训练完成后得到所述网络模型；
步骤S2具体包括：
S21.获取一段时间内待测回路的控制器输出和被控变量数据；
S22.将步骤S21中得到的数据按照每个样本包含n个时间点的数据进行分段；
S23.将分段数据进行向量归一化及合并处理以得到多个二维矩阵；
S24.将得到的二维矩阵输入到网络模型中以得到网络输出结果；
在步骤S3中，网络输出结果为向量，且当时，判断为相应时间段内回路的阀门不存在粘滞问题，否则，判断为存在粘滞问题。
2.根据权利要求1所述的基于残差网络的控制回路阀门粘滞检测方法，其特征在于，在步骤S11中，使用matlab软件中的simulink仿真模块构建一条包含阶跃输入、PID控制器、被控对象、随机噪声以及外部扰动的单输入单输出控制回路用于后续仿真数据的生成。
3.根据权利要求2所述的基于残差网络的控制回路阀门粘滞检测方法，其特征在于，在步骤S13中，阀门粘滞模型的输入为PID控制器的输出，阀门粘滞模型的输出为被控对象的输入。
4.根据权利要求3所述的基于残差网络的控制回路阀门粘滞检测方法，其特征在于，在步骤S14中，对控制回路中控制器参数变化、回路受不同大小的外部扰动影响和回路阀门存在不同程度的粘滞问题这三类情况进行仿真。
5.根据权利要求4所述的基于残差网络的控制回路阀门粘滞检测方法，其特征在于，在步骤S14中，三类情况的仿真方法分别为：
S141.控制器参数变化，每次仿真运行时，控制回路中控制器的比例增益以及积分时间参数不完全相同，回路不受到外部扰动影响，且回路内部阀门没有粘滞问题；
S142.回路受不同大小的外部扰动影响，每次仿真运行时，回路受到的外部正弦扰动的幅值、周期不完全相同，且回路内的控制器参数良好，回路中的阀门没有粘滞问题；
S143.回路阀门存在不同程度的粘滞问题，每次仿真运行时，回路的阀门粘滞模型的粘滞参数不完全相同，且回路内的控制器参数良好，回路不受到外部扰动影响。
6.根据权利要求5所述的基于残差网络的控制回路阀门粘滞检测方法，其特征在于，在步骤S19中，每个残差块的主路径均包含三个一维卷积层，卷积核大小依次为7,5,3，每个卷积层后均连接用于加快训练速度的Batch Normalization层，且前两个BatchNormalization层的输出还连接用于非线性处理的ReLU激活函数层。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010696803.0A CN111783252B (zh) | 2020-07-20 | 2020-07-20 | 一种基于残差网络的控制回路阀门粘滞检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010696803.0A CN111783252B (zh) | 2020-07-20 | 2020-07-20 | 一种基于残差网络的控制回路阀门粘滞检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111783252A CN111783252A (zh) | 2020-10-16 |
| CN111783252B true CN111783252B (zh) | 2024-01-02 |
Family
ID=72764597
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010696803.0A Active CN111783252B (zh) | 2020-07-20 | 2020-07-20 | 一种基于残差网络的控制回路阀门粘滞检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111783252B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113494999B (zh) * | 2021-09-07 | 2021-12-03 | 南通索星流体设备有限公司 | 基于人工智能的阀门粘滞数据检测处理方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5488697A (en) * | 1988-01-12 | 1996-01-30 | Honeywell Inc. | Problem state monitoring system |
| CN103970129A (zh) * | 2014-05-23 | 2014-08-06 | 东南大学 | 控制阀粘滞检测方法 |
| CN104635497A (zh) * | 2015-02-15 | 2015-05-20 | 浙江大学 | 一种因阀门粘滞特性而引起控制回路振荡的补偿方法 |
| CN105373019A (zh) * | 2015-10-29 | 2016-03-02 | 浙江中控软件技术有限公司 | 一种阀门粘滞程度的检测方法及装置 |
| CN107450509A (zh) * | 2016-05-31 | 2017-12-08 | 横河电机株式会社 | 控制阀粘滞的检测或诊断方法 |
| CN108875771A (zh) * | 2018-03-30 | 2018-11-23 | 浙江大学 | 一种基于稀疏高斯伯努利受限玻尔兹曼机和循环神经网络的故障分类模型及方法 |
| CN109143868A (zh) * | 2018-09-28 | 2019-01-04 | 东南大学 | 一种针对电子节气门系统的非线性抗干扰控制方法及装置 |
| CN109614703A (zh) * | 2018-12-11 | 2019-04-12 | 南京天航智能装备研究院有限公司 | 一种汽车电液复合转向系统的多学科集成建模及优化方法 |
| CN110619631A (zh) * | 2019-09-16 | 2019-12-27 | 中山大学 | 一种基于残差网络的超分辨图像检测方法 |
| CN110780146A (zh) * | 2019-12-10 | 2020-02-11 | 武汉大学 | 基于多阶段迁移学习的变压器故障辨识与定位诊断方法 |
-
2020
- 2020-07-20 CN CN202010696803.0A patent/CN111783252B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5488697A (en) * | 1988-01-12 | 1996-01-30 | Honeywell Inc. | Problem state monitoring system |
| CN103970129A (zh) * | 2014-05-23 | 2014-08-06 | 东南大学 | 控制阀粘滞检测方法 |
| CN104635497A (zh) * | 2015-02-15 | 2015-05-20 | 浙江大学 | 一种因阀门粘滞特性而引起控制回路振荡的补偿方法 |
| CN105373019A (zh) * | 2015-10-29 | 2016-03-02 | 浙江中控软件技术有限公司 | 一种阀门粘滞程度的检测方法及装置 |
| CN107450509A (zh) * | 2016-05-31 | 2017-12-08 | 横河电机株式会社 | 控制阀粘滞的检测或诊断方法 |
| CN108875771A (zh) * | 2018-03-30 | 2018-11-23 | 浙江大学 | 一种基于稀疏高斯伯努利受限玻尔兹曼机和循环神经网络的故障分类模型及方法 |
| CN109143868A (zh) * | 2018-09-28 | 2019-01-04 | 东南大学 | 一种针对电子节气门系统的非线性抗干扰控制方法及装置 |
| CN109614703A (zh) * | 2018-12-11 | 2019-04-12 | 南京天航智能装备研究院有限公司 | 一种汽车电液复合转向系统的多学科集成建模及优化方法 |
| CN110619631A (zh) * | 2019-09-16 | 2019-12-27 | 中山大学 | 一种基于残差网络的超分辨图像检测方法 |
| CN110780146A (zh) * | 2019-12-10 | 2020-02-11 | 武汉大学 | 基于多阶段迁移学习的变压器故障辨识与定位诊断方法 |
Non-Patent Citations (4)
| Title |
|---|
| 《automatic detection and quantification on of stiction in control valves》;M.A.A. Shoukat Choudhury等;《Control Engineering Practice》;第14卷(第12期);1395-1412 * |
| 《控制阀粘滞特性补偿控制方法研究》;王挺任;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》(第08期);全文 * |
| 《高温环境对射流管伺服阀偶件配合及特性的影响》;李长明等;《机械工程学报》;第54卷(第20期);全文 * |
| 基于KPCA-PNN的复杂工业过程集成故障辨识方法;薄翠梅;王执铨;张广明;;信息与控制(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111783252A (zh) | 2020-10-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110023850B (zh) | 用于控制技术系统的方法和控制装置 | |
| CN106537267B (zh) | 用于化学处理工业和其它工业的鲁棒控制设计方案 | |
| Zhang et al. | Performance assessment for the water level control system in steam generator of the nuclear power plant | |
| WO2007067645A2 (en) | Multi-objective predictive process optimization with concurrent process simulation | |
| CN109740727A (zh) | 一种基于神经网络的水轮机转轴状态监测方法和系统 | |
| CN109032117B (zh) | 基于arma模型的单回路控制系统性能评价方法 | |
| US6947870B2 (en) | Neural network model for electric submersible pump system | |
| CN111783252B (zh) | 一种基于残差网络的控制回路阀门粘滞检测方法 | |
| Czajkowski et al. | Application of the state space neural network to the fault tolerant control system of the PLC-controlled laboratory stand | |
| CN110889646B (zh) | 一种适应工况变化的发电机组运行参数正确性检验的方法 | |
| Ahmadi et al. | Fault detection Automation in Distributed Control Systems using Data-driven methods: SVM and KNN | |
| CN112115640B (zh) | 一种基于迁移学习的控制阀粘滞检测方法 | |
| Naito et al. | Anomaly sign detection by monitoring thousands of process values using a two-stage autoencoder | |
| Boutrous et al. | A set-based prognostics approach for wind turbine blade health monitoring | |
| Truong et al. | Design of an online tuning modified-grey fuzzy PID controller for nonlinear systems | |
| Airikka | Advanced control methods for industrial process control | |
| Tajjudin et al. | Model Predictive Control using ARX model for steam distillation essential oil extraction system | |
| Li et al. | Application of control quality evaluation technology in complex industrial process | |
| Wang et al. | The control system assessment based on a class of disturbance characteristics | |
| Huaguang et al. | Multivariable fuzzy generalized predictive control | |
| Bonissone et al. | Soft computing applications in equipment maintenance and service | |
| Liu et al. | Neuro-fuzzy generalized predictive control of boiler steam temperature | |
| Mark et al. | Distributionally robust model predictive control for wind farms | |
| Isermann | Advanced methods of process computer control for industrial processes | |
| Liu et al. | Data-Driven Fault Detection of Three-Tank System Applying MWAT-ICA |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |