CN116794975B - 电动蝶阀的智能控制方法及其系统 - Google Patents
电动蝶阀的智能控制方法及其系统 Download PDFInfo
- Publication number
- CN116794975B CN116794975B CN202211643772.8A CN202211643772A CN116794975B CN 116794975 B CN116794975 B CN 116794975B CN 202211643772 A CN202211643772 A CN 202211643772A CN 116794975 B CN116794975 B CN 116794975B
- Authority
- CN
- China
- Prior art keywords
- scale
- matrix
- feature matrix
- classification
- feature
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 239000011159 matrix material Substances 0.000 claims description 324
- 239000013598 vector Substances 0.000 claims description 108
- 238000013527 convolutional neural network Methods 0.000 claims description 43
- 230000004927 fusion Effects 0.000 claims description 37
- 238000003062 neural network model Methods 0.000 claims description 24
- 238000010586 diagram Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 17
- 230000003247 decreasing effect Effects 0.000 claims description 16
- 238000011176 pooling Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 11
- 238000012546 transfer Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000013135 deep learning Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000007499 fusion processing Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000007789 sealing Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16K—VALVES; TAPS; COCKS; ACTUATING-FLOATS; DEVICES FOR VENTING OR AERATING
- F16K1/00—Lift valves or globe valves, i.e. cut-off apparatus with closure members having at least a component of their opening and closing motion perpendicular to the closing faces
- F16K1/16—Lift valves or globe valves, i.e. cut-off apparatus with closure members having at least a component of their opening and closing motion perpendicular to the closing faces with pivoted closure-members
- F16K1/18—Lift valves or globe valves, i.e. cut-off apparatus with closure members having at least a component of their opening and closing motion perpendicular to the closing faces with pivoted closure-members with pivoted discs or flaps
- F16K1/22—Lift valves or globe valves, i.e. cut-off apparatus with closure members having at least a component of their opening and closing motion perpendicular to the closing faces with pivoted closure-members with pivoted discs or flaps with axis of rotation crossing the valve member, e.g. butterfly valves
- F16K1/221—Lift valves or globe valves, i.e. cut-off apparatus with closure members having at least a component of their opening and closing motion perpendicular to the closing faces with pivoted closure-members with pivoted discs or flaps with axis of rotation crossing the valve member, e.g. butterfly valves specially adapted operating means therefor
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16K—VALVES; TAPS; COCKS; ACTUATING-FLOATS; DEVICES FOR VENTING OR AERATING
- F16K31/00—Actuating devices; Operating means; Releasing devices
- F16K31/02—Actuating devices; Operating means; Releasing devices electric; magnetic
- F16K31/04—Actuating devices; Operating means; Releasing devices electric; magnetic using a motor
- F16K31/041—Actuating devices; Operating means; Releasing devices electric; magnetic using a motor for rotating valves
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Lift Valve (AREA)
- Indication Of The Valve Opening Or Closing Status (AREA)
Abstract
本申请涉及智能控制领域,其具体地公开了一种电动蝶阀的智能控制方法及其系统,其通过采用基于深度学习的神经网络模型,基于系统管线压力来自适应地调整阀门开度,以使得管线内的流量保持在相对稳定的流量范围内,避免了系统支路或末端过流或欠流引起的动态水力失调问题。
Description
技术领域
本申请涉及智能控制领域,且更为具体地,涉及一种电动蝶阀的智能控制方法及其系统。
背景技术
电动蝶阀通常由角行程电动执行机构和蝶阀整体通过机械连接,经过安装调试后共同组成。常见的中央空调系统中冷却水系统会设置电动蝶阀用于冷却塔循环水的开关控制,安装在管道上主要起切断和节流作用。
目前现有的用于电动蝶阀的控制方案为:根据系统的进回水的压力差,进行比例积分运算,输出模拟量信号进行调节的电动蝶阀的开度,这种靠水温单回路调节流量系统,比例带过小,积分时间过短,微分时间和微分增益过大都可能产生系统振荡。调节振荡较大,会使阀门调节动作过于频繁,电机来回转动,阀板来回摆动,导致执行器发热易坏;而且在小流量低负荷的情况下,调节阀门处于小于30%的开度状态,而此状态阀门的流阻很大,节流口间隙小,流速大,水流冲击阀板厉害,当一系列的变化超过阀的刚度时,稳定性差,容易产生振动;同时开度过小,阀芯密封面易受气蚀损伤。密封的寿命缩短,会影响系统长期使用效果。
因此,期待一种优化的用于电动蝶阀的智能控制方案。
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电动蝶阀的智能控制方法及其系统,其通过采用基于深度学习的神经网络模型,基于系统管线压力来自适应地调整阀门开度,以使得管线内的流量保持在相对稳定的流量范围内,避免了系统支路或末端过流或欠流引起的动态水力失调问题。
根据本申请的一个方面,提供了一种电动蝶阀的智能控制方法,其包括:
获取预定时间段内多个预定时间点的系统管线压力值以及所述多个预定时间点的管道实时流量值;
将所述多个预定时间点的系统管线压力值和所述管道实时流量值分别按照时间维度排列为系统管线压力输入向量和管道实时流量输入向量;
对所述系统管线压力输入向量和所述管道实时流量输入向量进行关联编码以得到压力-流量关联矩阵;
将所述压力-流量关联矩阵通过使用具有第一尺度的二维卷积核的第一卷积神经网络模型以得到第一尺度关联特征矩阵;
将所述压力-流量关联矩阵通过使用具有第二尺度的二维卷积核的第二卷积神经网络模型以得到第二尺度关联特征矩阵;
融合所述第一尺度关联特征矩阵和所述第二尺度关联特征矩阵以得到分类特征矩阵;以及
将所述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电动蝶阀的阀门开度值应增大、应减小或应保持。
在上述电动蝶阀的智能控制方法中,所述对所述系统管线压力输入向量和所述管道实时流量输入向量进行关联编码以得到压力-流量关联矩阵,包括:计算所述系统管线压力输入向量的转置向量与所述管道实时流量输入向量之间的乘积以得到所述压力-流量关联矩阵。
在上述电动蝶阀的智能控制方法中,所述将所述压力-流量关联矩阵通过使用具有第一尺度的二维卷积核的第一卷积神经网络模型以得到第一尺度关联特征矩阵,包括:使用所述具有第一尺度的二维卷积核的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述具有第一尺度的二维卷积核的第一卷积神经网络的最后一层的输出为所述第一尺度关联特征矩阵,所述具有第一尺度的二维卷积核的第一卷积神经网络的第一层的输入为所述压力-流量关联矩阵。
在上述电动蝶阀的智能控制方法中,所述将所述压力-流量关联矩阵通过使用具有第二尺度的二维卷积核的第二卷积神经网络模型以得到第二尺度关联特征矩阵,包括:使用所述具有第二尺度的二维卷积核的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述具有第二尺度的二维卷积核的第二卷积神经网络的最后一层的输出为所述第二尺度关联特征矩阵,所述具有第二尺度的二维卷积核的第二卷积神经网络的第一层的输入为所述压力-流量关联矩阵。
在上述电动蝶阀的智能控制方法中,所述融合所述第一尺度关联特征矩阵和所述第二尺度关联特征矩阵以得到分类特征矩阵,包括:计算所述第一尺度关联特征矩阵和所述第二尺度关联特征矩阵之间的按位置加权和以得到初始分类特征矩阵;对所述第一尺度关联特征矩阵和所述第二尺度关联特征矩阵进行类节点的拓扑-类中心融合以得到融合特征矩阵;以及,将所述初始分类特征矩阵与所述融合特征矩阵进行矩阵相乘以得到所述分类特征矩阵。
在上述电动蝶阀的智能控制方法中,所述对所述第一尺度关联特征矩阵和所述第二尺度关联特征矩阵进行类节点的拓扑-类中心融合以得到融合特征矩阵,包括:以如下公式对所述第一尺度关联特征矩阵和所述第二尺度关联特征矩阵进行类节点的拓扑-类中心融合以得到融合特征矩阵;
其中,所述公式为:
其中和⊙分别表示矩阵的Kronecker积和Hadamard积,M1为所述第一尺度关联特征矩阵,M2为所述第二尺度关联特征矩阵,D(M1,M2)为所述第一尺度关联特征矩阵和所述第二尺度关联特征矩阵之间的逐位置距离矩阵,即/> Mc为所述融合特征矩阵,exp(·)表示矩阵的指数运算。
在上述电动蝶阀的智能控制方法中,所述将所述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电动蝶阀的阀门开度值应增大、应减小或应保持,包括:将所述分类特征矩阵基于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。
根据本申请的另一方面,提供了一种电动蝶阀的智能控制系统,其包括:
数据获取模块,用于获取预定时间段内多个预定时间点的系统管线压力值以及所述多个预定时间点的管道实时流量值;
传感器数据结构化模块,用于将所述多个预定时间点的系统管线压力值和所述管道实时流量值分别按照时间维度排列为系统管线压力输入向量和管道实时流量输入向量;
关联编码模块,用于对所述系统管线压力输入向量和所述管道实时流量输入向量进行关联编码以得到压力-流量关联矩阵;
第一卷积模块,用于将所述压力-流量关联矩阵通过使用具有第一尺度的二维卷积核的第一卷积神经网络模型以得到第一尺度关联特征矩阵;
第二卷积模块,用于将所述压力-流量关联矩阵通过使用具有第二尺度的二维卷积核的第二卷积神经网络模型以得到第二尺度关联特征矩阵;
融合模块,用于融合所述第一尺度关联特征矩阵和所述第二尺度关联特征矩阵以得到分类特征矩阵;以及
分类结果生成模块,用于将所述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电动蝶阀的阀门开度值应增大、应减小或应保持。
根据本申请的再一方面,提供了一种电子设备,包括:处理器;以及,存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的电动蝶阀的智能控制方法。
根据本申请的又一方面,提供了一种计算机可读介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的电动蝶阀的智能控制方法。
与现有技术相比,本申请提供的一种电动蝶阀的智能控制方法及其系统,其通过采用基于深度学习的神经网络模型,基于系统管线压力来自适应地调整阀门开度,以使得管线内的流量保持在相对稳定的流量范围内,避免了系统支路或末端过流或欠流引起的动态水力失调问题。
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电动蝶阀的智能控制方法的应用场景图;
图2为根据本申请实施例的电动蝶阀的智能控制方法的流程图;
图3为根据本申请实施例的电动蝶阀的智能控制方法的架构示意图;
图4为根据本申请实施例的电动蝶阀的智能控制方法中第一卷积神经网络编码的流程图;
图5为根据本申请实施例的电动蝶阀的智能控制方法中特征融合过程的流程图;
图6为根据本申请实施例的电动蝶阀的智能控制方法中分类过程的流程图;
图7为根据本申请实施例的电动蝶阀的智能控制系统的框图;
图8为根据本申请实施例的电子设备的框图。
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。
场景概述
如背景技术中所言,现有的用于电动蝶阀的控制方案存在诸多缺陷,因此,期待一种优化的用于电动蝶阀的智能控制方案。在本申请的技术方案中,基于系统管线压力来自适应地调整阀门开度,以使得管线内的流量保持在相对稳定的流量范围内,避免了系统支路或末端过流或欠流引起的动态水力失调问题。
在构建所述智能控制方案的过程中,系统管线压力的变化是微弱的,且系统管线压力与阀门开度之间的关联模式是复杂的且为非线性的,难以通过常规的统计模型或特征工程来进行模拟和表示。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上述智能控制方案的构建提供了新的解决思路和方案。
具体地,获取预定时间段内多个预定时间点的系统管线压力值以及所述多个预定时间点的管道实时流量值。也就是,通过传感器系统来实时地监测系统管线压力值和管道实时流量值,其中,所述电动蝶阀通过调整其阀门开度来调整管道实时流量值。
接着,将所述多个预定时间点的系统管线压力值和所述管道实时流量值分别按照时间维度排列为系统管线压力输入向量和管道实时流量输入向量。也就是,在数据结构层面,将所述多个预定时间点的系统管线压力值和所述管道实时流量值按照时间维度进行结构化处理以得到所述系统管线压力值的时序向量和所述管道实时流量值的时序向量。
然后,对所述系统管线压力输入向量和所述管道实时流量输入向量进行关联编码以得到压力-流量关联矩阵。也就是,在数据结构层面,对所述系统管线压力输入向量和所述管道实时流量输入向量进行沿着时序维度的关联编码以得到所述压力-流量关联矩阵。在本申请一个具体的示例中,计算所述系统管线压力输入向量的转置向量和所述管道实时流量输入向量之间的乘积以得到所述压力-流量关联矩阵,也就是,计算所述系统管线压力输入向量和所述管道实时流量输入向量之间的逐位置响应以得到所述压力-流量关联矩阵。
接着,将所述压力-流量关联矩阵通过使用具有第一尺度的二维卷积核的第一卷积神经网络模型以得到第一尺度关联特征矩阵。同时,将所述压力-流量关联矩阵通过使用具有第二尺度的二维卷积核的第二卷积神经网络模型以得到第二尺度关联特征矩阵。也就是,使用并行的所述第一卷积神经网络模型和所述第二卷积神经网络模型对所述压力-流量关联矩阵进行基于不同尺度的卷积核的多尺度局部特征感知以得到所述第一尺度关联特征矩阵和所述第二尺度关联特征矩阵。这里,所述第一尺度关联特征矩阵和所述第二尺度关联特征矩阵用于表示系统管线压力和管道实时流量在局部时空内的高维隐含关联模式特征。
接着,融合所述第二尺度关联特征矩阵和所述第一尺度关联特征矩阵以得到分类特征矩阵,并将所述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电动蝶阀的阀门开度值应增大、应减小或应保持。也就是,使用所述分类器来确定所述分类特征矩阵的类概率标签,其中,在本申请的技术方案中,所述类概率标签包括当前时间点的电动蝶阀的阀门开度值应增大(第一标签)、应减小(第二标签)或应保持(第三标签)。应注意到,所述分类器的类概率标签为阀门开度控制策略标签,因此,在得到所述分类结果后,可通过所述分类结果来智能地调整所述电动蝶阀的阀门开度,这样基于系统管线压力来自适应地调整阀门开度,以使得管线内的流量保持在相对稳定的流量范围内,避免了系统支路或末端过流或欠流引起的动态水力失调问题。
特别地,在本申请的技术方案中,在融合所述第一尺度关联特征矩阵和所述第二尺度关联特征矩阵得到所述分类特征矩阵时,由于所述第一尺度关联特征矩阵和所述第二尺度关联特征矩阵分别表达不同尺度下的所述压力-流量关联矩阵的局部关联特征分布,因此其可能存在类中心偏移,从而影响所述分类特征矩阵的分类结果的准确性。
因此,优选地对所述第一尺度关联特征矩阵M1和所述第二尺度关联特征矩阵M2进行类节点的拓扑-类中心融合,表示为:
和⊙分别表示矩阵的Kronecker积和Hadamard积,D(M1,M2)为特征矩阵M1和M2之间的逐位置距离矩阵,即/>
本申请的申请人考虑到在分类器的多分类问题中,如果将所述第一尺度关联特征矩阵M1和所述第二尺度关联特征矩阵M2融合后的类节点表示为树形式,则所述第一尺度关联特征矩阵M1和所述第二尺度关联特征矩阵M2各自的类节点分布为基于根节点的子树,因此可以利用节点之间关联的图拓扑,来使得融合后的类节点的节点分布基于图拓扑而表现为以各自节点为中心的子图结构,从而表达以所述第一尺度关联特征矩阵M1和所述第二尺度关联特征矩阵M2各自的类节点为根的子树结构,以实现所述第一尺度关联特征矩阵M1和所述第二尺度关联特征矩阵M2的基于类节点-中心的拓扑式融合,从而消除所述第一尺度关联特征矩阵M1和所述第二尺度关联特征矩阵M2之间的类中心偏移。
进而,将融合后的特征矩阵Mc与所述分类特征矩阵Mf进行矩阵相乘,以将所述分类特征矩阵Mf映射到消除类中心偏移的融合特征空间内,以提升所述分类特征矩阵Mf的分类结果的准确性。也就是,提高所述电动蝶阀的阀门开度的自适应控制的精准度。
基于此,本申请提出了一种电动蝶阀的智能控制方法,其包括:获取预定时间段内多个预定时间点的系统管线压力值以及所述多个预定时间点的管道实时流量值;将所述多个预定时间点的系统管线压力值和所述管道实时流量值分别按照时间维度排列为系统管线压力输入向量和管道实时流量输入向量;对所述系统管线压力输入向量和所述管道实时流量输入向量进行关联编码以得到压力-流量关联矩阵;将所述压力-流量关联矩阵通过使用具有第一尺度的二维卷积核的第一卷积神经网络模型以得到第一尺度关联特征矩阵;将所述压力-流量关联矩阵通过使用具有第二尺度的二维卷积核的第二卷积神经网络模型以得到第二尺度关联特征矩阵;融合所述第一尺度关联特征矩阵和所述第二尺度关联特征矩阵以得到分类特征矩阵;以及,将所述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电动蝶阀的阀门开度值应增大、应减小或应保持。
图1为根据本申请实施例的电动蝶阀的智能控制方法的应用场景图。如图1所示,在该应用场景中,通过压力传感器(例如,如图1中所示意的P)获取预定时间段内多个预定时间点的系统管线压力值,以及通过流量传感器(例如,如图1中所示意的F)获取所述多个预定时间点的管道实时流量值。接着,将上述信息输入至部署有用于电动蝶阀的智能控制算法的服务器(例如,图1中的S)中,其中,所述服务器能够以所述电动蝶阀的智能控制算法对上述输入的信息进行处理,以生成用于表示当前时间点的电动蝶阀的阀门开度值应增大、应减小或应保持的分类结果。
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。
示例性方法
图2为根据本申请实施例的电动蝶阀的智能控制方法的流程图。如图2所示,根据本申请实施例的电动蝶阀的智能控制方法,包括步骤:S110,获取预定时间段内多个预定时间点的系统管线压力值以及所述多个预定时间点的管道实时流量值;S120,将所述多个预定时间点的系统管线压力值和所述管道实时流量值分别按照时间维度排列为系统管线压力输入向量和管道实时流量输入向量;S130,对所述系统管线压力输入向量和所述管道实时流量输入向量进行关联编码以得到压力-流量关联矩阵;S140,将所述压力-流量关联矩阵通过使用具有第一尺度的二维卷积核的第一卷积神经网络模型以得到第一尺度关联特征矩阵;S150,将所述压力-流量关联矩阵通过使用具有第二尺度的二维卷积核的第二卷积神经网络模型以得到第二尺度关联特征矩阵;S160,融合所述第一尺度关联特征矩阵和所述第二尺度关联特征矩阵以得到分类特征矩阵;以及,S170,将所述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电动蝶阀的阀门开度值应增大、应减小或应保持。
图3为根据本申请实施例的电动蝶阀的智能控制方法的架构示意图。如图3所示,在该网络结构中,首先,获取预定时间段内多个预定时间点的系统管线压力值以及所述多个预定时间点的管道实时流量值;其次,将所述多个预定时间点的系统管线压力值和所述管道实时流量值分别按照时间维度排列为系统管线压力输入向量和管道实时流量输入向量;对所述系统管线压力输入向量和所述管道实时流量输入向量进行关联编码以得到压力-流量关联矩阵;接着,将所述压力-流量关联矩阵通过使用具有第一尺度的二维卷积核的第一卷积神经网络模型以得到第一尺度关联特征矩阵;将所述压力-流量关联矩阵通过使用具有第二尺度的二维卷积核的第二卷积神经网络模型以得到第二尺度关联特征矩阵;然后,融合所述第一尺度关联特征矩阵和所述第二尺度关联特征矩阵以得到分类特征矩阵;进而,将所述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电动蝶阀的阀门开度值应增大、应减小或应保持。
具体地,在步骤S110中,获取预定时间段内多个预定时间点的系统管线压力值以及所述多个预定时间点的管道实时流量值。在本申请的技术方案中,基于系统管线压力来自适应地调整阀门开度,以使得管线内的流量保持在相对稳定的流量范围内,避免了系统支路或末端过流或欠流引起的动态水力失调问题。因此,首先,通过传感器系统来实时地监测系统管线压力值和管道实时流量值,其中,所述电动蝶阀通过调整其阀门开度来调整管道实时流量值,在本申请的一个具体示例中,可通过压力传感器来获取预定时间段内多个预定时间点的系统管线压力值,以及通过流量传感器来获取所述多个预定时间点的管道实时流量值。
具体地,在步骤S120中,将所述多个预定时间点的系统管线压力值和所述管道实时流量值分别按照时间维度排列为系统管线压力输入向量和管道实时流量输入向量。也就是,将所述多个预定时间点的系统管线压力值和所述管道实时流量值分别按照时间维度排列为系统管线压力输入向量和管道实时流量输入向量。也就是,在数据结构层面,将所述多个预定时间点的系统管线压力值和所述管道实时流量值按照时间维度进行结构化处理以得到所述系统管线压力值的时序向量和所述管道实时流量值的时序向量。
具体地,在步骤S130中,对所述系统管线压力输入向量和所述管道实时流量输入向量进行关联编码以得到压力-流量关联矩阵。也就是,在数据结构层面,对所述系统管线压力输入向量和所述管道实时流量输入向量进行沿着时序维度的关联编码以得到所述压力-流量关联矩阵。在本申请一个具体的示例中,计算所述系统管线压力输入向量的转置向量和所述管道实时流量输入向量之间的乘积以得到所述压力-流量关联矩阵,也就是,计算所述系统管线压力输入向量和所述管道实时流量输入向量之间的逐位置响应以得到所述压力-流量关联矩阵。
具体地,在步骤S140和步骤S150中,将所述压力-流量关联矩阵通过使用具有第一尺度的二维卷积核的第一卷积神经网络模型以得到第一尺度关联特征矩阵;以及,将所述压力-流量关联矩阵通过使用具有第二尺度的二维卷积核的第二卷积神经网络模型以得到第二尺度关联特征矩阵。在本申请的技术方案中,将所述压力-流量关联矩阵通过使用具有第一尺度的二维卷积核的第一卷积神经网络模型以得到第一尺度关联特征矩阵。同时,将所述压力-流量关联矩阵通过使用具有第二尺度的二维卷积核的第二卷积神经网络模型以得到第二尺度关联特征矩阵。也就是,使用并行的所述第一卷积神经网络模型和所述第二卷积神经网络模型对所述压力-流量关联矩阵进行基于不同尺度的卷积核的多尺度局部特征感知以得到所述第一尺度关联特征矩阵和所述第二尺度关联特征矩阵。这里,所述第一尺度关联特征矩阵和所述第二尺度关联特征矩阵用于表示系统管线压力和管道实时流量在局部时空内的高维隐含关联模式特征。在一个具体示例中,所述第一卷积神经网络和所述第二卷积神经网络包括相互级联的多个神经网络层,其中各个神经网络层包括卷积层、池化层和激活层。其中,在所述第一卷积神经网络和所述第二卷积神经网络的编码过程中,所述第一卷积神经网络和所述第二卷积神经网络的各层在层的正向传递过程中对输入数据使用所述卷积层进行基于卷积核的卷积处理、使用所述池化层对由所述卷积层输出的卷积特征图进行池化处理和使用所述激活层对由所述池化层输出的池化特征图进行激活处理。
图4为根据本申请实施例的电动蝶阀的智能控制方法中第一卷积神经网络编码的流程图。如图4所示,在所述第一卷积神经网络编码过程中,包括:使用所述具有第二尺度的二维卷积核的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:S210,对输入数据进行卷积处理以得到卷积特征图;S220,对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图;以及,S230,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述具有第二尺度的二维卷积核的第二卷积神经网络的最后一层的输出为所述第二尺度关联特征矩阵,所述具有第二尺度的二维卷积核的第二卷积神经网络的第一层的输入为所述压力-流量关联矩阵。
具体地,在步骤S160中,融合所述第一尺度关联特征矩阵和所述第二尺度关联特征矩阵以得到分类特征矩阵。也就是,融合所述第二尺度关联特征矩阵和所述第一尺度关联特征矩阵以得到分类特征矩阵,特别地,在本申请的技术方案中,在融合所述第一尺度关联特征矩阵和所述第二尺度关联特征矩阵得到所述分类特征矩阵时,由于所述第一尺度关联特征矩阵和所述第二尺度关联特征矩阵分别表达不同尺度下的所述压力-流量关联矩阵的局部关联特征分布,因此其可能存在类中心偏移,从而影响所述分类特征矩阵的分类结果的准确性。因此,优选地对所述第一尺度关联特征矩阵M1和所述第二尺度关联特征矩阵M2进行类节点的拓扑-类中心融合,表示为:
其中和⊙分别表示矩阵的Kronecker积和Hadamard积,M1为所述第一尺度关联特征矩阵,M2为所述第二尺度关联特征矩阵,D(M1,M2)为所述第一尺度关联特征矩阵和所述第二尺度关联特征矩阵之间的逐位置距离矩阵,即/> Mc为所述融合特征矩阵,exp(·)表示矩阵的指数运算。本申请的申请人考虑到在分类器的多分类问题中,如果将所述第一尺度关联特征矩阵M1和所述第二尺度关联特征矩阵M2融合后的类节点表示为树形式,则所述第一尺度关联特征矩阵M1和所述第二尺度关联特征矩阵M2各自的类节点分布为基于根节点的子树,因此可以利用节点之间关联的图拓扑,来使得融合后的类节点的节点分布基于图拓扑而表现为以各自节点为中心的子图结构,从而表达以所述第一尺度关联特征矩阵M1和所述第二尺度关联特征矩阵M2各自的类节点为根的子树结构,以实现所述第一尺度关联特征矩阵M1和所述第二尺度关联特征矩阵M2的基于类节点-中心的拓扑式融合,从而消除所述第一尺度关联特征矩阵M1和所述第二尺度关联特征矩阵M2之间的类中心偏移。进而,将融合后的特征矩阵Mc与所述分类特征矩阵Mf进行矩阵相乘,以将所述分类特征矩阵Mf映射到消除类中心偏移的融合特征空间内,以提升所述分类特征矩阵Mf的分类结果的准确性。也就是,提高所述电动蝶阀的阀门开度的自适应控制的精准度。
图5为根据本申请实施例的电动蝶阀的智能控制方法中特征融合过程的流程图。如图5所示,在所述融合过程中,包括:S310,计算所述第一尺度关联特征矩阵和所述第二尺度关联特征矩阵之间的按位置加权和以得到初始分类特征矩阵;S320,对所述第一尺度关联特征矩阵和所述第二尺度关联特征矩阵进行类节点的拓扑-类中心融合以得到融合特征矩阵;以及,S330,将所述初始分类特征矩阵与所述融合特征矩阵进行矩阵相乘以得到所述分类特征矩阵。
具体地,在步骤S170中,将所述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电动蝶阀的阀门开度值应增大、应减小或应保持。也就是,将所述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电动蝶阀的阀门开度值应增大、应减小或应保持。也就是,使用所述分类器来确定所述分类特征矩阵的类概率标签,其中,在本申请的技术方案中,所述类概率标签包括当前时间点的电动蝶阀的阀门开度值应增大(第一标签)、应减小(第二标签)或应保持(第三标签)。应注意到,所述分类器的类概率标签为阀门开度控制策略标签,因此,在得到所述分类结果后,可通过所述分类结果来智能地调整所述电动蝶阀的阀门开度,这样基于系统管线压力来自适应地调整阀门开度,以使得管线内的流量保持在相对稳定的流量范围内,避免了系统支路或末端过流或欠流引起的动态水力失调问题。具体地,所述将所述分类特征矩阵通过分类器以得到分类结果,包括;使用所述分类器以如下公式对所述分类特征矩阵进行处理以获得分类结果,其中,所述公式为:
O=softmax{(Wn,Bn):…:(W1,B1)|Project(F)},其中Project(F)表示将所述分类特征矩阵投影为向量,W1至Wn为各层全连接层的权重矩阵,B1至Bn表示各层全连接层的偏置向量。具体地,所述分类器包括多个全连接层和与所述多个全连接层最后一个全连接层级联的Softmax层。其中,在所述分类器的分类处理中,首先将所述分类特征矩阵投影为向量,例如,在一个具体的示例中,将所述分类特征矩阵沿着行向量或者列向量进行展开为分类特征向量;然后,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多次全连接编码以得到编码分类特征向量;进而,将所述编码分类特征向量输入所述分类器的Softmax层,即,使用所述Softmax分类函数对所述编码分类特征向量进行分类处理以得到用于表示当前时间点的电动蝶阀的阀门开度值应增大、应减小或应保持的分类结果。
图6为根据本申请实施例的电动蝶阀的智能控制方法中分类过程的流程图。如图6所示,在所述分类过程中,包括:S410,将所述分类特征矩阵基于行向量或列向量展开为分类特征向量;S420,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,S430,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。
综上,根据本申请实施例的电动蝶阀的智能控制方法被阐明,其通过采用基于深度学习的神经网络模型,基于系统管线压力来自适应地调整阀门开度,以使得管线内的流量保持在相对稳定的流量范围内,避免了系统支路或末端过流或欠流引起的动态水力失调问题。
示例性系统
图7为根据本申请实施例的电动蝶阀的智能控制系统的框图。如图7所示,根据本申请实施例的电动蝶阀的智能控制系统300,包括:数据获取模块310;传感器数据结构化模块320;关联编码模块330;第一卷积模块340;第二卷积模块350;融合模块360;以及,分类结果生成模块370。
其中,所述数据获取模块310,用于获取预定时间段内多个预定时间点的系统管线压力值以及所述多个预定时间点的管道实时流量值;所述传感器数据结构化模块320,用于将所述多个预定时间点的系统管线压力值和所述管道实时流量值分别按照时间维度排列为系统管线压力输入向量和管道实时流量输入向量;所述关联编码模块330,用于对所述系统管线压力输入向量和所述管道实时流量输入向量进行关联编码以得到压力-流量关联矩阵;所述第一卷积模块340,用于将所述压力-流量关联矩阵通过使用具有第一尺度的二维卷积核的第一卷积神经网络模型以得到第一尺度关联特征矩阵;所述第二卷积模块350,用于将所述压力-流量关联矩阵通过使用具有第二尺度的二维卷积核的第二卷积神经网络模型以得到第二尺度关联特征矩阵;所述融合模块360,用于融合所述第一尺度关联特征矩阵和所述第二尺度关联特征矩阵以得到分类特征矩阵;以及,所述分类结果生成模块370,用于将所述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电动蝶阀的阀门开度值应增大、应减小或应保持。
在一个示例中,在上述电动蝶阀的智能控制系统300中,所述关联编码模块330,进一步用于:计算所述系统管线压力输入向量的转置向量与所述管道实时流量输入向量之间的乘积以得到所述压力-流量关联矩阵。
在一个示例中,在上述电动蝶阀的智能控制系统300中,所述第一卷积模块340,进一步用于:使用所述具有第一尺度的二维卷积核的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述具有第一尺度的二维卷积核的第一卷积神经网络的最后一层的输出为所述第一尺度关联特征矩阵,所述具有第一尺度的二维卷积核的第一卷积神经网络的第一层的输入为所述压力-流量关联矩阵。
在一个示例中,在上述电动蝶阀的智能控制系统300中,所述第二卷积模块350,进一步用于:使用所述具有第二尺度的二维卷积核的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述具有第二尺度的二维卷积核的第二卷积神经网络的最后一层的输出为所述第二尺度关联特征矩阵,所述具有第二尺度的二维卷积核的第二卷积神经网络的第一层的输入为所述压力-流量关联矩阵。
在一个示例中,在上述电动蝶阀的智能控制系统300中,所述融合模块360,进一步用于:计算所述第一尺度关联特征矩阵和所述第二尺度关联特征矩阵之间的按位置加权和以得到初始分类特征矩阵;对所述第一尺度关联特征矩阵和所述第二尺度关联特征矩阵进行类节点的拓扑-类中心融合以得到融合特征矩阵;以及,将所述初始分类特征矩阵与所述融合特征矩阵进行矩阵相乘以得到所述分类特征矩阵。其中,所述对所述第一尺度关联特征矩阵和所述第二尺度关联特征矩阵进行类节点的拓扑-类中心融合以得到融合特征矩阵,包括:以如下公式对所述第一尺度关联特征矩阵和所述第二尺度关联特征矩阵进行类节点的拓扑-类中心融合以得到融合特征矩阵;
其中,所述公式为:
其中和⊙分别表示矩阵的Kronecker积和Hadamard积,M1为所述第一尺度关联特征矩阵,M2为所述第二尺度关联特征矩阵,D(M1,M2)为所述第一尺度关联特征矩阵和所述第二尺度关联特征矩阵之间的逐位置距离矩阵,即/> Mc为所述融合特征矩阵,exp(·)表示矩阵的指数运算。
在一个示例中,在上述电动蝶阀的智能控制系统300中,所述分类结果生成模块370,进一步用于:将所述分类特征矩阵基于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。
综上,根据本申请实施例的电动蝶阀的智能控制系统300被阐明,其通过采用基于深度学习的神经网络模型,基于系统管线压力来自适应地调整阀门开度,以使得管线内的流量保持在相对稳定的流量范围内,避免了系统支路或末端过流或欠流引起的动态水力失调问题。
如上所述,根据本申请实施例的电动蝶阀的智能控制系统可以实现在各种终端设备中。在一个示例中,根据本申请实施例的电动蝶阀的智能控制系统300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,该电动蝶阀的智能控制系统300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,该电动蝶阀的智能控制系统300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,该电动蝶阀的智能控制系统300与该终端设备也可以是分立的设备,并且该电动蝶阀的智能控制系统300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。
示例性电子设备
下面,参考图8来描述根据本申请实施例的电子设备。
图8图示了根据本申请实施例的电子设备的框图。
如图8所示,电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器11可以运行所述程序指令,以实现上文所述的本申请的各个实施例的电动蝶阀的智能控制方法中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如分类特征矩阵等各种内容。
在一个示例中,电子设备10还可以包括:输入装置13和输出装置14,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息,包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图8中仅示出了该电子设备10中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的电动蝶阀的智能控制方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的电动蝶阀的智能控制方法中的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
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 (8)
1.一种电动蝶阀的智能控制方法,其特征在于,包括:
获取预定时间段内多个预定时间点的系统管线压力值以及所述多个预定时间点的管道实时流量值;
将所述多个预定时间点的系统管线压力值和所述管道实时流量值分别按照时间维度排列为系统管线压力输入向量和管道实时流量输入向量;
对所述系统管线压力输入向量和所述管道实时流量输入向量进行关联编码以得到压力-流量关联矩阵;
将所述压力-流量关联矩阵通过使用具有第一尺度的二维卷积核的第一卷积神经网络模型以得到第一尺度关联特征矩阵;
将所述压力-流量关联矩阵通过使用具有第二尺度的二维卷积核的第二卷积神经网络模型以得到第二尺度关联特征矩阵;
融合所述第一尺度关联特征矩阵和所述第二尺度关联特征矩阵以得到分类特征矩阵;以及
将所述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电动蝶阀的阀门开度值应增大、应减小或应保持;
其中,所述融合所述第一尺度关联特征矩阵和所述第二尺度关联特征矩阵以得到分类特征矩阵,包括:
计算所述第一尺度关联特征矩阵和所述第二尺度关联特征矩阵之间的按位置加权和以得到初始分类特征矩阵;
对所述第一尺度关联特征矩阵和所述第二尺度关联特征矩阵进行类节点的拓扑-类中心融合以得到融合特征矩阵;以及
将所述初始分类特征矩阵与所述融合特征矩阵进行矩阵相乘以得到所述分类特征矩阵;
其中,所述对所述第一尺度关联特征矩阵和所述第二尺度关联特征矩阵进行类节点的拓扑-类中心融合以得到融合特征矩阵,包括:以如下公式对所述第一尺度关联特征矩阵和所述第二尺度关联特征矩阵进行类节点的拓扑-类中心融合以得到融合特征矩阵;
其中,所述公式为:
,
其中和/>分别表示矩阵的Kronecker积和Hadamard积,/>为所述第一尺度关联特征矩阵,/>为所述第二尺度关联特征矩阵,/>为所述第一尺度关联特征矩阵和所述第二尺度关联特征矩阵之间的逐位置距离矩阵,即/>,/>为所述融合特征矩阵,/>表示矩阵的指数运算。
2.根据权利要求1所述的电动蝶阀的智能控制方法,其特征在于,所述对所述系统管线压力输入向量和所述管道实时流量输入向量进行关联编码以得到压力-流量关联矩阵,包括:
计算所述系统管线压力输入向量的转置向量与所述管道实时流量输入向量之间的乘积以得到所述压力-流量关联矩阵。
3.根据权利要求2所述的电动蝶阀的智能控制方法,其特征在于,所述将所述压力-流量关联矩阵通过使用具有第一尺度的二维卷积核的第一卷积神经网络模型以得到第一尺度关联特征矩阵,包括:使用所述具有第一尺度的二维卷积核的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:
对输入数据进行卷积处理以得到卷积特征图;
对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图;以及
对所述池化特征图进行非线性激活以得到激活特征图;
其中,所述具有第一尺度的二维卷积核的第一卷积神经网络的最后一层的输出为所述第一尺度关联特征矩阵,所述具有第一尺度的二维卷积核的第一卷积神经网络的第一层的输入为所述压力-流量关联矩阵。
4.根据权利要求3所述的电动蝶阀的智能控制方法,其特征在于,所述将所述压力-流量关联矩阵通过使用具有第二尺度的二维卷积核的第二卷积神经网络模型以得到第二尺度关联特征矩阵,包括:使用所述具有第二尺度的二维卷积核的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:
对输入数据进行卷积处理以得到卷积特征图;
对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图;以及
对所述池化特征图进行非线性激活以得到激活特征图;
其中,所述具有第二尺度的二维卷积核的第二卷积神经网络的最后一层的输出为所述第二尺度关联特征矩阵,所述具有第二尺度的二维卷积核的第二卷积神经网络的第一层的输入为所述压力-流量关联矩阵。
5.根据权利要求4所述的电动蝶阀的智能控制方法,其特征在于,所述将所述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电动蝶阀的阀门开度值应增大、应减小或应保持,包括:
将所述分类特征矩阵基于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。
6.一种电动蝶阀的智能控制系统,其特征在于,包括:
数据获取模块,用于获取预定时间段内多个预定时间点的系统管线压力值以及所述多个预定时间点的管道实时流量值;
传感器数据结构化模块,用于将所述多个预定时间点的系统管线压力值和所述管道实时流量值分别按照时间维度排列为系统管线压力输入向量和管道实时流量输入向量;
关联编码模块,用于对所述系统管线压力输入向量和所述管道实时流量输入向量进行关联编码以得到压力-流量关联矩阵;
第一卷积模块,用于将所述压力-流量关联矩阵通过使用具有第一尺度的二维卷积核的第一卷积神经网络模型以得到第一尺度关联特征矩阵;
第二卷积模块,用于将所述压力-流量关联矩阵通过使用具有第二尺度的二维卷积核的第二卷积神经网络模型以得到第二尺度关联特征矩阵;
融合模块,用于融合所述第一尺度关联特征矩阵和所述第二尺度关联特征矩阵以得到分类特征矩阵;以及
分类结果生成模块,用于将所述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电动蝶阀的阀门开度值应增大、应减小或应保持;
其中,所述融合模块,用于:计算所述第一尺度关联特征矩阵和所述第二尺度关联特征矩阵之间的按位置加权和以得到初始分类特征矩阵;对所述第一尺度关联特征矩阵和所述第二尺度关联特征矩阵进行类节点的拓扑-类中心融合以得到融合特征矩阵;以及,将所述初始分类特征矩阵与所述融合特征矩阵进行矩阵相乘以得到所述分类特征矩阵;
其中,所述对所述第一尺度关联特征矩阵和所述第二尺度关联特征矩阵进行类节点的拓扑-类中心融合以得到融合特征矩阵,包括:以如下公式对所述第一尺度关联特征矩阵和所述第二尺度关联特征矩阵进行类节点的拓扑-类中心融合以得到融合特征矩阵;
其中,所述公式为:
,
其中和/>分别表示矩阵的Kronecker积和Hadamard积,/>为所述第一尺度关联特征矩阵,/>为所述第二尺度关联特征矩阵,/>为所述第一尺度关联特征矩阵和所述第二尺度关联特征矩阵之间的逐位置距离矩阵,即/>,/>为所述融合特征矩阵,/>表示矩阵的指数运算。
7.根据权利要求6所述的电动蝶阀的智能控制系统,其特征在于,所述第一卷积模块,进一步用于:使用所述具有第一尺度的二维卷积核的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:
对输入数据进行卷积处理以得到卷积特征图;
对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图;以及
对所述池化特征图进行非线性激活以得到激活特征图;
其中,所述具有第一尺度的二维卷积核的第一卷积神经网络的最后一层的输出为所述第一尺度关联特征矩阵,所述具有第一尺度的二维卷积核的第一卷积神经网络的第一层的输入为所述压力-流量关联矩阵。
8.根据权利要求7所述的电动蝶阀的智能控制系统,其特征在于,所述分类结果生成模块,包括:
展开单元,用于将所述分类特征矩阵基于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
分类结果生成单元,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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211643772.8A CN116794975B (zh) | 2022-12-20 | 2022-12-20 | 电动蝶阀的智能控制方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211643772.8A CN116794975B (zh) | 2022-12-20 | 2022-12-20 | 电动蝶阀的智能控制方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116794975A CN116794975A (zh) | 2023-09-22 |
CN116794975B true CN116794975B (zh) | 2024-02-02 |
Family
ID=88036785
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211643772.8A Active CN116794975B (zh) | 2022-12-20 | 2022-12-20 | 电动蝶阀的智能控制方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116794975B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016033708A1 (en) * | 2014-09-03 | 2016-03-10 | Xiaoou Tang | Apparatus and methods for image data classification |
KR102176337B1 (ko) * | 2019-12-06 | 2020-11-09 | 이홍섭 | 산업용 스마트 정수기 |
KR102214572B1 (ko) * | 2019-12-10 | 2021-02-09 | 주식회사 승광이엔지 | 오일 미스트 분사, 가열 및 냉각을 위한 제어 시스템 |
CN113124949A (zh) * | 2021-04-06 | 2021-07-16 | 深圳市联恒星科技有限公司 | 一种多相流流量检测方法及系统 |
CN113418229A (zh) * | 2021-06-11 | 2021-09-21 | 沈阳工业大学 | 一种基于卷积-自编码神经网络的供暖管控阀门智能调控系统 |
CN114784342A (zh) * | 2022-06-21 | 2022-07-22 | 武汉海亿新能源科技有限公司 | 一种防喘振燃料电池空气供给控制方法及系统、装置 |
CN115289265A (zh) * | 2022-08-12 | 2022-11-04 | 西安石油大学 | 一种应用于生产自动化的调节阀控制方法及系统 |
CN115393316A (zh) * | 2022-08-24 | 2022-11-25 | 维都利阀门有限公司 | 具有冲蚀状态监测系统的闪蒸阀及其监测方法 |
CN115471216A (zh) * | 2022-11-03 | 2022-12-13 | 深圳市顺源科技有限公司 | 智慧实验室管理平台的数据管理方法 |
CN115481677A (zh) * | 2022-08-25 | 2022-12-16 | 华能新能源股份有限公司 | 海上风机叶片吊装智能控制系统及其方法 |
-
2022
- 2022-12-20 CN CN202211643772.8A patent/CN116794975B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016033708A1 (en) * | 2014-09-03 | 2016-03-10 | Xiaoou Tang | Apparatus and methods for image data classification |
KR102176337B1 (ko) * | 2019-12-06 | 2020-11-09 | 이홍섭 | 산업용 스마트 정수기 |
KR102214572B1 (ko) * | 2019-12-10 | 2021-02-09 | 주식회사 승광이엔지 | 오일 미스트 분사, 가열 및 냉각을 위한 제어 시스템 |
CN113124949A (zh) * | 2021-04-06 | 2021-07-16 | 深圳市联恒星科技有限公司 | 一种多相流流量检测方法及系统 |
CN113418229A (zh) * | 2021-06-11 | 2021-09-21 | 沈阳工业大学 | 一种基于卷积-自编码神经网络的供暖管控阀门智能调控系统 |
CN114784342A (zh) * | 2022-06-21 | 2022-07-22 | 武汉海亿新能源科技有限公司 | 一种防喘振燃料电池空气供给控制方法及系统、装置 |
CN115289265A (zh) * | 2022-08-12 | 2022-11-04 | 西安石油大学 | 一种应用于生产自动化的调节阀控制方法及系统 |
CN115393316A (zh) * | 2022-08-24 | 2022-11-25 | 维都利阀门有限公司 | 具有冲蚀状态监测系统的闪蒸阀及其监测方法 |
CN115481677A (zh) * | 2022-08-25 | 2022-12-16 | 华能新能源股份有限公司 | 海上风机叶片吊装智能控制系统及其方法 |
CN115471216A (zh) * | 2022-11-03 | 2022-12-13 | 深圳市顺源科技有限公司 | 智慧实验室管理平台的数据管理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116794975A (zh) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115796173B (zh) | 针对监管报送需求的数据处理方法和系统 | |
CN115759658B (zh) | 适用于智慧城市的企业能耗数据管理系统 | |
CN115834433B (zh) | 基于物联网技术的数据处理方法及系统 | |
CN116247824B (zh) | 电力设备的控制方法及其系统 | |
CN111797589A (zh) | 一种文本处理网络、神经网络训练的方法以及相关设备 | |
CN116015837A (zh) | 用于计算机网络信息安全的入侵检测方法及系统 | |
CN116373732A (zh) | 车辆指示灯的控制方法及系统 | |
CN116257406A (zh) | 用于智慧城市的网关数据管理方法及其系统 | |
CN115880036B (zh) | 一种车位级动态共享智能管控交易平台 | |
CN116308754B (zh) | 一种银行信贷风险预警系统及其方法 | |
CN116664719A (zh) | 一种图像重绘模型训练方法、图像重绘方法及装置 | |
CN116285481A (zh) | 涂料的生产加工方法及其系统 | |
CN116307624A (zh) | 一种erp系统的资源调度方法及其系统 | |
CN116486622A (zh) | 基于道路数据的交通智能规划系统及其方法 | |
CN115205788A (zh) | 食材质量监控系统 | |
CN115878330A (zh) | 线程的运行控制方法及其系统 | |
CN114884772A (zh) | 裸机vxlan的部署方法、系统和电子设备 | |
CN116624977B (zh) | 一种基于人工智能的楼宇自控系统及其方法 | |
CN116794975B (zh) | 电动蝶阀的智能控制方法及其系统 | |
CN114037648A (zh) | 基于类Softmax函数信息熵的智能速率参数控制方法 | |
CN116629211B (zh) | 基于人工智能的写作方法及系统 | |
CN115409617B (zh) | 基于区块链的外币兑换方法及其系统 | |
CN116844088A (zh) | 在线除尘器控制系统及其方法 | |
CN116383714A (zh) | 用于斗轮机的设备保护系统及其方法 | |
CN116124448A (zh) | 用于风电齿轮箱的故障诊断系统及其方法 |
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 |