CN117664441A - 一种压力变送器的老化检测方法及系统 - Google Patents

Abstract

本发明公开了一种压力变送器的老化检测方法及系统，包括获取待检测压力变送器所在回路的电流数据，获取待检测压力变送器的温度数据，获取待检测压力变送器所处环境的湿度数据；将电流数据、温度数据和湿度数据进行归一化后，送入训练好的GNA神经网络模型中，得到压力变送器的老化结果。

Description

一种压力变送器的老化检测方法及系统

技术领域

本发明属于压力变送器技术领域，具体为一种压力变送器的老化检测方法及系统。

背景技术

压力变送器是一种传感器装置，用于测量流体或气体的压力，并将其转换为电信号输出。通常被用于各种工业自动化，过程控制和监测系统中。压力变送器具有自动补偿能力，需要人工通过软件对传感器的非线性、温漂、时漂等进行拟合，而因为软件拟合和生产组装等影响，会出现部分压力变送器的灵敏度没有达到生产标准。因此市面上的生产厂家都会对压力变送器进行老化测试，测试时间一般为48小时左右，通过温度压力变化来检测压力变送器输出的4-20mA电信号变化是否在合理范围内。目前，通常采用人工计时对压力变送器进行老化测试，并由生产线上工人观察测试，这种方法不仅消耗人工成本大，而且不容易捕捉到压力变送器的异常信号。

为了减少人工成本以及提高老化测试精度，公开号CN116296059A、CN111238724A、CN114659707A均公开了一种高精度压力变送器老化测试系统，但以上系统中存在以下问题：

(1)数据传输存在错误和不稳定性的情况；

(2)没有电流过载保护装置，在实际操作中，每个压力变送器老化后，需要在原位置上安装一个新的压力变送器，这个过程容易出现操作不规范导致电路短路，如果没有电流保护装置，会导致一整排其他正在老化的压力变送器都受到影响；

(4)对单个压力变送器的数据没有选用合适的算法进行处理，由于实际的老化过程中，受温度、湿度等因素影响，会出现一些压力变送器的某个时间点数据异常，但其符合老化测试标准，系统没有自动识别并判断；

(5)传统的压力变送器老化系统没有采用USB通信，不具备USB通信的更快速率、更低延迟的优势。

(6)不具备485通信功能，无法长距离进行传输采集模块的数据，且传输速率不高，无法满足老化系统实时监测过程中采集的高精度，高速率的数据传输；

(7)通过PLC系统采集压力变送器的电流模拟量数据，将电信号传输到PLC模拟量模块上，经过内部处理将数据显示到显示屏上，这种方式在多个压力变送器同时进行老化时，极大占用内存，且不方便单独观察某个压力变送器的读数变化。

发明内容

发明目的：为解决目前压力变送器老化测试系统对采集的数据没有选用有效的算法进行分析的情况，本发明提出了一种压力变送器的老化检测方法及系统，对压力变送器的老化情况进行实时监测和分级。

技术方案：一种压力变送器的老化检测方法，包括以下步骤：

步骤1：获取待检测压力变送器所在回路的电流数据，获取待检测压力变送器所处环境的温度数据，获取待检测压力变送器所处环境的湿度数据；

步骤2：将电流数据、温度数据和湿度数据进行归一化后，送入训练好的GNA神经网络模型中，得到压力变送器的老化结果。

进一步的，所述GNA神经网络模型包括输入层、隐藏层和输出层；

在所述隐藏层中，神经元输出的值先经过Group Normalization进行归一化处理，归一化后的值再通过ReLU函数进行激活，得到隐藏层的输出；

在所述输出层中，采用Softmax函数输出待检测压力变送器对应每个老化等级的概率分布。

进一步的，所述Softmax函数表示为：

softmax(z)＝[exp(z₁)/sum(exp(z)),exp(z₂)/sum(exp(z)),...,exp(z₆)/sum(exp(z))] (1)

其中，sum(exp(z))表示所有输出值的指数形式之和，z₁～z₆分别表示不同的老化等级。

进一步的，按照以下训练步骤对GNA神经网络模型进行训练，得到训练好的GNA神经网络模型：

获取多个压力变送器的历史电流数据、历史温度数据和历史湿度数据，每个历史电流数据对应一个历史温度数据和一个历史湿度数据；按照电流、温度和湿度进行分组，得到电流数据集、温度数据集和湿度数据集，对各数据集中的数据取标准差，将每个数据对应的相对值和标准差进行对比，对于超过设定阈值的极端值作平滑处理，得到预处理后的数据集，将该数据集划分为训练集和测试集；

利用训练集，选择Adagrad作为优化器来更新GNA神经网络模型的权重和偏置，直至达到学习停止准则后，终止循环，得到训练好的GNA神经网络模型。

进一步的，所述的利用训练集，选择Adagrad作为优化器来更新GNA神经网络模型的权重和偏置，具体包括：

从训练集中采集m个样本{x⁽¹⁾,...,x^(m)}，对应目标为y⁽ⁱ⁾；

按照下式，计算梯度：

式中，θ表示参数；

计算累积平方梯度r＝r+g⊙g；

更新逐个元素的应用除和求平方根：

式中，ε表示全局学习率ε，δ表示常数；

应用θ＝θ+Δθ；

判断是否达到学习停止准则，若达到，则终止循环，得到训练好的GNA神经网络模型；若未达到，则按照下式，更新全局学习率：

式中，n是迭代次数，ε_n表示更新后的全局学习率。

本发明公开了一种压力变送器的老化检测系统，包括：

数据采集模块，用于获取待检测压力变送器所在回路的电流数据，获取待检测压力变送器所处环境的温度数据，获取待检测压力变送器所处环境的湿度数据；

检测模块，用于将电流数据、温度数据和湿度数据进行归一化后，送入训练好的GNA神经网络模型中，得到压力变送器的老化结果。

进一步的，包括：所述GNA神经网络模型包括输入层、隐藏层和输出层；

在所述隐藏层中，神经元输出的值先经过Group Normalization进行归一化处理，归一化后的值再通过ReLU函数进行激活，得到隐藏层的输出；

在所述输出层中，采用Softmax函数输出待检测压力变送器对应每个老化等级的概率分布。

进一步的，按照以下训练步骤对GNA神经网络模型进行训练，得到训练好的GNA神经网络模型：

获取多个压力变送器的历史电流数据、历史温度数据和历史湿度数据，每个历史电流数据对应一个历史温度数据和一个历史湿度数据；按照电流、温度和湿度进行分组，得到电流数据集、温度数据集和湿度数据集，对各数据集中的数据取标准差，将每个数据对应的相对值和标准差进行对比，对于超过设定阈值的极端值作平滑处理，得到预处理后的数据集，将该数据集划分为训练集和测试集；

利用训练集，选择Adagrad作为优化器来更新GNA神经网络模型的权重和偏置，直至达到学习停止准则后，终止循环，得到训练好的GNA神经网络模型。

进一步的，所述的利用训练集，选择Adagrad作为优化器来更新GNA神经网络模型的权重和偏置，具体包括：

从训练集中采集m个样本{x⁽¹⁾,...,x^(m)}，对应目标为y⁽ⁱ⁾；

按照下式，计算梯度：

式中，θ表示参数；

计算累积平方梯度r＝r+g⊙g；

更新逐个元素的应用除和求平方根：

式中，ε表示全局学习率ε，δ表示常数；

应用θ＝θ+Δθ；

判断是否达到学习停止准则，若达到，则终止循环，得到训练好的GNA神经网络模型；若未达到，则按照下式，更新全局学习率：

式中，n是迭代次数，ε_n表示更新后的全局学习率。

有益效果：本发明与现有技术相比，具有以下优点：

(1)本发明系统采用神经网络模型对采集的压力变送器数据进行异常检测，根据训练集上计算重构误差的阈值，来确定异常点的阈值，能规避少量因温度、湿度因素影响而出现异常数据而判定不合格的情况；

(2)本发明系统通过制定适用于压力变送器老化的分级标准，采集的压力变送器数据通过神经网络模型判定合格后，会向分级标准页面发送请求，通过模块引擎技术将处理后的数据发送到分级标准页面。

附图说明

图1为整个系统结构示意图；

图2为系统软硬件架构图；

图3为硬件部分接线图；

图4为软件部分技术架构图。

图5为GNA神经网络流程图。

具体实施方式

现结合附图和实施例进一步阐述本发明的技术方案。

如图1和图2所示，本实施例公开了一种基于压力变送器的智能老化系统，其主要包括：多个采集数据模块、多个过载保护装置、RS485集线器、485转USB串口转换器和上位机；

每个压力变压器串接一个采集数据模块，各个采集数据模块之间并联，且每个采集数据模块串接一个过载保护装置，该过载保护装置包括但不限于带有蜂鸣器的过载保护装置；当某一个采集数据模块出现短接时，过载保护装置会启动蜂鸣器报警，并且断开该采集数据模块的电路，起到保护作用，同时不影响其他正常工作的采集数据模块。在本实施例中，采集数据模块包括但不限于为4-20mA转RS485模块，4-20mA转RS485模块除转换功能外还提供读数显示功能，可以读取电路中的电流值并通过LED显示屏显示，便于查看。本实施例通过给每个采集数据模块串接一个带有蜂鸣器的过载保护装置，各个采集数据模块之间是并联电路，当某一个采集数据模块出现短接时，过载保护装置会启动蜂鸣器报警，并且断开该采集数据模块的电路，起到保护作用，同时不影响其他正常工作的采集数据模块。

如图3所示，RS485集线器能够支持8路RS485总线，连接多个采集数据模块。本实施例将每层引出的线路和8口RS485集线器相连接，通过8口RS485集线器可以实现长距离稳定传输数据，放大信号强度，衰减过强的信号，以避免信号失真，同时可以解决数据传输时各个采集数据模块之间互相造成信号干扰的问题。

如图3所示，485转USB串口转换器连接RS485集线器，将来自RS485集线器的数据传送给上位机，实现上位机和RS485集线器之间的USB通信，USB通信相较于485，具有更高速的数据传输能力，可以提供更快的数据传输速度和更低的延迟，RS485集线器的数据可以更快的上传到上位机，保证了数据的实时性和准确性。

如图4所示，上位机包括前端页面和后端框架，输入的压力变送器数据通过后端框架输送至数据库，并分为多线程将提取的数据输送给前端页面，同时在后端框架中，采用神经网络模型对输入的压力变送器数据进行异常检测，确定异常压力变送器。每个采集数据模块对应一个二进制地址，将所有采集数据模块的二进制地址均存储在后端框架中，不需要手动键盘输入每个压力变送器对应的地址。通过对采集数据模块的二进制地址发送指令，将输入的压力变送器数据实时显示在前端页面，供用户观察每个压力变送器的老化时长和数据动态变化曲线；上位机提供数据查询功能，可以向服务器发送请求，获取数据库中每个压力变送器的老化数据，将历史数据以动态图像的形式展现在前端页面。整个软件部分实行定时机制，在单个压力变送器老化完成后，前端有提醒功能。

本实施例通过设计分级规则，48小时老化后，采集数据通过神经网络模型判定合格，会向分级标准页面发送请求，通过模块引擎技术将处理后的数据发送到分级标准页面。在前端页面上显示每个压力变送器的评级，并实时显示出每个压力变送器的老化进度，并提供数据备份功能以供查询。

现对采用神经网络模型对输入的压力变送器数据进行异常检测，确定异常压力变送器做进一步说明。

本实施例采用GNA神经网络模型，其主要包括：输入层、隐藏层和输出层。

其中，输入层的输入向量包含三个元素，表示为x＝[x1,x2,x3]，其中，x1为归一化后的电流值，x2为归一化后的温度值，x3为归一化后的湿度值。在输入层中设置3个神经元，分别对应电流数据特征、温度数据特征、湿度数据特征归一化后的值，每个神经元负责接收和处理一个数据特征的相对值。

其中，本实施例的GNA神经网络模型包括一层隐藏层，在该隐藏层中设置两个神经元，神经元输出的值先经过Group Normalization进行归一化处理，归一化后的值再通过ReLU函数进行激活，得到隐藏层的输出。具体操作包括：将神经元输出的激活值按照特征通道分组，每个组内有一个通道。对于每个组，需要计算组内所有样本的均值和方差。对组内的每个样本，减去均值并除以方差，得到归一化后的值。将所有归一化后的值按照原有的通道顺序重新组合，再通过ReLU函数进行激活，增强模型的非线性能力，得到隐藏层的输出。

其中，本实施例的输出层对应6个等级(z₁,z₂,z₃,z₄,z₅,z₆)，其中z₁到z₆分别为不同的等级，用Softmax函数来输出每个等级的概率分布，即输出层的输出，Softmax函数的计算方式如下：

softmax(z)＝[exp(z₁)/sum(exp(z)),exp(z₂)/sum(exp(z)),...,exp(z₆)/sum(exp(z))](1)

其中，sum(exp(z))表示所有输出值的指数形式之和，softmax函数会将每个得分转换为概率，并确保这些概率之和为1。

在构建好GNA神经网络模型后，需对GNA神经网络模型进行训练，使其针对老化系统的数据分类，在本实施例中，采用Adagrad对神经网络模型进行学习和训练，现对训练过程做进一步说明。

构建训练集：每个电流值对应一个温度值和一个湿度值，分别取电流和温度、湿度的相对值，初始时会分别给电流、温度、湿度一个参考值，而后用实际的电流值、温度值、湿度值计算与各自参考值的差值，这个差值就是相对值。

按照电流和温度、湿度进行分组，得到电流数据集、温度数据集和湿度数据集，对得到的数据集取标准差，将每个数据对应的相对值和标准差进行对比，设定一个阈值，对于超过了阈值的极端值作平滑处理，得到预处理后的数据集，将该数据集划分为训练集和测试集。

选择Adagrad作为优化器来更新GNA神经网络模型的权重和偏置。Adagrad算法会自适应地调整每个参数的学习率，根据参数在训练过程中的历史梯度进行调整，从而更好地更新参数。设置适当的学习率、批次大小和训练迭代次数。使用训练集对GNA神经网络模型进行训练，并使用Adagrad作为优化器来更新GNA神经网络模型的参数。

具体步骤包括：

设置全局学习率ε，初始化参数θ，设置一个用来稳定数值的常数δ，初始化梯度累计变量r的值为0；

开始循环学习和调整：

从训练集中采集包含m个样本{x⁽¹⁾,...,x^(m)}的小批量，对应目标为y⁽ⁱ⁾。计算梯度：

计算累积平方梯度r＝r+g⊙g。

计算更新，逐个元素的应用除和求平方根：

应用更新，θ＝θ+Δθ。

判断是否达到学习停止准则，若达到，则终止循环，得到训练好的GNA神经网络模型；若未达到，则按照下式，更新全局学习率，使得每个参数的学习率不同：

式中，n是迭代次数，ε_n表示更新后的全局学习率。

本实施例针对老化系统的数据分类，采用GNA神经网络模型，其具有收敛速度更快、训练效率更高、内存消耗少等优点，且本实施例采用Adagrad算法根据历史梯度信息自适应调整学习率，更新神经网络的权重和偏置以保证训练过程更稳定。

Claims (9)

1.一种压力变送器的老化检测方法，其特征在于：包括以下步骤：

步骤1：获取待检测压力变送器所在回路的电流数据，获取待检测压力变送器所处环境的温度数据，获取待检测压力变送器所处环境的湿度数据；

步骤2：将电流数据、温度数据和湿度数据进行归一化后，送入训练好的GNA神经网络模型中，得到压力变送器的老化结果。

2.根据权利要求1所述的一种压力变送器的老化检测方法，其特征在于：所述GNA神经网络模型包括输入层、隐藏层和输出层；

在所述隐藏层中，神经元输出的值先经过Group Normalization进行归一化处理，归一化后的值再通过ReLU函数进行激活，得到隐藏层的输出；

在所述输出层中，采用Softmax函数输出待检测压力变送器对应每个老化等级的概率分布。

3.根据权利要求2所述的一种压力变送器的老化检测方法，其特征在于：所述Softmax函数表示为：

softmax(z)＝[exp(z₁)/sum(exp(z)),exp(z₂)/sum(exp(z)),...,exp(z₆)/sum(exp(z))] (1)

其中，sum(exp(z))表示所有输出值的指数形式之和，z₁～z₆分别表示不同的老化等级。

4.根据权利要求2所述的一种压力变送器的老化检测方法，其特征在于：按照以下训练步骤对GNA神经网络模型进行训练，得到训练好的GNA神经网络模型：

获取多个压力变送器的历史电流数据、历史温度数据和历史湿度数据，每个历史电流数据对应一个历史温度数据和一个历史湿度数据；按照电流、温度和湿度进行分组，得到电流数据集、温度数据集和湿度数据集，对各数据集中的数据取标准差，将每个数据对应的相对值和标准差进行对比，对于超过设定阈值的极端值作平滑处理，得到预处理后的数据集，将该数据集划分为训练集和测试集；

利用训练集，选择Adagrad作为优化器来更新GNA神经网络模型的权重和偏置，直至达到学习停止准则后，终止循环，得到训练好的GNA神经网络模型。

5.根据权利要求4所述的一种压力变送器的老化检测方法，其特征在于：所述的利用训练集，选择Adagrad作为优化器来更新GNA神经网络模型的权重和偏置，具体包括：

从训练集中采集m个样本{x⁽¹⁾,...,x^(m)}，对应目标为y⁽ⁱ⁾；

按照下式，计算梯度：

式中，θ表示参数；

计算累积平方梯度r＝r+g⊙g；

更新逐个元素的应用除和求平方根：

式中，ε表示全局学习率，δ表示常数；

应用θ＝θ+Δθ；

判断是否达到学习停止准则，若达到，则终止循环，得到训练好的GNA神经网络模型；若未达到，则按照下式，更新全局学习率：

式中，n是迭代次数，ε_n表示更新后的全局学习率。

6.一种压力变送器的老化检测系统，其特征在于：包括：

数据采集模块，用于获取待检测压力变送器所在回路的电流数据，获取待检测压力变送器所处环境的温度数据，获取待检测压力变送器所处环境的湿度数据；

检测模块，用于将电流数据、温度数据和湿度数据进行归一化后，送入训练好的GNA神经网络模型中，得到压力变送器的老化结果。

7.根据权利要求6所述的一种压力变送器的老化检测系统，其特征在于：包括：所述GNA神经网络模型包括输入层、隐藏层和输出层；

在所述隐藏层中，神经元输出的值先经过Group Normalization进行归一化处理，归一化后的值再通过ReLU函数进行激活，得到隐藏层的输出；

在所述输出层中，采用Softmax函数输出待检测压力变送器对应每个老化等级的概率分布。

8.根据权利要求7所述的一种压力变送器的老化检测系统，其特征在于：按照以下训练步骤对GNA神经网络模型进行训练，得到训练好的GNA神经网络模型：

获取多个压力变送器的历史电流数据、历史温度数据和历史湿度数据，每个历史电流数据对应一个历史温度数据和一个历史湿度数据；按照电流、温度和湿度进行分组，得到电流数据集、温度数据集和湿度数据集，对各数据集中的数据取标准差，将每个数据对应的相对值和标准差进行对比，对于超过设定阈值的极端值作平滑处理，得到预处理后的数据集，将该数据集划分为训练集和测试集；

利用训练集，选择Adagrad作为优化器来更新GNA神经网络模型的权重和偏置，直至达到学习停止准则后，终止循环，得到训练好的GNA神经网络模型。

9.根据权利要求8所述的一种压力变送器的老化检测系统，其特征在于：所述的利用训练集，选择Adagrad作为优化器来更新GNA神经网络模型的权重和偏置，具体包括：

从训练集中采集m个样本{x⁽¹⁾,...,x^(m)}，对应目标为y⁽ⁱ⁾；

按照下式，计算梯度：

式中，θ表示参数；

计算累积平方梯度r＝r+g⊙g；

更新逐个元素的应用除和求平方根：

式中，ε表示全局学习率ε，δ表示常数；

应用θ＝θ+Δθ；

判断是否达到学习停止准则，若达到，则终止循环，得到训练好的GNA神经网络模型；若未达到，则按照下式，更新全局学习率：

式中，n是迭代次数，ε_n表示更新后的全局学习率。