CN116025765A - 轴流式调节阀及其控制方法 - Google Patents
轴流式调节阀及其控制方法 Download PDFInfo
- Publication number
- CN116025765A CN116025765A CN202310058013.3A CN202310058013A CN116025765A CN 116025765 A CN116025765 A CN 116025765A CN 202310058013 A CN202310058013 A CN 202310058013A CN 116025765 A CN116025765 A CN 116025765A
- Authority
- CN
- China
- Prior art keywords
- valve opening
- vector
- feature
- matrix
- convolution
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000001105 regulatory effect Effects 0.000 title abstract description 28
- 239000013598 vector Substances 0.000 claims description 365
- 239000011159 matrix material Substances 0.000 claims description 290
- 238000000605 extraction Methods 0.000 claims description 54
- 238000013527 convolutional neural network Methods 0.000 claims description 36
- 238000012545 processing Methods 0.000 claims description 30
- 230000004913 activation Effects 0.000 claims description 28
- 238000003062 neural network model Methods 0.000 claims description 27
- 238000012937 correction Methods 0.000 claims description 21
- 238000011176 pooling Methods 0.000 claims description 20
- 238000012546 transfer Methods 0.000 claims description 15
- 230000003247 decreasing effect Effects 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000003213 activating effect Effects 0.000 claims 1
- 238000013507 mapping Methods 0.000 abstract description 11
- 230000008859 change Effects 0.000 abstract description 10
- 239000006163 transport media Substances 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 10
- 238000005065 mining Methods 0.000 description 9
- 238000013135 deep learning Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 7
- 239000002609 medium Substances 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000007792 addition Methods 0.000 description 5
- 230000002035 prolonged effect Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process 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
- 230000011218 segmentation Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 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
- Feedback Control In General (AREA)
Abstract
公开了一种轴流式调节阀及其控制方法，其挖掘输出压力和输出流量间的时序协同关联特征信息，并建立所述时序协同关联特征信息和阀门开度的动态变化之间的映射关系，以使得基于输出压力和输出流量间的波动特征来自适应地调控阀门开度以实现输出流量和压力趋于稳定的控制目的。这样，保证输送介质的动态稳定性。
Description
技术领域
本申请涉及调节阀领域，且更为具体地，涉及一种轴流式调节阀及其控制方法。
背景技术
现行调节阀产品就内部流道结构来分，有阀体内腔呈“S”形流道的常规调节阀和与管道轴线同轴的轴流式调节阀。由于常规调节阀的阀芯移位方向与管道轴线相垂直且介质在阀体内是沿“S”形流道运动，它在实际运行中存在“压损大、振动噪音大和运行稳定性能差”的使用缺陷。轴流式调节阀在调控作业时，它的阀芯运动方向和介质流动方向都是与管道轴线同轴的，具有输送介质动态稳定性能好、振动噪声小、承压能力强和压损小的优点。
现行轴流式调节阀的结构为：在阀体内设计一个与管道轴线同轴的流线状内锥头体构成环形通道，在调节阀套内滑配与管道轴线同轴的阀芯，由电机通过一组斜齿或齿轮齿条或蜗轮蜗杆组成的传动机构沿轴线方向推移阀芯来调节阀口的开度，即可使介质在环形通道内形成同心圆流束进入下游管道。
在实际生产中发现：由于输送管网在实际运行过程中会受到诸多因素影响致使输出压力、输出流量发生波动。因此，期待一种优化的轴流式调节阀及其控制方案。
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轴流式调节阀及其控制方法，其挖掘输出压力和输出流量间的时序协同关联特征信息，并建立所述时序协同关联特征信息和阀门开度的动态变化之间的映射关系，以使得基于输出压力和输出流量间的波动特征来自适应地调控阀门开度以实现输出流量和压力趋于稳定的控制目的。这样，保证输送介质的动态稳定性。
相应地，根据本申请的一个方面，提供了一种轴流式调节阀，其包括：传感模块，用于获取预定时间段内多个预定时间点的阀门开度值，以及，所述多个预定时间点的输出压力和输出流量；输出数据编码模块，用于将所述多个预定时间点的输出压力和输出流量分别按照时间维度排列为压力输入向量和流量输入向量后，计算所述压力输入向量和所述流量输入向量之间的协同输入矩阵；输出特征提取模块，用于将所述协同输入矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络模型以得到协同输出特征矩阵；阀门开度特征提取模块，用于将所述多个预定时间点的阀门开度值按照时间维度排列为阀门开度输入向量后通过多尺度邻域特征提取模块以得到阀门开度特征向量；特征增强模块，用于基于高斯密度图对所述阀门开度特征向量进行特征级数据增强以得到阀门开度特征矩阵；响应模块，用于计算所述协同输出特征矩阵相对于所述阀门开度特征矩阵的转移矩阵作为分类特征矩阵；特征分布校正模块，用于基于所述协同输出特征矩阵和所述阀门开度特征矩阵，对所述分类特征矩阵进行特征分布校正以得到校正后分类特征矩阵；以及阀门开度控制模块，用于将所述校正后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当前时间点的阀门开度值应增大或应减小。
在上述轴流式调节阀中，所述输出数据编码模块，进一步用于：以如下公式计算所述压力输入向量和所述流量输入向量之间的协同输入矩阵；其中，所述公式为：，其中表示所述压力输入向量的转置向量，表示所述流量输入向量，表示所述协同输入矩阵，表示矩阵相乘。
在上述轴流式调节阀中，所述输出特征提取模块，进一步用于：使用所述第一卷积神经网络模型的第一层的卷积层以第一卷积核对输入数据进行卷积处理以生成第一卷积特征图；使用所述第一卷积神经网络模型的第一层的池化层对所述第一卷积特征图进行沿通道维度的池化处理以生成第一池化特征矩阵；使用所述第一卷积神经网络模型的第一层的激活层对所述第一池化特征矩阵进行激活处理以生成第一激活特征图；使用所述第一卷积神经网络模型的第二层的卷积层以第二卷积核对输入数据进行卷积处理以生成第二卷积特征图，所述第二卷积核与所述第一卷积核互为转置；使用所述第一卷积神经网络模型的第二层的池化层对所述第二卷积特征图进行沿通道维度的池化处理以生成第二池化特征矩阵；以及，使用所述第一卷积神经网络模型的第二层的激活层对所述第二池化特征矩阵进行激活处理以生成第二激活特征图；其中，所述第一卷积神经网络模型的最后一层的输出为所述协同输出特征矩阵，所述第一卷积神经网络模型的第一层的输入为所述协同输入矩阵。
在上述轴流式调节阀中，所述多尺度邻域特征提取模块，包括：相互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连接的多尺度融合层，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。
在上述轴流式调节阀中，所述阀门开度特征提取模块，进一步用于：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述阀门开度输入向量进行一维卷积编码以得到第一尺度阀门开度特征向量；其中，所述公式为：，
其中，
a为第一卷积核在
x方向上的宽度、为第一卷积核参数向量、为与卷积核函数运算的局部向量矩阵，
w为第一卷积核的尺寸，
X表示所述阀门开度输入向量，表示对所述阀门开度输入向量进行一维卷积编码；使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述阀门开度输入向量进行一维卷积编码以得到第二尺度阀门开度特征向量；其中，所述公式为：
，
其中，
b为第二卷积核在
x方向上的宽度、为第二卷积核参数向量、为与卷积核函数运算的局部向量矩阵，
m为第二卷积核的尺寸，
X表示所述阀门开度输入向量，表示对所述阀门开度输入向量进行一维卷积编码；以及，使用所述多尺度邻域特征提取模块的多尺度融合层将所述第一尺度阀门开度特征向量和所述第二尺度阀门开度特征向量进行级联以得到所述阀门开度特征向量。
在上述轴流式调节阀中，所述特征增强模块，包括：高斯密度图构造模块，用于构造所述阀门开度特征向量的自高斯密度图，所述自高斯密度图的均值向量为所述阀门开度特征向量，所述自高斯密度图的协方差矩阵中各个位置的值为所阀门开度特征向量中相应两个位置的特征值之间的方差；以及，高斯离散化模块，用于对所述自高斯密度图中各个位置的高斯分布进行高斯离散化以得到阀门开度特征矩阵。
在上述轴流式调节阀中，所述特征分布校正模块，包括：特征矩阵展开单元，用于将所述协同输出特征矩阵和所述阀门开度特征矩阵沿着行向量或者列向量展开为协同输出特征向量和阀门开度特征向量；特征收敛约束单元，用于对所述协同输出特征向量和所述阀门开度特征向量进行向量模基的希尔伯特空间约束以得到权重特征向量；向量还原单元，用于将所述权重特征向量重构为权重特征矩阵；以及，作用单元，用于计算所述权重特征矩阵与所述分类特征矩阵的按位置点乘以得到所述校正后分类特征矩阵。
在上述轴流式调节阀中，所述特征收敛约束单元，进一步用于：以如下公式对所述协同输出特征向量和所述阀门开度特征向量进行向量模基的希尔伯特空间约束以得到所述权重特征向量；其中，所述公式为：，
其中和分别表示所述协同输出特征向量和所述阀门开度特征向量，表示向量的二范数，表示向量的按位置加法，和为加权超参数，表示以卷积算子对向量进行一维卷积，表示所述权重特征向量。
在上述轴流式调节阀中，所述阀门开度控制模块，包括：展开单元，用于将所述校正后分类特征矩阵按照行向量或者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，分类结果生成单元，用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一方面，还提供了一种轴流式调节阀的控制方法，其包括：获取预定时间段内多个预定时间点的阀门开度值，以及，所述多个预定时间点的输出压力和输出流量；将所述多个预定时间点的输出压力和输出流量分别按照时间维度排列为压力输入向量和流量输入向量后，计算所述压力输入向量和所述流量输入向量之间的协同输入矩阵；将所述协同输入矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络模型以得到协同输出特征矩阵；将所述多个预定时间点的阀门开度值按照时间维度排列为阀门开度输入向量后通过多尺度邻域特征提取模块以得到阀门开度特征向量；基于高斯密度图对所述阀门开度特征向量进行特征级数据增强以得到阀门开度特征矩阵；计算所述协同输出特征矩阵相对于所述阀门开度特征矩阵的转移矩阵作为分类特征矩阵；基于所述协同输出特征矩阵和所述阀门开度特征矩阵，对所述分类特征矩阵进行特征分布校正以得到校正后分类特征矩阵；以及将所述校正后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当前时间点的阀门开度值应增大或应减小。
在上述轴流式调节阀的控制方法中，所述将所述多个预定时间点的输出压力和输出流量分别按照时间维度排列为压力输入向量和流量输入向量后，计算所述压力输入向量和所述流量输入向量之间的协同输入矩阵，包括：以如下公式计算所述压力输入向量和所述流量输入向量之间的协同输入矩阵；其中，所述公式为：，
其中表示所述压力输入向量的转置向量，表示所述流量输入向量，表示所述协同输入矩阵，表示矩阵相乘。
在上述轴流式调节阀的控制方法中，所述将所述协同输入矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络模型以得到协同输出特征矩阵，包括：使用所述第一卷积神经网络模型的第一层的卷积层以第一卷积核对输入数据进行卷积处理以生成第一卷积特征图；使用所述第一卷积神经网络模型的第一层的池化层对所述第一卷积特征图进行沿通道维度的池化处理以生成第一池化特征矩阵；使用所述第一卷积神经网络模型的第一层的激活层对所述第一池化特征矩阵进行激活处理以生成第一激活特征图；使用所述第一卷积神经网络模型的第二层的卷积层以第二卷积核对输入数据进行卷积处理以生成第二卷积特征图，所述第二卷积核与所述第一卷积核互为转置；使用所述第一卷积神经网络模型的第二层的池化层对所述第二卷积特征图进行沿通道维度的池化处理以生成第二池化特征矩阵；以及，使用所述第一卷积神经网络模型的第二层的激活层对所述第二池化特征矩阵进行激活处理以生成第二激活特征图；其中，所述第一卷积神经网络模型的最后一层的输出为所述协同输出特征矩阵，所述第一卷积神经网络模型的第一层的输入为所述协同输入矩阵。
在上述轴流式调节阀的控制方法中，所述多尺度邻域特征提取模块，包括：相互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连接的多尺度融合层，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。
在上述轴流式调节阀的控制方法中，所述将所述多个预定时间点的阀门开度值按照时间维度排列为阀门开度输入向量后通过多尺度邻域特征提取模块以得到阀门开度特征向量，包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述阀门开度输入向量进行一维卷积编码以得到第一尺度阀门开度特征向量；其中，所述公式为：
，
其中，
a为第一卷积核在
x方向上的宽度、为第一卷积核参数向量、为与卷积核函数运算的局部向量矩阵，
w为第一卷积核的尺寸，
X表示所述阀门开度输入向量，表示对所述阀门开度输入向量进行一维卷积编码；使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述阀门开度输入向量进行一维卷积编码以得到第二尺度阀门开度特征向量；其中，所述公式为：
，
其中，
b为第二卷积核在
x方向上的宽度、为第二卷积核参数向量、为与卷积核函数运算的局部向量矩阵，
m为第二卷积核的尺寸，
X表示所述阀门开度输入向量，表示对所述阀门开度输入向量进行一维卷积编码；以及，使用所述多尺度邻域特征提取模块的多尺度融合层将所述第一尺度阀门开度特征向量和所述第二尺度阀门开度特征向量进行级联以得到所述阀门开度特征向量。
在上述轴流式调节阀的控制方法中，所述基于高斯密度图对所述阀门开度特征向量进行特征级数据增强以得到阀门开度特征矩阵，包括：构造所述阀门开度特征向量的自高斯密度图，所述自高斯密度图的均值向量为所述阀门开度特征向量，所述自高斯密度图的协方差矩阵中各个位置的值为所阀门开度特征向量中相应两个位置的特征值之间的方差；以及，对所述自高斯密度图中各个位置的高斯分布进行高斯离散化以得到阀门开度特征矩阵。
在上述轴流式调节阀的控制方法中，所述基于所述协同输出特征矩阵和所述阀门开度特征矩阵，对所述分类特征矩阵进行特征分布校正以得到校正后分类特征矩阵，包括：将所述协同输出特征矩阵和所述阀门开度特征矩阵沿着行向量或者列向量展开为协同输出特征向量和阀门开度特征向量；对所述协同输出特征向量和所述阀门开度特征向量进行向量模基的希尔伯特空间约束以得到权重特征向量；将所述权重特征向量重构为权重特征矩阵；以及，计算所述权重特征矩阵与所述分类特征矩阵的按位置点乘以得到所述校正后分类特征矩阵。
在上述轴流式调节阀的控制方法中，所述对所述协同输出特征向量和所述阀门开度特征向量进行向量模基的希尔伯特空间约束以得到权重特征向量，包括：以如下公式对所述协同输出特征向量和所述阀门开度特征向量进行向量模基的希尔伯特空间约束以得到所述权重特征向量；其中，所述公式为：
，
其中和分别表示所述协同输出特征向量和所述阀门开度特征向量，表示向量的二范数，表示向量的按位置加法，和为加权超参数，表示以卷积算子对向量进行一维卷积，表示所述权重特征向量。
在上述轴流式调节阀的控制方法中，所述将所述校正后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当前时间点的阀门开度值应增大或应减小，包括：将所述校正后分类特征矩阵按照行向量或者列向量展开为分类特征向量；使用所述分类器的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输入所述分类器的Softmax分类函数以得到所述分类结果。
与现有技术相比，本申请提供的轴流式调节阀及其控制方法，其挖掘输出压力和输出流量间的时序协同关联特征信息，并建立所述时序协同关联特征信息和阀门开度的动态变化之间的映射关系，以使得基于输出压力和输出流量间的波动特征来自适应地调控阀门开度以实现输出流量和压力趋于稳定的控制目的。这样，保证输送介质的动态稳定性。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的轴流式调节阀的应用场景图。
图2为根据本申请实施例的轴流式调节阀的框图。
图3为根据本申请实施例的轴流式调节阀的架构示意图。
图4为根据本申请实施例的轴流式调节阀中特征分布校正模块的框图。
图5为根据本申请实施例的轴流式调节阀的控制方法的流程图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
申请概述：如上所述，在现行轴流式调节阀的实际生产中发现：由于输送管网在实际运行过程中会受到诸多因素影响致使输出压力、输出流量发生波动。因此，期待一种优化的轴流式调节阀及其控制方案。
相应地，考虑到在实际进行输送管网的运行过程中，会出现输出压力、输出流量波动的情况，因此，在本申请的技术方案中，期望基于压力和流量的波动特征来自适应地调整阀门开度以使得输出流量和压力趋于稳定，进而保证输送介质的动态稳定性，延长输送管网和轴流式调节阀的使用寿命。在此过程中，难点在于如何挖掘出所述输出压力和输出流量间的时序协同关联特征信息以及如何建立所述时序协同关联特征信息和所述阀门开度的动态变化之间的映射关系，以使得基于输出压力和输出流量间的波动特征来自适应地调控阀门开度以实现输出流量和压力趋于稳定的控制目的。
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输出压力和输出流量间的时序协同关联特征信息以及所述时序协同关联特征信息和所述阀门开度的动态变化之间的复杂映射关系提供了新的解决思路和方案。本领域普通技术人员应知晓，基于深度学习的深度神经网络模型可以通过适当的训练策略，例如通过梯度下降的反向传播算法来调整所述深度神经网络模型的参数以使之能够模拟事物之间的复杂的非线性关联，而这显然适合于模拟并挖掘所述输出压力和输出流量间的时序协同关联特征信息以及建立所述时序协同关联特征信息和所述阀门开度的动态变化之间的复杂映射关系。
具体地，在本申请的技术方案中，首先，获取预定时间段内多个预定时间点的阀门开度值，以及，所述多个预定时间点的输出压力和输出流量。接着，为了构建所述输出压力和所述输出流量间的协同关联信息，以此来准确地进行输出压力和输出流量间的波动特征提取，进一步再将所述多个预定时间点的输出压力和输出流量分别按照时间维度排列为压力输入向量和流量输入向量后，计算所述压力输入向量和所述流量输入向量之间的协同输入矩阵。
然后，就可以使用在局部隐含关联特征提取方面具有优异表现的卷积神经网络模型来进行所述输出压力和所述输出流量间的协同关联特征提取，以此来进行压力和流量的波动特征挖掘，但是，考虑到由于所述输出压力和所述输出流量在时间维度上的时序变化信息具有相当程度的关联。因此，为了能够充分地提取出所述输出压力和所述输出流量间的协同关联特征来进行当前时间点的阀门开度值的准确控制，在本申请的技术方案中，进一步通过相邻层使用互为转置的卷积核的第一卷积神经网络模型来对于所述协同输入矩阵进行特征挖掘，以提取出深层的更为充分的所述输出压力和所述输出流量间的协同关联特征信息，即所述输出压力和所述输出流量间的波动特征，从而得到协同输出特征矩阵。特别地，这里，所述第一卷积神经网络模型的相邻卷积层使用互为转置的卷积核能够在训练时同时进行网络参数的更新和适合特定数据结构的网络参数结构的搜索，进而提高后续分类的准确性。
进一步地，对于所述阀门开度值来说，其在所述预定时间段内的不同时间周期跨度下具有着不同的模式状态变化特征，因此，为了能够充分且准确地进行所述阀门开度值在时间维度上的动态变化特征挖掘，在本申请的技术方案中，进一步将所述多个预定时间点的阀门开度值按照时间维度排列为阀门开度输入向量后通过多尺度邻域特征提取模块中进行处理，以提取出所述阀门开度值在所述预定时间段内的不同时间跨度下的动态多尺度邻域关联特征，从而得到阀门开度特征向量。
接着，进一步考虑到所述阀门开度值在时间维度上存在波动性和不确定性，因此为了提高对于所述阀门开度值的时序动态变化特征提取的准确性，需要在高维特征空间中对于所述阀门开度值的多尺度动态特征进行数据增强。应可以理解，作为神经网络模型的学习目标，高斯密度图可以表示特征分布的单个特征值由于其概率密度而在多个特征值构成整体分布情况下的联合分布，也就是，以特征分布作为先验分布，来获得每个先验分布位置下由于其它先验分布位置的相关性作用下的概率密度以作为后验分布，从而在更高维度上更准确地描述特征分布。因此，在本申请的技术方案中，可以通过所述阀门开度值的先验分布，即高斯分布，来对于所述阀门开度值的多尺度动态特征进行数据增强，也就是，基于高斯密度图对所述阀门开度特征向量进行特征级数据增强以得到阀门开度特征矩阵。具体地，在本申请的技术方案中，首先，构造所述阀门开度特征向量的高斯密度图，以此来进行所述阀门开度的时序动态特征的数据增强。然后，再将所述高斯密度图进行高斯离散化处理，以在数据特征增广时不产生信息损失，从而得到阀门开度特征矩阵，以提高后续分类的准确性。
然后，计算所述协同输出特征矩阵相对于所述阀门开度特征矩阵的转移矩阵来表示所述输出压力和所述输出流量间的时序协同关联特征与所述阀门开度的动态变化特征间的关联性特征分布信息，即所述输出压力和所述输出流量的波动特征与所述阀门开度的动态特征间的关联特征信息，并以此作为分类特征矩阵通过分类器中进行分类处理，从而得到用于表示当前时间点的阀门开度值应增大或应减小的分类结果。
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当前时间点的阀门开度值应增大，以及，所述当前时间点的阀门开度值应减小，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当前时间点的阀门开度值的控制策略标签，因此，在得到所述分类结果后，可基于所述分类结果来自适应地调整所述当前时间点的阀门开度值，以此来使得输出流量和压力趋于稳定，进而保证输送介质的动态稳定性，延长输送管网和轴流式调节阀的使用寿命。
特别地，在本申请的技术方案中，考虑到所述协同输出特征矩阵用于表达所述压力输入向量和所述流量输入向量的全时序跨时域关联特征，而所述阀门开度特征矩阵表达阀门开度值的时序多尺度邻域关联的跨时域二维高斯关联特征，其特征分布在时序上对应的收敛方向并不一致，这就导致所述协同输出特征矩阵相对于所述阀门开度特征矩阵的转移矩阵的整体特征分布的收敛性差，将其作为所述分类特征矩阵通过分类器进行分类的拟合效果差。而另一方面，如果直接对所述协同输出特征矩阵和所述阀门开度特征矩阵设置阈值以拟合其收敛方向，又可能导致作为转移矩阵的所述分类特征矩阵的各特征值之间的相关度较高，从而降低所述分类特征矩阵的分类准确性。
因此，首先将所述协同输出特征矩阵和所述阀门开度特征矩阵展开为协同输出特征向量，例如记为和阀门开度特征向量，例如记为，再进行向量模基的希尔伯特空间约束以得到权重特征向量，例如记为，表示为：
，
表示一维卷积运算，即以卷积算子对向量进行一维卷积。
这里，通过以定义了向量和模与向量内积的希尔伯特空间内的卷积算子对所述权重特征向量进行约束，可以将所述权重特征向量的特征分布限定在以向量的模为基的希尔伯特空间内的有限闭域中，并提升了所述权重特征向量的特征分布的高维流形的各个基维度之间的正交性，从而在维持特征分布整体的收敛性的同时实现了特征值之间的稀疏相关。然后，再将所述权重特征向量还原为特征矩阵形式并与所述分类特征矩阵进行点乘，就可以提升优化后的分类特征矩阵经由分类器的拟合效果和分类结果的准确性。这样，能够基于压力和流量的波动情况来实时准确地对于当前时间点的阀门开度进行自适应控制，以使得输出流量和压力趋于稳定，进而保证输送介质的动态稳定性，延长输送管网和轴流式调节阀的使用寿命。
基于此，本申请提供了一种轴流式调节阀，其包括：传感模块，用于获取预定时间段内多个预定时间点的阀门开度值，以及，所述多个预定时间点的输出压力和输出流量；输出数据编码模块，用于将所述多个预定时间点的输出压力和输出流量分别按照时间维度排列为压力输入向量和流量输入向量后，计算所述压力输入向量和所述流量输入向量之间的协同输入矩阵；输出特征提取模块，用于将所述协同输入矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络模型以得到协同输出特征矩阵；阀门开度特征提取模块，用于将所述多个预定时间点的阀门开度值按照时间维度排列为阀门开度输入向量后通过多尺度邻域特征提取模块以得到阀门开度特征向量；特征增强模块，用于基于高斯密度图对所述阀门开度特征向量进行特征级数据增强以得到阀门开度特征矩阵；响应模块，用于计算所述协同输出特征矩阵相对于所述阀门开度特征矩阵的转移矩阵作为分类特征矩阵；特征分布校正模块，用于基于所述协同输出特征矩阵和所述阀门开度特征矩阵，对所述分类特征矩阵进行特征分布校正以得到校正后分类特征矩阵；以及，阀门开度控制模块，用于将所述校正后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当前时间点的阀门开度值应增大或应减小。
图1为根据本申请实施例的轴流式调节阀的应用场景图。如图1所示，在该应用场景中，首先由阀门开度传感器（例如，如图1中所示意的Se1）获取预定时间段内多个预定时间点的阀门开度值，并由压力传感器（例如，如图1中所示意的Se2）和流量传感器（例如，如图1中所示意的Se3）获取所述多个预定时间点的输出压力和输出流量。进而，将所述预定时间段内多个预定时间点的阀门开度值、所述多个预定时间点的输出压力和输出流量输入至所述轴流式调节阀（例如，如图1中所示意的V）的数据处理器（例如，如图1所示意的P）中，其中，所述数据处理器能够基于预定算法对所述预定时间段内多个预定时间点的阀门开度值、所述多个预定时间点的输出压力和输出流量进行处理，以得到用于表示当前时间点的阀门开度值应增大或应减小的分类结果。
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。
示例性系统：图2为根据本申请实施例的轴流式调节阀的框图。如图2所示，根据本申请实施例的轴流式调节阀100，包括：传感模块110，用于获取预定时间段内多个预定时间点的阀门开度值，以及，所述多个预定时间点的输出压力和输出流量；输出数据编码模块120，用于将所述多个预定时间点的输出压力和输出流量分别按照时间维度排列为压力输入向量和流量输入向量后，计算所述压力输入向量和所述流量输入向量之间的协同输入矩阵；输出特征提取模块130，用于将所述协同输入矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络模型以得到协同输出特征矩阵；阀门开度特征提取模块140，用于将所述多个预定时间点的阀门开度值按照时间维度排列为阀门开度输入向量后通过多尺度邻域特征提取模块以得到阀门开度特征向量；特征增强模块150，用于基于高斯密度图对所述阀门开度特征向量进行特征级数据增强以得到阀门开度特征矩阵；响应模块160，用于计算所述协同输出特征矩阵相对于所述阀门开度特征矩阵的转移矩阵作为分类特征矩阵；特征分布校正模块170，用于基于所述协同输出特征矩阵和所述阀门开度特征矩阵，对所述分类特征矩阵进行特征分布校正以得到校正后分类特征矩阵；以及，阀门开度控制模块180，用于将所述校正后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当前时间点的阀门开度值应增大或应减小。
图3为根据本申请实施例的轴流式调节阀的架构示意图。如图3所示，首先，获取预定时间段内多个预定时间点的阀门开度值，以及，所述多个预定时间点的输出压力和输出流量；接着，将所述多个预定时间点的输出压力和输出流量分别按照时间维度排列为压力输入向量和流量输入向量后，计算所述压力输入向量和所述流量输入向量之间的协同输入矩阵；然后，将所述协同输入矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络模型以得到协同输出特征矩阵，同时，将所述多个预定时间点的阀门开度值按照时间维度排列为阀门开度输入向量后通过多尺度邻域特征提取模块以得到阀门开度特征向量；继而，基于高斯密度图对所述阀门开度特征向量进行特征级数据增强以得到阀门开度特征矩阵；再计算所述协同输出特征矩阵相对于所述阀门开度特征矩阵的转移矩阵作为分类特征矩阵；随后，基于所述协同输出特征矩阵和所述阀门开度特征矩阵，对所述分类特征矩阵进行特征分布校正以得到校正后分类特征矩阵；最后，将所述校正后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当前时间点的阀门开度值应增大或应减小。
如上所述，在现行轴流式调节阀的实际生产中发现：由于输送管网在实际运行过程中会受到诸多因素影响致使输出压力、输出流量发生波动。因此，期待一种优化的轴流式调节阀及其控制方案。
相应地，考虑到在实际进行输送管网的运行过程中，会出现输出压力、输出流量波动的情况，因此，在本申请的技术方案中，期望基于压力和流量的波动特征来自适应地调整阀门开度以使得输出流量和压力趋于稳定，进而保证输送介质的动态稳定性，延长输送管网和轴流式调节阀的使用寿命。在此过程中，难点在于如何挖掘出所述输出压力和输出流量间的时序协同关联特征信息以及如何建立所述时序协同关联特征信息和所述阀门开度的动态变化之间的映射关系，以使得基于输出压力和输出流量间的波动特征来自适应地调控阀门开度以实现输出流量和压力趋于稳定的控制目的。
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输出压力和输出流量间的时序协同关联特征信息以及所述时序协同关联特征信息和所述阀门开度的动态变化之间的复杂映射关系提供了新的解决思路和方案。本领域普通技术人员应知晓，基于深度学习的深度神经网络模型可以通过适当的训练策略，例如通过梯度下降的反向传播算法来调整所述深度神经网络模型的参数以使之能够模拟事物之间的复杂的非线性关联，而这显然适合于模拟并挖掘所述输出压力和输出流量间的时序协同关联特征信息以及建立所述时序协同关联特征信息和所述阀门开度的动态变化之间的复杂映射关系。
在上述轴流式调节阀100中，所述传感模块110，用于获取预定时间段内多个预定时间点的阀门开度值，以及，所述多个预定时间点的输出压力和输出流量。在本申请的一个具体实施例中，所述阀门开度值由阀门开度传感器获取，所述输出压力由压力传感器获取，所述输出流量由流量传感器获取。
在上述轴流式调节阀100中，所述输出数据编码模块120，用于将所述多个预定时间点的输出压力和输出流量分别按照时间维度排列为压力输入向量和流量输入向量后，计算所述压力输入向量和所述流量输入向量之间的协同输入矩阵。为了构建所述输出压力和所述输出流量间的协同关联信息，以此来准确地进行输出压力和输出流量间的波动特征提取，进一步再将所述多个预定时间点的输出压力和输出流量分别按照时间维度排列为压力输入向量和流量输入向量后，计算所述压力输入向量和所述流量输入向量之间的协同输入矩阵。
具体地，在本申请实施例中，以如下公式计算所述压力输入向量和所述流量输入向量之间的协同输入矩阵；其中，所述公式为：，
其中表示所述压力输入向量的转置向量，表示所述流量输入向量，表示所述协同输入矩阵，表示矩阵相乘。
在上述轴流式调节阀100中，所述输出特征提取模块130，用于将所述协同输入矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络模型以得到协同输出特征矩阵。也就是，使用在局部隐含关联特征提取方面具有优异表现的卷积神经网络模型来进行所述输出压力和所述输出流量间的协同关联特征提取，以此来进行压力和流量的波动特征挖掘，但是，考虑到由于所述输出压力和所述输出流量在时间维度上的时序变化信息具有相当程度的关联。因此，为了能够充分地提取出所述输出压力和所述输出流量间的协同关联特征来进行当前时间点的阀门开度值的准确控制，在本申请的技术方案中，进一步通过相邻层使用互为转置的卷积核的第一卷积神经网络模型来对于所述协同输入矩阵进行特征挖掘，以提取出深层的更为充分的所述输出压力和所述输出流量间的协同关联特征信息，即所述输出压力和所述输出流量间的波动特征，从而得到协同输出特征矩阵。特别地，这里，所述第一卷积神经网络模型的相邻卷积层使用互为转置的卷积核能够在训练时同时进行网络参数的更新和适合特定数据结构的网络参数结构的搜索，进而提高后续分类的准确性。
具体地，在本申请实施例中，所述输出特征提取模块130，进一步用于：使用所述第一卷积神经网络模型的第一层的卷积层以第一卷积核对输入数据进行卷积处理以生成第一卷积特征图；使用所述第一卷积神经网络模型的第一层的池化层对所述第一卷积特征图进行沿通道维度的池化处理以生成第一池化特征矩阵；使用所述第一卷积神经网络模型的第一层的激活层对所述第一池化特征矩阵进行激活处理以生成第一激活特征图；使用所述第一卷积神经网络模型的第二层的卷积层以第二卷积核对输入数据进行卷积处理以生成第二卷积特征图，所述第二卷积核与所述第一卷积核互为转置；使用所述第一卷积神经网络模型的第二层的池化层对所述第二卷积特征图进行沿通道维度的池化处理以生成第二池化特征矩阵；以及，使用所述第一卷积神经网络模型的第二层的激活层对所述第二池化特征矩阵进行激活处理以生成第二激活特征图；其中，所述第一卷积神经网络模型的最后一层的输出为所述协同输出特征矩阵，所述第一卷积神经网络模型的第一层的输入为所述协同输入矩阵。
在上述轴流式调节阀100中，所述阀门开度特征提取模块140，用于将所述多个预定时间点的阀门开度值按照时间维度排列为阀门开度输入向量后通过多尺度邻域特征提取模块以得到阀门开度特征向量。对于所述阀门开度值来说，其在所述预定时间段内的不同时间周期跨度下具有着不同的模式状态变化特征，因此，为了能够充分且准确地进行所述阀门开度值在时间维度上的动态变化特征挖掘，在本申请的技术方案中，进一步将所述多个预定时间点的阀门开度值按照时间维度排列为阀门开度输入向量后通过多尺度邻域特征提取模块中进行处理，以提取出所述阀门开度值在所述预定时间段内的不同时间跨度下的动态多尺度邻域关联特征，从而得到阀门开度特征向量。其中，所述多尺度邻域特征提取模块，包括：相互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连接的多尺度融合层，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。
具体地，在本申请实施例中，所述阀门开度特征提取模块140，进一步用于：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述阀门开度输入向量进行一维卷积编码以得到第一尺度阀门开度特征向量；其中，所述公式为：
，
其中，
a为第一卷积核在
x方向上的宽度、为第一卷积核参数向量、为与卷积核函数运算的局部向量矩阵，
w为第一卷积核的尺寸，
X表示所述阀门开度输入向量，表示对所述阀门开度输入向量进行一维卷积编码；使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述阀门开度输入向量进行一维卷积编码以得到第二尺度阀门开度特征向量；其中，所述公式为：
，
其中，
b为第二卷积核在
x方向上的宽度、为第二卷积核参数向量、为与卷积核函数运算的局部向量矩阵，
m为第二卷积核的尺寸，
X表示所述阀门开度输入向量，表示对所述阀门开度输入向量进行一维卷积编码；以及，使用所述多尺度邻域特征提取模块的多尺度融合层将所述第一尺度阀门开度特征向量和所述第二尺度阀门开度特征向量进行级联以得到所述阀门开度特征向量。
在上述轴流式调节阀100中，所述特征增强模块150，用于基于高斯密度图对所述阀门开度特征向量进行特征级数据增强以得到阀门开度特征矩阵。考虑到所述阀门开度值在时间维度上存在波动性和不确定性，因此为了提高对于所述阀门开度值的时序动态变化特征提取的准确性，需要在高维特征空间中对于所述阀门开度值的多尺度动态特征进行数据增强。应可以理解，作为神经网络模型的学习目标，高斯密度图可以表示特征分布的单个特征值由于其概率密度而在多个特征值构成整体分布情况下的联合分布，也就是，以特征分布作为先验分布，来获得每个先验分布位置下由于其它先验分布位置的相关性作用下的概率密度以作为后验分布，从而在更高维度上更准确地描述特征分布。因此，在本申请的技术方案中，可以通过所述阀门开度值的先验分布，即高斯分布，来对于所述阀门开度值的多尺度动态特征进行数据增强，也就是，基于高斯密度图对所述阀门开度特征向量进行特征级数据增强以得到阀门开度特征矩阵。具体地，在本申请的技术方案中，首先，构造所述阀门开度特征向量的高斯密度图，以此来进行所述阀门开度的时序动态特征的数据增强。然后，再将所述高斯密度图进行高斯离散化处理，以在数据特征增广时不产生信息损失，从而得到阀门开度特征矩阵，以提高后续分类的准确性。
更具体地，在本申请实施例中，所述特征增强模块150，包括：高斯密度图构造模块，用于构造所述阀门开度特征向量的自高斯密度图，所述自高斯密度图的均值向量为所述阀门开度特征向量，所述自高斯密度图的协方差矩阵中各个位置的值为所阀门开度特征向量中相应两个位置的特征值之间的方差；以及，高斯离散化模块，用于对所述自高斯密度图中各个位置的高斯分布进行高斯离散化以得到阀门开度特征矩阵。
在上述轴流式调节阀100中，所述响应模块160，用于计算所述协同输出特征矩阵相对于所述阀门开度特征矩阵的转移矩阵作为分类特征矩阵。也就是，计算所述协同输出特征矩阵相对于所述阀门开度特征矩阵的转移矩阵来表示所述输出压力和所述输出流量间的时序协同关联特征与所述阀门开度的动态变化特征间的关联性特征分布信息，即所述输出压力和所述输出流量的波动特征与所述阀门开度的动态特征间的关联特征信息，并以此作为分类特征矩阵。
在上述轴流式调节阀100中，所述特征分布校正模块170，用于基于所述协同输出特征矩阵和所述阀门开度特征矩阵，对所述分类特征矩阵进行特征分布校正以得到校正后分类特征矩阵。
图4为根据本申请实施例的轴流式调节阀中特征分布校正模块的框图。如图4所示，所述特征分布校正模块170，包括：特征矩阵展开单元171，用于将所述协同输出特征矩阵和所述阀门开度特征矩阵沿着行向量或者列向量展开为协同输出特征向量和阀门开度特征向量；特征收敛约束单元172，用于对所述协同输出特征向量和所述阀门开度特征向量进行向量模基的希尔伯特空间约束以得到权重特征向量；向量还原单元173，用于将所述权重特征向量重构为权重特征矩阵；以及，作用单元174，用于计算所述权重特征矩阵与所述分类特征矩阵的按位置点乘以得到所述校正后分类特征矩阵。
特别地，在本申请的技术方案中，考虑到所述协同输出特征矩阵用于表达所述压力输入向量和所述流量输入向量的全时序跨时域关联特征，而所述阀门开度特征矩阵表达阀门开度值的时序多尺度邻域关联的跨时域二维高斯关联特征，其特征分布在时序上对应的收敛方向并不一致，这就导致所述协同输出特征矩阵相对于所述阀门开度特征矩阵的转移矩阵的整体特征分布的收敛性差，将其作为所述分类特征矩阵通过分类器进行分类的拟合效果差。而另一方面，如果直接对所述协同输出特征矩阵和所述阀门开度特征矩阵设置阈值以拟合其收敛方向，又可能导致作为转移矩阵的所述分类特征矩阵的各特征值之间的相关度较高，从而降低所述分类特征矩阵的分类准确性。
因此，首先将所述协同输出特征矩阵和所述阀门开度特征矩阵展开为协同输出特征向量，例如记为和阀门开度特征向量，例如记为，再进行向量模基的希尔伯特空间约束以得到权重特征向量，例如记为，表示为：
，
其中和分别表示所述协同输出特征向量和所述阀门开度特征向量，表示向量的二范数，表示向量的按位置加法，和为加权超参数，表示以卷积算子对向量进行一维卷积，表示所述权重特征向量。
这里，通过以定义了向量和模与向量内积的希尔伯特空间内的卷积算子对所述权重特征向量进行约束，可以将所述权重特征向量的特征分布限定在以向量的模为基的希尔伯特空间内的有限闭域中，并提升了所述权重特征向量的特征分布的高维流形的各个基维度之间的正交性，从而在维持特征分布整体的收敛性的同时实现了特征值之间的稀疏相关。然后，再将所述权重特征向量还原为特征矩阵形式并与所述分类特征矩阵进行点乘，就可以提升优化后的分类特征矩阵经由分类器的拟合效果和分类结果的准确性。
在上述轴流式调节阀100中，所述阀门开度控制模块180，用于将所述校正后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当前时间点的阀门开度值应增大或应减小。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当前时间点的阀门开度值应增大，以及，所述当前时间点的阀门开度值应减小，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当前时间点的阀门开度值的控制策略标签，因此，在得到所述分类结果后，可基于所述分类结果来自适应地调整所述当前时间点的阀门开度值，以此来使得输出流量和压力趋于稳定，进而保证输送介质的动态稳定性，延长输送管网和轴流式调节阀的使用寿命。
具体地，在本申请实施例中，所述阀门开度控制模块180，包括：展开单元，用于将所述校正后分类特征矩阵按照行向量或者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，分类结果生成单元，用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
综上，基于本申请实施例的轴流式调节阀100被阐明，其挖掘输出压力和输出流量间的时序协同关联特征信息，并建立所述时序协同关联特征信息和阀门开度的动态变化之间的映射关系，以使得基于输出压力和输出流量间的波动特征来自适应地调控阀门开度以实现输出流量和压力趋于稳定的控制目的。这样，保证输送介质的动态稳定性。
示例性方法：图5为根据本申请实施例的轴流式调节阀的控制方法的流程图。如图5所示，根据本申请实施例的轴流式调节阀的控制方法，包括：S110，获取预定时间段内多个预定时间点的阀门开度值，以及，所述多个预定时间点的输出压力和输出流量；S120，将所述多个预定时间点的输出压力和输出流量分别按照时间维度排列为压力输入向量和流量输入向量后，计算所述压力输入向量和所述流量输入向量之间的协同输入矩阵；S130，将所述协同输入矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络模型以得到协同输出特征矩阵；S140，将所述多个预定时间点的阀门开度值按照时间维度排列为阀门开度输入向量后通过多尺度邻域特征提取模块以得到阀门开度特征向量；S150，基于高斯密度图对所述阀门开度特征向量进行特征级数据增强以得到阀门开度特征矩阵；S160，计算所述协同输出特征矩阵相对于所述阀门开度特征矩阵的转移矩阵作为分类特征矩阵；S170，基于所述协同输出特征矩阵和所述阀门开度特征矩阵，对所述分类特征矩阵进行特征分布校正以得到校正后分类特征矩阵；以及，S180，将所述校正后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当前时间点的阀门开度值应增大或应减小。
在一个示例中，在上述轴流式调节阀的控制方法中，所述将所述多个预定时间点的输出压力和输出流量分别按照时间维度排列为压力输入向量和流量输入向量后，计算所述压力输入向量和所述流量输入向量之间的协同输入矩阵，包括：以如下公式计算所述压力输入向量和所述流量输入向量之间的协同输入矩阵；其中，所述公式为：，
其中表示所述压力输入向量的转置向量，表示所述流量输入向量，表示所述协同输入矩阵，表示矩阵相乘。
在一个示例中，在上述轴流式调节阀的控制方法中，所述将所述协同输入矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络模型以得到协同输出特征矩阵，包括：使用所述第一卷积神经网络模型的第一层的卷积层以第一卷积核对输入数据进行卷积处理以生成第一卷积特征图；使用所述第一卷积神经网络模型的第一层的池化层对所述第一卷积特征图进行沿通道维度的池化处理以生成第一池化特征矩阵；使用所述第一卷积神经网络模型的第一层的激活层对所述第一池化特征矩阵进行激活处理以生成第一激活特征图；使用所述第一卷积神经网络模型的第二层的卷积层以第二卷积核对输入数据进行卷积处理以生成第二卷积特征图，所述第二卷积核与所述第一卷积核互为转置；使用所述第一卷积神经网络模型的第二层的池化层对所述第二卷积特征图进行沿通道维度的池化处理以生成第二池化特征矩阵；以及，使用所述第一卷积神经网络模型的第二层的激活层对所述第二池化特征矩阵进行激活处理以生成第二激活特征图；其中，所述第一卷积神经网络模型的最后一层的输出为所述协同输出特征矩阵，所述第一卷积神经网络模型的第一层的输入为所述协同输入矩阵。
在一个示例中，在上述轴流式调节阀的控制方法中，所述多尺度邻域特征提取模块，包括：相互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连接的多尺度融合层，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。
在一个示例中，在上述轴流式调节阀的控制方法中，所述将所述多个预定时间点的阀门开度值按照时间维度排列为阀门开度输入向量后通过多尺度邻域特征提取模块以得到阀门开度特征向量，包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述阀门开度输入向量进行一维卷积编码以得到第一尺度阀门开度特征向量；其中，所述公式为：
，
其中，
a为第一卷积核在
x方向上的宽度，为第一卷积核参数向量，为与卷积核函数运算的局部向量矩阵，
w为第一卷积核的尺寸，
X表示所述阀门开度输入向量，表示对所述阀门开度输入向量进行一维卷积编码；使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述阀门开度输入向量进行一维卷积编码以得到第二尺度阀门开度特征向量；其中，所述公式为：
，
其中，
b为第二卷积核在
x方向上的宽度、为第二卷积核参数向量、为与卷积核函数运算的局部向量矩阵，
m为第二卷积核的尺寸，
X表示所述阀门开度输入向量，表示对所述阀门开度输入向量进行一维卷积编码；以及，使用所述多尺度邻域特征提取模块的多尺度融合层将所述第一尺度阀门开度特征向量和所述第二尺度阀门开度特征向量进行级联以得到所述阀门开度特征向量。
在一个示例中，在上述轴流式调节阀的控制方法中，所述基于高斯密度图对所述阀门开度特征向量进行特征级数据增强以得到阀门开度特征矩阵，包括：构造所述阀门开度特征向量的自高斯密度图，所述自高斯密度图的均值向量为所述阀门开度特征向量，所述自高斯密度图的协方差矩阵中各个位置的值为所阀门开度特征向量中相应两个位置的特征值之间的方差；以及，对所述自高斯密度图中各个位置的高斯分布进行高斯离散化以得到阀门开度特征矩阵。
在一个示例中，在上述轴流式调节阀的控制方法中，所述基于所述协同输出特征矩阵和所述阀门开度特征矩阵，对所述分类特征矩阵进行特征分布校正以得到校正后分类特征矩阵，包括：将所述协同输出特征矩阵和所述阀门开度特征矩阵沿着行向量或者列向量展开为协同输出特征向量和阀门开度特征向量；对所述协同输出特征向量和所述阀门开度特征向量进行向量模基的希尔伯特空间约束以得到权重特征向量；将所述权重特征向量重构为权重特征矩阵；以及，计算所述权重特征矩阵与所述分类特征矩阵的按位置点乘以得到所述校正后分类特征矩阵。
在一个示例中，在上述轴流式调节阀的控制方法中，所述对所述协同输出特征向量和所述阀门开度特征向量进行向量模基的希尔伯特空间约束以得到权重特征向量，包括：以如下公式对所述协同输出特征向量和所述阀门开度特征向量进行向量模基的希尔伯特空间约束以得到所述权重特征向量；其中，所述公式为：
，
其中和分别表示所述协同输出特征向量和所述阀门开度特征向量，表示向量的二范数，表示向量的按位置加法，和为加权超参数，表示以卷积算子对向量进行一维卷积，表示所述权重特征向量。
在一个示例中，在上述轴流式调节阀的控制方法中，所述将所述校正后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当前时间点的阀门开度值应增大或应减小，包括：将所述校正后分类特征矩阵按照行向量或者列向量展开为分类特征向量；使用所述分类器的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输入所述分类器的Softmax分类函数以得到所述分类结果。
综上，本申请实施例的轴流式调节阀的控制方法被阐明，其挖掘输出压力和输出流量间的时序协同关联特征信息，并建立所述时序协同关联特征信息和阀门开度的动态变化之间的映射关系，以使得基于输出压力和输出流量间的波动特征来自适应地调控阀门开度以实现输出流量和压力趋于稳定的控制目的。这样，保证输送介质的动态稳定性。
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)
1.一种轴流式调节阀，其特征在于，包括：传感模块，用于获取预定时间段内多个预定时间点的阀门开度值，以及，所述多个预定时间点的输出压力和输出流量；输出数据编码模块，用于将所述多个预定时间点的输出压力和输出流量分别按照时间维度排列为压力输入向量和流量输入向量后，计算所述压力输入向量和所述流量输入向量之间的协同输入矩阵；输出特征提取模块，用于将所述协同输入矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络模型以得到协同输出特征矩阵；阀门开度特征提取模块，用于将所述多个预定时间点的阀门开度值按照时间维度排列为阀门开度输入向量后通过多尺度邻域特征提取模块以得到阀门开度特征向量；特征增强模块，用于基于高斯密度图对所述阀门开度特征向量进行特征级数据增强以得到阀门开度特征矩阵；响应模块，用于计算所述协同输出特征矩阵相对于所述阀门开度特征矩阵的转移矩阵作为分类特征矩阵；特征分布校正模块，用于基于所述协同输出特征矩阵和所述阀门开度特征矩阵，对所述分类特征矩阵进行特征分布校正以得到校正后分类特征矩阵；以及阀门开度控制模块，用于将所述校正后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当前时间点的阀门开度值应增大或应减小。
2.根据权利要求1所述的轴流式调节阀，其特征在于，所述输出数据编码模块，进一步用于：以如下公式计算所述压力输入向量和所述流量输入向量之间的协同输入矩阵；其中，所述公式为：，其中表示所述压力输入向量的转置向量，表示所述流量输入向量，表示所述协同输入矩阵，表示矩阵相乘。
3.根据权利要求2所述的轴流式调节阀，其特征在于，所述输出特征提取模块，进一步用于：使用所述第一卷积神经网络模型的第一层的卷积层以第一卷积核对输入数据进行卷积处理以生成第一卷积特征图；使用所述第一卷积神经网络模型的第一层的池化层对所述第一卷积特征图进行沿通道维度的池化处理以生成第一池化特征矩阵；使用所述第一卷积神经网络模型的第一层的激活层对所述第一池化特征矩阵进行激活处理以生成第一激活特征图；使用所述第一卷积神经网络模型的第二层的卷积层以第二卷积核对输入数据进行卷积处理以生成第二卷积特征图，所述第二卷积核与所述第一卷积核互为转置；使用所述第一卷积神经网络模型的第二层的池化层对所述第二卷积特征图进行沿通道维度的池化处理以生成第二池化特征矩阵；以及使用所述第一卷积神经网络模型的第二层的激活层对所述第二池化特征矩阵进行激活处理以生成第二激活特征图；其中，所述第一卷积神经网络模型的最后一层的输出为所述协同输出特征矩阵，所述第一卷积神经网络模型的第一层的输入为所述协同输入矩阵。
4.根据权利要求3所述的轴流式调节阀，其特征在于，所述多尺度邻域特征提取模块，包括：相互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连接的多尺度融合层，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。
5.根据权利要求4所述的轴流式调节阀，其特征在于，所述阀门开度特征提取模块，进一步用于：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述阀门开度输入向量进行一维卷积编码以得到第一尺度阀门开度特征向量；其中，所述公式为： ，其中，a为第一卷积核在x方向上的宽度、为第一卷积核参数向量、为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，X表示所述阀门开度输入向量，表示对所述阀门开度输入向量进行一维卷积编码；使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述阀门开度输入向量进行一维卷积编码以得到第二尺度阀门开度特征向量；其中，所述公式为： ，其中，b为第二卷积核在x方向上的宽度、为第二卷积核参数向量、为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，X表示所述阀门开度输入向量，表示对所述阀门开度输入向量进行一维卷积编码；以及使用所述多尺度邻域特征提取模块的多尺度融合层将所述第一尺度阀门开度特征向量和所述第二尺度阀门开度特征向量进行级联以得到所述阀门开度特征向量。
6.根据权利要求5所述的轴流式调节阀，其特征在于，所述特征增强模块，包括：高斯密度图构造模块，用于构造所述阀门开度特征向量的自高斯密度图，所述自高斯密度图的均值向量为所述阀门开度特征向量，所述自高斯密度图的协方差矩阵中各个位置的值为所阀门开度特征向量中相应两个位置的特征值之间的方差；以及高斯离散化模块，用于对所述自高斯密度图中各个位置的高斯分布进行高斯离散化以得到阀门开度特征矩阵。
7.根据权利要求6所述的轴流式调节阀，其特征在于，所述特征分布校正模块，包括：特征矩阵展开单元，用于将所述协同输出特征矩阵和所述阀门开度特征矩阵沿着行向量或者列向量展开为协同输出特征向量和阀门开度特征向量；特征收敛约束单元，用于对所述协同输出特征向量和所述阀门开度特征向量进行向量模基的希尔伯特空间约束以得到权重特征向量；向量还原单元，用于将所述权重特征向量重构为权重特征矩阵；以及作用单元，用于计算所述权重特征矩阵与所述分类特征矩阵的按位置点乘以得到所述校正后分类特征矩阵。
8.根据权利要求7所述的轴流式调节阀，其特征在于，所述特征收敛约束单元，进一步用于：以如下公式对所述协同输出特征向量和所述阀门开度特征向量进行向量模基的希尔伯特空间约束以得到所述权重特征向量；其中，所述公式为：
，
其中和分别表示所述协同输出特征向量和所述阀门开度特征向量，表示向量的二范数，表示向量的按位置加法，和为加权超参数，表示以卷积算子对向量进行一维卷积，表示所述权重特征向量。
9.根据权利要求8所述的轴流式调节阀，其特征在于，所述阀门开度控制模块，包括：展开单元，用于将所述校正后分类特征矩阵按照行向量或者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；以及分类结果生成单元，用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
10.一种轴流式调节阀的控制方法，其特征在于，包括：获取预定时间段内多个预定时间点的阀门开度值，以及，所述多个预定时间点的输出压力和输出流量；将所述多个预定时间点的输出压力和输出流量分别按照时间维度排列为压力输入向量和流量输入向量后，计算所述压力输入向量和所述流量输入向量之间的协同输入矩阵；将所述协同输入矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络模型以得到协同输出特征矩阵；将所述多个预定时间点的阀门开度值按照时间维度排列为阀门开度输入向量后通过多尺度邻域特征提取模块以得到阀门开度特征向量；基于高斯密度图对所述阀门开度特征向量进行特征级数据增强以得到阀门开度特征矩阵；计算所述协同输出特征矩阵相对于所述阀门开度特征矩阵的转移矩阵作为分类特征矩阵；基于所述协同输出特征矩阵和所述阀门开度特征矩阵，对所述分类特征矩阵进行特征分布校正以得到校正后分类特征矩阵；以及将所述校正后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当前时间点的阀门开度值应增大或应减小。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310058013.3A CN116025765B (zh) | 2023-01-17 | 2023-01-17 | 轴流式调节阀及其控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310058013.3A CN116025765B (zh) | 2023-01-17 | 2023-01-17 | 轴流式调节阀及其控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116025765A true CN116025765A (zh) | 2023-04-28 |
| CN116025765B CN116025765B (zh) | 2024-01-19 |
Family
ID=86070449
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310058013.3A Active CN116025765B (zh) | 2023-01-17 | 2023-01-17 | 轴流式调节阀及其控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116025765B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117686042A (zh) * | 2024-02-02 | 2024-03-12 | 成都秦川物联网科技股份有限公司 | 一种物联网超声波水表阀控联动方法、系统及设备 |
| CN117686042B (zh) * | 2024-02-02 | 2024-05-24 | 成都秦川物联网科技股份有限公司 | 一种物联网超声波水表阀控联动方法、系统及设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106321935A (zh) * | 2016-11-07 | 2017-01-11 | 四川中油乐仪能源装备制造股份有限公司 | 轴流式调节阀 |
| WO2020140633A1 (zh) * | 2019-01-04 | 2020-07-09 | 平安科技（深圳）有限公司 | 文本主题提取方法、装置、电子设备及存储介质 |
| CN112393896A (zh) * | 2020-11-25 | 2021-02-23 | 重庆川仪自动化股份有限公司 | 调节阀气缸弹簧状态确定方法、终端、介质及阀门定位器 |
| CN112819251A (zh) * | 2021-02-26 | 2021-05-18 | 北京西门子西伯乐斯电子有限公司 | 供热阀门开度控制方法、装置和计算机可读介质 |
| CN113391607A (zh) * | 2021-06-22 | 2021-09-14 | 四川华能太平驿水电有限责任公司 | 一种基于深度学习的水电站闸门控制方法及系统 |
| CN115378344A (zh) * | 2022-10-24 | 2022-11-22 | 徐州康翔精密制造有限公司 | 电磁电机及其防潮控制方法 |
| CN115586755A (zh) * | 2022-10-28 | 2023-01-10 | 福建省龙德新能源有限公司 | 用于六氟磷酸锂制备的生产管理控制系统及其方法 |
-
2023
- 2023-01-17 CN CN202310058013.3A patent/CN116025765B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106321935A (zh) * | 2016-11-07 | 2017-01-11 | 四川中油乐仪能源装备制造股份有限公司 | 轴流式调节阀 |
| WO2020140633A1 (zh) * | 2019-01-04 | 2020-07-09 | 平安科技（深圳）有限公司 | 文本主题提取方法、装置、电子设备及存储介质 |
| CN112393896A (zh) * | 2020-11-25 | 2021-02-23 | 重庆川仪自动化股份有限公司 | 调节阀气缸弹簧状态确定方法、终端、介质及阀门定位器 |
| CN112819251A (zh) * | 2021-02-26 | 2021-05-18 | 北京西门子西伯乐斯电子有限公司 | 供热阀门开度控制方法、装置和计算机可读介质 |
| CN113391607A (zh) * | 2021-06-22 | 2021-09-14 | 四川华能太平驿水电有限责任公司 | 一种基于深度学习的水电站闸门控制方法及系统 |
| CN115378344A (zh) * | 2022-10-24 | 2022-11-22 | 徐州康翔精密制造有限公司 | 电磁电机及其防潮控制方法 |
| CN115586755A (zh) * | 2022-10-28 | 2023-01-10 | 福建省龙德新能源有限公司 | 用于六氟磷酸锂制备的生产管理控制系统及其方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117686042A (zh) * | 2024-02-02 | 2024-03-12 | 成都秦川物联网科技股份有限公司 | 一种物联网超声波水表阀控联动方法、系统及设备 |
| CN117686042B (zh) * | 2024-02-02 | 2024-05-24 | 成都秦川物联网科技股份有限公司 | 一种物联网超声波水表阀控联动方法、系统及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116025765B (zh) | 2024-01-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105632486A (zh) | 一种智能硬件的语音唤醒方法和装置 | |
| Rawat et al. | Application of adversarial networks for 3D structural topology optimization | |
| CN110969020A (zh) | 基于cnn和注意力机制的中文命名实体识别方法、系统及介质 | |
| Wu et al. | Reduced order model using convolutional auto-encoder with self-attention | |
| Dai et al. | Sliced iterative normalizing flows | |
| CN109410251B (zh) | 基于稠密连接卷积网络的目标跟踪方法 | |
| CN116048031A (zh) | 用于石油助剂生产的控制系统及其方法 | |
| CN104199829A (zh) | 情感数据分类方法和系统 | |
| CN113408706B (zh) | 训练用户兴趣挖掘模型、用户兴趣挖掘的方法和装置 | |
| Scheidt et al. | A multi-resolution workflow to generate high-resolution models constrained to dynamic data | |
| CN111079447A (zh) | 一种面向中文的预训练方法及系统 | |
| CN112149645A (zh) | 基于生成对抗学习和图神经网络的人体姿势关键点识别方法 | |
| CN116451145A (zh) | 用于干细胞运输的降温装置及方法 | |
| CN116025765B (zh) | 轴流式调节阀及其控制方法 | |
| CN111723203A (zh) | 一种基于终生学习的文本分类方法 | |
| CN110287326A (zh) | 一种带背景描述的企业情感分析方法 | |
| CN117072740A (zh) | 气动调节阀的自动控制系统及其方法 | |
| Calderhead et al. | Sparse approximate manifolds for differential geometric mcmc | |
| CN116851856A (zh) | 纯水线切割加工工艺及其系统 | |
| Zhu et al. | Laplace maximum margin Markov networks | |
| Wang et al. | Learning to abstract and compose mechanical device function and behavior | |
| Teh et al. | Augmented neural odes | |
| CN113434668A (zh) | 一种基于模型融合的深度学习文本分类方法及系统 | |
| Kuleshov et al. | Extended regression on manifolds estimation | |
| Kuleshov et al. | Statistical learning on manifold-valued data |
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 |