CN112001421B - 一种工业控制回路状态识别方法 - Google Patents
一种工业控制回路状态识别方法 Download PDFInfo
- Publication number
- CN112001421B CN112001421B CN202010729517.XA CN202010729517A CN112001421B CN 112001421 B CN112001421 B CN 112001421B CN 202010729517 A CN202010729517 A CN 202010729517A CN 112001421 B CN112001421 B CN 112001421B
- Authority
- CN
- China
- Prior art keywords
- control loop
- data
- image
- stage
- industrial control
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种工业控制回路状态识别方法,包括以下步骤:S1:获取标注的工业控制回路图像数据;S2:构建基于不同大小卷积核的两级图像特征学习器;S3:基于多时间尺度集成决策方法根据所述两级图像特征学习器和分类器对控制回路状态进行识别。本发明代替了传统的对工业过程数据进行繁杂的手动特征提取和处理的方式,同时对数据的长度没有要求,能够快速有效地自动提取控制回路数据中潜在的特征,可以用于控制回路异常识别以及性能评估。
Description
技术领域
本发明涉及工业控制技术领域,尤其涉及一种工业控制回路状态识别方法。
背景技术
随着科学技术的不断发展,基于PID(比例-积分-微分,Proportion-Integral-Derivative)控制器或PI(比例-积分,Proportion-Integral)控制器或PD(比例-微分,Proportion-Derivative)控制器、状态观察器、相位补偿器、各式滤波器、前馈控制器、串级回路控制器、2×2多回路控制器构成的模拟量反馈控制回路通常被应用于工业生产、自动化控制等领域以形成对应的反馈控制***。对反馈控制***而言,如何识别该反馈控制***中的控制回路的状态是一个极为重要的技术问题。
控制回路数据的深入分析有利于对控制回路进行监控优化。特别是在流程工业中存在大量温度,压力,流量等控制回路。对这些回路数据进行有效的监视和分析有利于改善整个回路的性能,也能降低能耗节约成本。当一个控制回路刚刚投入使用时,其性能往往是比较好的。但随着时间的推移,控制回路中执行器的老化或者控制对象的特性变换均会导致回路性能下降。在实际生产中,停止控制回路运行而进行检测不是一个可行的方案,因此从生产数据中挖掘回路中的特征从而对控制回路的运行状态进行评估是非常有价值的。
而现有的对控制回路的识别仅仅是利用在图像上观察特征,实际处理的还是工业过程时序数据,传统方法对于控制回路的特征往往是根据操作者的经验或控制回路的生产机理来手动提取,对于不同的状态往往需要不同的特征来体现,这极大的增加了现场操作人员的工作难度。
发明内容
本发明为解决现有的控制回路需要人工识别的问题,提供了一种基于图像特征自动学习的工业控制回路状态识别方法,该方法对于分析控制回路运行状态具有重要的意义。
为了实现以上目的,本发明采用以下技术方案:
提供一种工业控制回路状态识别方法,包括以下步骤:
S1:获取标注的工业控制回路图像数据;
S2:构建基于不同大小卷积核的两级图像特征学习器;
S3:基于多时间尺度集成决策方法根据所述两级图像特征学习器和分类器对控制回路状态进行识别。
本发明所述的方法中,所述步骤S1具体包括步骤:
S101:获取工业生产过程历史图像数据,根据工况将图像所对应的工况进行标定,图像数据集表示为T={(img1,c1),(img2,c2),...,(imgN,cN)},其中N表示所获取图像的总数,标注的类别表示为ci,其中i∈1,...,N,ci∈1,...,C,C表示类别总数;
S102:统一所述图像数据集中所有图像的像素大小。
本发明所述的方法中,所述步骤S2具体包括步骤:
S201:基于卷积构建第一级特征学习器;
S202:基于卷积构建第二级特征学习器。
本发明所述的方法中,所述像素大小为32*32。
本发明所述的方法中,所述第一级特征学习器由8个5*5的卷积核与2*2的最大池化层构成,第二级特征学习器由20个3*3的卷积核与2*2的最大池化层构成。
本发明所述的方法中,所述步骤S3具体包括步骤:
S301:给定新的控制回路数据,设为和t表示数据的长度,设时间尺度集合为L∈{l1,l2,...,lM},其中li表示第i个时间尺度,得到OP和PV数据在第i个时间尺度下的数据为和将和构成的图像设为第i个图像,假设有M个不同的时间尺度,那么每一个控制回路最终可以得到M个图像;
S303:采用集成投票的策略获得类别识别结果。
本发明所述的方法中,所述类别识别结果以出现次数较多的类别作为类别识别结果。
与现有技术相比,本发明代替了传统的对工业过程数据进行繁杂的手动特征提取和处理的方式,通过将历史图像数据输入到设计好的卷积神经网络中,训练得到了一个具有较高实用性以及准确性的控制回路模式识别器,基于多时间尺度识别策略,能够对控制回路的运行状态进行更加可靠的判定,能够增强最终结果的鲁棒性和可靠性,同时对数据的长度没有要求,能够快速有效地自动提取控制回路数据中潜在的特征,从而进一步实现了工业控制回路运行不同模式的有效识别。
附图说明
图1是本发明一种工业控制回路状态识别方法流程图;
图2是本发明工业过程采集的图像数据示例图;
图3是本发明第一级学习器自动提取的特征示例图;
图4是本发明第二级学习器自动提取的特征示例图;
图5是本发明单一回路下多时间尺度图像数据示例图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
本发明提供一种工业控制回路状态识别方法,如图1所示,包括步骤:
S1:获取标注的工业控制回路图像数据;
S2:构建基于不同大小卷积核的两级图像特征学习器;
S3:基于多时间尺度集成决策方法根据所述两级图像特征学习器和分类器对控制回路状态进行识别。
进一步的,在本发明的一个实施例中,所述步骤S1具体包括步骤:
S101:获取工业生产过程历史图像数据,根据工况将图像所对应的工况进行标定,图像数据集表示为T={(img1,c1),(img2,c2),...,(imgN,cN)},其中N表示所获取图像的总数,标注的类别表示为ci,其中i∈1,...,N,ci∈1,...,C,C表示类别总数;
S102:统一所述图像数据集中所有图像的像素大小。
具体的,以控制回路粘滞检测为示例,控制回路粘滞主要是因为阀门不灵敏造成的,严重的粘滞会导致回路的振荡,造成性能下降,从工业生产历史数据中获取带有类别标注的图像数据,如图2所示(横坐标表示OP,纵坐标表示PV,回路1标签为粘滞回路,回路2标签为非粘滞回路)。将图像像素大小设定为32*32。图2展示了粘滞回路图像和非粘滞回路图像的样本示例。
进一步的,在本发明的一个实施例中,所述步骤S2具体包括步骤:
S201:基于卷积构建第一级特征学习器;
S202:基于卷积构建第二级特征学习器。
具体的,所述第一级特征学习器由8个5*5的卷积核与2*2的最大池化层构成,该级特征学习器采用较大的卷积核大小,作用是学习图像中较大范围或比较明显的特征,如图3所示,以回路1为例,图3上面一行表示卷积核提取的特征,下面一行表示经过最大池化层的特征。
第二级特征学习器由20个3*3的卷积核与2*2的最大池化层构成,该级特征学习器采用较小的卷积核大小,作用是学习图像中较小或者更加精细的特征,所提取的特征如图4所示。
采用两级大小不同的卷积核,能够同时捕获图像中大尺度和小尺度的特征。而且不同的卷积核数量也能够保证学习到尽可能多的特征。设输入图像的表征为input(1,32,32),经过卷积核提取的特征为其中表示在输出的第j个通道上的权重系数。两级特征学习器的参数如下表所示。
将经过两级学习器提取后的特征表示为feats(N2,H2,W2),其中N2表示第二级特征学习器的卷积核数量,H2和W2分别表征最终提取的图像高度和宽度。将该组特征输入一个设计好的全连接神经网络分类器,全连接网络的输出是所对应的控制回路类别。在全连接网络之前,增加一个dropout层,其作用是随机对特征进行筛选,避免产生冗余的特征。其中最后的输出层参数C表示所获取的图像的类别总数。
可以看出,经过两级特征的提取,已经可以同时获得不同尺度下的图像特征,也能在同一尺度下获取多个特征,相比于传统的手动提取特征的方法,这种基于两级特征的策略更加有效。将提取后的特征输入设计好的全连接神经网络分类器中,最终输出控制回路是否粘滞。
进一步的,在本发明的一个实施例中,所述步骤S3具体包括步骤:
S301:给定新的控制回路数据,设为和t表示数据的长度,设时间尺度集合为L∈{l1,l2,...,lM},其中li表示第i个时间尺度,得到OP和PV数据在第i个时间尺度下的数据为和将和构成的图像设为第i个图像,假设有M个不同的时间尺度,那么每一个控制回路最终可以得到M个图像;
S303:采用集成投票的策略获得类别识别结果。
当获得一个新的控制回路时,首先将此控制回路OP/PV数据绘制成多个时间尺度下的OP-PV图像。多时间尺度图像示例如图5所示。该示例选取了5个不同的时间尺度。利用步骤S2中的模型对这5个图像同时进行识别,识别结果如表1中的回路1所示,本实施例也总结了其余4个控制回路的识别情况如下表所示。
回路 | 尺度1 | 尺度2 | 尺度3 | 尺度4 | 尺度5 | 最终决策 |
1 | 粘滞 | 粘滞 | 粘滞 | 粘滞 | 粘滞 | 粘滞 |
2 | 粘滞 | 粘滞 | 非粘滞 | 粘滞 | 粘滞 | 粘滞 |
3 | 粘滞 | 非粘滞 | 粘滞 | 非粘滞 | 非粘滞 | 非粘滞 |
4 | 粘滞 | 粘滞 | 粘滞 | 粘滞 | 粘滞 | 粘滞 |
5 | 粘滞 | 粘滞 | 粘滞 | 非粘滞 | 非粘滞 | 粘滞 |
本发明代替了传统的对工业过程数据进行繁杂的手动特征提取和处理的方式,通过将历史图像数据输入到设计好的卷积神经网络中,训练得到了一个具有较高实用性以及准确性的控制回路模式识别器,基于多时间尺度识别策略,能够对控制回路的运行状态进行更加可靠的判定,能够增强最终结果的鲁棒性和可靠性,同时对数据的长度没有要求,能够快速有效地自动提取控制回路数据中潜在的特征,从而进一步实现了工业控制回路运行不同模式的有效识别。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (6)
1.一种工业控制回路状态识别方法,其特征在于,包括以下步骤:
S1:获取标注的工业控制回路图像数据;
S2:构建基于不同大小卷积核的两级图像特征学习器;
S3:基于多时间尺度集成决策方法根据所述两级图像特征学习器和分类器对控制回路状态进行识别;
所述步骤S3具体包括步骤:
S301:给定新的控制回路数据,设为和t表示数据的长度,设时间尺度集合为L∈{l1,l2,…,lM},其中li表示第i个时间尺度,得到OP和PV数据在第i个时间尺度下的数据为和将和构成的图像设为第i个图像,假设有M个不同的时间尺度,那么每一个控制回路最终可以得到M个图像;
S303:采用集成投票的策略获得类别识别结果。
2.根据权利要求1所述的一种工业控制回路状态识别方法,其特征在于,
所述步骤S1具体包括步骤:
S101:获取工业生产过程历史图像数据,根据工况将图像所对应的工况进行标定,图像数据集表示为T={(img1,c1),(img2,c2),…,(imgN,cN)},其中N表示所获取图像的总数,标注的类别表示为ci',其中i'∈1,...,N,ci'∈1,...,C,C表示类别总数;
S102:统一所述图像数据集中所有图像的像素大小。
3.根据权利要求2所述的一种工业控制回路状态识别方法,其特征在于,
所述步骤S2具体包括步骤:
S201:基于卷积构建第一级特征学习器;
S202:基于卷积构建第二级特征学习器。
4.根据权利要求2所述的一种工业控制回路状态识别方法,其特征在于,
所述像素大小为32*32。
5.根据权利要求3所述的一种工业控制回路状态识别方法,其特征在于,
所述第一级特征学习器由8个5*5的卷积核与2*2的最大池化层构成,第二级特征学习器由20个3*3的卷积核与2*2的最大池化层构成。
6.根据权利要求5所述的一种工业控制回路状态识别方法,其特征在于,
所述类别识别结果以出现次数较多的类别作为类别识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010729517.XA CN112001421B (zh) | 2020-07-27 | 2020-07-27 | 一种工业控制回路状态识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010729517.XA CN112001421B (zh) | 2020-07-27 | 2020-07-27 | 一种工业控制回路状态识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112001421A CN112001421A (zh) | 2020-11-27 |
CN112001421B true CN112001421B (zh) | 2022-06-10 |
Family
ID=73467225
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010729517.XA Active CN112001421B (zh) | 2020-07-27 | 2020-07-27 | 一种工业控制回路状态识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112001421B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114064754A (zh) * | 2021-11-11 | 2022-02-18 | 浙江大学 | 一种工业时序数据特征学习方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6812914B1 (en) * | 1997-12-05 | 2004-11-02 | Citizen Watch Co., Ltd. | Method of image sticking prevention and recovery treatment for ferroelectric liquid crystal device |
US10755334B2 (en) * | 2016-06-30 | 2020-08-25 | Varmour Networks, Inc. | Systems and methods for continually scoring and segmenting open opportunities using client data and product predictors |
CN109060001B (zh) * | 2018-05-29 | 2021-02-26 | 浙江工业大学 | 一种基于特征迁移学习的多工况过程软测量建模方法 |
US10747207B2 (en) * | 2018-06-15 | 2020-08-18 | Honeywell International Inc. | System and method for accurate automatic determination of “alarm-operator action” linkage for operator assessment and alarm guidance using custom graphics and control charts |
US11294367B2 (en) * | 2018-12-21 | 2022-04-05 | Canvass Analytics Inc. | Predictive analysis of industrial processes |
CN110555479B (zh) * | 2019-09-05 | 2023-05-16 | 北京工业大学 | 基于1dcnn与gru融合的故障特征学习与分类方法 |
-
2020
- 2020-07-27 CN CN202010729517.XA patent/CN112001421B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112001421A (zh) | 2020-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Guan et al. | A steel surface defect recognition algorithm based on improved deep learning network model using feature visualization and quality evaluation | |
CN112101220A (zh) | 一种无监督模型参数迁移的滚动轴承寿命预测方法 | |
CN113837000A (zh) | 一种基于任务排序元学习的小样本故障诊断方法 | |
CN113297885A (zh) | 基于卷积神经网络的皮带机表面状态检测方法及装置 | |
CN113052218A (zh) | 工业过程的多尺度残差卷积与lstm融合性能评估方法 | |
CN112001421B (zh) | 一种工业控制回路状态识别方法 | |
CN117578715A (zh) | 一种电力运维智能监测预警方法、***及存储介质 | |
CN117155706B (zh) | 网络异常行为检测方法及其*** | |
CN110757510A (zh) | 一种机器人剩余寿命预测方法及*** | |
Akpudo et al. | An automated sensor fusion approach for the RUL prediction of electromagnetic pumps | |
CN112541552A (zh) | 双通道卷积神经网络和光梯度提升机相结合的空气处理机组故障检测与诊断方法 | |
Variz et al. | Machine learning applied to an intelligent and adaptive robotic inspection station | |
CN117485842A (zh) | 门式斗轮机轮斗横梁姿态实时监测方法及其*** | |
CN110554667A (zh) | 基于卷积神经网络(cnn)的间歇工业过程故障诊断 | |
KR102366787B1 (ko) | 슬라이딩 윈도우 기법을 이용한 제조설비의 실시간 다변량 이상감지 시스템 | |
CN115587299A (zh) | 一种可迁移的多尺度旋转机械故障诊断方法及*** | |
CN112016240B (zh) | 一种相似证据非完全降解设备剩余稳定使用寿命预测方法 | |
KR20230003819A (ko) | 딥러닝을 이용하여 예지보전이 가능한 설비관리시스템 | |
Li et al. | Comparison of data-driven prognostics models: A process perspective | |
CN109523195B (zh) | 基于样本多模态分类的分层式非高斯算法的故障检测方法 | |
MacGregor | Data-based latent variable methods for process analysis, monitoring and control | |
CN117113843B (zh) | 一种航空发动机剩余寿命预测方法 | |
CN116758010B (zh) | 一种飞机蒙皮表面缺陷识别方法、***、设备及介质 | |
CN117370870B (zh) | 知识和数据复合驱动的装备多工况识别与性能预测方法 | |
CN116357574A (zh) | 多气缸旋转式压缩机的切换控制方法 |
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 |