基于CNN-WSVM的閥門粘滯檢測方法

摘 要 針對實際中粘滯與非粘滯數(shù)據(jù)不均衡問題，提出基于卷積神經(jīng)網(wǎng)絡(luò)和加權(quán)支持向量機(jī)融合的閥門粘滯檢測方法（CNN-WSVM）。首先搭建仿真控制回路生成不同工況的回路運(yùn)行數(shù)據(jù)，然后利用一維卷積神經(jīng)網(wǎng)絡(luò)模型提取特征，再使用懲罰項系數(shù)可調(diào)的加權(quán)支持向量機(jī)實現(xiàn)對閥門狀態(tài)的分類。在仿真數(shù)據(jù)集和開源工業(yè)數(shù)據(jù)集中的驗證結(jié)果表明：該方法相較于僅使用卷積神經(jīng)網(wǎng)絡(luò)，在數(shù)據(jù)不均衡情況下，能夠顯著提高粘滯數(shù)據(jù)檢測準(zhǔn)確率，同時在真實工業(yè)場景中具有較好的泛化能力。

關(guān)鍵詞 閥門 粘滯檢測 不均衡數(shù)據(jù) 卷積神經(jīng)網(wǎng)絡(luò) 加權(quán)支持向量機(jī) 閥門狀態(tài)分類

中圖分類號 TP277"" 文獻(xiàn)標(biāo)志碼 A"" 文章編號 1000-3932（2024）05-0805-07

現(xiàn)代流程工業(yè)通常包含成百上千個控制回路，閥門則是回路中最常見的執(zhí)行機(jī)構(gòu)之一。實際生產(chǎn)過程中，由于長時間接觸介質(zhì)、機(jī)械磨損等原因，閥門很容易出現(xiàn)各種故障，包括死區(qū)、泄漏、粘滯等，其中粘滯最為常見［1］。據(jù)統(tǒng)計，有近30%的控制回路振蕩是由閥門粘滯引起的［2］。閥門粘滯可能會導(dǎo)致產(chǎn)品質(zhì)量缺陷，生產(chǎn)效率下降，從而影響工廠的效益。因此，及早檢測閥門粘滯具有重要意義。

閥門粘滯檢測方法分為侵入式檢測和非侵入式檢測。侵入式檢測需要在閥門離線狀態(tài)下進(jìn)行，會影響回路的正常運(yùn)行。非侵入式檢測也稱數(shù)據(jù)驅(qū)動檢測方法，利用運(yùn)行數(shù)據(jù)，通過相關(guān)算法判斷是否存在粘滯，常見的非侵入式檢測方法包括基于互相關(guān)函數(shù)、波形識別、非線性檢測和極限環(huán)模式識別的方法［3～7］。近年來，有學(xué)者利用神經(jīng)網(wǎng)絡(luò)來檢測閥門粘滯［3］，與傳統(tǒng)方法相比，神經(jīng)網(wǎng)絡(luò)能夠在環(huán)境復(fù)雜、知識規(guī)則混亂的情況下，有效提取回路運(yùn)行數(shù)據(jù)的特征［8］。文獻(xiàn)［9］將回路的控制器輸出（OP）-過程變量（PV）圖轉(zhuǎn)換為圖片，并訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)對其進(jìn)行分類，判斷是否粘滯；文獻(xiàn)［10］提出基于卷積神經(jīng)網(wǎng)絡(luò)-主成分分析（CNN-PCA）的閥門粘滯檢測方法，將時間序列數(shù)據(jù)轉(zhuǎn)換為無閾值遞歸圖，用CNN提取特征，然后用PCA進(jìn)行分類；文獻(xiàn)［11］提出用遷移學(xué)習(xí)的思想構(gòu)建適用于不同回路的閥門粘滯檢測模型。訓(xùn)練神經(jīng)網(wǎng)絡(luò)檢測閥門粘滯需要大量數(shù)據(jù)，上述基于神經(jīng)網(wǎng)絡(luò)的方法中，有的使用數(shù)量均衡的粘滯與非粘滯數(shù)據(jù)訓(xùn)練檢測模型，有些只使用待檢測回路的非粘滯數(shù)據(jù)。在實際工業(yè)過程中，由于回路之間的差異性，有些過程大部分是非粘滯狀態(tài)，收集到的粘滯數(shù)據(jù)遠(yuǎn)少于非粘滯數(shù)據(jù)。針對此，筆者提出基于卷積神經(jīng)網(wǎng)絡(luò)-加權(quán)支持向量機(jī)（Convolutional Neural Networks-Weighted Support Vector Machine，CNN-WSVM）的方法，用于在數(shù)據(jù)不均衡情況下檢測閥門粘滯。

1 閥門粘滯檢測原理

1.1 粘滯特性

工業(yè)過程最常用的氣動調(diào)節(jié)閥通常由閥體、定位器和執(zhí)行機(jī)構(gòu)組成。閥門定位器以閥桿位移信號作為反饋信號，以控制器輸出作為設(shè)定信號，并將兩者間的偏差轉(zhuǎn)換成驅(qū)動執(zhí)行機(jī)構(gòu)的氣信號，使執(zhí)行機(jī)構(gòu)動作。在理想情況下，閥門實際開度與控制器輸出呈線性關(guān)系。但由于工藝介質(zhì)高黏稠、強(qiáng)腐蝕或易結(jié)晶的特點，閥門使用一段時間后會出現(xiàn)特性變化，粘滯就是其中的一種。閥門粘滯會導(dǎo)致閥桿無法及時響應(yīng)控制器的輸出信號［12］，其典型特性如圖1所示，其中，虛線L表示無粘滯時的輸入輸出特性曲線，呈線性關(guān)系。當(dāng)閥門存在粘滯時，閥門輸出會沿著A→B→C→D→E→F→G→A運(yùn)動，AB階段為死區(qū)，閥門保持靜止；當(dāng)輸入信號逐漸增大時，由于無法克服靜摩擦力，閥門在BC之間的位置發(fā)生粘滯；在克服靜摩擦力后，閥門滑跳到新位置D；接著開始一段平移運(yùn)動DE。當(dāng)閥門輸入反向（E→A）時，重復(fù)上述動作。參數(shù)S表示死區(qū)與粘滯大小J之和。

1.2 閥門粘滯檢測

閥門作為控制回路中的主要執(zhí)行機(jī)構(gòu)，粘滯的存在直接影響到控制系統(tǒng)的性能，這在過程變量的穩(wěn)定性和響應(yīng)特性上清晰體現(xiàn)。

無粘滯和有粘滯情況下回路的OP和PV數(shù)據(jù)如圖2所示，在無粘滯狀態(tài)下，PV能夠相對迅速地響應(yīng)OP的變化。在粘滯狀態(tài)下，PV對于OP變化的響應(yīng)變得遲緩和不穩(wěn)定。粘滯檢測正是利用PV與OP在兩種狀態(tài)下的差異來工作的，本研究將閥門粘滯檢測問題視作多變量時間序列分類問題進(jìn)行處理。

CNN的卷積操作、權(quán)值共享、深度結(jié)構(gòu)等特性使其能高效地從原始數(shù)據(jù)中提取特征，可被用于處理時間序列數(shù)據(jù)［13］。WSVM能夠捕捉和建模復(fù)雜的非線性關(guān)系，同時自動選擇最重要的特征，因此被廣泛用于分類問題。融合CNN和WSVM，筆者提出的基于CNN-WSVM的閥門粘滯檢測工作流程如圖3所示。首先，從過程回路中采集包含粘滯和非粘滯的PV和OP數(shù)據(jù)；然后，使用CNN提取數(shù)據(jù)特征，利用CNN的輸出來訓(xùn)練WSVM粘滯檢測模型。一旦模型訓(xùn)練完成并且性能良好，就可以將其應(yīng)用于在線檢測閥門粘滯，從而實現(xiàn)高效的閥門狀態(tài)監(jiān)測。

2 基于CNN-WSVM的粘滯檢測方法

現(xiàn)對提出的基于CNN-WSVM的閥門粘滯檢測方法進(jìn)行詳細(xì)闡述。首先，介紹閥門運(yùn)行數(shù)據(jù)的采集和預(yù)處理，然后描述CNN-WSVM如何處理不均衡數(shù)據(jù)并分類，最后給出具體的粘滯檢測網(wǎng)絡(luò)構(gòu)架。

2.1 數(shù)據(jù)采集與預(yù)處理

對于粘滯檢測而言，閥門粘滯過程會經(jīng)過死區(qū)、粘滯、滑跳、平移運(yùn)動以及反向運(yùn)動，一個完整周期才能體現(xiàn)。因此，檢測過程需要采集一段時間序列作為數(shù)據(jù)樣本，時間序列長度過長，會增加計算成本并提高應(yīng)用時對數(shù)據(jù)的要求；長度過小又無法包含完整的粘滯特征，影響檢測的準(zhǔn)確性。通常時間序列長度選擇為半個粘滯周期，長度為n。

其中，min（·）表示向量的最小值；max（·）表示向量的最大值。

2.2 CNN-WSVM不均衡數(shù)據(jù)分類

CNN通常包括卷積層、池化層和全連接層，用于提取和學(xué)習(xí)抽象特征。在時間序列分類中的應(yīng)用是通過卷積層來捕捉時間序列中的局部特征。

WSVM是一種監(jiān)督學(xué)習(xí)算法，通常用于二分類和多分類問題，目的是找到一個最佳的決策邊界，將不同類別的樣本分開。在CNN-WSVM構(gòu)架中，WSVM被用作CNN提取的時間序列特征的分類器。WSVM自身的核函數(shù)將閥門原始特征空間中的非線性分類界面映射到高維度的特征變換空間中，從而產(chǎn)生線性分類界面。WSVM的目標(biāo)函數(shù)如下：

召回率和精確率是一對相互矛盾的指標(biāo)，一般來說，精確率高時，召回率往往較低；而精確率低時，召回率往往較高。為了綜合考慮這兩個指標(biāo)，提出了召回率和精確率的加權(quán)調(diào)和平均數(shù)F■，它的范圍在0到1之間。F■越大，表示模型在同時考慮了召回率和精確度的情況下性能越好，是一個綜合性能評估指標(biāo)。

2.3 基于CNN-WSVM的粘滯檢測網(wǎng)絡(luò)

原始回路數(shù)據(jù)經(jīng)預(yù)處理后，就可以作為粘滯檢測網(wǎng)絡(luò)的輸入。CNN-WSVM閥門粘滯檢測網(wǎng)絡(luò)采用3層卷積加1層加權(quán)支持向量機(jī)的構(gòu)架，如圖4所示。

圖4中卷積核的大小分別為17、17、10，卷積核個數(shù)分別為4、8、8，在每個卷積層后使用線性整流函數(shù)（ReLU）和最大池化層。ReLU將卷積層輸出為負(fù)值的特征置零，正值不變，池化層選用參數(shù)分別為2、3、3的最大池化，對特征圖進(jìn)行壓縮。最后一層池化層輸出的大小為8×11，將其展平為88×1，然后經(jīng)過全連接層輸出為1×2的特征圖。用交叉熵?fù)p失函數(shù)和Adam優(yōu)化CNN的參數(shù)，學(xué)習(xí)率為0.01。WSVM將CNN學(xué)習(xí)到的1×2的特征映射為所屬類別標(biāo)簽。

具體檢測步驟如下：

a. 數(shù)據(jù)預(yù)處理，劃分訓(xùn)練集、測試集，分割時間序列、數(shù)據(jù)歸一化；

b. 利用CNN提取訓(xùn)練樣本的粘滯特征與非粘滯特征；

c. 將CNN提取的特征作為WSVM分類器的輸入，訓(xùn)練WSVM分類器；

d. 將測試樣本輸入訓(xùn)練好的CNN模型進(jìn)行特征提取；

e. 將測試樣本的特征輸入訓(xùn)練好的CNN-WSVM進(jìn)行分類，輸出分類結(jié)果。

3 實驗結(jié)果

為驗證筆者方法的有效性，分別在仿真數(shù)據(jù)集和開源工業(yè)數(shù)據(jù)集上進(jìn)行驗證。

3.1 仿真數(shù)據(jù)集實驗

所用仿真模型為一條單輸入單輸出閉環(huán)控制回路，被控對象的傳遞函數(shù)為：

G（s）=

以幅值為25的正弦信號作為設(shè)定值，使用PI控制器，回路中的粘滯模型采用文獻(xiàn)［14］提出的雙參數(shù)模型。在設(shè)置不同參數(shù)的情況下多次進(jìn)行仿真，共生成1 120個樣本，具體粘滯參數(shù)設(shè)置見表1。

實驗過程中，欠補(bǔ)償粘滯J值取0.1，S取值范圍0.2～1.8，每隔0.2取一個值；無補(bǔ)償粘滯S值和J值取0.5；過補(bǔ)償粘滯S值取0.2，J取值范圍0.2～1.0，每隔0.1取一個值，共生成280個粘滯樣本。非粘滯數(shù)據(jù)由控制器參數(shù)良好、控制器參數(shù)不佳、外部干擾3種情況組成，具體參數(shù)設(shè)置見表2、3。控制器比例系數(shù)K取值范圍0.1～0.6，每隔0.1取一個值；控制器積分系數(shù)I取值范圍0.1～0.6，每隔0.1取一個值。改變正弦擾動的幅值、頻率、相位來仿真回路受到不同干擾的情況。幅值A(chǔ)的取值范圍0.05～0.25，每隔0.05取一個值；頻率f的取值范圍0.1～0.6，每隔0.1取一個值；相位P取值為0和0.5？仔，共生成840個非粘滯樣本。

在系統(tǒng)穩(wěn)定運(yùn)行后對回路的OP、PV進(jìn)行采樣，采樣周期0.15 s，回路運(yùn)行時間45 s，共300個采樣點。隨機(jī)抽取仿真數(shù)據(jù)集中80%的樣本用來訓(xùn)練模型，10%的樣本用來驗證，剩余10%作為測試集。測試樣本按照是否粘滯分為兩組，A組84個樣本全部為非粘滯，B組28個樣本全部為粘滯。在測試時，同樣先將數(shù)據(jù)預(yù)處理，然后送入已經(jīng)訓(xùn)練好的模型，輸出結(jié)果為粘滯或者非粘滯。

為了驗證筆者方法的性能，分別使用CNN、CNN-SVM與筆者方法在仿真數(shù)據(jù)集上訓(xùn)練模型，3種方法的測試結(jié)果見表4。使用CNN和CNN-SVM方法時，A類樣本的準(zhǔn)確率達(dá)到了1.00，B類樣本的準(zhǔn)確率分別為0.18和0.32。在使用筆者方法后，A類樣本的準(zhǔn)確率下降到了0.43，同時B類樣本的準(zhǔn)確率和F1指標(biāo)都有顯著改善，分別達(dá)到了0.75和0.74。結(jié)果證明筆者方法在數(shù)據(jù)不均衡的情況下，能有效提高B類樣本的準(zhǔn)確率和F1指標(biāo)，但A類樣本的檢測準(zhǔn)確率較低。

3.2 工業(yè)數(shù)據(jù)集測試

為了驗證筆者方法的泛化能力，選擇使用工業(yè)數(shù)據(jù)進(jìn)行測試，數(shù)據(jù)來自文獻(xiàn)［15］的閥門粘滯公開數(shù)據(jù)集，從中選取78條有明確標(biāo)簽的回路。這些數(shù)據(jù)來自不同類型的工廠，其中有36條粘滯回路，42條非粘滯回路。

在測試時，選取每個回路前300個PV、OP數(shù)據(jù)點，若有數(shù)據(jù)點少于300個則復(fù)制部分?jǐn)?shù)據(jù)予以補(bǔ)足。將數(shù)據(jù)預(yù)處理后直接輸入仿真數(shù)據(jù)訓(xùn)練出的模型進(jìn)行測試，測試結(jié)果見表5。在工業(yè)數(shù)據(jù)集上，B類樣本的準(zhǔn)確率與仿真數(shù)據(jù)集上的情況相似。使用CNN和CNN-SVM方法時，A類樣本準(zhǔn)確率要低于仿真數(shù)據(jù)集，使用筆者方法后，A類樣本準(zhǔn)確率高于仿真數(shù)據(jù)集。筆者方法的F1指標(biāo)也優(yōu)于CNN和CNN-SVM方法，且僅比仿真數(shù)據(jù)集的指標(biāo)小0.03，表明筆者方法能夠有效運(yùn)用于真實工業(yè)場景。

筆者方法在78條工業(yè)回路的具體表現(xiàn)見表6。該方法在流量和壓力控制回路檢測效果最好，F(xiàn)1指標(biāo)超過0.8。電平控制回路F1指標(biāo)為0.67，壓力控制回路F1指標(biāo)為0.46，檢測效果不好的原因可能是有的回路采樣周期為12 s甚至長達(dá)60 s，與訓(xùn)練模型時回路的采樣周期0.15 s差距過大。其他類型的回路數(shù)量較少，可能存在偶然性。78條回路中有11條存在干擾的非粘滯回路，僅有3條回路檢測正確，表明該方法在區(qū)分真實工業(yè)環(huán)境中的粘滯和干擾方面能力欠佳。

4 結(jié)束語

針對實際生產(chǎn)過程中閥門粘滯數(shù)據(jù)數(shù)量可能存在不均衡的狀況，提出基于CNN-WSVM的閥門粘滯檢測方法。通過神經(jīng)網(wǎng)絡(luò)處理回路運(yùn)行數(shù)據(jù)，實現(xiàn)了對閥門粘滯的檢測。仿真和實際工業(yè)數(shù)據(jù)的測試結(jié)果表明，筆者方法相較于僅使用CNN，在數(shù)據(jù)不均衡情況下，能夠顯著提高粘滯數(shù)據(jù)檢測準(zhǔn)確率，同時在真實工業(yè)場景中具有較好的泛化能力。

實驗中發(fā)現(xiàn)筆者方法在干擾嚴(yán)重的回路中檢測效果欠佳，后續(xù)工作是對此進(jìn)行改進(jìn)并嘗試對閥門粘滯程度進(jìn)行量化。

參 考 文 獻(xiàn)

［1］"" BAUER M，HORCH A，XIE L，et al.Thecurrent state of control loop performance monitoring—A survey of application in industry［J］.Journal of Process Control，2016，38：1-10.

［2］"" ENDER D.Process Control Performance：Not as Good as You Think［J］.Control Engineering，1993，24（10）：180-190.

［3］"" AKAVALAPPIL V，RADHAKRISHNAN T K.Compari-

son of current state of control valve stiction detection and quantification techniques［J］.Transactions of the Institute of Measurement and Control，2022，44（3）：562-578.

［4］"" HORCH A.A simple method for detection of stiction in control valves［J］.Control Engineering Practice，1999，7（10）：1221-1231.

［5］"" HE Q E， WANG J， POTMAANN M， et al.A Curve Fitting Method for Detecting Valve Stiction in Oscillating Control Loops［J］.Industrial amp; Engineering Chemistry Research，2007，46（13）：4549-4560.

［6］"" CHOUDHURY M A A S，SHAH S L，THORNHILL N F.Diagnosis of poor control loop performance using higher-order statistics［J］.Automatica，2004，40（10）：1719-1728.

［7］"" 鄭麗麗，王志國，劉飛.模糊聚類下氣動閥門粘滯檢測方法的改進(jìn)［J］.機(jī)械科學(xué)與技術(shù)，2018，37（2）：300-305.

［8］"" 任浩，屈劍鋒，柴毅，等.深度學(xué)習(xí)在故障診斷領(lǐng)域中的研究現(xiàn)狀與挑戰(zhàn)［J］.控制與決策，2017，32（8）：1345-1358.

［9］"" DAMBROS J W，F(xiàn)ARENZENA M，TRIERWEILER J O.Oscillation Detection and Diagnosis in Process Industries by Pattern Recognition Technique［J］.IFAC-PapersOnLine，2019，52（1）：299-304.

［10］"" HENRY Y Y S，ALDRICH C，ZABIRI H.Detection and severity identification of control valve stiction in industrial loops using integrated partially retrained CNN-PCA frameworks［J］.Chemometrics and Intellig-

ent Laboratory Systems，2020，206：104-143.

［11］"" 劉夢杰，趙春暉，王文海.基于單類數(shù)據(jù)遷移的控制閥粘滯檢測方法［J］.控制工程，2022，29（4）：645-654.

［12］"" JELALI M，HUANG B. Detection and Diagnosis of Stiction in Control Loops：State of the Art and Advanced Methods［M］.London：Springer，2010.

［13］"" 李旭東，李艷軍，曹愈遠(yuǎn)，等.基于CNN-SVM的飛機(jī)EHA故障診斷算法研究［J］.西北工業(yè)大學(xué)學(xué)報，2023，41（1）：230-240.

［14］"" CHEN S L，TAN K K，HUANG S.Two-layer binary tree data-driven model for valve stiction［J］.Industrial amp; Engineering Chemistry Research，2008，47（8）：2842-2848.

［15］" CAPACI R B，SCALI C.Review and comparison of techniques of analysis of valve stiction：From mode-

ling to smart diagnosis［J］.Chemical Engineering Res-

earch and Design，2018，130：230-265.

（收稿日期：2023-10-23，修回日期：2024-02-18）

A Valve Stiction Detection Method Based on CNN-WSVM

TIAN Jing， WANG Zhi-guo， LIU Fei

（MOE Key Laboratory of Advanced Process Control for Light Industry， Jiangnan University）

Abstract"" Considering disequilibrium between stiction and non-stiction data in practice， a valve stiction detection method based on convolutional neural networks and weighted support vector machines（CNN-WSVM） was proposed. Firstly， a simulation control loop was made to generate operational data under various conditions； and then， a one-dimensional CNN model for feature extraction was adopted， including making use of WSVM with adjustable penalty coefficients classify the stiction states. The verification results on simulation datasets and open source industrial datasets show that， compared with using CNN only， the method proposed can significantly improve detection accuracy of sticky data in the case of unbalanced data， and has good generalization ability in real industrial scenes.

Key words"" valve， stiction detection， unbalanced data， CNN， WSVM， valve status classification

基金項目：國家自然科學(xué)基金重點項目（批準(zhǔn)號：61833007）資助的課題。

作者簡介：田靜（1998-），碩士研究生，從事閥門粘滯檢測和量化的研究。

通訊作者：王志國（1977-），副教授，從事工業(yè)過程控制器性能評估及過程監(jiān)控的研究，zhiguowang@jiangnan.edu.cn。

引用本文：田靜，王志國，劉飛.基于CNN-WSVM的閥門粘滯檢測方法［J］.化工自動化及儀表，2024，51（5）：805-810；829.