[发明专利]基于人工智能的阀门粘滞数据检测处理方法

权利要求书

1.一种基于人工智能的阀门粘滞数据检测处理方法，该方法包括以下步骤，步骤一：获取阀门控制回路运行时的OP与PV数据；步骤二：对于OP与PV数据进行处理；OP为阀门输入数据，PV为阀门输出数据；步骤三：基于神经网络实现对阀门粘滞的检测；所述步骤三具体包括：所述神经网络包含两个时间卷积网络，一个全连接网络，第一时间卷积网络输入数据为控制时延累计和平稳波动值序列T1，形状为[B,None,1]，其中B为batchsize表示网络输入的样本批次数量，None表示波峰波谷值的个数，由于每个采集周期，其波峰波谷数量不一样，因此用None表示，1表示累计和平稳波动值，最终经过第一时间卷积网络进行特征提取，输出为第一特征向量；第二时间卷积网络输入数据为DTW距离序列，形状为[B,None^* ,1^*]，其中B为batchsize表示网络输入的样本批次数量，None^*表示回环控制周期数的，由于每个采集周期，其回环控制周期数量不一样，因此用None^*表示，1^*表示op、MV数据的DTW距离，最终经过第二时间卷积网络进行特征提取，输出为第二特征向量，然后第一特征向量与第二特征向量进行特征融合，融合方法采用Concatenate方法，融合为一个特征向量，称为第三特征向量，全连接网络的输入为第三特征向量，最终采用Softmax分类函数，分别输出该采集周期内存在和不存在阀门粘滞的概率，然后取最大概率即可得到阀门情况，如一次推理后存在阀门粘滞的概率为0.9，不存在的情况为0.1，则此采样周期存在阀门粘滞，损失函数采用交叉熵，所述神经网络的标签为历史采集的数据，经过人为标注，至此，即可通过上述方法进行阀门粘滞检测。

2.根据权利要求1所述的一种基于人工智能的阀门粘滞数据检测处理方法，其特征在于，所述步骤一具体为：实时采集阀门的OP与PV数据，数据采样的时间间隔为1s，每十五分钟判断一次是否存在阀门粘滞情况，则15分钟采集的数据总共为900个，同时采集阀门粘滞、阀门正常情况下的OP与PV数据，其中OP表示阀门的输入数据曲线，PV表示阀门的输出数据曲线。

3.根据权利要求1或2所述的一种基于人工智能的阀门粘滞数据检测处理方法，其特征在于所述步骤二具体包括：采用波峰波谷检测算法，获取检测周期内的所有控制周期，得到OP、PV数据的波峰点、波谷点坐标集合；获取控制时延，得到控制时延序列；对控制时延序列进行去趋势波动分析；通过每两个波谷之间的OP、MV数据得到一个DTW距离，最终得到DTW距离序列。

4.根据权利要求1或2所述的一种基于人工智能的阀门粘滞数据检测处理方法，其特征在于，对控制时延序列进行去趋势波动分析具体为：对于控制时延序列x(t)， 计算其累积和序列y(t)

为序列的平均控制时延值；k表示序列的长度；

首先滤去了时间序列的平均值；然后对累计和序列用最小二乘法进行一阶线性拟合，得到方程：

k为斜率，b为截距；

计算累计和序列的平稳波动值T1：

τ表示映射系数，对于控制时延序列而言，应为平行于x轴直线，表示最优，不存在时延变化，平行于x轴直线时，k=0，当不平行x轴直线时，存在斜率，斜率越大表示波动越大，波动式中的1避免k=0时，波动值为0；τ经验值为10；

通过上述求得平稳波动值，该值越大代表该序列波动越大；

最终得到累计和平稳波动值序列T1。

5.根据权利要求1或2所述的一种基于人工智能的阀门粘滞数据检测处理方法，其特征在于，通过每两个波谷之间的OP、MV数据得到一个DTW距离，最终得到DTW距离序列具体为：由于回路中 OP 与 PV 变量的取值范围有很大差异，因此采用极差归一化对2个变量进行归一化，然后对于每两个相邻的波谷之间的OP、MV数据利用动态时间归整DTW进行序列相似度度量，对每两个相邻的波谷之间的OP、MV数据进行度量，DTW最终得到两个时序数据的距离，距离越大，相似性越小，由于检测每15分钟进行一次，15分钟采集的数据通常包含多个波峰波谷，因此每两个波谷之间的OP、MV数据得到一个DTW距离，最终得到DTW距离序列。