基于深度學習的過程控制回路性能評估

賴新熠，蔚偉，錢玉良，宋紅啟

1.上海電力大學，上海，200090；2.華電電力科學研究院有限公司，浙江，杭州，310030

0 引言

在流程工業中存在大量的控制回路，其中60%的控制回路控制性能達不到要求[1]，因此需要及時調整性能不佳的回路，其中的首要步驟就是對過程控制回路進行控制性能評估。Harris提出了基于最小方差的性能指標，為控制評估的研究奠定了基礎[2]。廣義最小方差在原最小方差的基礎上將控制信號引入評估指標，拓展了最小方差方法的評估范圍，增強了魯棒性[3]。線性二次高斯基準同時考慮系統的輸入輸出，通過改變權重因子得到LQG最優控制權衡曲線，通過曲線可得到輸入輸出方差性能指標和控制性能下限[4]。目前大部分評估方法計算復雜度大，對回路特征的提取有局限性，對回路過程數據的處理有主觀性。為解決這些問題，本文提出基于深度學習和一維卷積神經網絡的過程控制回路性能評估方法。首先，使用帶遺忘因子的線性回歸算法和振蕩檢測指標進行綜合評估，對控制回路的過程輸出信號進行初步評估；然后利用一維卷積神經網絡完成特征提取和性能評估；最后通過仿真實驗驗證方法的有效性。

1 綜合控制回路評估指標

1.1 帶遺傳因子的線性回歸算法

帶遺忘因子的線性回歸算法基于原始過程的輸入輸出數據，其核心方法是通過時間序列分析法建立過程擾動模型，構建多維矩陣計算最小方差指標，這種方法有著計算復雜度大大簡化、評估正確率高、對數據變化適應性強的優點[5]。ILR的具體指標為：

ILR指標的取值范圍介于0與1之間，越靠近1控制性能越好，越靠近0性能越差。帶遺忘因子的線性回歸指標是一種定量分析方法，是對過程回路的整體評估，對局部范圍內的特征提取較為不足，且數據處理和運算過程中易造成回路信息的損失，因此需要對ILR指標進行補充。

1.2 振蕩指數

在典型過程環節運行時，有30%的回路由于振蕩參數調節過緊、控制閥門粘滯、外部振蕩干擾等原因產生回路振蕩；而當原始信號發生振蕩，其自相關函數也會發生振蕩[6]，因此通過自相關函數定義振蕩指數為R=a/b。其中，a表示ACF曲線中首個波峰值到前兩個波谷值連線的直線距離，b表示首個波谷值到首個波峰值和初始值連線的直線距離，示例如圖1所示。R的取值范圍從0到1，當振蕩指數R＞0.5時，輸出數據或誤差數據存在明顯振蕩。

圖1 振蕩指數示例圖

由此，結合帶遺忘因子的線性回歸算法和振蕩指標，構成對過程控制回路的綜合評估，以ILR指標作為主要依據，將回路劃分為優秀、良好、中等、較差、極差五個等級，設定的臨界值分別是0.8、0.7、0.6、0.5、0.3；同時，以振蕩指數作為補充，設定臨界值為0.5，若受評估數據的振蕩指標大于0.5，則該數據的評估等級被修正到低一級別。

2 一維卷積神經網絡

卷積神經網絡是在深度學習深層神經網絡中得到廣泛應用的結構，通過卷積層和池化層相互連接，壓縮放大所提取的特征，通過全連接層匯總特征并送入輸出層，最后用分類器將數據分類，有著局部連接、權值共享、池化操作及多層結構等優良特性，主要應用在圖像分類、人臉識別和ECG分析等方面[7]。

傳統卷積神經網絡是針對二維數據的，如圖片、視頻等，一維卷積神經網絡是對原有結構進行改進，將二維結構改造成一維，使其適用于一維數據，相較于傳統卷積網絡結構，一維卷積神經網絡有著計算復雜度更低、網絡結構更簡易及占用計算資源更少的優點[8]。其結構如圖2所示，各層的結構和輸出都是一維。

圖2 一維卷積神經網絡結構圖

3 實驗驗證

3.1 實驗樣本

仿真搭建火電廠鍋爐汽包水位控制系統，以單沖量控制系統為例，回路在受到外界擾動的情況下，通過跟蹤輸入值控制汽包水位維持在設定水位。實驗樣本由仿真控制回路的過程輸出數據構成，分為受到擾動時不變和受到擾動時改變兩組，每條樣本的采集數據點10000個，每500個采集點為一組，則一條樣本數據被分為20組。通過評估方法評估每組數據，收集各等級（優秀、良好、中等、較差、極差）數據各500條，由此構成的兩組數據集分別為時不變擾動數據集1#和時變擾動數據集2#，數據集總結如表1所示。

表1 數據集容量表

3.2 實驗步驟

通過仿真搭建火電廠鍋爐汽包水位控制系統來獲得回路過程輸出數據，對過程數據使用時序分析方法擬合建模，綜合計算帶遺傳因子的線性回歸指標和振蕩指數，再根據評估等級的劃分規則得到確切的回路性能評估等級，接著使用一維卷積神經網絡對輸入數據進行學習，提取數據中的特征并進行性能評估，主要步驟如下。

（1）獲取并處理過程輸出數據。鍋爐汽包控制系統單沖量控制仿真模型為單閉環比值控制回路，回路通過跟蹤設定水位以及調節汽包水位，使其維持固定水位不變。

實驗通過改變控制器參數來輸出在不同控制性能下的過程輸出數yi=x(n)(n=1,2,3，…10000)，x(n)表示第n個采樣點的輸出值，i為數據標號。設定采樣周期為1秒，每一條樣本數據共采樣10000個采樣點，又以500采樣點為周期將一條樣本數據劃分為n小段數據片段yik=x(n)(n=1,2,3…20),yik表示第i條數據樣本的第k段數據。獲取數據后對每條樣本數據進行時序隨機性分析處理，建立關于過程擾動的時間序列ARIMA模型[9]。

（2）使用綜合評估算法評估等級，劃分數據集。以每組數據片段為單位，經過計算得到回路性能ILR指標ηILR；同時通過時序模型做出自相關函數曲線，按照振蕩指數公式及相關定義得到振蕩指數R，獲得這兩個指標之后，再根據綜合評估回路控制性能規則得到回路控制性能等級Lik。

之后將數據樣本片段yik與回路控制性能等級Lik一一對應并劃分數據集，按擾動結果不同劃分成兩個不同的數據集，分別為時不變數據集YUC={yik，Lik}和時變數據集YC={yik，Lik}。

（3）使用一維卷積神經網絡評估控制回路。以時變數據集為例，首先對數據集數據yik進行預處理，將數據進行標準化處理，縮放到[-1,1]范圍內，再將數據集YC按7:3的比例亂序分成訓練集YC_train和測試集YC_test。

參考一維卷積神經網絡結構圖搭建深層網絡，包含多個卷積池化層，同時按照高斯分布初始化權重和偏置。隨后，將訓練集數據YC_train輸入網絡，通過卷積過程提取特征和池化過程降采樣。經過多層網絡的不斷卷積池化過程后，全連接層將特征數據中首尾相連的數據送入輸出層，輸出層通過分類器對數據分類得到整個網絡的輸出；接著，通過損失函數反向傳播優化網絡的參數設置，參數優化后就得到了訓練完成的一維卷積神經網絡。最后，使用測試集YC_test測試模型對控制回路評估的準確性，并對模型評估性能進行評價。

（4）實驗分析。設置對照實驗組，分析實驗結果并得出結論。

3.3 實驗結果分析

權衡評估的準確性以及模型訓練的時間，經過大量實驗優化后得出以下結果。最終模型中卷積層共4層，每層都由2層的卷積層構成來充分提取特征，對應池化層為4層；全連接層由一層全局平均池化層和一層參數較少的全連接層構成，該結構能夠減小模型參數，也能防止過擬合現象；輸出層使用softmax多分類輸出5個等級；此外在全連接層和輸出層之間再加入一層dropout層來防止過擬合。

將時不變數據集1#和時變數據集2#輸入模型，經訓練后得到的結果如表2所示，其中acc與loss指標分別表示模型訓練的準確率和損失函數值，兩項指標分別越接近1和0，表示模型的訓練效果越好；AUC指數為分類正確率大于分類錯誤率的量化指標，使用AUC指數來衡量模型的評估效果，數值越大說明模型效果越好，準確率越高[10]。由結果可知，一維卷積神經網絡模型對于時不變數據的評估效果略微高于時變數據，但是模型對于時變數據的訓練時間較短，達到最優模型的迭代次數也較少；同時，一維卷積神經網絡模型對于兩種數據集都得到了較高AUC值，說明該模型有著良好的評估效果，是一種控制回路評估的可行且有效的方法。

表2 模型訓練結果

4 結語

針對控制回路性能不佳的問題，本文提出使用深度學習方法進行控制回路評估。首先使用綜合評估指標對數據進行初步評估，接著構造一維卷積神經網絡模型提取數據特征，直接得出控制回路的性能評估等級。仿真實驗表明：綜合評估算法能正確評估出回路的真實控制性能，一維卷積神經網絡模型在達到較高準確率的情況下，平均用時較其他模型更短，且能夠實現對控制回路進行實時性能評估。