一种智能抗干扰优化控制的智能压力变送器及其控制系统的制作方法

    技术2025-01-07  47


    本发明涉及智能控制,更具体地说,本发明涉及一种智能抗干扰优化控制的智能压力变送器及其控制系统。


    背景技术:

    1、压力变送器依托于压力传感器、变送电路等核心部件,通过将压力信号转换为标准电信号输出,实现对压力变量的检测和测量,压力传感技术的不断进步为压力变送器的发展提供了基础,在工业生产、化工、能源等领域,对压力参数的精准测量和反馈控制需求很强,压力变送器作为实现自动化控制的关键元件,在工业过程控制中发挥着重要作用。

    2、传统的压力变送器在测量过程中容易受到外界干扰的影响,导致测量结果的准确性和稳定性下降。为了解决这一问题,现有技术中已经提出了一些抗干扰的压力变送器,公开号为cn117606668a的中国专利公开了一种高精度智能压力变送器,涉及智能压力变送器技术领域,解决了现有技术智能压力变送器,在长期输送气体介质时,密封性会变差发生漏气,易因气压过大或外力挤压,造成管口连接处发生开裂损坏,影响智能压力变送器检测精度的技术问题;包括管路与压力变送器本体,压力变送器本体包括机体、内嵌在机体侧面的数显屏、设在机体上的控制盒与设在机体底部的导气管;还包括防泄漏机构;该发明可对连接管口进行挤压和密封,提高管口连接处的密封性,有效避免发生漏气;且能够对挤压力进行分散和减轻应力,从而防止内管一及内管二管口连接处因受到外力挤压导致变形,有效避免了管口连接处受外力作用开裂发生泄露的风险。

    3、但仍存在一定的局限性,压力信号转换成数字信号,供控制系统基于数字信号对相关机器进行控制,其中在压力信号转换成数字信号前,压力信号存在环境干扰源,需要剥离压力信号中杂糅的干扰,若控制系统基于不准确数字信号对相关机器进行控制,会造成相关机器误操作,会造成相应的损失。


    技术实现思路

    1、为了解决的上述技术难点,本发明提供一种智能抗干扰优化控制的智能压力变送器控制系统,系统包括:

    2、压力变送器采集模块:用于使用m组mems压电传感器探头对对q个通道进行压力信号采集,m为大于1的整数,m=q;

    3、压力信号预处理模块:用于对压力信号进行预处理得到特征图,并输入至干扰识别模块;

    4、干扰识别模块:用于采集压力变送器所处位置的环境参数,并与压力信号进行时间上的一一对应组成序列数据,输入序列数据至预构建的第一机器学习模型输出每组序列数据的类别概率序列,输入特征图至预构建的第二机器学习模型输出类别标签与类别标签对应的概率分布;

    5、优化控制模块:用于根据类别标签对应的概率分布、类别标签与每组序列数据的类别概率序列建模干扰信号,识别干扰信号并将干扰信号从压力信号中剔除后得到重组压力信号,将重组压力信号转换成数字信号,数字信号即为智能压力变送器输出的最终压力值。

    6、进一步地,对压力信号进行预处理得到特征图的方法包括:

    7、使用低通滤波去除压力信号中的高频噪声,低通滤波采用一阶低通滤波器,计算公式为:

    8、y(n)=a×x(n)+(1-a)×y(n-1);

    9、式中,x(n)为输入压力信号的样值,是随着n的增加取不同时间点的值;y(n)为输出压力信号的样值;a为滤波参数,取值(0,1),用于控制截止频率;y(n-1)为输出压力信号在上一个时间点n-1的样值;n为时间点,n的取值从0开始,依次增1,同时对应时间点的先后顺序;

    10、利用小波变换提取压力信号的时间频率特征,一级小波变换计算方法包括:

    11、

    12、cd1=σx(n)×ψ(n);

    13、式中,ca1为近似分量系数,cd1为细节分量系数,φ(n)为探测函数,ψ(n)为细节函数;

    14、二级小波变换计算方法包括:二级近似分量系数ca2计算时将ca1作为输入压力信号的样值,代入一级小波变换计算公式进行计算;三级小波变换计算方法包括:三级近似分量系数ca3计算时将ca2作为输入压力信号的样值,代入一级小波变换计算公式进行计算,每一级小波变换细节分量系数同理;近似分量系数与细节分量系数均为压力信号的时间频率特征;

    15、时间频率特征在小波段内采用统计方法,提取固定特征参数的时间序列特征,固定特征参数包括平均值、方差与熵值;以小波段为单位,构建压力信号特征矩阵:压力信号特征矩阵中行表示时间频率特征,列表示时间序列特征;

    16、利用pca找到压力信号特征矩阵的主成分空间,并对压力信号特征矩阵的主成分空间进行降维,将降维后的压力信号特征矩阵利用autoencoder嵌入到低维空间,再重构成特征图;

    17、pca降维的计算公式为:

    18、y=x×u;

    19、式中:x为原始的压力信号特征矩阵,y为原始的压力信号特征矩阵降维后的压力信号特征矩阵,u为压力信号的主成分空间的变换矩阵。

    20、进一步地,所述环境参数包括温度、振动与加速度;序列数据包括压力序列数据、温度序列数据、振动序列数据与加速度序列数据。

    21、进一步地,所述第一机器学习模型的训练方法包括:

    22、将一组序列数据与对应的类别概率序列合并为一组历史训练集,从数据库中抽取g组历史训练集作为训练集合进行第一机器学习模型的训练,采用adam优化器,批量大小设为128,初始学习率设为0.001,使用滑动平均法更新参数momentum与输入与输出的参数矩阵w,更新方程为:

    23、vf=momentum×(vf-1)+(1-momentum)×δwf;

    24、wf+1=wf-η×vf;

    25、式中,f代表滑动平均下的当前迭代步骤的序号,vf代表滑动平均下的当前迭代步骤f的梯度估计值,(vf-1)代表上一步的梯度估计值,δwf代表本步的真实梯度下降量,wf表示当前迭代步骤f的参数值,η是控制步长的学习率,wf+1表示更新后的参数值,即使用学习率η沿着反方向vf更新wf获得;

    26、损失函数loos的计算公式为:

    27、

    28、式中,i为单组历史训练集的序号,yi∈[0,1],yi为第i组历史训练集的真实标签的概率分布,pi为第i组历史训练集经第一机器学习模型预测后的概率分布;i≤g;

    29、当loos收敛时则停止训练,即训练完成。

    30、进一步地,所述第二机器学习模型构建方法包括:

    31、将所有特征图的集合作为第二机器学习模型的输入,所述第二机器学习模型以对每张特征图预测的类别标签与类别标签对应的概率分布作为输出,以每张特征图对应的实际类别标签与类别标签对应的概率分布作为预测目标,以最小化所有预测的类别标签与类别标签对应的概率分布的第一预测准确度之和作为训练目标;

    32、其中,第一预测准确度的计算公式为:mce=(zfe-sfe)2,其中,mce为第一预测准确度,zfe为第e张特征图对应的预测的类别标签与类别标签对应的概率分布,sfe为第e张特征图对应的实际类别标签与类别标签对应的概率分布;e为表示特征图数量的序号;对第二机器学习模型进行训练,直至第一预测准确度之和达到收敛时停止训练;所述第二机器学习模型为cnn和mlp中的任一种。

    33、进一步地,所述建模干扰信号的方法为马尔科夫过程,马尔科夫过程建模干扰信号包括:

    34、设定每种干扰g,定义状态空间s={s1,s2,s3},定义观测符号空间v={v1,v2,v3};计算状态转移概率矩阵d,d为3×3矩阵,矩阵d的组成元素alj的概率计算表示为alj=p(qti+1=sj|qti=sl),即状态sl在第ti个时刻转向sj的概率;其中,p为概率表示符,qti表示在第ti个时刻的隐状态,sj表示状态空间s中的第j个状态,sl表示状态空间s中的第l个状态;j∈[1,3],l∈[1,3];计算观测概率矩阵b,b为3×3矩阵,矩阵b组成元素blj的概率计算表示为blj=p(vti=vl|qti=sl),即在状态sl下观测为vl的概率;其中,vti表示在第ti个时刻的观测符号,vl为观测符号空间v中的第l个符号;

    35、状态的初始概率分布初始化为π,设置观测序列o=o1,o2...ot,ti∈t,对观测序列o计算,计算公式为:

    36、前向计算:αt(j)=p(o1,o2...oti,qt=sj|λ);

    37、后向计算:βt(l)=p(o(ti+1),o(ti+2),o(ti+3)...ot|qt=sl,λ);

    38、其中,λ代表马尔科夫模型的参数,λ包括状态空间s中的状态个数、观测空间v中的观测符号个数、状态转移概率矩阵d、观测概率矩阵b与初始状态分布π;oti表示代表观测序列中的第ti个观测,t表示观测序列的长度,即观测点的总数,观测序列的长度单位设定为1,所以此处的t即表示观测序列的长度的概念,亦表示时间;αt(j)表示前向计算第j个状态的前向计算值,βt(l)表示后向计算第l个状态的后向计算值,qt表示在时刻t的隐状态,t表示时刻的概念,即时刻的通用表达符号;

    39、计算隐状态概率γt(l),隐状态概率计算公式为γt(l)=αt(l)×βt(l)/p(o|λ);其中,αt(l)表示前向计算第l个状态的前向计算值,p(o|λ)表示给定马尔科夫模型的参数集λ后,观测序列o根据马尔科夫模型被生成的概率;

    40、计算相邻状态转移概率,计算相邻状态转移概率ξt(l,j)的公式为:

    41、ξt(l,j)=αt(j)×alj×bj(o(ti+1))×βt(l)/p(o|λ);

    42、其中,bj(o(ti+1))为b矩阵元素,表示状态sj下观测o(ti+1)的出现概率;

    43、输入类别概率序列,类别标签与类别标签对应的概率分布至马尔科夫模型,其中干扰g为环境参数,类别概率序列为状态转移概率矩阵d中的组成元素,类别标签与类别标签对应的概率分布为观测概率矩阵b中的组成元素,迭代至λ收敛,获得马尔科夫模型参数λ用于感知干扰信号,即建模完成。

    44、进一步地,识别干扰信号并将干扰信号从压力信号中剔除后重组压力信号的方法包括:

    45、使用pf滤波器消除干扰信号得到第一压力信号,使用低熵原理对第一压力信号重构得到第二压力信号,使用采样重建法对第二压力信号处理得到第三压力信号,使用流形识别法筛选第三压力信号中的干扰点后得到重组压力信号;

    46、使用低熵原理重构第一压力信号,设第一压力信号为st,重构的第一压力信号st',抑制后的第一压力信号为xt,表示为:

    47、xt=st+st';

    48、随机搜寻一组重构系数wi,使得重构的第一压力信号st'表示为:

    49、

    50、式中,为基函数,使重构的第一压力信号st'与第一压力信号st最近;

    51、利用低熵原理,定义重构的第一压力信号st'的条件熵h(st|xt)为:

    52、h(st|xt)=-∫p(st,xt)logp(st|xt)dstdxt;

    53、式中,p(st,xt)是第一压力信号st和抑制后的第一压力信号xt的联合概率密度函数,logp(st|xt)是第一压力信号st和抑制后的第一压力信号xt的条件概率密度函数;定义重构的第一压力信号st'与第一压力信号st之间的托盘函数e:

    54、e=∫(st'(x)-st(x))2dx;

    55、式中,x为自变量;

    56、初始化e,最小化重构系数wi,取对数似然函数的负最小数,即:

    57、▽wie=0;

    58、对第一压力信号st和φit求导,得到一个线性方程组:

    59、awi=b;

    60、式中,a为对重构系数wi求导时得到的系数矩阵,b为求导后的线性方程组系数向量,为常数项;

    61、利用正规方程线性方程组,得到重构系数wi:

    62、wi=(ata)-1atb;

    63、其中,at表示a的转置矩阵;

    64、通过最小化条件熵h(st|xt),求得使重构的第一压力信号st'和抑制后的第一压力信号xt最匹配的重构系数wi,至此,第二压力信号重构完成;

    65、使用采样重建法对第二压力信号处理得到第三压力信号,包括:

    66、对第二压力信号进行均匀采样,提取采样点向量作为重建基,根据采样点与采样点之间的关系,使用插值方法重建连续曲线,迭代优化重建惯例,使重建连续曲线平滑,得到第三压力信号,输出第三压力信号连续曲线;

    67、使用流形识别法筛选第三压力信号中的干扰点后得到重组压力信号,包括:

    68、构建第三压力信号的流形结构,在流形空间识别异常点,剔除识别的异常点后,根据第三压力信号的流形结构信息得到重组压力信号。

    69、进一步地,所述系统还包括:

    70、流体系统接入模块:当监测到与智能压力变送器接入的系统为流体系统时,启动流体数据采集模块与流体压力测算模块;

    71、流体数据采集模块:用于采集流体系统分类名与流体流量;

    72、流体压力测算模块:用于输入流体系统分类名与流体流量至预构建的第三机器学习模型输出流量产压值;

    73、当流体流量被设定为干扰信号时,则数字信号减流量产压值得到的压力值作为智能压力变送器输出的最终压力值;

    74、当流体流量被设定为压力信号源时,则数字信号作为最终压力值。

    75、进一步地,所述流体系统分类名包括开放性质的流体系统、管道运输液体系统、恒压气体管道系统、恒流量气体管道系统与泵系统;

    76、所述第三机器学习模型的构建方法包括:

    77、将每组流体系统分类名与流体流量转换为第一特征向量的形式,第一特征向量中的元素包括开放性质的流体系统、管道运输液体系统、恒压气体管道系统、恒流量气体管道系统与泵系统;

    78、将所有第一特征向量的集合作为第三机器学习模型的输入,所述第三机器学习模型以对每组第一特征向量预测的流量产压值作为输出,以每组第一特征向量对应的实际流量产压值作为预测目标,以最小化所有预测的流量产压值的第二预测准确度之和作为训练目标;

    79、其中,第二预测准确度的计算公式为:kd=(zd-qd)2,其中,kd为第二预测准确度,zd为第d组流体系统分类名与流体流量对应的预测的流量产压值,qd为第d组流体系统分类名与流体流量对应的实际流量产压值;d表示第一特征向量的组号;对第三机器学习模型进行训练,直至第二预测准确度之和达到收敛时停止训练;所述第三机器学习模型为回归模型和决策树中的任一种。

    80、本发明提供了一种智能抗干扰优化控制的智能压力变送器,用于实施所述的一种智能抗干扰优化控制的智能压力变送器控制系统。

    81、本发明提供的一种智能抗干扰优化控制的智能压力变送器及其控制系统的技术效果和优点:

    82、技术效果:

    83、可以识别不同类型流体系统,并根据流体类型和流量计算出理论压值;采用多传感器采集压力信号,实现多通道采集,提高观测精度;利用深度学习模型识别和滤除不同环境干扰信号,从中提取出纯压力信号;采用低熵原理和采样重建等方法,重构压力信号,消除残留干扰,输出稳定压力曲线;

    84、优点:

    85、结合流体信息,计算理论压值,提高检测精度;多传感器超高采样,实现多维观测,提高观测质量;强大的深度学习模型有效识别不同干扰,高效提取有效信息;多环节优化处理完善度高,输出满足工业应用质量要求的压力信号;采用前沿算法,实现智能化和自动化,无需人工干预即可长期高效工作;系统设计模块化,可根据实际需求选择定制安装相关功能模块;过滤重构后没有干扰杂糅的压力信号将会转换为准确的数字信号,控制系统将基于准确的数字信号对相关机器进行控制,避免相关机器误操作,造成相应的损失。


    技术特征:

    1.一种智能抗干扰优化控制的智能压力变送器控制系统,其特征在于,系统包括:

    2.根据权利要求1所述的一种智能抗干扰优化控制的智能压力变送器控制系统,其特征在于,对压力信号进行预处理得到特征图的方法包括:

    3.根据权利要求1所述的一种智能抗干扰优化控制的智能压力变送器控制系统,其特征在于,所述环境参数包括温度、振动与加速度;序列数据包括压力序列数据、温度序列数据、振动序列数据与加速度序列数据。

    4.根据权利要求3所述的一种智能抗干扰优化控制的智能压力变送器控制系统,其特征在于,所述第一机器学习模型的训练方法包括:

    5.根据权利要求2所述的一种智能抗干扰优化控制的智能压力变送器控制系统,其特征在于,所述第二机器学习模型构建方法包括:

    6.根据权利要求1所述的一种智能抗干扰优化控制的智能压力变送器控制系统,其特征在于,所述建模干扰信号的方法为马尔科夫过程,马尔科夫过程建模干扰信号包括:

    7.根据权利要求1所述的一种智能抗干扰优化控制的智能压力变送器控制系统,其特征在于,识别干扰信号并将干扰信号从压力信号中剔除后重组压力信号的方法包括:

    8.根据权利要求1所述的一种智能抗干扰优化控制的智能压力变送器控制系统,其特征在于,所述系统还包括:

    9.根据权利要求8所述的一种智能抗干扰优化控制的智能压力变送器控制系统,其特征在于,所述流体系统分类名包括开放性质的流体系统、管道运输液体系统、恒压气体管道系统、恒流量气体管道系统与泵系统;

    10.一种智能抗干扰优化控制的智能压力变送器,其特征在于,用于实施权利要求1-9任一项所述的一种智能抗干扰优化控制的智能压力变送器控制系统。


    技术总结
    本发明一种智能抗干扰优化控制的智能压力变送器及其控制系统,涉及智能控制技术领域,系统包括:压力变送器采集模块:用于使用m组MEMS压电传感器探头对q个通道进行压力信号采集,m为大于1的整数,m=q;压力信号预处理模块:用于对压力信号进行预处理得到特征图,并输入至干扰识别模块;干扰识别模块:用于采集压力变送器所处位置的环境参数,并与压力信号进行时间上的一一对应组成序列数据,输入序列数据至预构建的第一机器学习模型输出每组序列数据的类别概率序列;本发明将使控制系统基于准确的数字信号对相关机器进行控制,避免相关机器误操作。

    技术研发人员:刘亮,崔善超,凌兴臣,万思成,陈云,曹金刚,卢义超
    受保护的技术使用者:江苏红光仪表厂有限公司
    技术研发日:
    技术公布日:2024/10/24
    转载请注明原文地址:https://symbian.8miu.com/read-24732.html

    最新回复(0)