[发明专利]基于人工智能的阀门粘滞数据检测处理方法

说明书

本发明公开了一种基于人工智能的阀门粘滞数据检测处理方法，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；步骤三：基于神经网络实现对阀门粘滞的检测。本发明与现有技术相比，其有益效果为：本发明通过构建控制时延累计和平稳波动值，来反映序列控制时延的波动，可以有效反映出阀门粘滞导致时延发生变化的情况，进而可以更好的让网络判断是否存在阀门粘滞。本发明通过DTW、波峰波谷算法构建出阀门进出数据距离序列，可以有效判断出阀门输入输出信号的变化关系。

技术领域

本发明涉及大数据处理领域，尤其涉及一种基于人工智能的阀门粘滞数据检测处理方法。

背景技术

正常的阀门在运行时是线性的，阀门的实际开度能够很好地跟随控制信号变化，但是由于内部元件磨损等问题，阀门在运行一段时间后可能会出现非线性特性，如磁滞、死区、粘滞等，其中粘滞是最常出现的问题。阀门粘滞往往会导致回路出现振荡，降低回路的控制性能，而依靠人工对工厂中的每个阀门进行粘滞检测会浪费大量的人力物力。因此，如何利用控制回路中的数据进行自动化阀门粘滞检测成为控制回路性能监控与诊断领域的一个重要问题。

发明内容

本发明的目的是为了解决现有技术中存在的缺点，而提出的一种基于人工智能的阀门粘滞数据检测处理方法。

为了实现上述目的，本发明采用了如下技术方案：

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；步骤三：基于神经网络实现对阀门粘滞的检测。

进一步，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。

进一步，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、PV数据得到一个DTW距离，最终得到DTW距离序列。

进一步，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、PV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，输出该采集周期内是否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。

进一步，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：