CN115962340A - 智能流体控制阀及其控制方法 - Google Patents
智能流体控制阀及其控制方法 Download PDFInfo
- Publication number
- CN115962340A CN115962340A CN202310251020.5A CN202310251020A CN115962340A CN 115962340 A CN115962340 A CN 115962340A CN 202310251020 A CN202310251020 A CN 202310251020A CN 115962340 A CN115962340 A CN 115962340A
- Authority
- CN
- China
- Prior art keywords
- domain statistical
- feature
- time domain
- frequency domain
- classification
- 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.)
- Granted
Links
- 239000012530 fluid Substances 0.000 title claims abstract description 175
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000002159 abnormal effect Effects 0.000 claims abstract description 58
- 239000013598 vector Substances 0.000 claims description 204
- 239000011159 matrix material Substances 0.000 claims description 95
- 238000000605 extraction Methods 0.000 claims description 50
- 238000004458 analytical method Methods 0.000 claims description 38
- 230000004927 fusion Effects 0.000 claims description 24
- 238000001514 detection method Methods 0.000 claims description 21
- 230000005284 excitation Effects 0.000 claims description 9
- 230000003993 interaction Effects 0.000 claims description 8
- 230000002787 reinforcement Effects 0.000 claims description 7
- 238000005728 strengthening Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 2
- 239000003153 chemical reaction reagent Substances 0.000 abstract description 13
- 238000013135 deep learning Methods 0.000 abstract description 13
- 239000003085 diluting agent Substances 0.000 abstract description 13
- 238000004140 cleaning Methods 0.000 abstract description 11
- 238000005065 mining Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000009826 distribution Methods 0.000 description 26
- 238000010586 diagram Methods 0.000 description 22
- 230000008569 process Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 238000004590 computer program Methods 0.000 description 9
- 230000005856 abnormality Effects 0.000 description 8
- 238000012549 training Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000007792 addition Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 239000007788 liquid Substances 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 4
- 230000001788 irregular Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000002452 interceptive effect Effects 0.000 description 3
- 230000007257 malfunction Effects 0.000 description 3
- 238000009412 basement excavation Methods 0.000 description 2
- 238000009534 blood test Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 102000004169 proteins and genes Human genes 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 238000007789 sealing Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000005406 washing Methods 0.000 description 2
- 230000003245 working effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
- Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating
Landscapes
- Testing And Monitoring For Control Systems (AREA)
- Feedback Control In General (AREA)
Abstract
一种智能流体控制阀及其控制方法,其获取由所述智能流体控制阀的振动传感器采集的振动信号;采用基于深度学习的人工智能技术,挖掘智能流体控制阀的振动信号中关于阀主体的性能隐含特征信息,基于此对于阀主体是否异常进行准确地检测。这样,可以在智能流体控制阀的阀主体异常时,生成异常预警提示,从而实现对试剂、稀释液、清洗液等各种流体的准确控制。
Description
技术领域
本申请涉及智能化控制技术领域,并且更具体地,涉及一种智能流体控制阀及其控制方法。
背景技术
目前,在医用分析装置所使用的药液用流体控制阀中,对试剂、稀释液、清洗液等各种流体进行控制。为了确认在流体控制阀中流体是否确实地流动、停止,会通过设置振动传感器来感知由控制阀的动作所产生的声音,通过进行比较来检测动作不良,确认流体的流动。
但是,现有的流体控制阀仅检测控制阀的动作不良,不能检测闭阀部有无泄漏,当在医用分析装置中使用时,因流体的析出、粘结而有可能在控制阀的闭阀部处产生堵塞、从而闭阀部发生泄漏。特别是,在血液检查装置中,试样的蛋白质堆积在密封面时,会在闭阀部产生泄漏,有可能导致误检。
因此,期待一种优化的智能流体控制阀的控制方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种智能流体控制阀及其控制方法,其获取由所述智能流体控制阀的振动传感器采集的振动信号;采用基于深度学习的人工智能技术,挖掘智能流体控制阀的振动信号中关于阀主体的性能隐含特征信息,基于此对于阀主体是否异常进行准确地检测。这样,可以在智能流体控制阀的阀主体异常时,生成异常预警提示,从而实现对试剂、稀释液、清洗液等各种流体的准确控制。
第一方面,提供了一种智能流体控制阀,其包括:
控制阀主体;以及
控制系统,其中,所述控制系统,包括:信号采集模块,用于获取由所述智能流体控制阀的振动传感器采集的振动信号;
时域分析模块,用于对所述振动信号进行时域分析以得到多个时域统计特征值,所述多个时域统计特征值包括均方根、最大值、有效值、均值、峰值指标、脉冲指标、裕度和峭度;
频域分析模块,用于对所述振动信号进行基于傅里叶变换的频域分析以得到多个频域统计特征值;
特征提取模块,用于将所述多个时域统计特征值和所述多个频域统计特征值排列为频域统计特征输入向量和时域统计特征输入向量后通过多尺度邻域特征提取模块以得到频域统计特征向量和时域统计特征向量;
高斯融合模块,用于基于高斯密度图来融合所述频域统计特征向量和所述时域统计特征向量以得到分类特征矩阵;
特征间区分度强化模块,用于对所述分类特征矩阵进行特征间区分度强化以得到优化分类特征矩阵;
检测结果生成模块,用于将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示所述智能流体控制阀的阀主体是否异常;和
控制结果生成模块,用于响应于所述分类结果为所述智能流体控制阀的阀主体异常,生成异常预警提示。
在上述智能流体控制阀的控制系统中,所述多尺度邻域特征提取模块的,包括:并行的第一卷积层和第二卷积层,以及,与所述第一卷积层和所述第二卷积层级联的多尺度融合层,其中,所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。
在上述智能流体控制阀的控制系统中,所述特征提取模块,包括:第一尺度特征提取单元,用于将所述频域统计特征输入向量和所述时域统计特征输入向量分别输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度频域统计特征向量和第一尺度时域统计特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;第二尺度特征提取单元,用于将所述频域统计特征输入向量和所述时域统计特征输入向量分别输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度频域统计特征向量和第二尺度时域统计特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;以及,多尺度融合单元,用于将所述第一尺度频域统计特征向量和所述第二尺度频域统计特征向量进行级联以得到所述频域统计特征向量,将所述第一尺度时域统计特征向量和所述第二尺度时域统计特征向量进行级联以得到所述时域统计特征向量。
在上述智能流体控制阀的控制系统中,所述高斯融合模块,包括:高斯密度图构造单元,用于构造所述频域统计特征向量和所述时域统计特征向量的统计特征高斯密度图;
以及,高斯离散化单元,用于将所述统计特征高斯密度图进行高斯离散化,以得到所述分类特征矩阵。
在上述智能流体控制阀的控制系统中,所述特征间区分度强化模块,用于:以如下公式对所述分类特征矩阵进行基于可区分性物理激励的交互强化以得到所述优化分类特征矩阵;其中,所述公式为:
在上述智能流体控制阀的控制系统中,所述检测结果生成模块,包括:矩阵展开单元,用于将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量;全连接编码单元,用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,分类单元,用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
第二方面,提供了一种智能流体控制阀的控制方法,其包括:
获取由所述智能流体控制阀的振动传感器采集的振动信号;
对所述振动信号进行时域分析以得到多个时域统计特征值,所述多个时域统计特征值包括均方根、最大值、有效值、均值、峰值指标、脉冲指标、裕度和峭度;
对所述振动信号进行基于傅里叶变换的频域分析以得到多个频域统计特征值;
将所述多个时域统计特征值和所述多个频域统计特征值排列为频域统计特征输入向量和时域统计特征输入向量后通过多尺度邻域特征提取模块以得到频域统计特征向量和时域统计特征向量;
基于高斯密度图来融合所述频域统计特征向量和所述时域统计特征向量以得到分类特征矩阵;
对所述分类特征矩阵进行特征间区分度强化以得到优化分类特征矩阵;
将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示所述智能流体控制阀的阀主体是否异常;和
响应于所述分类结果为所述智能流体控制阀的阀主体异常,生成异常预警提示。
在上述智能流体控制阀的控制方法中,所述多尺度邻域特征提取模块的,包括:并行的第一卷积层和第二卷积层,以及,与所述第一卷积层和所述第二卷积层级联的多尺度融合层,其中,所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。
在上述智能流体控制阀的控制方法中,将所述多个时域统计特征值和所述多个频域统计特征值排列为频域统计特征输入向量和时域统计特征输入向量后通过多尺度邻域特征提取模块以得到频域统计特征向量和时域统计特征向量,包括:将所述频域统计特征输入向量和所述时域统计特征输入向量分别输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度频域统计特征向量和第一尺度时域统计特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;将所述频域统计特征输入向量和所述时域统计特征输入向量分别输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度频域统计特征向量和第二尺度时域统计特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;以及,将所述第一尺度频域统计特征向量和所述第二尺度频域统计特征向量进行级联以得到所述频域统计特征向量,将所述第一尺度时域统计特征向量和所述第二尺度时域统计特征向量进行级联以得到所述时域统计特征向量。
在上述智能流体控制阀的控制方法中,基于高斯密度图来融合所述频域统计特征向量和所述时域统计特征向量以得到分类特征矩阵,包括:构造所述频域统计特征向量和所述时域统计特征向量的统计特征高斯密度图;以及,将所述统计特征高斯密度图进行高斯离散化,以得到所述分类特征矩阵。
与现有技术相比,本申请提供的智能流体控制阀及其控制方法,其获取由所述智能流体控制阀的振动传感器采集的振动信号;采用基于深度学习的人工智能技术,挖掘智能流体控制阀的振动信号中关于阀主体的性能隐含特征信息,基于此对于阀主体是否异常进行准确地检测。这样,可以在智能流体控制阀的阀主体异常时,生成异常预警提示,从而实现对试剂、稀释液、清洗液等各种流体的准确控制。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为根据本申请实施例的智能流体控制阀的示意图。
图2为根据本申请实施例的智能流体控制阀的控制系统的框图。
图3为根据本申请实施例的智能流体控制阀的控制系统中所述特征提取模块的框图。
图4为根据本申请实施例的智能流体控制阀的控制系统中所述高斯融合模块的框图。
图5为根据本申请实施例的智能流体控制阀的控制系统中所述检测结果生成模块的框图。
图6为根据本申请实施例的智能流体控制阀的控制方法的流程图。
图7为根据本申请实施例的智能流体控制阀的控制方法的系统架构的示意图。
其中,1、控制阀主体;2、振动传感器;3、振动信号;4、服务器。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
除非另有说明,本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的,不是旨在限制本申请的范围。
如上所述,现有的流体控制阀仅检测控制阀的动作不良,不能检测闭阀部有无泄漏,当在医用分析装置中使用时,因流体的析出、粘结而有可能在控制阀的闭阀部处产生堵塞、从而闭阀部发生泄漏。特别是,在血液检查装置中,试样的蛋白质堆积在密封面时,会在闭阀部产生泄漏,有可能导致误检。因此,期待一种优化的智能流体控制阀的控制方案。
相应地,考虑到为了能够在医用分析装置所使用的药液用流体控制阀中准确地检测出流体是否确实地流动、停止,以对试剂、稀释液、清洗液等各种流体进行准确控制,需要对于阀主体是否正常工作进行检测,而这可以通过对于设置在智能流体控制阀的振动传感器采集的振动信号进行分析来实现,这是由于智能流体控制阀的阀主体正常工作时所产生的振动信号是有特定的规律性。但是,振动传感器采集的振动信号虽然能够探测出所述智能流体控制阀的阀主体是否产生异常,但是,在实际的检测过程中会极易受到外界环境噪声和内部噪声的影响,导致对于阀主体异常检测的精度较低,难以达到预期满意的效果。因此,在此过程中如何准确地挖掘出所述智能流体控制阀的振动信号中关于阀主体的性能隐含特征信息是关键,以此能够对于阀主体是否异常进行准确地检测,以在智能流体控制阀的阀主体异常时,生成异常预警提示,从而实现对试剂、稀释液、清洗液等各种流体的准确控制。
近年来,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外,深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域,也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为挖掘所述智能流体控制阀的振动信号中关于阀主体的性能隐含特征信息提供了新的解决思路和方案。
具体地,在本申请的技术方案中,首先,获取由所述智能流体控制阀的振动传感器采集的振动信号。接着,考虑到由于采集的振动信号可能会由多个振动源共同组成,同时掺杂着环境噪声,这导致仅从所述振动信号的时域波形上很难区分是否是所述智能流体控制阀所产生的振动信号,也就难以对于所述智能流体控制阀的阀主体是否异常进行准确地判断检测。因此,在本申请的技术方案中,对所述振动信号进行时域分析以得到多个时域统计特征值。应可以理解,在时域分析过程中,通常采用统计特征指标和相关分析来进行判断,统计特征指标包括反应信号冲击特征的有量纲指标和实现异常检测的无量纲指标,其中,有量纲指标主要包括均方根、最大值、有效值、均值等,无量纲指标主要包括峰值指标、脉冲指标、裕度、峭度等。
然后,考虑到时域分析的方法虽然具有简单、便捷、直观等优点,但在强噪声环境下应用效果不理想,并且只能判断阀主体的异常是否发生而不能进一步确定异常的类型和位置。不同于时域分析,频域分析主要从频域角度提取特征信息,通过信号在频域的分布情况确定所述振动信号的异常类型,其原理就是将所述振动信号的时域信号通过傅里叶变换分解后合成频域信号。因此,在本申请的技术方案中,进一步对所述振动信号进行基于傅里叶变换的频域分析以得到多个频域统计特征值。
进一步地,考虑到由于所述各个时域统计特征值和所述各个频域统计特征值都具有相互的关联性关系,并且这种关联关系在不同的统计特征值类型下具有着不同程度的关联,传统的特征提取方法难以对于这种关联特征进行有效地提取分析。因此,在本申请的技术方案中,为了能够分别充分地挖掘出所述多个时域统计特征值中的各个时域统计特征值和所述多个频域统计特征值中的各个频域统计特征值的高维隐含关联特征,在将所述多个时域统计特征值和所述多个频域统计特征值排列为频域统计特征输入向量和时域统计特征输入向量后,将其通过多尺度邻域特征提取模块中进行特征挖掘,以分别提取出所述振动信号中的各个时域统计特征值和各个频域统计特征值在不同统计特征值参数类型跨度下的多尺度邻域关联特征,从而得到频域统计特征向量和时域统计特征向量。
然后,考虑到所述频域统计特征向量和所述时域统计特征向量在高维特征空间中都各自对应着一个特征分布流形,而这些特征分布流形由于本身的不规则形状和散布位置,如果仅通过将所述频域统计特征向量和所述时域统计特征向量级联来表示所述振动信号的时域和频域的统计特征隐含特征的全局特征表示,将相当于简单地将这些特征分布流形按原位置和形状来进行叠加,使得新获得的特征分布流形的边界变得非常不规则和复杂,在通过梯度下降来寻找最优点时,非常容易陷入局部极值点中而无法获得全局最优点。因此,需要进一步地对所述频域统计特征向量和所述时域统计特征向量进行适当的融合,使得各个特征分布能够相对于彼此在型面上收敛。
特别地,考虑到高斯密度图在深度学习中,广泛地用于基于先验的目标后验的估计,因此可以用于修正数据分布,从而实现上述目的。具体地,在本申请的技术方案中,首先,构造所述频域统计特征向量和所述时域统计特征向量的统计特征高斯密度图,以此来融合所述频域统计特征向量和所述时域统计特征向量中的统计特征信息;接着,进一步再将所述统计特征高斯密度图进行高斯离散化,以在数据特征增广时不产生信息损失,从而得到分类特征矩阵。
接着,将所述分类特征矩阵通过分类器以得到用于表示所述智能流体控制阀的阀主体是否异常的分类结果,以此来对于所述智能流体控制阀的阀主体的工作性能进行精准检测。也就是,在本申请的技术方案中,所述分类器的标签包括所述智能流体控制阀的阀主体异常,以及,所述智能流体控制阀的阀主体正常,其中,所述分类器通过软最大值函数来确定所述分类特征矩阵属于哪个分类标签。应可以理解,在本申请的技术方案中,所述分类器的分类标签为所述智能流体控制阀的阀主体是否异常的检测判断标签,以此来对于所述智能流体控制阀的阀主体的工作性能进行精准检测,以在响应于所述分类结果为所述智能流体控制阀的阀主体异常时,生成异常预警提示,以此保证智能流体控制阀的正常工作,实现对试剂、稀释液、清洗液等各种流体的准确控制。
特别地,在本申请的技术方案中,在基于高斯密度图来融合所述频域统计特征向量和所述时域统计特征向量得到所述分类特征矩阵时,本申请的申请人考虑到高斯分布在均值附近的致密分布特性结合在远离均值位置的长尾部分的稀疏分布特性,这就使得融合得到的所述分类特征矩阵的表达致密分布关联的某些位置的特征值相对于其它位置,比如表达稀疏分布关联的特征值具有更显著的重要性,因此,如果可以在分类任务中对于所述分类特征矩阵的特征值进行有效区分,显然可以提高模型的训练速度和分类结果的准确性。
这里,所述基于可区分性物理激励的交互强化用于在通过梯度下降的反向传播过程当中提升特征空间与分类问题的解空间之间的交互,其以类似物理激励的方式来提取和模仿可行特征(actionable feature),由此,使用通用目的的低维可导式物理激励方式,来获得具有梯度可区分性的可行特征的物理性表达,从而在训练过程中强化所述分类特征矩阵内的活跃部分,以提升优化后的分类特征矩阵在分类任务下的训练速度和训练后的分类特征的分类结果的准确性。这样,能够对于智能流体控制阀的阀主体是否异常进行准确检测,以在智能流体控制阀的阀主体异常时生成异常预警提示,从而保证智能流体控制阀的正常工作,实现对试剂、稀释液、清洗液等各种流体的准确控制。
图1为根据本申请实施例的智能流体控制阀的示意图。如图1所示,所述智能流体控制阀包括控制阀主体1和振动传感器2,通过由所述智能流体控制阀的振动传感器2采集振动信号3;然后,将获取的振动信号3输入至部署有智能流体控制阀的控制算法的服务器4中,其中所述服务器能够基于智能流体控制阀的控制算法对所述振动信号进行处理,以生成用于表示所述智能流体控制阀的阀主体是否异常的分类结果,并且响应于所述分类结果为所述智能流体控制阀的阀主体异常,生成异常预警提示。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
所述智能流体控制阀还包括控制系统,在本申请的一个实施例中,图2为根据本申请实施例的智能流体控制阀的控制系统的框图。如图2所示,根据本申请实施例的智能流体控制阀的控制系统100,包括:信号采集模块110,用于获取由所述智能流体控制阀的振动传感器采集的振动信号;时域分析模块120,用于对所述振动信号进行时域分析以得到多个时域统计特征值,所述多个时域统计特征值包括均方根、最大值、有效值、均值、峰值指标、脉冲指标、裕度和峭度;频域分析模块130,用于对所述振动信号进行基于傅里叶变换的频域分析以得到多个频域统计特征值;特征提取模块140,用于将所述多个时域统计特征值和所述多个频域统计特征值排列为频域统计特征输入向量和时域统计特征输入向量后通过多尺度邻域特征提取模块以得到频域统计特征向量和时域统计特征向量;高斯融合模块150,用于基于高斯密度图来融合所述频域统计特征向量和所述时域统计特征向量以得到分类特征矩阵;特征间区分度强化模块160,用于对所述分类特征矩阵进行特征间区分度强化以得到优化分类特征矩阵;检测结果生成模块170,用于将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示所述智能流体控制阀的阀主体是否异常;和,控制结果生成模块180,用于响应于所述分类结果为所述智能流体控制阀的阀主体异常,生成异常预警提示。
具体地,在本申请实施例中,所述信号采集模块110,用于获取由所述智能流体控制阀的振动传感器采集的振动信号。考虑到为了能够在医用分析装置所使用的药液用流体控制阀中准确地检测出流体是否确实地流动、停止,以对试剂、稀释液、清洗液等各种流体进行准确控制,需要对于阀主体是否正常工作进行检测,而这可以通过对于设置在智能流体控制阀的振动传感器采集的振动信号进行分析来实现,这是由于智能流体控制阀的阀主体正常工作时所产生的振动信号是有特定的规律性。
但是,振动传感器采集的振动信号虽然能够探测出所述智能流体控制阀的阀主体是否产生异常,但是,在实际的检测过程中会极易受到外界环境噪声和内部噪声的影响,导致对于阀主体异常检测的精度较低,难以达到预期满意的效果。因此,在此过程中如何准确地挖掘出所述智能流体控制阀的振动信号中关于阀主体的性能隐含特征信息是关键,以此能够对于阀主体是否异常进行准确地检测,以在智能流体控制阀的阀主体异常时,生成异常预警提示,从而实现对试剂、稀释液、清洗液等各种流体的准确控制。
近年来,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外,深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域,也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为挖掘所述智能流体控制阀的振动信号中关于阀主体的性能隐含特征信息提供了新的解决思路和方案。
具体地,在本申请的技术方案中,首先,获取由所述智能流体控制阀的振动传感器采集的振动信号。
具体地,在本申请实施例中,所述时域分析模块120,用于对所述振动信号进行时域分析以得到多个时域统计特征值,所述多个时域统计特征值包括均方根、最大值、有效值、均值、峰值指标、脉冲指标、裕度和峭度。
接着,考虑到由于采集的振动信号可能会由多个振动源共同组成,同时掺杂着环境噪声,这导致仅从所述振动信号的时域波形上很难区分是否是所述智能流体控制阀所产生的振动信号,也就难以对于所述智能流体控制阀的阀主体是否异常进行准确地判断检测。因此,在本申请的技术方案中,对所述振动信号进行时域分析以得到多个时域统计特征值。
应可以理解,在时域分析过程中,通常采用统计特征指标和相关分析来进行判断,统计特征指标包括反应信号冲击特征的有量纲指标和实现异常检测的无量纲指标,其中,有量纲指标主要包括均方根、最大值、有效值、均值等,无量纲指标主要包括峰值指标、脉冲指标、裕度、峭度等。
具体地,在本申请实施例中,所述频域分析模块130,用于对所述振动信号进行基于傅里叶变换的频域分析以得到多个频域统计特征值。然后,考虑到时域分析的方法虽然具有简单、便捷、直观等优点,但在强噪声环境下应用效果不理想,并且只能判断阀主体的异常是否发生而不能进一步确定异常的类型和位置。
不同于时域分析,频域分析主要从频域角度提取特征信息,通过信号在频域的分布情况确定所述振动信号的异常类型,其原理就是将所述振动信号的时域信号通过傅里叶变换分解后合成频域信号。因此,在本申请的技术方案中,进一步对所述振动信号进行基于傅里叶变换的频域分析以得到多个频域统计特征值。
具体地,在本申请实施例中,所述特征提取模块140,用于将所述多个时域统计特征值和所述多个频域统计特征值排列为频域统计特征输入向量和时域统计特征输入向量后通过多尺度邻域特征提取模块以得到频域统计特征向量和时域统计特征向量。进一步地,考虑到由于所述各个时域统计特征值和所述各个频域统计特征值都具有相互的关联性关系,并且这种关联关系在不同的统计特征值类型下具有着不同程度的关联,传统的特征提取方法难以对于这种关联特征进行有效地提取分析。
因此,在本申请的技术方案中,为了能够分别充分地挖掘出所述多个时域统计特征值中的各个时域统计特征值和所述多个频域统计特征值中的各个频域统计特征值的高维隐含关联特征,在将所述多个时域统计特征值和所述多个频域统计特征值排列为频域统计特征输入向量和时域统计特征输入向量后,将其通过多尺度邻域特征提取模块中进行特征挖掘,以分别提取出所述振动信号中的各个时域统计特征值和各个频域统计特征值在不同统计特征值参数类型跨度下的多尺度邻域关联特征,从而得到频域统计特征向量和时域统计特征向量。
其中,所述多尺度邻域特征提取模块的,包括:并行的第一卷积层和第二卷积层,以及,与所述第一卷积层和所述第二卷积层级联的多尺度融合层,其中,所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。
图3为根据本申请实施例的智能流体控制阀的控制系统中所述特征提取模块的框图,如图3所示,所述特征提取模块140,包括:第一尺度特征提取单元141,用于将所述频域统计特征输入向量和所述时域统计特征输入向量分别输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度频域统计特征向量和第一尺度时域统计特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;第二尺度特征提取单元142,用于将所述频域统计特征输入向量和所述时域统计特征输入向量分别输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度频域统计特征向量和第二尺度时域统计特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;以及,多尺度融合单元143,用于将所述第一尺度频域统计特征向量和所述第二尺度频域统计特征向量进行级联以得到所述频域统计特征向量,将所述第一尺度时域统计特征向量和所述第二尺度时域统计特征向量进行级联以得到所述时域统计特征向量。
值得一提的是,相较于传统的特征工程,所述多尺度邻域特征提取模块本质上是一个基于深度学习的深度神经网络模型,其能够通过预定训练策略来拟合任何函数功能,且具有更高的特征提取泛化能力。
所述多尺度邻域特征提取模块包含多个并行的一维卷积层,其中,在所述多尺度邻域特征提取模块进行特征提取的过程中,所述多个并行的一维卷积层分别以具有不同尺度的一维卷积核对输入数据进行一维卷积编码以捕捉序列局部隐含特征。
具体地,在本申请实施例中,所述高斯融合模块150,用于基于高斯密度图来融合所述频域统计特征向量和所述时域统计特征向量以得到分类特征矩阵。然后,考虑到所述频域统计特征向量和所述时域统计特征向量在高维特征空间中都各自对应着一个特征分布流形,而这些特征分布流形由于本身的不规则形状和散布位置,如果仅通过将所述频域统计特征向量和所述时域统计特征向量级联来表示所述振动信号的时域和频域的统计特征隐含特征的全局特征表示,将相当于简单地将这些特征分布流形按原位置和形状来进行叠加,使得新获得的特征分布流形的边界变得非常不规则和复杂,在通过梯度下降来寻找最优点时,非常容易陷入局部极值点中而无法获得全局最优点。因此,需要进一步地对所述频域统计特征向量和所述时域统计特征向量进行适当的融合,使得各个特征分布能够相对于彼此在型面上收敛。
特别地,考虑到高斯密度图在深度学习中,广泛地用于基于先验的目标后验的估计,因此可以用于修正数据分布,从而实现上述目的。具体地,在本申请的技术方案中,首先,构造所述频域统计特征向量和所述时域统计特征向量的统计特征高斯密度图,以此来融合所述频域统计特征向量和所述时域统计特征向量中的统计特征信息;接着,进一步再将所述统计特征高斯密度图进行高斯离散化,以在数据特征增广时不产生信息损失,从而得到分类特征矩阵。
图4为根据本申请实施例的智能流体控制阀的控制系统中所述高斯融合模块的框图,如图4所示,所述高斯融合模块150,包括:高斯密度图构造单元151,用于构造所述频域统计特征向量和所述时域统计特征向量的统计特征高斯密度图;以及,高斯离散化单元152,用于将所述统计特征高斯密度图进行高斯离散化,以得到所述分类特征矩阵。
具体地,在本申请实施例中,所述特征间区分度强化模块160,用于对所述分类特征矩阵进行特征间区分度强化以得到优化分类特征矩阵。
特别地,在本申请的技术方案中,在基于高斯密度图来融合所述频域统计特征向量和所述时域统计特征向量得到所述分类特征矩阵时,本申请的申请人考虑到高斯分布在均值附近的致密分布特性结合在远离均值位置的长尾部分的稀疏分布特性,这就使得融合得到的所述分类特征矩阵的表达致密分布关联的某些位置的特征值相对于其它位置,比如表达稀疏分布关联的特征值具有更显著的重要性,因此,如果可以在分类任务中对于所述分类特征矩阵的特征值进行有效区分,显然可以提高模型的训练速度和分类结果的准确性。
其中,所述公式为:
这里,所述基于可区分性物理激励的交互强化用于在通过梯度下降的反向传播过程当中提升特征空间与分类问题的解空间之间的交互,其以类似物理激励的方式来提取和模仿可行特征(actionable feature),由此,使用通用目的的低维可导式物理激励方式,来获得具有梯度可区分性的可行特征的物理性表达,从而在训练过程中强化所述分类特征矩阵内的活跃部分,以提升优化后的分类特征矩阵在分类任务下的训练速度和训练后的分类特征的分类结果的准确性。这样,能够对于智能流体控制阀的阀主体是否异常进行准确检测,以在智能流体控制阀的阀主体异常时生成异常预警提示,从而保证智能流体控制阀的正常工作,实现对试剂、稀释液、清洗液等各种流体的准确控制。
具体地,在本申请实施例中,所述检测结果生成模块170和所述控制结果生成模块180,用于将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示所述智能流体控制阀的阀主体是否异常;以及,用于响应于所述分类结果为所述智能流体控制阀的阀主体异常,生成异常预警提示。
接着,将所述分类特征矩阵通过分类器以得到用于表示所述智能流体控制阀的阀主体是否异常的分类结果,以此来对于所述智能流体控制阀的阀主体的工作性能进行精准检测。也就是,在本申请的技术方案中,所述分类器的标签包括所述智能流体控制阀的阀主体异常,以及,所述智能流体控制阀的阀主体正常,其中,所述分类器通过软最大值函数来确定所述分类特征矩阵属于哪个分类标签。
应可以理解,在本申请的技术方案中,所述分类器的分类标签为所述智能流体控制阀的阀主体是否异常的检测判断标签,以此来对于所述智能流体控制阀的阀主体的工作性能进行精准检测,以在响应于所述分类结果为所述智能流体控制阀的阀主体异常时,生成异常预警提示,以此保证智能流体控制阀的正常工作,实现对试剂、稀释液、清洗液等各种流体的准确控制。
图5为根据本申请实施例的智能流体控制阀的控制系统中所述检测结果生成模块的框图,如图5所示,所述检测结果生成模块170,包括:矩阵展开单元171,用于将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量;全连接编码单元172,用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,分类单元173,用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
在本申请一具体示例中,使用所述分类器以如下公式对所述优化分类特征矩阵进行处理以得到所述分类结果;其中,所述公式为:
综上,基于本申请实施例的智能流体控制阀的控制系统100被阐明,其获取由所述智能流体控制阀的振动传感器采集的振动信号;采用基于深度学习的人工智能技术,挖掘智能流体控制阀的振动信号中关于阀主体的性能隐含特征信息,基于此对于阀主体是否异常进行准确地检测。这样,可以在智能流体控制阀的阀主体异常时,生成异常预警提示,从而实现对试剂、稀释液、清洗液等各种流体的准确控制。
如上所述,根据本申请实施例的智能流体控制阀的控制系统100可以实现在各种终端设备中,例如用于基于智能流体控制阀的控制的服务器等。在一个示例中,根据本申请实施例的智能流体控制阀的控制系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该智能流体控制阀的控制系统100可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该智能流体控制阀的控制系统100同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该智能流体控制阀的控制系统100与该终端设备也可以是分立的设备,并且该智能流体控制阀的控制系统100可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
在本申请的一个实施例中,图6为根据本申请实施例的智能流体控制阀的控制方法的流程图。如图6所示,根据本申请实施例的智能流体控制阀的控制方法,其包括:210,获取由所述智能流体控制阀的振动传感器采集的振动信号;220,对所述振动信号进行时域分析以得到多个时域统计特征值,所述多个时域统计特征值包括均方根、最大值、有效值、均值、峰值指标、脉冲指标、裕度和峭度;230,对所述振动信号进行基于傅里叶变换的频域分析以得到多个频域统计特征值;240,将所述多个时域统计特征值和所述多个频域统计特征值排列为频域统计特征输入向量和时域统计特征输入向量后通过多尺度邻域特征提取模块以得到频域统计特征向量和时域统计特征向量;250,基于高斯密度图来融合所述频域统计特征向量和所述时域统计特征向量以得到分类特征矩阵;260,对所述分类特征矩阵进行特征间区分度强化以得到优化分类特征矩阵;270,将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示所述智能流体控制阀的阀主体是否异常;和,280,响应于所述分类结果为所述智能流体控制阀的阀主体异常,生成异常预警提示。
图7为根据本申请实施例的智能流体控制阀的控制方法的系统架构的示意图。如图7所示,在所述智能流体控制阀的控制方法的系统架构中,首先,获取由所述智能流体控制阀的振动传感器采集的振动信号;然后,对所述振动信号进行时域分析以得到多个时域统计特征值,所述多个时域统计特征值包括均方根、最大值、有效值、均值、峰值指标、脉冲指标、裕度和峭度;接着,对所述振动信号进行基于傅里叶变换的频域分析以得到多个频域统计特征值;然后,将所述多个时域统计特征值和所述多个频域统计特征值排列为频域统计特征输入向量和时域统计特征输入向量后通过多尺度邻域特征提取模块以得到频域统计特征向量和时域统计特征向量;接着,基于高斯密度图来融合所述频域统计特征向量和所述时域统计特征向量以得到分类特征矩阵;然后,对所述分类特征矩阵进行特征间区分度强化以得到优化分类特征矩阵;接着,将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示所述智能流体控制阀的阀主体是否异常;和,最后,响应于所述分类结果为所述智能流体控制阀的阀主体异常,生成异常预警提示。
在一个具体示例中,在上述智能流体控制阀的控制方法中,所述多尺度邻域特征提取模块的,包括:并行的第一卷积层和第二卷积层,以及,与所述第一卷积层和所述第二卷积层级联的多尺度融合层,其中,所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。
在一个具体示例中,在上述智能流体控制阀的控制方法中,将所述多个时域统计特征值和所述多个频域统计特征值排列为频域统计特征输入向量和时域统计特征输入向量后通过多尺度邻域特征提取模块以得到频域统计特征向量和时域统计特征向量,包括:将所述频域统计特征输入向量和所述时域统计特征输入向量分别输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度频域统计特征向量和第一尺度时域统计特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;将所述频域统计特征输入向量和所述时域统计特征输入向量分别输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度频域统计特征向量和第二尺度时域统计特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;以及,将所述第一尺度频域统计特征向量和所述第二尺度频域统计特征向量进行级联以得到所述频域统计特征向量,将所述第一尺度时域统计特征向量和所述第二尺度时域统计特征向量进行级联以得到所述时域统计特征向量。
在一个具体示例中,在上述智能流体控制阀的控制方法中,基于高斯密度图来融合所述频域统计特征向量和所述时域统计特征向量以得到分类特征矩阵,包括:构造所述频域统计特征向量和所述时域统计特征向量的统计特征高斯密度图;以及,将所述统计特征高斯密度图进行高斯离散化,以得到所述分类特征矩阵。
在一个具体示例中,在上述智能流体控制阀的控制方法中,对所述分类特征矩阵进行特征间区分度强化以得到优化分类特征矩阵,包括:以如下公式对所述分类特征矩阵进行基于可区分性物理激励的交互强化以得到所述优化分类特征矩阵;其中,所述公式为:
在一个具体示例中,在上述智能流体控制阀的控制方法中,将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示所述智能流体控制阀的阀主体是否异常,包括:将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量;使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
本领域技术人员可以理解,上述智能流体控制阀的控制方法中的各个步骤的具体操作已经在上面参考图1到图5的智能流体控制阀的描述中得到了详细介绍,并因此,将省略其重复描述。
在本申请的一个实施例中,还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有执行上述所述方法的计算机程序。
应可以理解,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等) 上实施的计算机程序产品的形式。
本申请实施例的方法、系统、和计算机程序产品的流程图和/或框图来描述的。应理解可由计算机程序指令实现流程图和/或框图中的每一流程和/或方框、以及流程图和/或框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的步骤。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种智能流体控制阀,其特征在于,包括:
控制阀主体;以及
控制系统,其中,所述控制系统,包括:信号采集模块,用于获取由所述智能流体控制阀的振动传感器采集的振动信号;
时域分析模块,用于对所述振动信号进行时域分析以得到多个时域统计特征值,所述多个时域统计特征值包括均方根、最大值、有效值、均值、峰值指标、脉冲指标、裕度和峭度;
频域分析模块,用于对所述振动信号进行基于傅里叶变换的频域分析以得到多个频域统计特征值;
特征提取模块,用于将所述多个时域统计特征值和所述多个频域统计特征值排列为频域统计特征输入向量和时域统计特征输入向量后通过多尺度邻域特征提取模块以得到频域统计特征向量和时域统计特征向量;
高斯融合模块,用于基于高斯密度图来融合所述频域统计特征向量和所述时域统计特征向量以得到分类特征矩阵;
特征间区分度强化模块,用于对所述分类特征矩阵进行特征间区分度强化以得到优化分类特征矩阵;
检测结果生成模块,用于将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示所述智能流体控制阀的阀主体是否异常;和
控制结果生成模块,用于响应于所述分类结果为所述智能流体控制阀的阀主体异常,生成异常预警提示。
2.根据权利要求1所述的智能流体控制阀,其特征在于,所述多尺度邻域特征提取模块的,包括:并行的第一卷积层和第二卷积层,以及,与所述第一卷积层和所述第二卷积层级联的多尺度融合层,其中,所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。
3.根据权利要求2所述的智能流体控制阀,其特征在于,所述特征提取模块,包括:
第一尺度特征提取单元,用于将所述频域统计特征输入向量和所述时域统计特征输入向量分别输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度频域统计特征向量和第一尺度时域统计特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;
第二尺度特征提取单元,用于将所述频域统计特征输入向量和所述时域统计特征输入向量分别输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度频域统计特征向量和第二尺度时域统计特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;以及
多尺度融合单元,用于将所述第一尺度频域统计特征向量和所述第二尺度频域统计特征向量进行级联以得到所述频域统计特征向量,将所述第一尺度时域统计特征向量和所述第二尺度时域统计特征向量进行级联以得到所述时域统计特征向量。
4.根据权利要求3所述的智能流体控制阀,其特征在于,所述高斯融合模块,包括:
高斯密度图构造单元,用于构造所述频域统计特征向量和所述时域统计特征向量的统计特征高斯密度图;以及
高斯离散化单元,用于将所述统计特征高斯密度图进行高斯离散化,以得到所述分类特征矩阵。
6.根据权利要求5所述的智能流体控制阀,其特征在于,所述检测结果生成模块,包括:
矩阵展开单元,用于将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量;
全连接编码单元,用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及
分类单元,用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
7.一种智能流体控制阀的控制方法,其特征在于,包括:
获取由所述智能流体控制阀的振动传感器采集的振动信号;
对所述振动信号进行时域分析以得到多个时域统计特征值,所述多个时域统计特征值包括均方根、最大值、有效值、均值、峰值指标、脉冲指标、裕度和峭度;
对所述振动信号进行基于傅里叶变换的频域分析以得到多个频域统计特征值;
将所述多个时域统计特征值和所述多个频域统计特征值排列为频域统计特征输入向量和时域统计特征输入向量后通过多尺度邻域特征提取模块以得到频域统计特征向量和时域统计特征向量;
基于高斯密度图来融合所述频域统计特征向量和所述时域统计特征向量以得到分类特征矩阵;
对所述分类特征矩阵进行特征间区分度强化以得到优化分类特征矩阵;
将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示所述智能流体控制阀的阀主体是否异常;和
响应于所述分类结果为所述智能流体控制阀的阀主体异常,生成异常预警提示。
8.根据权利要求7所述的智能流体控制阀的控制方法,其特征在于,所述多尺度邻域特征提取模块的,包括:并行的第一卷积层和第二卷积层,以及,与所述第一卷积层和所述第二卷积层级联的多尺度融合层,其中,所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。
9.根据权利要求8所述的智能流体控制阀的控制方法,其特征在于,将所述多个时域统计特征值和所述多个频域统计特征值排列为频域统计特征输入向量和时域统计特征输入向量后通过多尺度邻域特征提取模块以得到频域统计特征向量和时域统计特征向量,包括:
将所述频域统计特征输入向量和所述时域统计特征输入向量分别输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度频域统计特征向量和第一尺度时域统计特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;
将所述频域统计特征输入向量和所述时域统计特征输入向量分别输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度频域统计特征向量和第二尺度时域统计特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;以及
将所述第一尺度频域统计特征向量和所述第二尺度频域统计特征向量进行级联以得到所述频域统计特征向量,将所述第一尺度时域统计特征向量和所述第二尺度时域统计特征向量进行级联以得到所述时域统计特征向量。
10.根据权利要求9所述的智能流体控制阀的控制方法,其特征在于,基于高斯密度图来融合所述频域统计特征向量和所述时域统计特征向量以得到分类特征矩阵,包括:构造所述频域统计特征向量和所述时域统计特征向量的统计特征高斯密度图;以及,将所述统计特征高斯密度图进行高斯离散化,以得到所述分类特征矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310251020.5A CN115962340B (zh) | 2023-03-16 | 2023-03-16 | 智能流体控制阀及其控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310251020.5A CN115962340B (zh) | 2023-03-16 | 2023-03-16 | 智能流体控制阀及其控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115962340A true CN115962340A (zh) | 2023-04-14 |
CN115962340B CN115962340B (zh) | 2023-05-23 |
Family
ID=85894773
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310251020.5A Active CN115962340B (zh) | 2023-03-16 | 2023-03-16 | 智能流体控制阀及其控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115962340B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1184931A (zh) * | 1996-12-11 | 1998-06-17 | 唐秀家 | 流体输送管道泄漏检测定位的方法及装置 |
US20020183948A1 (en) * | 2000-04-19 | 2002-12-05 | National Instruments Corporation | Time varying harmonic analysis including determination of order components |
WO2015095785A1 (en) * | 2013-12-19 | 2015-06-25 | University Of Louisville Research Foundation, Inc. | Multi-scale mesh modeling software products and controllers |
CN106769052A (zh) * | 2017-03-21 | 2017-05-31 | 桂林电子科技大学 | 一种基于聚类分析的机械系统滚动轴承智能故障诊断方法 |
CN108181107A (zh) * | 2018-01-12 | 2018-06-19 | 东北电力大学 | 计及多分类目标的风电机组轴承机械故障诊断方法 |
CN109946075A (zh) * | 2018-12-25 | 2019-06-28 | 东北大学 | 一种轴承状态监测及故障诊断方法 |
CN111120348A (zh) * | 2019-12-25 | 2020-05-08 | 中国石化销售股份有限公司华南分公司 | 基于支持向量机概率密度估计的离心泵故障预警方法 |
CN213342158U (zh) * | 2020-10-15 | 2021-06-01 | 杭州鄂达精密机电科技有限公司 | 一种低频低通滤波杆 |
CN114413055A (zh) * | 2022-01-20 | 2022-04-29 | 济南轨道交通集团有限公司 | 一种地铁隧道风机连锁风阀的运维装置和方法 |
CN114962775A (zh) * | 2022-06-20 | 2022-08-30 | 中国华能集团清洁能源技术研究院有限公司 | 一种调门阀杆振动检测装置 |
CN115143128A (zh) * | 2022-06-28 | 2022-10-04 | 浙江石水泵业科技有限公司 | 小型潜水电泵的故障诊断方法及其系统 |
CN115350640A (zh) * | 2022-10-20 | 2022-11-18 | 济宁九德半导体科技有限公司 | 基于半导体扩散炉用氮氧混合设备及其控制方法 |
CN115393779A (zh) * | 2022-10-31 | 2022-11-25 | 济宁九德半导体科技有限公司 | 用于激光熔覆金属球制造的控制系统及其控制方法 |
CN115744084A (zh) * | 2022-11-21 | 2023-03-07 | 华能伊敏煤电有限责任公司 | 基于多传感器数据融合的皮带张紧控制系统及其方法 |
-
2023
- 2023-03-16 CN CN202310251020.5A patent/CN115962340B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1184931A (zh) * | 1996-12-11 | 1998-06-17 | 唐秀家 | 流体输送管道泄漏检测定位的方法及装置 |
US20020183948A1 (en) * | 2000-04-19 | 2002-12-05 | National Instruments Corporation | Time varying harmonic analysis including determination of order components |
WO2015095785A1 (en) * | 2013-12-19 | 2015-06-25 | University Of Louisville Research Foundation, Inc. | Multi-scale mesh modeling software products and controllers |
US20160321384A1 (en) * | 2013-12-19 | 2016-11-03 | University of Louisville Reasearch Foundation, Inc. | Multi-scale mesh modeling software products and controllers |
CN106769052A (zh) * | 2017-03-21 | 2017-05-31 | 桂林电子科技大学 | 一种基于聚类分析的机械系统滚动轴承智能故障诊断方法 |
CN108181107A (zh) * | 2018-01-12 | 2018-06-19 | 东北电力大学 | 计及多分类目标的风电机组轴承机械故障诊断方法 |
CN109946075A (zh) * | 2018-12-25 | 2019-06-28 | 东北大学 | 一种轴承状态监测及故障诊断方法 |
CN111120348A (zh) * | 2019-12-25 | 2020-05-08 | 中国石化销售股份有限公司华南分公司 | 基于支持向量机概率密度估计的离心泵故障预警方法 |
CN213342158U (zh) * | 2020-10-15 | 2021-06-01 | 杭州鄂达精密机电科技有限公司 | 一种低频低通滤波杆 |
CN114413055A (zh) * | 2022-01-20 | 2022-04-29 | 济南轨道交通集团有限公司 | 一种地铁隧道风机连锁风阀的运维装置和方法 |
CN114962775A (zh) * | 2022-06-20 | 2022-08-30 | 中国华能集团清洁能源技术研究院有限公司 | 一种调门阀杆振动检测装置 |
CN115143128A (zh) * | 2022-06-28 | 2022-10-04 | 浙江石水泵业科技有限公司 | 小型潜水电泵的故障诊断方法及其系统 |
CN115350640A (zh) * | 2022-10-20 | 2022-11-18 | 济宁九德半导体科技有限公司 | 基于半导体扩散炉用氮氧混合设备及其控制方法 |
CN115393779A (zh) * | 2022-10-31 | 2022-11-25 | 济宁九德半导体科技有限公司 | 用于激光熔覆金属球制造的控制系统及其控制方法 |
CN115744084A (zh) * | 2022-11-21 | 2023-03-07 | 华能伊敏煤电有限责任公司 | 基于多传感器数据融合的皮带张紧控制系统及其方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115962340B (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Qian et al. | A review on autoencoder based representation learning for fault detection and diagnosis in industrial processes | |
Augasta et al. | Reverse engineering the neural networks for rule extraction in classification problems | |
Saeed et al. | Online fault monitoring based on deep neural network & sliding window technique | |
Zhou et al. | Fault Diagnosis of Hydraulic Pumps Using PSO‐VMD and Refined Composite Multiscale Fluctuation Dispersion Entropy | |
CN116336400B (zh) | 油气集输管道基线检测方法 | |
CN116597635B (zh) | 无线通讯智能燃气表控制器及其控制方法 | |
CN105095756A (zh) | 可移植文档格式文档的检测方法和装置 | |
Liao et al. | Research on a rolling bearing fault detection method with wavelet convolution deep transfer learning | |
Kourd et al. | Fault diagnosis based on neural networks and decision trees: application to DAMADICS | |
Naseer et al. | Fannet: Formal analysis of noise tolerance, training bias and input sensitivity in neural networks | |
CN110263944A (zh) | 一种多变量故障预测方法和装置 | |
CN116086790A (zh) | 氢燃料电池高压阀的性能检测方法及其系统 | |
Xia et al. | Coupled attention networks for multivariate time series anomaly detection | |
CN106202007B (zh) | 一种matlab程序文件相似度的评估方法 | |
Chang et al. | A study of drift effect in a popular metal oxide sensor and gas recognition using public gas datasets | |
Hond et al. | Verifying artificial neural network classifier performance using dataset dissimilarity measures | |
CN115962340B (zh) | 智能流体控制阀及其控制方法 | |
CN117134958A (zh) | 用于网络技术服务的信息处理方法及系统 | |
Kothari et al. | An efficient scheme for water leakage detection using support vector machines (SVM)-Zig | |
Hao et al. | New fusion features convolutional neural network with high generalization ability on rolling bearing fault diagnosis | |
Zhang et al. | Learning Long-Range Relationships for Temporal Aircraft Anomaly Detection | |
Cheng et al. | A fine-grained detection method for gate-level hardware Trojan base on bidirectional Graph Neural Networks | |
Nazarko | Soft computing methods in the analysis of elastic wave signals and damage identification | |
Cholewa et al. | Diagnostic methods | |
Wei et al. | Damage detection of jacket platforms through improved stacked autoencoder and softmax classifier |
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 |