CN112016252B - 一种安全阀精密起跳压力获取方法 - Google Patents

Abstract

本发明提供一种安全阀精密起跳压力获取方法,包括以下步骤S1采集训练样本，并获取样本特征向量；S2使用所述样本特征向量训练SVM回归模型；S3使用步骤S2中训练好的SVM回归模型进行α的回归预测，获取精密的整定压力值。本发明的有益效果是：可以适应安全阀操作台的非线性特点，通过一阶滞后滤波系数的确定，得到的整定压力更加精确可靠。

Description

一种安全阀精密起跳压力获取方法

技术领域

本发明涉及特种设备领域，具体涉及一种安全阀精密起跳压力获取方法。

背景技术

安全阀是一种特种设备，其功能是提供所属设备的压力安全保障，当所属设备的内压力超过安全阀的整定压力，安全阀就应该起跳泄压，直到所属设备的内压力小于整定压力为止。安全阀是属于国家按照国家标准进行监管的设备，其整定压力是安全阀正常运行的核心参数。

安全阀隔一年，都必须要去国家指定的机构进行安全阀整定压力的调整与确定，也就是机构通过技术手段，设定安全阀的正确起跳压力，即整定压力。根据国标的要求，某只安全阀若在连续的3次压力整定中都达到了要求的整定值F，则可确定该安全阀的整定值为F。

当前在安全阀的整定中，主要是通过整定台提供一定压力源，操作人员调整好安全阀以后，加压起跳泄压，完成一次整定。整定压力的记录分为人工式和自动方式。人工式是操作人员去观察最大压力然后作为整定压力；自动式是软件系统自动记录增压起跳减压过程中的最大值作为整定压力。目前，整定台基本上都是自动记录整定压力。

整定压力可以理解为在开始整定时，寻找某个时间序列段的峰值。由压力传感器-采集器-滤波-现实的系统是一种非线性系统，加上采集过程中的量化误差、随机噪声、压力周期波动等因素的影响，得到波形曲线较为复杂。为了得到较为精确的结果，通常采用滤波算法，去除噪声的影响。工程中经常采用一阶滞后滤波算法，该算法同时考虑前一个信号的滤波结果和当前信号值的线性组合：

s_i＝αx_i+(1-α)s_i-1 (1)

其中s_i是滤波后的当前数值，s_i-1是前一个滤波数值，x_i是当前采集数值，滤波系数α∈[0,1]。一阶滞后滤波算法简单实用，在波形的实时处理上较为有利；但算法具有相位滞后、灵敏度低的缺点，对数据进行滤波处理时，滞后现象比较明显。目前最大的问题，是如何确定滤波系数α。

在利用一阶滞后滤波算法进行研究的文献主要有如下一些：中国专利“一种具有高灵敏度的动态调整的一阶滞后滤波方法”公开号CN 107947759 A提出了一种具有高灵敏度的动态调整的一阶滞后滤波方法，该方法主要是将α进行了256分度的量化，此外修订了公式(1)为：

这里面X是当前采集值、Y是滤波以后的值。公式(2)考虑了消抖的需要，进行动态调整；中国专利“一种基于防脉冲平均滤波法和一阶滞后滤波法的海洋风速仿真算法”公开号CN 107609309 A.也用到了一种一阶滞后滤波和防脉冲平均滤波算法，把采集数据先进行平均滤波，然后用一阶滤波进行二次滤波实现海洋风速的仿真。中国专利“一种数字滤波方法”公开号CN110635781A提出了一种数字滤波计算的方法，该方法选定滤波算法参量常数及初值，通过连续获取采样值数据X1,X2...Xm，计算抗扰算术平均值Yn；再计算残差率C＝|Yn-Zn-1|/Xup，依据差权表[Ai,Ci]判定滤波系数α，计算滤波值Zn＝a*Yn+(1-a)*Zn-1；该方面的主要思路是通过权值表调整动态的α。中国专利“用于智能变送器的一阶滞后数字滤波算法”公开号CN101188410A.提出一种用于智能变送器的一阶滞后滤波算法，利用连续两次的采集值修订滤波时间，利用滤波时间修订α，从而实现动态的滤波。现有技术“基于遗传算法改进的一阶滞后滤波和长短期记忆网络的蓝藻水华预测方法.”(计算机应用[J],2018,38(7):2119－2123，2135)提出一种改进的一阶滞后滤波算法，提出增加一个修正项β，用于修正通过原始一阶滞后滤波得到的数据序列，通过遗传算法GA对α,β进行双优化选取。该算法应用在蓝藻水化的预测中。

发明内容

本发明要解决的技术问题是：现有技术中的滤波参数α的确定没有考虑影响波形的因素，从而导致滤波后的峰值压力(整定压力)计算误差较大。

本发明提供一种安全阀精密起跳压力获取方法,包括以下步骤

S1采集训练样本，并获取样本特征向量，包括，获取特征参数F＝{F₁,F₂,....,F_n}，n表示特征参数的数量，其中，

F₁为要求整定压力/系统的最大压力量程；

F₂为空载状态下一段时间内最大值-最小值，单位为MPa，采用minmax方法进行归一化处理，使F₂取值在[0,1]之间；

F₃为频谱中1倍频的幅值密度，在进行空载波形谱分析中，使用固定的采样频率，采用minmax方法进行归一化处理，使F₃取值在[0,1]之间；

F₄为频谱中2倍频的幅值谱密度；采用minmax方法进行归一化处理，使F₄取值在[0,1]之间；

S2使用所述样本特征向量训练SVM回归模型，包括，

在整定工艺中，操作人员按照工艺流程进行整定，采集程序真实记录整定的压力波形，利用精密压力表和摄像头，精确记录三次压力峰值，得到三次的平均值F'；

在α₁＝0.4参数对应的波形的第一个波峰位置处，向前面找到第一区域，第一区域按照α₁＝0.4参数对应的波形的第一个波峰的0.6倍作为区域的起点，

第一区域的起点和终点划分为4个等距离区间，计算每个区间波形的平均值，y₁₁,y₁₂,y₁₃,y₁₄，对这4个区间得到3个差分值，Δy₁₁＝y₁₂-y₁₁,Δy₁₂＝y₁₃-y₁₂,Δy₁₃＝y₁₄-y₁₃；

在α₂＝0.7参数对应的波形上的第一个波峰位置处，向前面找到第二区域，第二区域按照α₂＝0.7参数对应的波形上的第一个波峰的0.6倍作为区域的起点，

第二区域的起点和终点划分为4个等距离区间，计算每个区间波形的平均值，y₂₁,y₂₂,y₂₃,y₂₄，这个4个区间得到3个差分值，

Δy₂₁＝y₂₂-y₂₁,Δy₂₂＝y₂₃-y₂₂,Δy₂₃＝y₂₄-y₂₃；

将对应区间的差分值两次进行平均，作为操作特性参数：

F₅＝(Δy₁₁+Δy₂₁)/2,

F₆＝(Δy₁₂+Δy₂₂)/2,

F₇＝(Δy₁₃+Δy₂₃)/2

所有样本的中的F₅-F₇分别对各自的维进行minmax归一化方法，使F₅-F₇取值在[0,1]之间；

S3使用步骤S2中训练好的SVM回归模型进行α的回归预测，获取精密的整定压力值，其中α为一阶滞后滤波算法的滤波系数。

进一步的，所述步骤S2包括，

SVM的回归模型采用LibSVM进行实现，其参数为:

SVM类型选择：选择n-SVR；

核函数类型：选择sigmoid核函数；

参数c，g，p，利用Python工具可以得到最优的参数：

模型训练，当回归误差小于指定值时则模型训练正确；否则继续增加样本进行学习。

本发明的有益效果是：可以适应安全阀操作台的非线性特点，通过一阶滞后滤波系数的确定，得到的整定压力更加精确可靠。

附图说明

图1为本发明流程图。

图2为实施例α₁＝0.4的滤波波形示意图。

具体实施方式

在安全阀整定压力的获取过程中，滤波算法是一个核心问题，而应用一阶滞后滤波，虽然具有一定的滞后性，但具有计算速度快、调整方便等优势。在目前的应用里面，主要和核心的技术问题是：当前的滤波参数α的确定没有考虑影响波形的因素，从而导致滤波后的峰值压力(整定压力)计算误差较大。而影响波形的因素为多种且非线性，现有技术中所有的波形参数的计算方法均未考虑到。

滤波效果和α的值密切相关。当α过小，滤波数据削波严重，可能将真实的峰值消减；当α过大，则噪声影响难以去除，增大了真实的峰值。而影响α的因素，要得到精确的峰值大小，必须考虑波形的生成模型，才能达到高精度滤波值。

现有技术对一阶滞后滤波中的α参数进行了不同程度的优化和改进，但对于安全阀校验台这样的系统，若不考虑系统的特点，单纯从波形数据上，很难获得精确的整定压力。

申请人通过试验发现影响滤波系数的因素从根源上有如下方面：

1)校验台气源的动态特征；每个校验台的压缩机及管路特性均不相同，可以产生不同特征的气源。从数据上看，气源出现明显的周期性，在高压安全阀进行整定时表现更为明显。而气源的动态特征很大程度影响校验结果；

2)校验介质。校验介质的不同表现出气体的不同动态特性，而该动态特性又会影响到校验系统的特性，使得滤波效果发生变化。

3)采集量化误差。由于安全阀的整定压力不同，压力传感器的量程与精度不同、采集卡的动态范围不同，因此需要考虑量化误差；

4)操作方式误差。在安全阀整定过程中，目前需要操作人员通过观察安全阀内部的实时压力，在安全阀泄压的瞬间开启泄压阀，完成校验。在这个过程中，每个操作人员的习惯和阀门特性是不同的，也就是压力上升和衰减波效形状不同，从而导致获得的峰值也不同；

上述4个方面是目前利用一阶滞后滤波算法获得整定压力时，没有计算到的因素。也是现有技术中存在的最主要的技术问题。

基于上述发现，本发明提出一种利用精密压力表和支持向量机SVM预测算法来获得精确滤波α的方法。利用校验台整定过程中得到的整定压力与特征参数之间的非线性关系，通过SVM进行α的回归预测，从而获取精密的整定压力值。

本发明的发明思路是基于衡量安全阀校验设备的动态特性，提取不同的特征参数，构建支持向量机的回归模型，预测利用一阶滞后滤波的滤波参数，得到最佳的滤波参数α的过程。

只要获得了特征参数F＝{F₁,F₂,....,F_n}，就能精确得到滤波参数α，从而得到精确的整定压力。

本发明技术方案流程是：

1)样本获取；

2)SVM回归模型确定；

3)在以后的测量中，获得精确的α，获得整定压力；

4)模型修改和调整；

由于安全阀的整定来自于实际的工作，因此利用校验台的日常工作，就能完成样本的获取。为了得到精确的起跳压力，按照摄像头拍摄校验台上的精密压力表，作为标定依据。每次整定一只安全阀时，根据机器空载特性、采集特性、操作特性及波形特性，形成一个样本和α值，形成有监督的样本，最终得到SVM回归模型。

1)样本获得

构建特征向量F。首先按照实际的物理量纲构建各个参数，再进行归一化处理：

a.第一个参数需要整定压力：F₁。这个参数是用户提出来的要求整定压力；F₁＝要求整定压力/系统的最大压力量程，归一化后，范围将落在[0,1]之间；

b.气源的动态特性。气源的动态主要体现在不加负载的波动性，这是用来描述气源的物理特性的。

气源的物理特性主要是空载时，不同压力源的情况下气体压力的波动情况，用峰峰值与理论压力值的比率，以及1倍频的幅值、2倍频的幅值来描述。

F₂：峰峰值＝空载状态下一段时间内最大值-最小值，单位是MPa；归一化方法，所有样本的F₂用minmax方法进行处理，范围将落在[0,1]之间。

minmax方法归一化：将数据的值压缩到0到1之间，公式如下

其中x_i表示同一类特征参数需要归一化的所有的样本数据。

F₃：频谱中1倍频的幅值谱密度；再进行空载波形谱分析中，使用固定的采样频率，也就是当工作台调教好进行工作后，采样频率保持不变；所有样本的中的F₃进行minmax归一化方法，范围将落在[0,1]之间；

F₄：频谱中2倍频的幅值谱密度；所有样本的中的F₄进行minmax归一化方法，范围将落在[0,1]之间；

c.人员的操作特性。操作特性反应在获得整定压力的速率上，这里考虑是压力的上升阶段。压力的下降阶段与整定压力无关。

为了确定压力升到顶峰的特性，需要首先确定顶峰的压力值。为了确定准确的顶峰压力值，在整定工艺中，操作人员按照工艺流程进行整定不受影响，采集程序真实记录整定的压力波形。利用精密压力表和摄像头，精确记录了三次压力峰值，得到三次的平均值F'。在记录的压力波形中，采用一阶滞后滤波，α的值在0-1之间。

为了确定操作人员的操作特性对起跳压力的影响，考虑2个不同α值的滤波波形。在本发明中，确定为α₁＝0.4,α₂＝0.7,得到两个不同的滤波波形。

在已找到的α₁＝0.4参数对应的波形上，寻找操作特性，也就是在第一个波峰的位置处，向前面找到一块区域，这块区域可以描述波峰上升的特性。按照波峰的0.6倍作为区域的起点。

区域的起点和终点划分为4个等距离区间，计算每个区间波形的平均值，y₁₁,y₁₂,y₁₃,y₁₄，这个4个区间可以得到3个差分值，Δy₁₁＝y₁₂-y₁₁,Δy₁₂＝y₁₃-y₁₂,Δy₁₃＝y₁₄-y₁₃。这三个差分值可以描述波形达到峰值的情况特性。

为了获得较为可信的操作模式，利用不同的α₁的值得到不同的滤波曲线，不同的滤波曲线可以代笔不同的操作方式：

图2的波形表示原始采集信号在使用α₁＝0.4的一阶滞后滤波后的波形，该波形有3次整定过程。时刻t1、t2、t3表示了3次安全阀起跳的时刻，对应的起跳压力P1、P2、P3。第1次起跳压力P1之前处于上升沿的0.6为P0；第3次起跳压力P3之后处于下降沿的0.6为P4；P0与P4对应的时间节点为t0和t4，则t0和t4之间定义为区域1；回到原始波形，重置一阶滞后参数α₂＝0.7，得到的滤波波形，按照上述方法在t0和t4之间定义为区域2；P0和P4获得的阈值取值考虑到压力的变化过程，不能太大也不能太小,申请人通过实验发现取值0.6效果最佳。

同理，在α₂＝0.7参数对应的波形上，也就是在第一个波峰的位置处，向前面找到一块区域，这块区域按照第一个波峰的0.6倍作为区域的起点。

区域的起点和终点划分为4个等距离区间，计算每个区间波形的平均值，y₂₁,y₂₂,y₂₃,y₂₄，这个4个区间可以得到3个差分值，Δy₂₁＝y₂₂-y₂₁,Δy₂₂＝y₂₃-y₂₂,Δy₂₃＝y₂₄-y₂₃

将对应区间的差分值两次进行平均，作为操作特性参数：

F₅＝(Δy₁₁+Δy₂₁)/2,

F₆＝(Δy₁₂+Δy₂₂)/2,

F₇＝(Δy₁₃+Δy₂₃)/2

所有样本的中的F₅-F₇分别对各自的维进行minmax归一化方法，范围将落在[0,1]之间；

由此一共形成了7个特征参数，每个特征参数均在[0,1]之间。

2)SVM回归模型：

SVM的回归模型采用LibSVM进行实现，其参数为:

SVM类型选择：选择n-SVR；

核函数类型：选择sigmoid核函数；

参数c，g，p，利用Python工具可以得到最优的参数：

模型训练，当回归误差小于指定值时则模型训练正确；否则继续增加样本进行学习。

SVM支持向量机(Support Vector Machine,SVM)是一类按监督学习(supervisedlearning)方式对数据进行二元分类的广义线性分类器(generalized linearclassifier)，其决策边界是对学习样本求解的最大边距超平面(maximum-marginhyperplane)。

SVM使用铰链损失函数(hinge loss)计算经验风险(empirical risk)并在求解系统中加入了正则化项以优化结构风险(structural risk)，是一个具有稀疏性和稳健性的分类器。SVM可以通过核方法(kernel method)进行非线性分类，是常见的核学习(kernellearning)方法之一。

LIBSVM是林智仁(Lin Chih-Jen)教授等开发设计的一个简单、易于使用和快速有效的SVM模式识别与回归的软件包，他不但提供了编译好的可在Windows系列系统的执行文件，还提供了源代码，方便改进、修改以及在其它操作系统上应用；该软件对SVM所涉及的参数调节相对比较少，提供了很多的默认参数，利用这些默认参数可以解决很多问题；并提供了交互检验(Cross Validation)的功能。该软件可以解决C-SVM、ν-SVM、ε-SVR和ν-SVR等问题，包括基于一对一算法的多类模式识别问题。

n-SVR表示基于非线性回归型支持向量机；

sigmoid函数也叫Logistic函数，用于隐层神经元输出，取值范围为(0,1)，它可以将一个实数映射到(0,1)的区间，可以用来做二分类。Sigmoid函数由下列公式定义

C参数：设置C-SVC，e-SVR和v-SVR的参数(损失函数)。

p参数：设置e-SVR中损失函数p的值。

G参数：核函数中的gamma函数设置(针对多项式/rbf/sigmoid核函数)。

3)利用模型进行安全阀压力波形的一阶滞后滤波参数的预测，可以使得滤波后的波形计算得到的整定压力，和真实的整定压力精密接近。

在后续的整定过程重，可以利用这个算法，进一步训练回归模型。

本发明的有益效果是：可以适应安全阀操作台的非线性特点，通过一阶滞后滤波系数的确定，得到的整定压力更加精确可靠。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种安全阀精密起跳压力获取方法,其特征在于，包括以下步骤

S1:采集训练样本，并获取样本特征向量，包括，获取特征参数

F＝{F₁,F₂,....,F_n}，n表示特征参数的数量，其中，

F₁为要求整定压力/系统的最大压力量程；

F₂为空载状态下一段时间内最大值-最小值，单位为MPa，采用minmax方法进行归一化处理，使F₂取值在[0,1]之间；

F₃为频谱中1倍频的幅值密度，在进行空载波形谱分析中，使用固定的采样频率，采用minmax方法进行归一化处理，使F₃取值在[0,1]之间；

F₄为频谱中2倍频的幅值谱密度；采用minmax方法进行归一化处理，使F₄取值在[0,1]之间；

S2:使用所述样本特征向量训练SVM回归模型，包括，

在整定工艺中，操作人员按照工艺流程进行整定，采集程序真实记录整定的压力波形，利用精密压力表和摄像头，精确记录三次压力峰值，得到三次的平均值F'；

在α₁＝0.4参数对应的波形的第一个波峰位置处，向前面找到第一区域，第一区域按照α₁＝0.4参数对应的波形的第一个波峰的0.6倍作为区域的起点，

第一区域的起点和终点划分为4个等距离区间，计算每个区间波形的平均值，y₁₁,y₁₂,y₁₃,y₁₄，对这4个区间得到3个差分值，Δy₁₁＝y₁₂-y₁₁,Δy₁₂＝y₁₃-y₁₂,Δy₁₃＝y₁₄-y₁₃；

在α₂＝0.7参数对应的波形上的第一个波峰位置处，向前面找到第二区域，第二区域按照α₂＝0.7参数对应的波形上的第一个波峰的0.6倍作为区域的起点，

第二区域的起点和终点划分为4个等距离区间，计算每个区间波形的平均值，y₂₁,y₂₂,y₂₃,y₂₄，这个4个区间得到3个差分值，Δy₂₁＝y₂₂-y₂₁,Δy₂₂＝y₂₃-y₂₂,Δy₂₃＝y₂₄-y₂₃；

将对应区间的差分值两次进行平均，作为操作特性参数：

F₅＝(Δy₁₁+Δy₂₁)/2,

F₆＝(Δy₁₂+Δy₂₂)/2,

F₇＝(Δy₁₃+Δy₂₃)/2

所有样本的中的F₅-F₇分别对各自的维进行minmax归一化方法，使F₅-F₇取值在[0,1]之间；

S3:使用步骤S2中训练好的SVM回归模型进行α的回归预测，获取精密的整定压力值，其中α为一阶滞后滤波算法的滤波系数。

2.如权利要求1所述的一种安全阀精密起跳压力获取方法,其特征在于，所述步骤S2包括，

SVM的回归模型采用LibSVM进行实现，其参数为:

SVM类型选择：选择n-SVR；

核函数类型：选择sigmoid核函数；

参数c，g，p，利用Python工具得到最优的参数：

模型训练，当回归误差小于指定值时则模型训练正确；否则继续增加样本进行学习。

Images