智能流体控制阀及其检测方法技术

本申请涉及智能检测领域，其具体地公开了一种智能流体控制阀及其检测方法，其通过采用基于深度学习的神经网络模型挖掘出流体控制阀的阀门开度值变化与所述阀门两端的压差值和流体的流量值的参数协同变化之间的复杂映射关系，以此来准确地进行智能流体控制阀的性能检测，以保证智能流体控制阀的正常运行。以保证智能流体控制阀的正常运行。以保证智能流体控制阀的正常运行。

【技术实现步骤摘要】
智能流体控制阀及其检测方法


[0001]本申请涉及智能检测领域，且更为具体地，涉及一种智能流体控制阀及其检测方法。

技术介绍

[0002]智能流体控制阀是一种拥有特殊功能的流体控制阀，在中央空调、集中供热等流体系统中，智能流体控制阀的应用对于输配系统的节能降耗、提高稳定性、降低流体噪声等具有十分重大的意义。
[0003]智能流体控制阀改变了传统的机械自力式流体控制阀所存在的调整不灵活、输配能效较差、测量精度低以及无法智能集成与流域自动化系统等缺陷和问题。同时智能流体控制阀应用了机电一体化集成创新控制技术，实现了电子式原理的动态流量控制，不仅可以替换传统的机械自力式流体控制阀，而且能明显提高系统输配能效比。
[0004]鉴于智能流体控制阀的性能齐全，传统的成品检测装置已经无法满足，因此，期待一种新型的用于智能流体控制阀的检测方案。

技术实现思路

[0005]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种智能流体控制阀及其检测方法，其通过采用基于深度学习的神经网络模型挖掘出流体控制阀的阀门开度值变化与所述阀门两端的压差值和流体的流量值的参数协同变化之间的复杂映射关系，以此来准确地进行智能流体控制阀的性能检测，以保证智能流体控制阀的正常运行。
[0006]根据本申请的一个方面，提供了一种智能流体控制阀的检测方法，其包括：获取预定时间段内多个预定时间点的待检测智能流体控制阀的阀门开度值、由电磁流量计采集的流量值和由阀门两端压差传感器采集的压差值；将所述多个预定时间点的待检测智能流体控制阀的阀门开度值、由电磁流量计采集的流量值和由阀门两端压差传感器采集的压差值分别按照时间维度排列为阀门开度输入向量、流量输入向量和压差输入向量；对所述流量输入向量和所述压差输入向量进行关联编码以得到输出参数协同矩阵；将所述输出参数协同矩阵通过作为特征提取器的卷积神经网络模型以得到输出参数协同特征矩阵；将所述阀门开度输入向量通过一维卷积神经网络模型以得到阀门开度时序特征向量；计算所述阀门开度时序特征向量相对于所述输出参数协同特征矩阵的转移向量作为分类特征向量；对所述分类特征向量进行特征分布空间约束以得到优化分类特征向量；将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示所
述待检测智能流体控制阀的性能是否符合预定标准。
[0007]在上述智能流体控制阀的检测方法中，对所述流量输入向量和所述压差输入向量进行关联编码以得到输出参数协同矩阵，包括：以如下公式对所述流量输入向量和所述压差输入向量进行关联编码以得到输出参数协同矩阵；其中，所述公式为：，其中表示所述流量输入向量，表示所述流量输入向量的转置向量，表示所述压差输入向量，表示所述参数协同矩阵，表示向量相乘。
[0008]在上述智能流体控制阀的检测方法中，将所述输出参数协同矩阵通过作为特征提取器的卷积神经网络模型以得到输出参数协同特征矩阵，包括：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的卷积神经网络的最后一层的输出为所述输出参数协同特征矩阵，所述作为特征提取器的卷积神经网络的第一层的输入为所述输出参数协同矩阵。
[0009]在上述智能流体控制阀的检测方法中，将所述阀门开度输入向量通过一维卷积神经网络模型以得到阀门开度时序特征向量，包括：使用所述卷积神经网络模型的一维卷积层以如下公式对所述阀门开度输入向量进行一维卷积编码以得到阀门开度时序特征向量，其中，所述公式为：其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸，表示所述阀门开度输入向量。
[0010]在上述智能流体控制阀的检测方法中，计算所述阀门开度时序特征向量相对于所述输出参数协同特征矩阵的转移向量作为分类特征向量，包括：以如下公式计算所述阀门开度时序特征向量相对于所述输出参数协同特征矩阵的转移向量作为分类特征向量；其中，所述公式为：，其中表示所述阀门开度时序特征向量，表示所述输出参数协同特征矩阵，表示所述分类特征向量。
[0011]在上述智能流体控制阀的检测方法中，对所述分类特征向量进行特征分布空间约束以得到优化分类特征向量，包括：以如下公式对所述分类特征向量进行向量赋范的希尔伯特概率空间化以得到所述优化分类特征向量；其中，所述公式为：其中是所述分类特征向量，表示所述分类特征向量的二范数，表示所述分类特征向量的二范数的平方，是所述分类特征向量的第个特征值，表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值，且是所述优化分类特征向量的第个特征值。
[0012]在上述智能流体控制阀的检测方法中，将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示所述待检测智能流体控制阀的性能是否符合预定标
准，包括：使用所述分类器以如下公式对所述优化分类特征向量进行处理以获得分类结果，其中，所述公式为：，其中，到为权重矩阵，到为偏置向量，为优化分类特征向量。
[0013]根据本申请的另一方面，提供了一种智能流体控制阀，其包括：所述阀门主体；以及，检测系统；其中，所述检测系统，包括：信息获取模块，用于获取预定时间段内多个预定时间点的待检测智能流体控制阀的阀门开度值、由电磁流量计采集的流量值和由阀门两端压差传感器采集的压差值；排列模块，用于将所述多个预定时间点的待检测智能流体控制阀的阀门开度值、由电磁流量计采集的流量值和由阀门两端压差传感器采集的压差值分别按照时间维度排列为阀门开度输入向量、流量输入向量和压差输入向量；关联编码模块，用于对所述流量输入向量和所述压差输入向量进行关联编码以得到输出参数协同矩阵；特征提取模块，用于将所述输出参数协同矩阵通过作为特征提取器的卷积神经网络模型以得到输出参数协同特征矩阵；一维卷积模块，用于将所述阀门开度输入向量通过一维卷积神经网络模型以得到阀门开度时序特征向量；分类特征向量计算模块，用于计算所述阀门开度时序特征向量相对于所述输出参数协同特征矩阵的转移向量作为分类特征向量；特征分布空间约束模块，用于对所述分类特征向量进行特征分布空间约束以得到优化分类特征向量；分类结果生成模块，用于将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示所述待检测智能流体控制阀的性能是否符合预定标准。
[0014]根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的智能流体控制阀的检测方法。
[0015]根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的智能流体控制阀的检测方法。
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种智能流体控制阀，其特征在于，包括：所述阀门主体；以及检测系统，其中，所述检测系统，包括：信息获取模块，用于获取预定时间段内多个预定时间点的待检测智能流体控制阀的阀门开度值、由电磁流量计采集的流量值和由阀门两端压差传感器采集的压差值；排列模块，用于将所述多个预定时间点的待检测智能流体控制阀的阀门开度值、由电磁流量计采集的流量值和由阀门两端压差传感器采集的压差值分别按照时间维度排列为阀门开度输入向量、流量输入向量和压差输入向量；关联编码模块，用于对所述流量输入向量和所述压差输入向量进行关联编码以得到输出参数协同矩阵；特征提取模块，用于将所述输出参数协同矩阵通过作为特征提取器的卷积神经网络模型以得到输出参数协同特征矩阵；一维卷积模块，用于将所述阀门开度输入向量通过一维卷积神经网络模型以得到阀门开度时序特征向量；分类特征向量计算模块，用于计算所述阀门开度时序特征向量相对于所述输出参数协同特征矩阵的转移向量作为分类特征向量；特征分布空间约束模块，用于对所述分类特征向量进行特征分布空间约束以得到优化分类特征向量；分类结果生成模块，用于将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示所述待检测智能流体控制阀的性能是否符合预定标准。2.根据权利要求1所述的智能流体控制阀，其特征在于，所述关联编码模块，包括：以如下公式对所述流量输入向量和所述压差输入向量进行关联编码以得到输出参数协同矩阵；其中，所述公式为：其中表示所述流量输入向量，表示所述流量输入向量的转置向量，表示所述压差输入向量，表示所述参数协同矩阵，表示向量相乘。3.根据权利要求2所述的智能流体控制阀，其特征在于，所述特征提取模块，包括：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的池化以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的卷积神经网络的最后一层的输出为所述输出参数协同特征矩阵，所述作为特征提取器的卷积神经网络的第一层的输入为所述输出参数协同矩阵。4.根据权利要求3所述的智能流体控制阀，其特征在于，所述一维卷积模块，包括：使用所述卷积神经网络模型的一维卷积层以如下公式对所述阀门开度输入向量进行一维卷积编码以得到阀门开度时序特征向量，其中，所述公式为：
其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸，表示所述阀门开度输入向量。5.根据权利要求4所述的智能流体控制阀，其特征在于，所述分类特征向量计算模块，包括：以如下公式计算所述阀门开度时序特征向量相对于所述输出参数协同特征矩阵的转移向量作为分类特征向量；其中，所述公式为：其中表示所述阀门开度时序特征向量，表示所述输出...

【专利技术属性】
技术研发人员：张少特，张奇特，谭云培，袁兴泷，王兵正，谢万桥，
申请(专利权)人：杭州鄂达精密机电科技有限公司，
类型：发明
国别省市：