【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及一種基于神經(jīng)網(wǎng)絡(luò)的閥門識(shí)別方法、裝置、介質(zhì)及設(shè)備，屬于閥門控制。
技術(shù)介紹
1、閥門作為工業(yè)控制領(lǐng)域使用最為廣泛的機(jī)械之一，如今已成為了控制管路流量的關(guān)鍵設(shè)備。
2、閥門控制裝置對(duì)閥門開度控制效果的好壞直接影響了整個(gè)管路網(wǎng)絡(luò)的流量控制效果，進(jìn)而影響工廠的整體效益。
3、閥門控制裝置需要對(duì)閥門進(jìn)行建模，不同類型閥門的負(fù)載模型不一樣。在火電廠，高溫管路系統(tǒng)環(huán)境較為惡劣，人工查看閥門類型成本高、風(fēng)險(xiǎn)高。
技術(shù)實(shí)現(xiàn)思路
1、本專利技術(shù)的目的在于克服現(xiàn)有技術(shù)中的不足，提供一種基于神經(jīng)網(wǎng)絡(luò)的閥門識(shí)別方法、裝置、介質(zhì)及設(shè)備，能夠識(shí)別閥門類型，能夠避免人工查看閥門類型，能夠節(jié)省人工成本。為達(dá)到上述目的，本專利技術(shù)是采用下述技術(shù)方案實(shí)現(xiàn)的：
2、第一方面，本專利技術(shù)提供了一種基于神經(jīng)網(wǎng)絡(luò)的閥門識(shí)別方法，包括：
3、獲取連續(xù)時(shí)間段內(nèi)的電壓數(shù)據(jù)、電流數(shù)據(jù)、流量數(shù)據(jù)和閥門開度數(shù)據(jù)；
4、將連續(xù)時(shí)間段內(nèi)各時(shí)刻的電壓數(shù)據(jù)、電流數(shù)據(jù)和流量數(shù)據(jù)輸入預(yù)先訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型，得到各時(shí)刻的負(fù)載；
5、基于各時(shí)刻的負(fù)載與連續(xù)時(shí)間段內(nèi)各時(shí)刻的閥門開度數(shù)據(jù)，得到負(fù)載曲線；
6、分別計(jì)算負(fù)載曲線與不同類型閥門的標(biāo)準(zhǔn)負(fù)載曲線的平均損失，輸出平均損失最小時(shí)標(biāo)準(zhǔn)負(fù)載曲線對(duì)應(yīng)的閥門的類型。
7、結(jié)合第一方面，可選地，所述將連續(xù)時(shí)間段內(nèi)各時(shí)刻的電壓數(shù)據(jù)、電流數(shù)據(jù)和流量數(shù)據(jù)輸入預(yù)先訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型，得到各時(shí)刻的負(fù)載，包括：>
8、將獲取到的連續(xù)時(shí)間段內(nèi)的電壓數(shù)據(jù)、電流數(shù)據(jù)、流量數(shù)據(jù)進(jìn)行平滑預(yù)處理，剔除無效數(shù)據(jù)；
9、將平滑預(yù)處理后的電壓數(shù)據(jù)、電流數(shù)據(jù)、流量數(shù)據(jù)按各時(shí)刻進(jìn)行分組，得到各時(shí)刻的電壓數(shù)據(jù)、電流數(shù)據(jù)和流量數(shù)據(jù)；
10、將各時(shí)刻的電壓數(shù)據(jù)、電流數(shù)據(jù)和流量數(shù)據(jù)作為預(yù)先訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型的輸入向量，得到的輸出向量為各時(shí)刻的負(fù)載。
11、結(jié)合第一方面，可選地，所述預(yù)先訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型是基于樣本數(shù)據(jù)采用誤差反向傳播法進(jìn)行訓(xùn)練得到的，通過以下步驟訓(xùn)練：
12、步驟a：初始化預(yù)先構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型的權(quán)重和偏置；
13、步驟b：將樣本數(shù)據(jù)的樣本值輸入神經(jīng)網(wǎng)絡(luò)模型，進(jìn)行正向傳播計(jì)算，得到輸出值；
14、步驟c：計(jì)算各輸出值與對(duì)應(yīng)的樣本輸出值之間的損失函數(shù)，基于損失函數(shù)使用梯度下降算法更新神經(jīng)網(wǎng)絡(luò)模型的權(quán)重和偏置，得到更新后的神經(jīng)網(wǎng)絡(luò)模型；
15、步驟d：重復(fù)步驟b和步驟c的迭代計(jì)算，響應(yīng)于各輸出值與輸出值對(duì)應(yīng)的樣本值之間的損失函數(shù)小于預(yù)設(shè)損失閾值或迭代次數(shù)等于預(yù)設(shè)次數(shù)閾值，得到預(yù)先訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型。
16、結(jié)合第一方面，可選地，所述進(jìn)行正向傳播計(jì)算，通過下式表示：
17、；
18、其中， x i為樣本數(shù)據(jù)的樣本值，組成的輸入向量表示為， m為樣本數(shù)據(jù)的總數(shù)；為輸入層到隱藏層的權(quán)重，組成的輸入層到隱藏層的權(quán)重矩陣表示為；為輸入層到隱藏層的偏置；為輸入層到隱藏層的激活函數(shù)；
19、其中， h i為隱藏層節(jié)點(diǎn)值，組成的隱藏層向量表示為， p為隱藏層節(jié)點(diǎn)數(shù)；由輸出值組成輸出向量表示為， s為輸出值的總數(shù)；為隱藏層到輸出層的權(quán)重，組成的隱藏層到輸出層的權(quán)重矩陣表示為；為隱藏層到輸出層的偏置；為隱藏層到輸出層的激活函數(shù)。
20、結(jié)合第一方面，可選地，所述計(jì)算各輸出值與輸出值對(duì)應(yīng)的樣本值之間的損失函數(shù)為計(jì)算均方誤差，通過下式表示：
21、；
22、其中，為輸出值，組成輸出的向量表示為， s為輸出值的總數(shù)；為樣本輸出值，組成的向量表示為， s為輸出值的總數(shù)；為計(jì)算輸出值與對(duì)應(yīng)的樣本輸出值之間的損失函數(shù)。
23、結(jié)合第一方面，可選地，所述基于損失函數(shù)使用梯度下降算法更新神經(jīng)網(wǎng)絡(luò)模型的權(quán)重和偏置，通過下式表示：
24、；
25、其中，為由輸入層到隱藏層的權(quán)重矩陣和隱藏層到輸出層的權(quán)重矩陣構(gòu)成的神經(jīng)網(wǎng)絡(luò)模型的權(quán)重矩陣，為每次更新得到的權(quán)重矩陣；為前一次的權(quán)重矩陣，為前一次的偏置； α為每次更新的步長，為由輸入層到隱藏層的偏置和隱藏層到輸出層的偏置構(gòu)成的神經(jīng)網(wǎng)絡(luò)模型的偏置，為每次更新得到的偏置。
26、結(jié)合第一方面，可選地，所述分別計(jì)算負(fù)載曲線與不同類型閥門的標(biāo)準(zhǔn)負(fù)載曲線的平均損失，包括：
27、所述負(fù)載曲線的橫坐標(biāo)為閥門開度，縱坐標(biāo)為負(fù)載；
28、在閥門開度為x時(shí)，計(jì)算負(fù)載曲線上的負(fù)載實(shí)際值與第n類型閥門的標(biāo)準(zhǔn)負(fù)載曲線上的負(fù)載標(biāo)準(zhǔn)值之間的損失xn；其中x的取值范圍為[0,1]，n為正整數(shù)；
29、調(diào)整x的取值，得到多組損失xn；
30、計(jì)算多組損失xn的均值，得到負(fù)載曲線與第n類型閥門的標(biāo)準(zhǔn)負(fù)載曲線的平均損失an；
31、比較n為不同值時(shí)平均損失an的大小，輸出平均損失最小時(shí)標(biāo)準(zhǔn)負(fù)載曲線對(duì)應(yīng)的閥門的類型。
32、第二方面，本專利技術(shù)提供了一種基于神經(jīng)網(wǎng)絡(luò)的閥門識(shí)別裝置，包括：
33、獲取模塊，用于獲取連續(xù)時(shí)間段內(nèi)的電壓數(shù)據(jù)、電流數(shù)據(jù)、流量數(shù)據(jù)和閥門開度數(shù)據(jù)；
34、負(fù)載輸出模塊，用于將連續(xù)時(shí)間段內(nèi)各時(shí)刻的電壓數(shù)據(jù)、電流數(shù)據(jù)和流量數(shù)據(jù)輸入預(yù)先訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型，得到各時(shí)刻的負(fù)載；
35、負(fù)載曲線輸出模塊，用于基于各時(shí)刻的負(fù)載與連續(xù)時(shí)間段內(nèi)各時(shí)刻的閥門開度數(shù)據(jù)，得到負(fù)載曲線；
36、閥門類型輸出模塊，用于分別計(jì)算負(fù)載曲線與不同類型閥門的標(biāo)準(zhǔn)負(fù)載曲線的平均損失，輸出平均損失最小時(shí)標(biāo)準(zhǔn)負(fù)載曲線對(duì)應(yīng)的閥門的類型。
37、第三方面，本專利技術(shù)提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序/指令，該計(jì)算機(jī)程序/指令被處理器執(zhí)行時(shí)，實(shí)現(xiàn)第一方面所述的基于神經(jīng)網(wǎng)絡(luò)的閥門識(shí)別方法的步驟。
38、第四方面，本專利技術(shù)提供了一種計(jì)算機(jī)設(shè)備，包括：
39、存儲(chǔ)器，用于存儲(chǔ)計(jì)算機(jī)程序/指令；
40、處理器，用于執(zhí)行所述計(jì)算機(jī)程序/指令以實(shí)現(xiàn)第一方面所述的基于神經(jīng)網(wǎng)絡(luò)的閥門識(shí)別方法的步驟。
41、與現(xiàn)有技術(shù)相比，本專利技術(shù)實(shí)施例所提供的一種基于神經(jīng)網(wǎng)絡(luò)的閥門識(shí)別方法、裝置、介質(zhì)及設(shè)備，所達(dá)到的有益效果包括：
42、本專利技術(shù)獲取連續(xù)時(shí)間段內(nèi)的電壓數(shù)據(jù)、電流數(shù)據(jù)、流量數(shù)據(jù)和閥門開度數(shù)據(jù)；將連續(xù)時(shí)間段內(nèi)各時(shí)刻的電壓數(shù)據(jù)、電流數(shù)據(jù)和流量數(shù)據(jù)輸入預(yù)先訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型，得到各時(shí)刻的負(fù)載；基于各時(shí)刻的負(fù)載與連續(xù)時(shí)間段內(nèi)各時(shí)刻的閥門開度數(shù)據(jù)，得到負(fù)載曲線；本專利技術(shù)利用采樣電路配合計(jì)算機(jī)獲本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種基于神經(jīng)網(wǎng)絡(luò)的閥門識(shí)別方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)的閥門識(shí)別方法，其特征在于，所述將連續(xù)時(shí)間段內(nèi)各時(shí)刻的電壓數(shù)據(jù)、電流數(shù)據(jù)和流量數(shù)據(jù)輸入預(yù)先訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型，得到各時(shí)刻的負(fù)載，包括：
3.根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)的閥門識(shí)別方法，其特征在于，所述預(yù)先訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型是基于樣本數(shù)據(jù)采用誤差反向傳播法進(jìn)行訓(xùn)練得到的，通過以下步驟訓(xùn)練：
4.根據(jù)權(quán)利要求3所述的基于神經(jīng)網(wǎng)絡(luò)的閥門識(shí)別方法，其特征在于，所述進(jìn)行正向傳播計(jì)算，通過下式表示：
5.根據(jù)權(quán)利要求3所述的基于神經(jīng)網(wǎng)絡(luò)的閥門識(shí)別方法，其特征在于，所述計(jì)算各輸出值與輸出值對(duì)應(yīng)的樣本值之間的損失函數(shù)為計(jì)算均方誤差，通過下式表示：
6.根據(jù)權(quán)利要求5所述的基于神經(jīng)網(wǎng)絡(luò)的閥門識(shí)別方法，其特征在于，所述基于損失函數(shù)使用梯度下降算法更新神經(jīng)網(wǎng)絡(luò)模型的權(quán)重和偏置，通過下式表示：
7.根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)的閥門識(shí)別方法，其特征在于，所述分別計(jì)算負(fù)載曲線與不同類型閥門的標(biāo)準(zhǔn)負(fù)載曲線的平均損失，包括：
8
9.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序/指令，其特征在于，該計(jì)算機(jī)程序/指令被處理器執(zhí)行時(shí)，實(shí)現(xiàn)權(quán)利要求1-7中任一所述的基于神經(jīng)網(wǎng)絡(luò)的閥門識(shí)別方法的步驟。
10.一種計(jì)算機(jī)設(shè)備，其特征在于，包括：
...【技術(shù)特征摘要】
1.一種基于神經(jīng)網(wǎng)絡(luò)的閥門識(shí)別方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)的閥門識(shí)別方法，其特征在于，所述將連續(xù)時(shí)間段內(nèi)各時(shí)刻的電壓數(shù)據(jù)、電流數(shù)據(jù)和流量數(shù)據(jù)輸入預(yù)先訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型，得到各時(shí)刻的負(fù)載，包括：
3.根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)的閥門識(shí)別方法，其特征在于，所述預(yù)先訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型是基于樣本數(shù)據(jù)采用誤差反向傳播法進(jìn)行訓(xùn)練得到的，通過以下步驟訓(xùn)練：
4.根據(jù)權(quán)利要求3所述的基于神經(jīng)網(wǎng)絡(luò)的閥門識(shí)別方法，其特征在于，所述進(jìn)行正向傳播計(jì)算，通過下式表示：
5.根據(jù)權(quán)利要求3所述的基于神經(jīng)網(wǎng)絡(luò)的閥門識(shí)別方法，其特征在于，所述計(jì)算各輸出值與輸出值對(duì)應(yīng)的樣本值之間...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：張心成，吳力濤，張巖，呂佳昊，黃佳鑫，孫幫東，陳劍鈞，楊瓊楠，
申請(qǐng)(專利權(quán))人：中國兵器工業(yè)集團(tuán)第二一四研究所蘇州研發(fā)中心，
類型：發(fā)明
國別省市：
還沒有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。