基于全卷積網絡的閥門粘滯檢測方法

解劍波，范海東，李清毅，劉夢杰，趙春暉

（1.浙江省能源集團有限公司，杭州 310007；2.浙江大學 控制科學與工程學院，杭州 310027）

0 引言

現代社會的正常運轉離不開電能，在我國的電力產業中，每年火電發電量約占總發電量的70%，火力發電仍然是電力產業的支柱，是我國經濟發展的重要支撐。隨著計算機技術與自動控制技術的發展，火電廠中的自動化程度也在逐漸提高，每個工廠中都有數以百計的自動控制回路。每條自動控制回路在投入正式運行前都經過精心設計，以保證回路的控制性能良好。然而在日常運行過程中，回路中的設備難以避免地會出現老化等問題，這些問題可能會導致回路的控制性能下降，降低回路的生產效率，進而影響到整個工廠的經濟效益。

閥門是回路中最常見的執行元件，自動控制回路中的控制器通過調節閥門開度的大小，對回路的過程變量進行控制。正常的閥門在運行時是線性的，閥門的實際開度能夠很好地跟隨控制信號變化，但是由于內部元件磨損等問題，閥門在運行一段時間后可能會出現非線性特性，如磁滯、死區、粘滯等，其中，粘滯是最常出現的問題[1]。閥門粘滯往往會導致回路出現振蕩，降低回路的控制性能，而依靠人工對工廠中的每個閥門進行粘滯檢測會浪費大量的人力物力。因此，如何利用控制回路中的數據進行自動化閥門粘滯檢測成為控制回路性能監控與診斷領域的一個重要問題。

在過去幾十年中，許多學者研究了閥門粘滯的檢測方法，主要可以分為以下4 類[2]：基于互相關函數的方法[3]、基于極限環模式識別的方法[4]、基于非線性檢測的方法[5]以及基于波形的方法[6]。Horch[3]提出了基于CCF（互相關函數）的方法，如果OP（控制器輸出）與PV（過程變量）間的互相關函數為奇函數，那么回路中的振蕩是由閥門粘滯引起的，否則，振蕩是由其他原因引起的。鄭麗麗等人[4]提出了一種改進的基于模糊聚類的粘滯檢測方法，首先對OP-MV（操縱變量）圖使用模糊聚類算法獲得4 個聚類中心，然后對聚類中心所構成四邊形進行凹凸性識別，最后根據聚類中心的分布特征定義了一種新粘滯指標。Choudhury 等人[5]先使用基于雙相干譜函數的方法[6]診斷回路中的振蕩是否由非線性原因所引起，當是由非線性原因引起時，使用橢圓對濾波后數據對應的OP-PV 圖進行擬合，若成功地擬合出橢圓，則說明回路振蕩的根本原因為閥門粘滯。He 等人[7]使用曲線擬合的方法進行粘滯檢測，分別使用三角波和正弦波對OP 經過第一個積分作用后的信號進行擬合，并根據兩種擬合的誤差對比得到粘滯檢測結果。上述經典的粘滯檢測算法雖然能夠取得不錯的粘滯檢測結果，但通常適用范圍有限，如Horch 的方法只適用于使用PI 控制器的非積分過程。

在最近幾年中，神經網絡被廣泛應用于故障檢測與診斷領域[8-10，13-15]，也有學者提出使用神經網絡來解決閥門粘滯檢測問題。Dambros 等人[11]將回路的OP-PV 圖轉化為8×8 像素的圖片，并訓練一個人工神經網絡對該圖片進行分類，最終可以得到回路的診斷結果為無振蕩、粘滯引起的振蕩或其他原因引起的振蕩。而Henry 等人[12]提出了一種基于CNN-PCA 的粘滯檢測方法，首先使用CNN（卷積網絡）提取數據對應的無閾值遞歸圖中的特征，然后使用PCA（主成分分析）模型對應的特征統計量進行閥門粘滯的檢測。以上方法在神經網絡輸入數據構造的過程中都難以避免地會損失部分過程數據本身包含的信息。

為了解決上述方法的不足，提出了一種基于FCN（全卷積網絡）的閥門粘滯檢測方法。首先，回路中的原始運行數據包含著豐富的過程動態信息。其次，相較于傳統的人工神經網絡，使用卷積神經網絡能夠更好地處理多變量時間序列數據中的時序關系以及變量間的關系。因此，本文所提的方法直接使用回路運行時的OP 與PV 數據來進行閥門粘滯檢測，并使用全卷積網絡來解決這個分類問題。

1 閥門粘滯仿真數據生成

1.1 閥門粘滯模型

閥門粘滯現象指的是閥桿受到的靜摩擦力增加，導致閥桿在運動時暫時卡住，隨著控制信號變化幅度增大，推動閥桿的作用力持續變大，當作用力大于靜摩擦力時，閥桿會突然跳躍。閥門粘滯的典型輸入、輸出特性曲線如圖1 所示。

圖1 典型的粘滯閥輸入、輸出特性[18]

常用的閥門粘滯模型主要可以分為兩類：基于物理特性的和基于數據驅動的。Brasio 等人[16]總結了基于物理特性的閥門粘滯模型，但是這類方法需要了解閥門的真實物理特性來設置合適的模型參數，并且進行仿真時所需的計算量大，不方便進行仿真。而基于數據驅動的模型則克服了上述缺點，常用于進行閥門粘滯的仿真。文獻[2]中對多種基于數據驅動的粘滯模型進行比較，其中，Chen 等人[17]提出的雙參數閥門粘滯模型能夠更好地吻合閥門在粘滯時的運動特性，本文在后續仿真時也采用這個模型。

1.2 仿真數據生成

訓練一個深度神經網絡需要大量的有標簽數據，然而在實際工業過程中，獲得高質量的有標簽數據成本極高，所以本文采用仿真模型來生成訓練網絡時需要使用的數據。

控制回路性能下降的主要原因可以分為控制器參數不佳、外部擾動和閥門粘滯這三類[18]。因此，在進行仿真數據生成時，主要考慮生成控制性能良好以及處在上述三種性能退化情況下的仿真數據。在閥門粘滯的相關研究領域中，有著多種仿真數據生成方法[7，19-20]，其中Choudhury 等人[6]中對上述4 種情況進行過仿真數據生成，此外，Amiruddin 等人[21]使用類似的控制回路模型生成了大量的仿真數據用于后續訓練人工神經網絡，并取得了良好的效果，本文使用類似的控制回路模型構建方法來進行仿真實驗。不過需要注意的是，上述文獻中仿真時使用的是Choudhury的閥門粘滯模型[22]，而本文采用的是Chen 的閥門粘滯模型，并對仿真時使用的模型參數進行了修改。

所用仿真模型為一條單輸入單輸出閉環控制回路，回路模型由PI 控制器、閥門模型、被控對象、噪聲以及外部擾動組成，回路中被控對象的傳遞函數為

當PI 控制器中K=I=0.15 時，該仿真回路的控制性能良好[6]，通過改變K 和I 的值來仿真回路控制性能不佳的情形。此時，模型中控制器的參數設置如表1 所示。

表1 控制參數變化時參數設置

振蕩是過程工業中最常見的廠級范圍擾動[23]，而由于回路間的低通濾波作用，振蕩在經過多個回路傳遞后會趨向于正弦信號，因此，在回路中添加幅值和周期不同的正弦信號來代表回路受到外部擾動影響的情況，此時回路中的控制器參數為K=I=0.15，回路所受正弦擾動的具體參數設置如表2 所示。

表2 外部擾動情況下參數設置

對于回路中閥門出現粘滯問題的情況，回路控制器參數保持為良好狀態，通過改變閥門粘滯模型中粘滯參數的大小來仿真回路受到不同程度粘滯影響時的數據，仿真時具體的粘滯參數設置如表3 所示。

表3 閥門粘滯情況下參數設置

回路在實際運行的過程中，難以避免地會受到噪聲的干擾，因此在上述參數已經確定的情況下，回路會在不同的噪聲水平下多次進行仿真以生成盡可能真實的數據，噪聲方差的取值范圍如表4 所示。

表4 噪聲方差參數設置

圖2 展示了在閥門粘滯參數S=1.75，J=1，白噪聲方差V=0.03 情況下仿真生成的OP 及PV數據，圖3 展示了對應情況下的OP-PV 圖。

圖2 仿真生成的閥門粘滯情況下OP 及PV 數據

2 基于全卷積網絡的閥門粘滯檢測

2.1 網絡輸入

圖3 仿真生成的閥門粘滯情況下OP-PV 圖

對于使用非智能閥門的控制回路，回路運行時的MV 數據無法直接獲得，為了增大閥門粘滯檢測算法的應用范圍，使用OP 和PV 數據來檢測回路中的閥門粘滯現象。而且全卷積網絡作為一種可以進行端到端訓練的模型，不需要類似傳統方法人工提取特征，可以直接使用OP 和PV變量作為網絡的輸入并獲得分類結果。但是由于不同回路中OP 與PV 變量的取值范圍有很大差異，有的回路中PV 可以達到上千，而有的回路中PV 可能還不到十，因此本文采用最大最小歸一化對2 個變量進行預處理后作為全卷積網絡的輸入。

此外，在對時序數據進行分類時，每個樣本中包含的時間序列長度也會對最終的分類結果產生影響。假如樣本中的時間序列長度過短，可能在一個樣本對應的時間段內，回路中的閥門一直處于卡澀或者線性運動階段，哪怕閥門是存在粘滯問題的，但是該樣本中的數據并沒有包含完整的粘滯閥門運動周期，導致錯誤的閥門粘滯檢測結果。而時間序列長度過長，則會增大運算成本以及提高應用時對于測試樣本的要求。因此本文設置每個樣本中包含的時間序列長度為500，即全卷積網絡的每個輸入樣本都為回路中OP 變量與PV 變量合并構成的2×500 的矩陣。

2.2 全卷積網絡

閥門粘滯檢測的目的是通過分析回路運行時的數據，檢測出回路中的閥門是否出現粘滯現象。本文將閥門粘滯檢測問題看作是一個多變量時間序列分類任務，通過對回路中的多變量數據進行分析，將回路中閥門狀態分類為粘滯或者非粘滯。而使用深度學習的方法進行多變量時間序列的分類已經得到了廣泛的研究，Fawaz 等人[24]將多種基于深度卷積網絡的時間序列分類算法的效果進行了對比，其中，Wang 等人[25]提出的全卷積網絡在多變量時間序列分類任務中取得了最好的分類結果。由于全卷積網絡的優秀性能，提出了適用于解決閥門粘滯檢測問題的全卷積網絡。

2.2.1 卷積層設置

多變量時間序列數據中的每個變量都是一個通道，可以直接采用一維卷積對多通道的數據進行卷積操作。由于控制回路中廣泛存在時延，即OP 的變化會經過一段時間才影響到PV，因此，具有大的感受野的卷積網絡能夠更好地捕捉OP與PV 變量間的相對關系，而增大卷積核的尺寸能夠直接增大卷積網絡的感受野。基于上述介紹，本文使用的全卷積網絡中共包含5 個一維卷積層，每個卷積層后都使用ReLU（線性整流函數）作為激活函數，卷積核的尺寸依次為7，5，3，3，3，卷積的步長都為1，且卷積網絡中不包含池化層與批標準化層。

2.2.2 分類網絡結構設置

在全卷積網絡中，卷積層的主要作用為提取數據中的特征，由于在上述網絡中經過卷積層后的特征圖尺寸與卷積前相同，因此在最后一個卷積層后連接一個GAP（全局平均池化層）來減小特征圖的尺寸。相較于使用全連接層，使用全局平均池化層還能夠降低網絡中的參數量，起到正則化的作用，避免過擬合[26]。

對于全局平均池化層得到的特征，再依次連接一個包含2 個神經元的全連接層以及softmax層以進行分類任務。對于一個輸入的樣本。全卷積網絡的輸出可以表示為[y0，y1]，且二者之和為一。

綜上所述，全卷積網絡結構如圖4 所示。

2.3 模型訓練

將閥門粘滯檢測任務視作一個分類任務，因此可以使用樣本真實標簽與網絡預測結果間的交叉熵作為網絡的損失函數。在網絡模型構建完成后，將1.2 節中生成的仿真數據作為網絡的訓練數據，設置仿真生成的非粘滯數據的標簽為[1，0]，粘滯數據的標簽為[0，1]，使用學習率為0.000 5的Adam 優化算法[27]對網絡進行訓練，并且在訓練時引入權重衰減項以進行正則化。

處于在線閥門粘滯檢測階段時，只需要將待測試回路的數據按照2.1 節所述預處理后，輸入到訓練完成的網絡中，就可以得到該回路的閥門粘滯檢測結果，若輸出y0大于y1，說明該回路中并沒有粘滯問題，否則，說明回路中的閥門出現了粘滯問題。

圖4 全卷積網絡結構

3 實驗分析

3.1 數據案例1

本案例數據來源于浙江省某發電廠的1B 汽泵1 號密封水CP 側控制回路。汽泵密封水的作用為防止高壓高溫水從泵內泄漏以及防止低壓側漏入空氣。該控制回路采用PID 控制器，過程變量為密封水出口溫度，采集了該回路在閥門粘滯情況下運行50 h 的OP 與PV 數據，數據采樣的時間間隔為1 s，共計可得到180 000 個時刻的數據。由于構建的閥門粘滯檢測網絡每次輸入的樣本包含500 個時刻的數據，因此采用無重疊分段的方法對采集到的數據進行劃分，最終可以得到360 個樣本。其中第一個樣本的OP 及PV 數據如圖5 所示，對應的OP-PV 圖如圖6 所示。

將分段得到的每個樣本分別進行預處理后輸入之前使用仿真數據訓練完成得到的網絡中，可以得到這些樣本的閥門粘滯檢測結果，部分結果如表5 所示。

對于該案例中采集到的360 個樣本，本文提出的閥門粘滯檢測算法成功地分類了其中的305個樣本，準確率為84.7%。

3.2 數據案例2

圖5 密封水控制回路的OP 及PV 數據

圖6 密封水控制回路的OP-PV 圖

表5 閥門粘滯檢測結果展示

本案例數據來源于文獻[28]中提供的閥門粘滯公開數據集，為了方便與之前的方法進行對比，從其中選取了78 條標簽準確的回路用作算法的測試集，這些回路數據來源于不同種類的工廠，如發電廠、化工廠等。這78 條回路中，有36條的標簽為粘滯，剩余的42 條標簽為非粘滯。在進行測試時，僅選擇每條回路中前500 個數據點作為該回路的代表樣本，用在該樣本上的結果代表整個回路的檢測結果。數據集中的CHEM29 回路的代表樣本的OP 和PV 變量如圖7 所示，圖8為對應OP-PV 圖。

本文所提方法在36 條粘滯回路上檢測的準確率為24/36（66.7%），在42 條非粘滯回路上檢測的準確率為33/42（78.6%），總體檢測的準確率為57/78（73.1%）。該方法與部分已發表方法在該公開數據集上的對比結果如表6 所示。

圖7 回路CHEM29 的OP 及PV 數據

圖8 回路CHEM29 的OP-PV 圖

表6 閥門粘滯檢測結果

通過不同方法間的對比可以看到，本文所提的方法相較于文獻[16]和[29]中的算法在公開數據集上取得了更好的閥門粘滯檢測結果。

4 結語

本文針對控制回路中的閥門粘滯檢測問題提出了一種基于全卷積網絡的檢測方法。相比于其他的閥門粘滯檢測方法，該方法減少了對于人工提取特征的需求，只需使用回路原始的控制變量以及過程變量數據就可以實現閥門粘滯檢測，并且具有更加準確的檢測結果。

訓練集的質量對于深度學習中網絡模型的精度有明顯影響，在后續工作中，可以考慮生成更加豐富的仿真數據作為訓練集。除此之外，還可以考慮結合遷移學習方法，將使用仿真數據訓練得到的網絡遷移到實際應用的回路中。