CN117072740A - 气动调节阀的自动控制系统及其方法 - Google Patents

Abstract

公开了一种气动调节阀的自动控制系统及其方法。其首先获取预定时间段内多个预定时间点的管道介质的流速值，以及所述多个预定时间点的管道压力值，接着，将所述多个预定时间点的管道介质的流速值和所述多个预定时间点的管道压力值分别按照时间维度排列为流速时序输入向量和压力时序输入向量，然后，对所述流速时序输入向量和所述压力时序输入向量进行时序交互关联特征分析以得到流速‑压力间时序交互特征，最后，基于所述流速‑压力间时序交互特征，确定当前时间点的管道压力值应增大或减小，并控制气动执行器。这样，可以实现对流体流速和管道压力的自适应控制，确保管道流体的稳定性和可靠性。

Description

气动调节阀的自动控制系统及其方法

技术领域

本公开涉及自动控制领域，且更为具体地，涉及一种气动调节阀的自动控制系统及其方法。

背景技术

气动调节阀是一种利用压缩气体作为动力源，通过气缸作为执行器，并借助于阀门定位器、转换器、电磁阀、保位阀、储气罐、气体过滤器等附件来驱动阀门的设备。它可以实现开关量或比例式的调节，接收工业自动化控制系统的信号，从而完成对管道介质的流量、压力、温度、液位等各种工艺过程参数的调节。

然而，在传统的气动调节阀控制系统中，通常使用固定的控制策略和参数来调节阀门的开度，以维持管道内的压力。这种固定的控制策略缺乏实时感知和响应能力，无法根据实际情况自动调整阀门的开度，从而无法适应管道内介质流速的变化和管道系统的动态特性，导致控制效果不佳，影响了系统的稳定性和控制精度。并且，传统控制系统通常依赖操作人员的经验和判断来进行调节和干预，导致对于外部扰动（如管道介质的波动、压力的突变等）的抗干扰能力较弱。一旦发生扰动，系统的控制响应可能不及时或产生过度调节，导致流体流量和压力的波动。

因此，期望一种气动调节阀的自动控制系统。

发明内容

有鉴于此，本公开提出了一种气动调节阀的自动控制系统及其方法，其可以自动控制气动执行器以调节阀门的开度，从而实现对流体流速和管道压力的自适应控制，确保管道流体的稳定性和可靠性。

根据本公开的一方面，提供了一种气动调节阀的自动控制系统，其包括：

数据采集模块，用于获取预定时间段内多个预定时间点的管道介质的流速值，以及所述多个预定时间点的管道压力值；

参数时序排列模块，用于将所述多个预定时间点的管道介质的流速值和所述多个预定时间点的管道压力值分别按照时间维度排列为流速时序输入向量和压力时序输入向量；

流速-压力时序特征交互模块，用于对所述流速时序输入向量和所述压力时序输入向量进行时序交互关联特征分析以得到流速-压力间时序交互特征；以及

气动执行器控制模块，用于基于所述流速-压力间时序交互特征，确定当前时间点的管道压力值应增大或减小，并控制气动执行器。

根据本公开的另一方面，提供了一种气动调节阀的自动控制方法，其包括：

获取预定时间段内多个预定时间点的管道介质的流速值，以及所述多个预定时间点的管道压力值；

将所述多个预定时间点的管道介质的流速值和所述多个预定时间点的管道压力值分别按照时间维度排列为流速时序输入向量和压力时序输入向量；

对所述流速时序输入向量和所述压力时序输入向量进行时序交互关联特征分析以得到流速-压力间时序交互特征；以及

基于所述流速-压力间时序交互特征，确定当前时间点的管道压力值应增大或减小，并控制气动执行器。

根据本公开的实施例，其首先获取预定时间段内多个预定时间点的管道介质的流速值，以及所述多个预定时间点的管道压力值，接着，将所述多个预定时间点的管道介质的流速值和所述多个预定时间点的管道压力值分别按照时间维度排列为流速时序输入向量和压力时序输入向量，然后，对所述流速时序输入向量和所述压力时序输入向量进行时序交互关联特征分析以得到流速-压力间时序交互特征，最后，基于所述流速-压力间时序交互特征，确定当前时间点的管道压力值应增大或减小，并控制气动执行器。这样，可以实现对流体流速和管道压力的自适应控制，确保管道流体的稳定性和可靠性。

根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

附图说明

包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。

图1示出根据本公开的实施例的气动调节阀的自动控制系统的框图。

图2示出根据本公开的实施例的气动调节阀的自动控制系统中所述流速-压力时序特征交互模块的框图。

图3示出根据本公开的实施例的气动调节阀的自动控制系统中所述气动执行器控制模块的框图。

图4示出根据本公开的实施例的气动调节阀的自动控制方法的流程图。

图5示出根据本公开的实施例的气动调节阀的自动控制方法的架构示意图。

图6示出根据本公开的实施例的气动调节阀的自动控制系统的应用场景图。

具体实施方式

下面将结合附图对本公开实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本公开的部分实施例，而不是全部的实施例。基于本公开实施例，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，也属于本公开保护的范围。

如本公开和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

针对上述技术问题，本公开的技术构思为通过实时监测采集管道介质的流速值和管道压力值，并在后端引入数据处理和分析算法来进行管道介质的流速值和管道压力值的时序关联分析，以此来根据实际情况自动控制气动执行器以调节阀门的开度，从而实现对流体流速和管道压力的自适应控制，确保管道流体的稳定性和可靠性。

图1示出根据本公开的实施例的气动调节阀的自动控制系统的框图示意图。如图1所示，根据本公开实施例的气动调节阀的自动控制系统100，包括：数据采集模块110，用于获取预定时间段内多个预定时间点的管道介质的流速值，以及所述多个预定时间点的管道压力值；参数时序排列模块120，用于将所述多个预定时间点的管道介质的流速值和所述多个预定时间点的管道压力值分别按照时间维度排列为流速时序输入向量和压力时序输入向量；流速-压力时序特征交互模块130，用于对所述流速时序输入向量和所述压力时序输入向量进行时序交互关联特征分析以得到流速-压力间时序交互特征；以及，气动执行器控制模块140，用于基于所述流速-压力间时序交互特征，确定当前时间点的管道压力值应增大或减小，并控制气动执行器。

具体地，在本公开的技术方案中，首先，获取预定时间段内多个预定时间点的管道介质的流速值，以及，所述多个预定时间点的管道压力值。接着，考虑到所述管道介质的流速值和所述管道压力值在时间维度上是不断变化的，也就是说，所述多个预定时间点的管道介质的流速值和管道压力值分别在时间维度上具有着时序的关联关系。因此，为了能够利用所述管道介质的流速值和所述管道压力值的时序协同关联特征来进行阀门开度的自适应控制，在本公开的技术方案中，需要将所述多个预定时间点的管道介质的流速值和所述多个预定时间点的管道压力值分别按照时间维度排列为流速时序输入向量和压力时序输入向量，以此来分别整合所述管道介质的流速值和所述管道压力值在时序上的分布信息。

然后，为了能够提高对流体流速和管道压力的时序细微变化的捕捉能力，在本公开的技术方案中，进一步分别对所述流速时序输入向量和所述压力时序输入向量进行基于线性插值的上采样以得到上采样流速时序输入向量和上采样压力时序输入向量，以此来分别增加所述流体流速值和所述管道压力值数据在时序上的密度和平滑度，从而便于后续更好地分别表示这两者的时序特征。应可以理解，通过线性插值的上采样，可以将原始的时序输入向量中的数据点进行插值，生成更多的数据点。这样，有助于增加流体流速和管道压力数据分别时间维度上的分辨率，使得这两者的时序变化更加细致可见。同时，线性插值可以在采样点之间进行平滑插值，减少噪声和突变的影响，提高数据的连续性和稳定性。

继而，将所述上采样流速时序输入向量和所述上采样压力时序输入向量分别通过基于一维卷积层的时序特征提取器中进行特征挖掘，以分别提取出所述管道介质的流速值和所述管道压力值在时间维度上的时序关联特征信息，即所述管道介质流速和所述管道压力的时序变化特征信息，从而得到流速时序特征向量和压力时序特征向量。

进一步地，使用特征间注意层对所述流速时序特征向量和所述压力时序特征向量进行基于注意力机制的特征交互以得到流速-压力间时序交互特征向量，以此来捕捉所述管道介质流速时序变化特征和所述管道压力时序变化特征之间的关联和相互影响。应可以理解，由于传统的注意力机制的目标是学习一个注意力权重矩阵，将较大的权重赋予重要的特征，较小的权重赋予次要的特征，从而选择出对当前任务目标更关键的信息。这种方式更侧重于对各个特征的重要性进行加权，而忽略了特征之间的依赖关系。而所述特征间注意层能够通过基于注意力机制的特征交互，可以捕捉到所述管道介质流速时序变化特征和所述管道压力时序变化特征之间的相关性和相互影响，可以学习到不同特征之间的依赖关系，并根据这些依赖关系对特征进行交互和整合，从而得到流速-压力间时序交互特征向量，以便于后续能够更准确地对于阀门的开度进行自适应调整，使得管道介质流速和管道压力能够更加稳定可靠。

相应地，如图2所示，所述流速-压力时序特征交互模块130，包括：上采样单元131，用于分别对所述流速时序输入向量和所述压力时序输入向量进行基于线性插值的上采样以得到上采样流速时序输入向量和上采样压力时序输入向量；参数时序特征提取单元132，用于通过基于深度神经网络模型的时序特征提取器分别对所述上采样流速时序输入向量和所述上采样压力时序输入向量进行时序特征提取以得到流速时序特征向量和压力时序特征向量；以及，流速-压力时序特征交互关联编码单元133，用于对所述流速时序特征向量和所述压力时序特征向量进行特征交互关联编码以得到流速-压力间时序交互特征向量作为所述流速-压力间时序交互特征。应可以理解，所述流速-压力时序特征交互模块130包括上采样单元131、参数时序特征提取单元132和流速-压力时序特征交互关联编码单元133三个单元。上采样单元131用于对流速时序输入向量和压力时序输入向量进行基于线性插值的上采样，以得到上采样流速时序输入向量和上采样压力时序输入向量，上采样是一种信号处理技术，通过插值方法将输入信号的采样率提高，以获得更高精度的时序数据。参数时序特征提取单元132使用基于深度神经网络模型的时序特征提取器，对上采样流速时序输入向量和上采样压力时序输入向量进行时序特征提取，通过深度神经网络模型，该单元能够学习并提取输入时序数据中的有用特征，得到流速时序特征向量和压力时序特征向量。这些特征向量可以用于后续的分析和处理。流速-压力时序特征交互关联编码单元133对流速时序特征向量和压力时序特征向量进行特征交互关联编码，以得到流速-压力间时序交互特征向量，作为流速-压力间时序交互特征的表示，这个单元的作用是将流速和压力的时序特征进行融合和编码，以捕捉它们之间的交互关系，这种交互特征可以提供更全面和综合的信息，用于进一步的分析和应用，例如预测、分类或控制等任务。换言之，上采样单元用于提高输入数据的采样率，参数时序特征提取单元用于提取流速和压力的时序特征，而流速-压力时序特征交互关联编码单元用于将这些特征进行融合和编码，以得到流速-压力间时序交互特征。这些单元共同工作，构成了流速-压力时序特征交互模块的功能。

值得一提的是，线性插值是一种常用的插值方法，用于在给定的数据点之间估计未知点的值，它基于线性关系，假设在两个已知数据点之间的未知点的值与其位置的线性关系成正比。具体来说，线性插值通过使用已知数据点的值和位置之间的线性关系来估计未知点的值。假设有两个已知数据点(x1,y1)和(x2,y2)，其中x1和x2是已知点的位置，y1和y2是已知点的值。要估计位于这两个已知点之间位置x的点的值，线性插值使用以下公式：其中，y是要估计的未知点的值，x是未知点的位置。这个公式表示未知点的值与其位置的线性关系，根据已知点之间的斜率和位置差异进行估计。线性插值可以应用于各种领域，它是一种简单而有效的插值方法，特别适用于近似连续函数或曲线的中间点的值。

更具体地，在所述参数时序特征提取单元132中，所述基于深度神经网络模型的时序特征提取器为基于一维卷积层的时序特征提取器。值得一提的是，一维卷积层是深度神经网络中的一种常用层，用于处理时序数据（例如时间序列、信号序列等）。与二维卷积层不同，一维卷积层在时间维度上进行滑动窗口的卷积操作，以提取时序数据中的局部特征。一维卷积层在时序数据中应用滤波器（也称为卷积核）来执行卷积操作。滤波器的大小决定了窗口的宽度，而滤波器的数量决定了提取的特征数量。在卷积操作中，滤波器在时序数据上进行滑动，并计算窗口内的卷积运算，得到一个新的特征值。通过在整个时序数据上滑动窗口并应用多个滤波器，一维卷积层可以提取出不同尺度和抽象级别的时序特征。一维卷积层的主要优势之一是它可以自动学习时序数据中的局部模式和特征，而无需手动设计特征。通过反向传播算法，网络可以学习到适合特定任务的滤波器权重，从而提高模型的性能。在参数时序特征提取单元132中，基于一维卷积层的时序特征提取器用于从上采样的流速时序输入向量和上采样的压力时序输入向量中提取时序特征。一维卷积层可以有效地捕捉到时序数据中的局部模式和动态变化，从而提供有关流速和压力的重要特征信息。通过使用深度神经网络模型，时序特征提取器可以学习到更高级别和抽象的时序特征表示，为后续的流速-压力时序特征交互关联编码提供更丰富的输入。

更具体地，所述流速-压力时序特征交互关联编码单元133，用于：使用特征间注意层对所述流速时序特征向量和所述压力时序特征向量进行基于注意力机制的特征交互以得到所述流速-压力间时序交互特征向量。值得一提的是，注意力机制是一种在深度学习中常用的机制，用于根据输入的不同特征的重要性或相关性，动态地分配不同的权重或注意力给这些特征，从而实现对输入的有选择性地关注和加权。在深度学习中，注意力机制可以帮助模型在处理复杂的输入时，更加有效地聚焦于相关的信息，减少对无关信息的干扰。通过学习特征之间的相关性，注意力机制可以自动地决定哪些特征对当前任务更重要，从而提高模型的性能和泛化能力。在流速-压力时序特征交互关联编码单元133中，使用特征间注意层对流速时序特征向量和压力时序特征向量进行基于注意力机制的特征交互。这意味着模型会自动学习流速和压力之间的相关性，并根据这些相关性动态地分配注意力权重给不同的特征。通过这种方式，模型可以更好地捕捉到流速和压力之间的时序交互特征，提高对它们之间关联的建模能力。注意力机制的使用可以提高模型的表达能力和灵活性，使得模型能够更好地适应不同的输入和任务。通过引入注意力机制，模型可以更加智能地处理信息，提高对关键特征的关注度，从而提升模型的性能和效果。

进而，再将所述流速-压力间时序交互特征向量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管道压力值应增大或减小。也就是说，利用所述管道介质流速时序变化特征和所述管道压力时序变化特征之间的时序交互关联特征来进行分类处理，以此来进行当前时间点的管道压力值应增大或减小的判断评估，并基于所述分类结果，控制气动执行器以调节阀门开度来实现对流体流速和管道压力的自适应控制，从而确保管道流体的稳定性和可靠性。

相应地，如图3所示，所述气动执行器控制模块140，包括：管道压力检测单元141，用于将所述流速-压力间时序交互特征向量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管道压力值应增大或减小；以及，气动执行器调控单元142，用于基于所述分类结果，控制气动执行器。

更具体地，管道压力检测单元141，用于：使用所述分类器的全连接层对所述流速-压力间时序交互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。

也就是，在本公开的技术方案中，所述分类器的标签包括当前时间点的管道压力值应增大(第一标签)，以及，当前时间点的管道压力值应减小(第二标签)，其中，所述分类器通过软最大值函数来确定所述流速-压力间时序交互特征向量属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“当前时间点的管道压力值应增大或减小”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，当前时间点的管道压力值应增大或减小的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“当前时间点的管道压力值应增大或减小”的语言文本意义。

应可以理解，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类（或预测）。逻辑回归（logistics）、SVM等常用于解决二分类问题，对于多分类问题（multi-class classification），同样也可以用逻辑回归或SVM，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有Softmax分类函数。

进一步地，在本公开的技术方案中，所述的气动调节阀的自动控制系统，其还包括用于对所述基于一维卷积层的时序特征提取器、所述特征间注意层和所述分类器进行训练的训练模块。

更具体地，所述训练模块，包括：训练数据采集单元，用于获取训练数据，所述训练数据包括预定时间段内多个预定时间点的管道介质的训练流速值、训练管道压力值，以及，所述当前时间点的管道压力值应增大或减小的真实值；训练参数时序排列单元，用于将所述多个预定时间点的管道介质的训练流速值和所述多个预定时间点的训练管道压力值分别按照时间维度排列为训练流速时序输入向量和训练压力时序输入向量；训练参数时序上采样单元，用于分别对所述训练流速时序输入向量和所述训练压力时序输入向量进行基于线性插值的上采样以得到训练上采样流速时序输入向量和训练上采样压力时序输入向量；训练参数时序特征提取单元，用于将所述训练上采样流速时序输入向量和所述训练上采样压力时序输入向量分别通过所述基于一维卷积层的时序特征提取器以得到训练流速时序特征向量和训练压力时序特征向量；训练参数时序特征交互单元，用于使用所述特征间注意层对所述训练流速时序特征向量和所述训练压力时序特征向量进行基于注意力机制的特征交互以得到训练流速-压力间时序交互特征向量；分类损失单元，用于将所述训练流速-压力间时序交互特征向量通过所述分类器以得到分类损失函数值；以及，模型训练单元，用于基于所述分类损失函数值并通过梯度下降的方向传播来对所述基于一维卷积层的时序特征提取器、所述特征间注意层和所述分类器进行训练，其中，在所述训练的每一轮迭代中，对所述分类器的权重矩阵进行基于基准注释的外部边界约束迭代。

特别地，在本公开的技术方案中，所述训练流速时序特征向量和所述训练压力时序特征向量分别表达管道介质的训练流速值和训练管道压力值的局部时序关联特征，这样，使用特征间注意层对所述训练流速时序特征向量和所述训练压力时序特征向量进行基于注意力机制的特征交互时，可以提取所述训练流速时序特征向量和所述训练压力时序特征向量之间的依赖关系特征，但是，这也会使得所述训练流速-压力间时序交互特征向量的整体特征分布偏离所述训练流速时序特征向量和所述训练压力时序特征向量表达的局部时序关联特征分布，从而在分类场景下，在分类器的权重矩阵迭代过程中导致所述训练流速-压力间时序交互特征向量的类概率映射的时序特征偏移，以及进一步的权重矩阵基于所述训练流速-压力间时序交互特征向量的时序拟合发散，从而影响模型的训练效果，以及训练好的模型得到的所述训练流速-压力间时序交互特征向量的分类结果的准确性。

基于此，本公开的申请人在所述训练流速-压力间时序交互特征向量通过分类器的训练过程中，进行权重矩阵的基于基准注释的外部边界约束。

相应地，在一个具体示例中，在所述训练的每一轮迭代中，以如下优化公式对所述分类器的权重矩阵进行基于基准注释的外部边界约束迭代；其中，所述优化公式为：其中，/>和/>分别是上次和本次迭代的权重矩阵，其中在首次迭代时，采用不同的初始化策略设置/>和/>，（例如，/>设置为单位矩阵而/>设置为待分类特征向量的均值对角矩阵），/>是所述训练流速-压力间时序交互特征向量，且为列向量形式，/>表示矩阵乘法，/>表示矩阵加法，/>表示转置操作，/>表示迭代后的所述分类器的权重矩阵。

这里，通过以所述训练流速-压力间时序交互特征向量在权重空间内的迭代关联表示来作为权重矩阵迭代的外部关联边界约束，从而在将前次的权重矩阵作为本次迭代过程中的基准注释（benchmark annotation）的情况下，减小权重空间迭代过程当中以所述训练流速-压力间时序交互特征向量/>的类概率映射作为锚点的定向不匹配（orientedmismatch），从而进行权重矩阵在迭代过程中相对于所述训练流速-压力间时序交互特征向量/>的类概率映射的时序偏移的补偿，并进一步增强权重矩阵基于所述训练流速-压力间时序交互特征向量/>的时序拟合聚合，以提升模型的训练效果，以及训练好的模型得到的所述流速-压力间时序交互特征向量的分类结果的准确性。这样，能够根据实际情况自动控制气动执行器以调节阀门的开度，从而实现对流体流速和管道压力的自适应控制，确保管道流体的稳定性和可靠性。

综上，基于本公开实施例的气动调节阀的自动控制系统100被阐明，其可以实现对流体流速和管道压力的自适应控制，确保管道流体的稳定性和可靠性。

如上所述，根据本公开实施例的所述气动调节阀的自动控制系统100可以实现在各种终端设备中，例如具有气动调节阀的自动控制算法的服务器等。在一个示例中，气动调节阀的自动控制系统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，该气动调节阀的自动控制系统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，该气动调节阀的自动控制系统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，该气动调节阀的自动控制系统100与该终端设备也可以是分立的设备，并且该气动调节阀的自动控制系统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。

图4示出根据本公开的实施例的气动调节阀的自动控制方法的流程图。图5示出根据本公开的实施例的气动调节阀的自动控制方法的系统架构的示意图。如图4和图5所示，根据本公开实施例的气动调节阀的自动控制方法，其包括：S110，获取预定时间段内多个预定时间点的管道介质的流速值，以及所述多个预定时间点的管道压力值；S120，将所述多个预定时间点的管道介质的流速值和所述多个预定时间点的管道压力值分别按照时间维度排列为流速时序输入向量和压力时序输入向量；S130，对所述流速时序输入向量和所述压力时序输入向量进行时序交互关联特征分析以得到流速-压力间时序交互特征；以及，S140，基于所述流速-压力间时序交互特征，确定当前时间点的管道压力值应增大或减小，并控制气动执行器。

在一种可能的实现方式中，对所述流速时序输入向量和所述压力时序输入向量进行时序交互关联特征分析以得到流速-压力间时序交互特征，包括：

分别对所述流速时序输入向量和所述压力时序输入向量进行基于线性插值的上采样以得到上采样流速时序输入向量和上采样压力时序输入向量；通过基于深度神经网络模型的时序特征提取器分别对所述上采样流速时序输入向量和所述上采样压力时序输入向量进行时序特征提取以得到流速时序特征向量和压力时序特征向量；以及，对所述流速时序特征向量和所述压力时序特征向量进行特征交互关联编码以得到流速-压力间时序交互特征向量作为所述流速-压力间时序交互特征。

这里，本领域技术人员可以理解，上述气动调节阀的自动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3的气动调节阀的自动控制系统的描述中得到了详细介绍，并因此，将省略其重复描述。

图6示出根据本公开的实施例的气动调节阀的自动控制系统的应用场景图。如图6所示，在该应用场景中，首先，获取预定时间段内多个预定时间点的管道介质的流速值（例如，图6中所示意的D1），以及所述多个预定时间点的管道压力值（例如，图6中所示意的D2），然后，将所述多个预定时间点的管道介质的流速值和所述多个预定时间点的管道压力值输入至部署有气动调节阀的自动控制算法的服务器中（例如，图6中所示意的S），其中，所述服务器能够使用所述气动调节阀的自动控制算法对所述多个预定时间点的管道介质的流速值和所述多个预定时间点的管道压力值进行处理以得到用于表示当前时间点的管道压力值应增大或减小的分类结果，然后，基于所述分类结果，控制气动执行器。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种气动调节阀的自动控制系统，其特征在于，包括：

数据采集模块，用于获取预定时间段内多个预定时间点的管道介质的流速值，以及所述多个预定时间点的管道压力值；

参数时序排列模块，用于将所述多个预定时间点的管道介质的流速值和所述多个预定时间点的管道压力值分别按照时间维度排列为流速时序输入向量和压力时序输入向量；

流速-压力时序特征交互模块，用于对所述流速时序输入向量和所述压力时序输入向量进行时序交互关联特征分析以得到流速-压力间时序交互特征；以及

气动执行器控制模块，用于基于所述流速-压力间时序交互特征，确定当前时间点的管道压力值应增大或减小，并控制气动执行器。

2.根据权利要求1所述的气动调节阀的自动控制系统，其特征在于，所述流速-压力时序特征交互模块，包括：

上采样单元，用于分别对所述流速时序输入向量和所述压力时序输入向量进行基于线性插值的上采样以得到上采样流速时序输入向量和上采样压力时序输入向量；

参数时序特征提取单元，用于通过基于深度神经网络模型的时序特征提取器分别对所述上采样流速时序输入向量和所述上采样压力时序输入向量进行时序特征提取以得到流速时序特征向量和压力时序特征向量；以及

流速-压力时序特征交互关联编码单元，用于对所述流速时序特征向量和所述压力时序特征向量进行特征交互关联编码以得到流速-压力间时序交互特征向量作为所述流速-压力间时序交互特征。

3.根据权利要求2所述的气动调节阀的自动控制系统，其特征在于，所述基于深度神经网络模型的时序特征提取器为基于一维卷积层的时序特征提取器。

4.根据权利要求3所述的气动调节阀的自动控制系统，其特征在于，所述流速-压力时序特征交互关联编码单元，用于：

使用特征间注意层对所述流速时序特征向量和所述压力时序特征向量进行基于注意力机制的特征交互以得到所述流速-压力间时序交互特征向量。

5.根据权利要求4所述的气动调节阀的自动控制系统，其特征在于，所述气动执行器控制模块，包括：

管道压力检测单元，用于将所述流速-压力间时序交互特征向量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管道压力值应增大或减小；以及

气动执行器调控单元，用于基于所述分类结果，控制气动执行器。

6.根据权利要求5所述的气动调节阀的自动控制系统，其特征在于，还包括用于对所述基于一维卷积层的时序特征提取器、所述特征间注意层和所述分类器进行训练的训练模块。

7.根据权利要求6所述的气动调节阀的自动控制系统，其特征在于，所述训练模块，包括：

训练数据采集单元，用于获取训练数据，所述训练数据包括预定时间段内多个预定时间点的管道介质的训练流速值、训练管道压力值，以及，所述当前时间点的管道压力值应增大或减小的真实值；

训练参数时序排列单元，用于将所述多个预定时间点的管道介质的训练流速值和所述多个预定时间点的训练管道压力值分别按照时间维度排列为训练流速时序输入向量和训练压力时序输入向量；

训练参数时序上采样单元，用于分别对所述训练流速时序输入向量和所述训练压力时序输入向量进行基于线性插值的上采样以得到训练上采样流速时序输入向量和训练上采样压力时序输入向量；

训练参数时序特征提取单元，用于将所述训练上采样流速时序输入向量和所述训练上采样压力时序输入向量分别通过所述基于一维卷积层的时序特征提取器以得到训练流速时序特征向量和训练压力时序特征向量；

训练参数时序特征交互单元，用于使用所述特征间注意层对所述训练流速时序特征向量和所述训练压力时序特征向量进行基于注意力机制的特征交互以得到训练流速-压力间时序交互特征向量；

分类损失单元，用于将所述训练流速-压力间时序交互特征向量通过所述分类器以得到分类损失函数值；以及

模型训练单元，用于基于所述分类损失函数值并通过梯度下降的方向传播来对所述基于一维卷积层的时序特征提取器、所述特征间注意层和所述分类器进行训练，其中，在所述训练的每一轮迭代中，对所述分类器的权重矩阵进行基于基准注释的外部边界约束迭代。

8.根据权利要求7所述的气动调节阀的自动控制系统，其特征在于，在所述训练的每一轮迭代中，以如下优化公式对所述分类器的权重矩阵进行基于基准注释的外部边界约束迭代；

其中，所述优化公式为：其中，/>和/>分别是上次和本次迭代的权重矩阵，/>是所述训练流速-压力间时序交互特征向量，且/>为列向量形式，/>表示矩阵乘法，/>表示矩阵加法，/>表示转置操作，/>表示迭代后的所述分类器的权重矩阵。

9.一种气动调节阀的自动控制方法，其特征在于，包括：

获取预定时间段内多个预定时间点的管道介质的流速值，以及所述多个预定时间点的管道压力值；

将所述多个预定时间点的管道介质的流速值和所述多个预定时间点的管道压力值分别按照时间维度排列为流速时序输入向量和压力时序输入向量；

对所述流速时序输入向量和所述压力时序输入向量进行时序交互关联特征分析以得到流速-压力间时序交互特征；以及

基于所述流速-压力间时序交互特征，确定当前时间点的管道压力值应增大或减小，并控制气动执行器。

10.根据权利要求9所述的气动调节阀的自动控制方法，其特征在于，对所述流速时序输入向量和所述压力时序输入向量进行时序交互关联特征分析以得到流速-压力间时序交互特征，包括：

分别对所述流速时序输入向量和所述压力时序输入向量进行基于线性插值的上采样以得到上采样流速时序输入向量和上采样压力时序输入向量；

通过基于深度神经网络模型的时序特征提取器分别对所述上采样流速时序输入向量和所述上采样压力时序输入向量进行时序特征提取以得到流速时序特征向量和压力时序特征向量；以及

对所述流速时序特征向量和所述压力时序特征向量进行特征交互关联编码以得到流速-压力间时序交互特征向量作为所述流速-压力间时序交互特征。