DCS控制器中先導式泄壓閥異常泄漏信號檢測

摘 要 在DCS控制器中，由于工作環境復雜，先導式泄壓閥的泄漏往往呈漸進過程，其影響的電壓信號表現為細微而持續的變化，傳統方法基于靜態或簡單統計特征進行判斷，難以捕捉因泄漏引起的微小動態變化，導致早期泄漏的漏檢或誤報。因此，提出一種針對DCS控制器中先導式泄壓閥異常泄漏信號檢測的新方法，對先導式泄壓閥信號進行預處理消除噪聲和干擾；應用變分模態分解（VMD）技術將預處理后的電壓信號分解成多個本征模態函數（IMF）分量，揭示信號中不同頻率段的特征，從而更容易捕捉泄漏引起的微小動態變化；從每個IMF分量中提取關鍵特征參數，并采用距離區分技術進行篩選，以確保所選特征對異常泄漏具有高敏感性和高區分度。設計并構建全卷積神經網絡模型，將篩選出的特征參數輸入該模型進行訓練和學習，計算出該信號特征對應的異常泄漏概率，進而判斷泄壓閥是否存在異常泄漏，實現異常泄漏信號檢測。實驗結果表明：所提方法對電壓信號分解準確率高，先導式泄壓閥異常泄漏信號檢測精度高。

關鍵詞 先導式泄壓閥 異常泄漏檢測 變分模態分解 全卷積神經網絡模型 電壓信號分解 特征選擇

中圖分類號 TP391"" 文獻標志碼 A"" 文章編號 1000-3932（2024）05-0796-09

現代工業生產中，分布式控制系統（DCS）作為核心控制單元承擔著監控、調節和保護各類生產設備的重要任務，先導式泄壓閥作為關鍵安全保護元件，其性能的穩定性和可靠性直接關系到整個生產系統的安全運行。在實際工作環境中，由于介質腐蝕、密封件老化及操作不當等多種因素，先導式泄壓閥易發生異常泄漏，不僅會造成資源浪費和環境污染還可能引發嚴重的安全事故。傳統的異常泄漏檢測方法多依賴人工巡檢、定期維護和基于靜態或簡單統計特征的分析手段，存在響應速度慢、準確率低及易受外界干擾等弊端，難以適應現代工業生產對設備安全性和可靠性的高要求。因此，研究能夠實時準確檢測DCS控制器中先導式泄壓閥異常泄漏信號的新方法，對于提高生產系統的安全性和穩定性具有重要意義［1］。

在異常信號檢測領域，文獻［2］對正在工作的液壓缸展開壓力信號采集，采用小波變換方式分解壓力信號的同時獲取該信號在時頻方向的特性，在此基礎上計算出與泄漏有關的特征向量，隨后抽取非泄漏特征和泄漏特征并將兩者展開對比，實現泄漏檢測，該方法中小波變換的效果很大程度上取決于小波基和分解層數的選擇，不恰當的選擇可能無法有效分離出泄漏引起的微小信號變化，尤其是當這些變化與背景噪聲頻率重疊時可能會導致泄漏信號被掩蓋或誤判。文獻［3］通過斜率切片小波變換技術對傳感器采集的信號展開預處理，同時對信號特征顯著的區域實施重構，獲取泄漏信號特征，隨后將Relief-F技術作為依據，獲取并篩選出最佳特征分量，將該分量輸入支持向量機，實現氣體泄漏檢測，該方法中Relief-F技術雖然能有效篩選出重要特征，但在面對復雜多變的泄漏信號時無法全面覆蓋所有相關特征，特別是較為細微的變化。文獻［4］利用紅外氣體檢漏器實施采樣，采用直方圖均衡化技術對圖像實施預處理，在此基礎上根據小波變換算法分解圖像和信號，隨后再次利用該技術去除無價值背景，保留噪聲和目標，實現泄漏信號檢測，該方法中直方圖均衡化能夠增強圖像的整體對比度，但也可能導致一些微弱的泄漏信號在預處理過程中被過度平滑或消除，造成泄漏檢測結果穩定性差、精度過低。文獻［5］利用傳感器提取由泄漏導致的振動信號同時轉換為微弱的電壓信號，隨后將該信號作為依據調整電路，對轉換后的電壓信號進行放大，最后采用希爾伯特-黃變換（HHT）分解信號，同時將分解信號輸入由LabVIEW平臺構建的檢測程序，實現泄漏信號檢測，該方法中HHT雖然適用于處理非線性和非平穩信號，但在處理極度微弱泄漏信號時分解效果可能受噪聲和信號復雜性的限制，難以準確提取出泄漏特征。因此，筆者提出一種針對DCS控制器中先導式泄壓閥異常泄漏信號檢測的新方法，通過構建高效的全卷積神經網絡模型，結合特征提取與篩選技術，實現對先導式泄壓閥異常泄漏的精準檢測。

1 先導式泄壓閥電壓信號解析

在DCS中，電壓信號常作為傳感器輸出的關鍵形式用于間接反映先導式泄壓閥的工作狀

態［6，7］。一旦泄壓閥出現異常泄漏，這些傳感器輸出的電壓信號會顯著變化，具體表現為電壓值的升高或降低及波動幅度增大等異常現象。為了準確檢測這些異常信號，筆者提出一種方法，聚焦于電壓信號的異常變化，旨在由DCS控制器實現對先導式泄壓閥異常泄漏的有效監測。由于電壓信號的復雜性，其中常包含多種頻率成分和噪聲干擾，這些因素往往會掩蓋與泄壓閥異常泄漏直接相關的關鍵信息，因此采用變分模態分解技術（VMD）［8，9］分解電壓信號，將復雜的原始電壓信號分解成更為簡單清晰的本征模態函數（IMF），便于后續分析和特征提取。

2 異常泄漏電壓信號特征的提取與選擇

原始電壓信號中可能包含大量與泄漏無關的冗余信息，通過VMD分解可去除這些冗余信息，保留對異常檢測有用的關鍵特征，提高處理效率和準確性。在此基礎上，從每個IMF分量中提取關鍵特征參數，這些參數能夠反映分量在時域、頻域或能量域上的特性。提取的特征應能夠敏感地反映泄漏引起的信號變化，同時具有一定的穩定性和魯棒性。為了進一步優化特征集，采用距離區分技術篩選和評估提取特征，通過計算不同狀態下（正常與異常）特征間的距離，篩選出那些在兩種狀態下距離差異最為顯著的特征，即那些既高敏感又極具區分度的特征。這些經過嚴格篩選的特征將用于構建異常檢測模型，以實現對泄漏信號的自動識別。

3 基于全卷積神經網絡的異常泄漏檢測模型設計與實現

經篩選，將在正常狀態與異常狀態下展現出最顯著距離差異的特征選作全卷積神經網絡模型的輸入。通過不同卷積核的卷積操作提取深層次特征。為防止過擬合并加速收斂，各卷積層后均引入批歸一化層，且包含可學習參數調整。為減少權重參數數量和提升訓練效率，模型剔除了全連接層，轉而采用全局平均池化層。輸出層采用特定激活函數計算異常泄漏的發生概率，實現泄漏信號的自動識別。

用筆者方法構建的全卷積神經網絡模型［14，15］如圖1所示，模型由全局池化層、卷積層、輸入輸出層和批歸一化層組成。在該模型中，通過前期篩選得到的特征參數被用作輸入數據。批歸一化層和卷積層一共有3組，3組的卷積核大小各不相同，卷積計算式為：

4 實驗與分析

為了全面驗證筆者方法在DCS控制器先導式泄壓閥異常泄漏信號檢測中的整體有效性，設計并實施了一系列測試。本次實驗的環境設置為：（K）Ax46Y/F型的先導式泄壓閥，其泄漏流量閾值和壓力變化閾值分別設定為1 L/min、0.1 MPa；為確保實驗的嚴謹性與準確性，設定每5 s一次的報警延時機制，每個測試步驟持續10 min，以充分觀察并記錄數據變化。

在信號預處理階段，為了更深入地挖掘原始電壓信號中的關鍵信息，便于后續電壓信號的特征提取，筆者方法首先采用VMD技術分解電壓信號，具體實驗參數見表1。

采用VMD分解技術分解電壓信號的測試結果如圖2所示，可見，VMD分解技術將原始電壓信號分解為4個子帶信號，即IMF分量，這些IMF分量呈現了從高頻到低頻的多尺度特性，每個分量都包含了原始電壓信號在其主要頻帶區域內的信息。這一特性對于從電壓信號中提取特征參數具有重要作用。

為了提升后續先導式泄壓閥異常泄漏檢測的準確性，筆者方法針對泄漏信號展開特征提取，將頻譜帶寬作為關鍵特征之一進行詳細分析，實驗結果如圖3所示，可見，隨著VMD迭代次數的增加，頻譜帶寬在各個IMF分量中的占比發生了顯著變化。采用筆者方法提取的頻譜帶寬與實際頻譜帶寬在IMF分量中的大小實現了高度一致。這一結果表明，筆者方法能夠精確且完整地捕捉到IMF分量內的頻譜帶寬，避免了信息丟失或扭曲，為后續的異常泄漏檢測提供了更為可靠和精確的輸入數據。

泄漏量是個易于量化和監測的指標。通過測量和計算，能夠迅速準確地判斷泄壓閥是否存在異常泄漏。基于此，本次實驗專注于監測泄漏量的大小，用以全面評估先導式泄壓閥異常泄漏檢測的精度。實驗結果如圖4所示。

分析圖4可知，筆者方法對于先導式液壓閥異常泄漏量的監測結果與實際異常泄漏量的真實值幾乎完全吻合，展現了極高的準確性。進一步對比文獻［2～4］方法發現，這幾種方法在檢測過程中均存在不同程度的誤檢情況。相較于文獻［2～4］方法，筆者方法在監測先導式泄壓閥異常泄漏量時與實際泄漏量的吻合度最高，證實了該方法在異常泄漏檢測方面具有更高的精度和可靠性。對于異常泄漏檢測而言，泄漏通常會引起信號在特定頻率范圍內的微小但重要的變化。筆者方法的優勢在于采用VMD技術將信號分解成多個IMF分量，每個分量都代表了原始信號中不同頻率段的特征。這種分解方式使得后續特征提取和分類工作能夠基于更加精細和準確的信號成分進行，從而顯著提高檢測精度。

在本次實驗中，針對先導式泄壓閥的異常泄漏程度進行詳細檢測，并將筆者方法的檢測精度與文獻［2～4］方法進行對比評估，測試結果如圖5所示。

分析圖5可知，文獻［2～4］方法雖然也具有一定的檢測能力，但檢測結果與實際泄漏狀態相比，均存在不同程度的不吻合情況。以文獻［2］方法為例，在圖5b中，第4、9、17、22、36個樣本的檢測結果明顯偏離實際狀態，表明該方法在特定樣本上的檢測精度有待提高。相較于這幾種方法，筆者方法在先導式泄壓閥異常泄漏檢測方面展現出了更高的精度和可靠性。這一優勢主要在于對異常電壓信號的處理以及所采用的特征提取和分類技術的有效性。特別是通過VMD技術將信號分解成多個本征模態函數（IMF）分量，并結合全卷積神經網絡模型進行特征學習和分類，使得筆者方法能夠更準確地捕捉到由于泄漏引起的微小動態變化，從而實現了高精度的異常泄漏檢測。

5 結束語

鑒于先導式泄壓閥在DCS控制器中異常泄漏檢測所面臨的復雜性與挑戰，筆者創新性地提出了基于信號分解與深度學習的檢測方法。該方法通過VMD技術，有效地將復雜多變的電壓信號細化為多個IMF分量，精準捕捉由泄漏引發的微弱動態信號特征。隨后，利用精細的特征提取策略與距離區分技術，從各IMF分量中篩選出對異常泄漏具有高度敏感性和區分度的關鍵特征參數。這些特征參數隨后被輸入至精心設計的全卷積神經網絡模型中，通過深度學習算法進行訓練與優化，最終實現了對先導式泄壓閥異常泄漏信號的高精度識別與檢測。實驗驗證表明，該方法不僅在電壓信號分解與特征提取上展現了卓越的性能，更在異常泄漏檢測精度上提升顯著。盡管該方法在先導式泄壓閥泄漏檢測領域取得了重要進展，但在實際應用中，面對多變的工況與未知的挑戰，如更復雜的噪聲環境、多變的泄漏模式等，檢測方法的持續優化至關重要。

展望未來，隨著科技的飛速發展，泄漏檢測方法將更加趨向于集成化與智能化。通過整合多種先進的檢測技術與手段，構建綜合檢測平臺，將能夠實現對閥門泄漏狀態的全方位、多層次監測。同時，深度融合人工智能、大數據分析等前沿技術，將實現對泄漏數據的實時分析、智能預警與自主決策，進一步提升檢測效率與準確性，為工業生產的安全與穩定運行提供堅實保障。

參 考 文 獻

［1］ 賈文龍，孫溢彬，湯丁，等.基于支持向量機的輸氣管道泄漏壓降信號智能識別方法［J］.化工進展，2022，41（9）：4713-4722.

［2］ 張兆東，張均利，張鴻鵠，等.基于小波分析的液壓缸內泄漏檢測方法［J］.液壓與氣動，2020（6）：83-89.

［3］ 李鵬，陸一，楊佳康，等.壓力容器氣體泄漏中的FSWT和SVM聯合檢測方法［J］.電子器件，2021，44（4）：1011-1018.

［4］ 顏濤.基于小波分析的氣體絕緣電力設備中SF6泄漏檢測方法［J］.高壓電器，2020，56（10）：233-238.

［5］ RUI W， ZHAO Y. Research on Building Gas Pipe Leakage Detection Based on LabVIEW and Multisim［J］.Journal of Physics：Conference Series，2020，1635（1）：012111.

［6］ 王賓，蔡丹，邱起瑞，等.分散控制系統自主可控技術的發展［J］.熱力發電，2022，51（3）：182-186.

［7］ 錢虹，柴文武，古雅琦.基于PSA敏感性分析的核電穩壓器數字控制系統可靠性研究［J］.原子核物理評論，2021，38（3）：355-360.

［8］ 劉紅軍，胡軼瑋，韓文杰.基于VMDFK和圖像編碼技術CNN網絡刀具磨損狀態識別［J］.中國工程機械學報，2024，22（1）：94-100.

［9］ 丁承君，張良，馮玉伯，等.VMD和t-SNE相結合的滾動軸承故障診斷［J］.機械科學與技術，2020，39（5）：758-764.

［10］ 張家瑞，李海鷹，苗建瑞，等.電梯群控系統調度模型及其改進ADMM分解算法［J］.控制與決策，2023，38（1）：39-48.

［11］ 李金瑜，陳友華，韓偉，等.基于r-ADMM算法的軸向超分辨熒光顯微技術研究［J］.光學學報，2019，39（2）：324-332.

［12］ 辛峰，尤向陽，葛笑寒，等.基于空間相量模型的三相電壓暫降擾動特征提取與分類［J］.電力系統保護與控制，2022，50（8）：58-65.

［13］ 劉嘉誠，劉俊，趙宏炎，等.基于DKDE與改進mRMR特征選擇的短期光伏出力預測［J］.電力系統自動化，2021，45（14）：13-21.

［14］ 竇慧，張凌茗，韓峰，等.卷積神經網絡的可解釋性研究綜述［J］.軟件學報，2024，35（1）：159-184.

［15］ 韓鵬程，燕群，彭濤，等.卷積神經網絡在氣體泄漏超聲識別中的應用［J］.應用聲學，2022，41（4）：602-609.

（收稿日期：2024-01-17，修回日期：2024-07-30）

Abnormal Leakage Signal Detection of Pilot Pressure Relief

Valve in DCS Controller

ZUO Xiao-li

（PipeChina Engineering Technology Innovation Co.，Ltd.）

Abstract"" In DCS controller， complex working environment makes the leakage of the pilot pressure relief valve becomes a gradual process， and the voltage signal affected by it shows subtle and continuous changes. The traditional method bases on static or simple statistical characteristics to judge it and it’s difficult to capture small dynamic changes caused by the leakage， which results in missed detection or 1 alarm of early leakage. In this paper， a method for abnormal leakage signal detection in DCS controller was proposed， including having the pilot pressure relief valve’s signal preprocessed to eliminate both noise and interference； and then， through adopting variational mode decomposition（VMD）， having the preprocessed voltage signal decomposed into multiple intrinsic mode function （IMF） components to reveal characteristics of different frequency bands in the signal and to make capturing small dynamic changes caused by leakage become easier； and then， having Key feature parameters extracted from each IMF component and then having them screened by using distance discrimination technique so as to ensure the selected features to be sensitive and discriminative to the abnormal leakage； and having fully convolutional neural network model designed and constructed and having the selected feature parameters input into the model for both training and learning， including calculating abnormal leakage probability which corresponding to the signal feature to further judge whether any abnormal leakage exist there and to be detected. The experimental results show that， the method proposed has high accuracy in both voltage signal decomposition and abnormal leakage signal detection.

Key words"" pilot operated pressure relief valve， abnormal leakage detection， VMD decomposition， fully convolutional neural network model， signal decomposition， feature selection