基于最小二乘法与窗口降采样的调节阀流量预测建模方法技术

本发明专利技术属于调节阀流量预测技术领域，公开了基于最小二乘法与窗口降采样的调节阀流量预测建模方法，考虑基本的最小二乘回归问题，构建如下的目标函数：针对特征选择问题，在此基础上引入一个权重矩阵Ξ，此时优化问题的目标函数为本发明专利技术所提方法借鉴了特征选择算法中的加权思想，通过建立多个流量预测模型，并基于最小二乘方法学习得到不同模型的权重，以此作为评估模型性能的依据；在在线预测过程中，综合各个预测模型的性能评估结果，最终得出阀门当前的流量预测值。解决了实际应用场景下的调节阀流量预测准确性问题，为进一步有效诊断阀门的健康状态提供保障。障。障。

【技术实现步骤摘要】
基于最小二乘法与窗口降采样的调节阀流量预测建模方法


[0001]本专利技术涉及调节阀流量预测
，具体为一种基于最小二乘法与窗口降采样的调节阀流量预测建模方法。

技术介绍

[0002]调节阀又称为控制阀，是石油化工过程控制系统中一种重要的执行机构，其通过接收控制器的指令，调节阀体开度，从而实现改变介质流量、压力、液位或温度等目的。调节阀适用于空气、水、蒸汽、各种腐蚀性介质、泥浆、油品等介质。按行程特点，调节阀可分为直行程和角行程；按其所配执行机构使用的动力，可分为气动调节阀、电动调节阀、液动调节阀；按其功能和特性分为线性特性、对数特性及快开特性三种。而在实际中，尤以线性特性与对数特性的调节阀应用最多。
[0003]调节阀在长期使用过程中由于阀芯磨损、介质结垢等内外因素影响容易产生泄漏、堵塞、卡死等故障，这些故障可能会导致有毒物质扩散、阀门调节作用失效等问题。而这些问题轻则导致系统运行不稳定、产品质量不合格，重则引发安全事故，威胁现场工作人员的生命财产安全，更为严重的则可能引发次生灾害，污染环境并造成恶劣的社会影响。因此，阀门的故障诊断与健康状态评估就显得尤为重要。诊断调节阀泄漏、堵塞等故障常用的方法之一便是通过建立流量预测模型，并以预测流量与实际流量的误差值大小作为诊断依据进行诊断。这种诊断框架对于流量预测模型的建模精度要求很高。
[0004]对于具备对数特性的流量调节阀，关于阀门泄漏和堵塞等故障检测问题，通常的研究思路分为两大类：一类是基于分类或聚类的方法，这类方法通常需要采集不同故障类型的数据，提取原始数据中的敏感分类特征，进而训练相应的学习器，对故障进行分类。然而，在实际工业场景下，调节阀大部分情况下处于正常工作状态，故障数据的获取难度很大，因而难以训练出有效的诊断模型，这类方法在实际应用中有很大的局限性；另外一类方法是基于预测的方法，这类方法的主体思路是针对阀门的输入输出特性建立相应的阀门模型，通过相应的学习算法辨识得到模型参数，在进行在线诊断时，将相关变量输入到此辨识模型中用以预测阀门当前的流量值，并将预测流量与测量仪表测得的实际流量值进行比较，当误差超过阈值时即可判断阀门是否发生泄漏或堵塞。此辨识模型可以是机理模型，也可以是基于数据构建的模型。相比于第一类方法，这类方法的更具应用前景。而本研究中，由于流量调节阀阀门特性较为明确。因此，采用机理建模的方式更加简单，实际应用时可靠性也更高。其主要是通过最小二乘方法辨识得到流量预测模型，但其依然不能很好地进行流量预测，所拟合出的曲线也并不能较好地刻画实际生产过程中的阀门开度
‑
流量特性。主要原因包括以下几点：
[0005]1、实际生产过程中，受上下游工况波动、系统动作的惯性等因素影响，阀门特性会存在一定的参数变动；
[0006]2、实际工业过程中，传感器会采集到大量数据，这些数据中混杂了大量有效、无效数据和干扰数据，将这些数据直接用于建模会对模型精度产生影响；
[0007]3、基于第2条因素，实际过程中往往会对原始数据进行预处理，如去除异常值、降噪等，通过这些预处理之后，模型性能会得到一定程度提升，但效果有限。原因在于经过预处理之后的数据量依然较大，并且在进行模型辨识过程中，往往默认所有数据包含的信息量是一样的，也就是说所有数据在辨识过程中是等权重的，得到的预测模型精度依然较低。

技术实现思路

[0008]本专利技术意在提供一种基于最小二乘法与窗口降采样的调节阀流量预测建模方法，以解决现有
技术介绍
中记载的问题。
[0009]为了实现上述目的，本专利技术提供如下技术方案：
[0010]基于最小二乘法与窗口降采样的调节阀流量预测建模方法，考虑基本的最小二乘回归问题，构建如下的目标函数：
[0011][0012]式中，X和Y为相应的样本矩阵，W为待求解的参数矩阵；
[0013]针对特征选择问题，在式(1)的基础上引入一个权重矩阵Ξ，此时优化问题的目标函数如(2)式所示：
[0014][0015]进一步地，构建目标函数的具体方法，包括以下步骤：
[0016]S1、数据选取及预处理：采用单回路控制、串级控制策略，设阀门i的开度为op
i
，流量为pv
i
，流量设定值为sp
i
，阀门的工作模式为Mode
i
，先从数据库中进行样本筛选，样本筛选需满足如下条件：
[0017][0018]式(3)表示阀门必须处于正常工作状态：当op
i
＝0和op
i
＝100时，对应气开阀和气闭阀的关闭状态，此时阀门均不工作；同时，采集阀门处于自动控制模式下的数据，避免人为操作对样本数据的干扰；
[0019]S2、建模：具有对数特性的流量调节阀，设阀门开度为op，流量大小为pv，其阀门特性表示为：
[0020]pv＝βe
α
·
op
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0021]式中，α，β为未知参数，通过最小二乘法、群智能优化算法辨识算法得到；
[0022]将式(4)进一步转化为式(5)的线性模型：
[0023]ln(pv)＝α
·
op+lnβ
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0024]令式(5)中则可得式(6)：
[0025][0026]由此完成非线性模型到线性模型的转化；同时，为充分利用训练数据中包含的信息，考虑建立多个辨识模型；
[0027]在此，设模型数量为l，得到式(7)：
[0028][0029]式中，式中，且A＝diag{α1，α2，
…
，α
l
}；
[0030]为评估l个不同模型的性能，利用数据挖掘领域中的特征选择思想，为辅助建模过程，构造训练样本矩阵，具体方式为：
[0031]选定长度为l的窗口，窗口滑动步长选为t，将窗口按步长t滑动n次，即可得到n段长度为l的时间序列；
[0032]式(7)通过窗口降采样得到的n段时间序列按采样顺序组合成相应的矩阵形式，可分别得到如下样本矩阵：
[0033][0034][0035]故式(7)可以整理为：
[0036][0037]对于式(8)，采用最小二乘法辨识参数矩阵A和偏置向量构造如下的目标函数，其中η为超参数：
[0038][0039]通过对OP扩维，将参数引入A矩阵，
[0040][0041]目标函数得以进一步简化为式(11)：
[0042][0043]为实现模型性能评估，定义权重向量并满足σ
i
＞0,(i＝1,2,
…
,l)，同时定义一个对角矩阵∑，并且将∑引入目标函数式(9)，可得：
[0044][0045]此时，令将其代入式(12)为：
[0046][0047]至此，优化问题表示为：
[0048][0049本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于最小二乘法与窗口降采样的调节阀流量预测建模方法，其特征在于：考虑基本的最小二乘回归问题，构建如下的目标函数：式中，X和Y为相应的样本矩阵，W为待求解的参数矩阵；针对特征选择问题，在式(1)的基础上引入一个权重矩阵Ξ，此时优化问题的目标函数如式(2)所示：2.根据权利要求1所述的基于最小二乘法与窗口降采样的调节阀流量预测建模方法，其特征在于，构建目标函数的具体方法，包括以下步骤：S1、数据选取及预处理：采用单回路控制、串级控制策略，设阀门i的开度为op
i
，流量为pv
i
，流量设定值为sp
i
，阀门的工作模式为Mode
i
，先从数据库中进行样本筛选，样本筛选需满足如下条件：式(3)表示阀门必须处于正常工作状态：当op
i
＝0和op
i
＝100时，对应气开阀和气闭阀的关闭状态，此时阀门均不工作；同时，采集阀门处于自动控制模式下的数据，避免人为操作对样本数据的干扰；S2、建模：具有对数特性的流量调节阀，设阀门开度为op，流量大小为pv，其阀门特性表示为：pv＝βe
α
·
op
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)式中，α，β为未知参数，通过最小二乘法、群智能优化算法辨识算法得到；将式(4)进一步转化为式(5)的线性模型：ln(pv)＝α
·
op+lnβ
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)令式(5)中lnβ＝b，可得式(6)：由此完成非线性模型到线性模型的转化；同时，为充分利用训练数据中包含的信息，考虑建立多个辨识模型；在此，设模型数量为l，得到式(7)：式中，式中，且A＝diag{α1，α2，
…
，α
l
}；为评估l个不同模型的性能，利用数据挖掘领域中的特征选择思想，为辅助建模过程，构造训练样本矩阵，具体方式为：选定长度为l的窗口，窗口滑动步长选为t，将窗口按步长t滑动n次，即可得到n段长度为l的时间序列；
...

【专利技术属性】
技术研发人员：王友清，崔明亮，脱建勇，侯佟泽，赵经峰，马鑫，
申请(专利权)人：北京化工大学，
类型：发明
国别省市：