基于人工神经网络的双缸液压闸门油缸行程误差补偿方法与流程

本发明属于闸门启闭机自动控制技术领域的闸门同步纠偏控制技术领域，具体地指一种基于人工神经网络的双缸液压闸门油缸行程误差补偿方法，通过对液压启闭机双缸油缸行程检测和闸门运行实际状态的判断，建立基于人工神经网络的油缸行程检测值和闸门运行实际状态的映射关系，对油缸行程检测值进行误差智能补偿，进而精确调整闸门状态，保证闸门以最佳轨迹运行。

背景技术：

大型闸门是水利枢纽工程中的重要设施，在防洪、抗旱、供水等应用中，具有关键性作用。大型闸门启闭机一般选用液压启闭机，尺寸大、吊点间距大的闸门则采用双缸液压启闭机。

由于闸门负载不对称、长期负载下闸门变形、建筑物和机械设备误差等因素，大型闸门在启闭过程中常常偏向一方，甚至出现卡阻。双缸液压启闭机通过采用电气同步纠偏系统，在闸门运行过程保持闸门居中运行。

闸门电气同步纠偏控制系统，是由闸门现地控制装置可编程逻辑控制器(PLC)根据左右两侧油缸活塞杆行程检测值的变化，当左右油缸活塞杆的行程之差超过设定值，则PLC输出信号控制液压系统比例调速阀的开度，调整左右油缸的流量，进而调整油缸的活塞杆运动速率，使左右油缸活塞杆行程保持同步，达到闸门同步运行的目的。中国专利“双吊点启闭机电气同步的方法及装置”(专利号：ZL201010292498.5)公开了一种卷扬式双吊点启闭机电气同步纠偏方法，中国发明专利“双缸液压闸门启闭机比例调节阀电气控制参数的 调整方法”(专利号：ZL201410781775.7)，公开了通过双缸液压闸门启闭机的PLC控制左右两个油缸比例调节阀的调节电压值，实现对左右两个油缸活塞杆的行程的精确控制。

上述现有技术中，由于工程应用中存在油缸行程检测值反映的闸门状态与实际闸门状态不一致的情况，例如，检测到的左右油缸行程偏差值在同步要求范围内，但实际观测闸门左右开度超出同步误差范围，闸门偏向一侧。电气控制系统若不进行干预，则会出现电气同步纠偏系统越纠越偏的现象。

技术实现要素：

为了解决目前工程中存在的双缸液压闸门油缸行程检测值所反映闸门状态与实际闸门状态不一致的问题，本发明提供一种基于人工神经网络的双缸液压闸门油缸行程误差补偿方法。

为实现上述目的，本发明所设计的基于人工神经网络的双缸液压闸门油缸行程误差补偿方法，其特殊之处在于，包括如下步骤：

1)定义闸门状态的关键数据，所述关键数据包括左右油缸行程偏差值ΔHc、闸门左右开度偏差值ΔH、闸门水封挤压度D、闸门噪声级别DB、闸门振动级别V；

2)采集所述关键数据，并设定误差分级标准；

3)确定所述关键数据的最佳误差范围，作为神经网络输出的期望值；

4)建立所述关键数据与油缸行程补偿值h的映射关系；

5)建立初始BP人工神经网络模型，将采集的所述关键数据输入BP人工神经网络模型，获得油缸行程补偿值h；

6)将所述油缸行程补偿值h输出至闸门电气同步纠偏控制系统，采集闸门状态的关键数据；

7)重复步骤5)～6)，进行人工神经网络训练，获得闸门运行最佳轨迹。

优选地，所述关键数据的误差分级标准分为程度依次加强的四级：0级、1级、2级和3级。

优选地，所述步骤3)中的所述关键数据的最佳误差范围指所述左右油缸行程偏差值ΔHc不大于30mm、所述闸门左右开度偏差值ΔH不大于20mm；所述闸门水封挤压度D为0级或者1级、闸门噪声级别DB为0级或者1级、闸门振动级别V为0级或者1级。

优选地，所述步骤4)中关键数据与油缸行程补偿值h的映射关系为：

h＝k₁k₂k₃ΔH_C

其中k₁为闸门水封挤压度补偿系数，k₂为噪声补偿系数，k₃为闸门振动补偿系数，∧H_C为左右油缸行程偏差值。k₁、k₂和k₃补偿系数的取值范围为0.0～1.0。当补偿系数取k₁、k₂和k₃同时为1时，误差补偿值不输入到电气控制系统。

优选地，所述闸门水封挤压度补偿系数k₁的取值与闸门水封挤压度D的对应关系为：所述闸门水封挤压度D为0级、1级、2级、3级时，所述闸门水封挤压度补偿系数k₁的取值分别为1.0，0.2，0.4，0.8，且所述闸门水封挤压度补偿系数k₁具有方向性。

优选地，所述噪声补偿系数k₂的取值与闸门噪声级别DB的对应关系为：所述闸门噪声级别DB为0级、1级、2级、3级时，所述噪声补偿系数k₂的取值分别为1.0，0.2，0.4，0.6。

优选地，所述闸门振动补偿系数k₃的取值与闸门振动级别V的对应关系为：所述闸门振动级别V为0级、1级、2级、3级时，所述闸门振动补偿系数k₃为的取值分别为1.0，0.4，0.8，1.0。

优选地，所述闸门水封挤压度D的误差分级标准，具体包括：

0级：水封与门槽无接触；

1级：水封在门槽顶端有轻微挤压，挤压度不大于5mm；

2级：水封在门槽顶端有挤压，挤压度不大于10mm；

3级：水封在门槽顶端有严重挤压，挤压度大于10mm，且水封与门槽完全贴紧。

优选地，所述闸门噪声级别DB的误差分级标准，具体包括：

0级：不大于环境噪声分贝5％；

1级：不大于环境噪声分贝10％；

2级：不大于环境噪声分贝20％；

3级：大于环境噪声分贝20％。

优选地，所述闸门振动级别的误差分级标准，具体包括：

0级：不大于多个振动传感器检测平均值的20％；

1级：不大于多个振动传感器检测平均值的60％；

2级：不大于多个振动传感器检测平均值的100％；

3级：大于多个振动传感器检测平均值的100％。

本发明应用于闸门调试运行过程中，利用仪器检测或人工观测闸门在启闭运行过程中的位置、振动和噪声等闸门运行状态的关键数据，并输入到神经网络误差补偿模型，该模型的输出端为油缸行程补偿值，将该误差值叠加到实测油缸行程值中，生成新的油缸行程值。闸门电气控制系统按照新生成的油缸行程值，调节整定比例调节阀的电压值，使左右油缸运行速率发生变化，两缸行程差随之变化，进而调整闸门在门槽中的状态，以最佳轨迹运行。

与现有技术相比，本发明的优点在于：

(1)利用现有闸门电气同步纠偏系统通过检测双油缸活塞杆行程是否同步，来判断闸门同步的技术，进一步增加了闸门水封挤压度、闸门运行噪声级别和闸门运行振动级别这些关键数据的检测和观测，更加全面和准确的反映了闸门实际运行状态，解决了油缸行程检测值所反映的闸门状态与实际闸门状态不一致的问题，显著提高闸门运行同步精度。

(2)一座水利工程中有多孔闸门，第一孔闸门经过网络训练后形成的网络模型，可直接作为在其他孔闸门训练时的初始模型，这将大大缩短其他孔闸门网络训练时间，提高了闸门调试工作效率。

附图说明

图1为本发明的原理图。

图2为本发明的流程图。

图3为闸门水封状态示意图。

具体实施方式

以下结合附图和具体实施例对本发明作进一步的详细描述。

本发明基于人工神经网络的双缸液压闸门油缸行程误差补偿方法的原理如图1所示。

在闸门调试运行过程中，该方法利用仪器检测或人工观测闸门在启闭运行过程中的位置、振动和噪声等闸门运行状态的关键数据，并输入到神经网络误差补偿模型，该模型的输出端为油缸行程补偿值，将该误差值叠加到实测油缸行程值中，生成新的油缸行程值。

闸门电气控制系统按照新生成的油缸行程值，调节整定比例调节阀的电压值，使左右油缸运行速率发生变化，两缸行程差随之变化，进而调整闸门在门槽中的状态，以最佳轨迹运行。

在实际工程中，本发明的具体实施时间是在闸门金属结构、液压系统和电气现地控制系统安装已完成，在机、电、液联合调试阶段进行。

下文将以皂市水电站为例对本发明方法进行说明。皂市水电站共有5个表孔和4个底孔，表孔闸门采用双缸液压启闭机。本文以5#表孔闸门启门调试过程中消除闸门振动和噪声为例说明本发明方法在闸门联合调试阶段的应用。

如图2所示，本发明包括如下步骤：

1)定义闸门状态的关键数据，包括左右油缸行程偏差值ΔHc、闸门左右开度偏差值ΔH、闸门水封挤压度D、闸门噪声级别DB、闸门振动级别V。

对闸门运行过程中的油缸行程检测误差源进行分析、统计、归纳，并对闸门运行状态检测值进行分类。以下5项数据是对闸门运行状态影响最大的关键数据源。

(1)左右油缸行程偏差值ΔHc；

(2)闸门左右开度偏差值ΔH，即左右闸门状态Y轴行程差值；

(3)闸门水封挤压度D；

(4)闸门噪声级别DB；

(5)闸门振动级别V。

2)采集关键数据，并设定误差分级标准。

采集所有跟闸门运行状态相关的数据和信息，对影响闸门运行的状态和信息进行全方位的检测和监视。

(1)左右油缸行程偏差值ΔHc

左右油缸行程值(H_CL，H_CR)取自安装在油缸上的钢丝绳行程位移检测装置，行程检测精度1mm。

闸门现地控制装置可编程逻辑控制器(PLC)采集并处理成油缸行程值(H_CL，H_CR)，并计算出左右油缸行程偏差值：△H_c＝|H_CL-H_CR|。

设定最大油缸行程偏差30mm，根据闸门运行情况，左右油缸行程偏差值ΔHc的误差分级标准，具体包括：

0级：闸门向左(右)偏，且△Hc＝0～5mm；

1级：闸门向左(右)偏，且△Hc＝5～10mm；

2级：闸门向左(右)偏，且△Hc＝10～20mm；

3级：闸门向左(右)偏，且△Hc＝20～30mm。

(2)闸门左右开度偏差值ΔH

皂市水电站表孔为弧形闸门，左右油缸行程值与闸门开度之间存在着特定的函数关系。

PLC根据油缸行程值与闸门开度之间的函数关系计算出左右侧闸门开度值(H_L，H_R)，并计算出闸门左右开度偏差值：△H＝|H_L-H_R|。

设定的最大闸门偏差允许值△H为20mm，电控系统油缸行程偏差纠偏阈值为10mm。

根据闸门运行情况，闸门左右开度偏差值ΔH的误差分级标准，具体包括：

0级：闸门向左(右)偏，且△H＝0～5mm；

1级：闸门向左(右)偏，且△H＝5～10mm；

2级：闸门向左(右)偏，且△H＝10～15mm；

3级：闸门向左(右)偏，且△H＝15～20mm。

(3)闸门水封挤压度D

该值采用人工观测闸门门槽顶部的左右侧橡胶水封挤压程度，实测数据用水封挤压度表示。闸门水封状态示意图如图3所示。

观测方法为：制定记录表格；在闸门启门或闭门过程中，每运行1米观测并记录闸门左右侧水封挤压程度数据，观测数据用水封挤压度表示。

闸门左(右)侧水封挤压度D_L和D_R的误差分级标准，具体包括：

0级：水封与门槽无接触；

1级：水封在门槽顶端有轻微挤压，挤压度不大于5mm；

2级：水封在门槽顶端有挤压，挤压度不大于10mm；

3级：水封在门槽顶端有严重挤压，挤压度大于10mm，且水封与门槽完全贴紧。

由于闸门在运行过程中，只能偏向一侧，因此只能一侧水封挤压度大于0级。

(4)闸门噪声级别(DB)

该值为采用噪声检测仪同时检测闸门运行时左右侧的噪声，记录闸门启闭时噪声分贝值，实测数据用噪声级别表示。

测量方法为：制定记录表格；在闸门静止时，用噪声检测仪检测环境噪声分贝数并记录；闸门开启或闭门过程中用噪声检测仪检测闸门左右侧的噪声分贝数，每运行1米检测并记录数据，实测数据用噪声级别表示。

闸门左右侧噪声级别DB_L和DB_R的误差分级标准，具体包括：

0级：不大于环境噪声分贝5％；

1级：不大于环境噪声分贝10％；

2级：不大于环境噪声分贝20％；

3级：大于环境噪声分贝20％。

由于金属结构对压力的传导，闸门左右侧噪声会同时出现噪声级别，以级别大值为特征参数。

(5)闸门振动级别(V)监测

通过闸门振动传感器检测闸门不同部位的振动级别。在闸门关键部位安装多个振动传感器，检测闸门不同部位振动的幅度。通过调试用电脑将振动传感器实测数据接入并进行分析，根据误差分级定义，确定闸门振动级别。

闸门振动级别的误差分级标准，具体包括：

0级：不大于多个振动传感器检测平均值的20％；

1级：不大于多个振动传感器检测平均值的60％；

2级：不大于多个振动传感器检测平均值的100％；

3级：大于多个振动传感器检测平均值的100％。

闸门振动级别是的闸门整体运行状态的判别，因此，不分左右侧。

3)确定关键数据的最佳误差范围，作为神经网络输出的期望值。

根据闸门在调试阶段初期的实际运行情况，确定闸门运行状态关键数据的最佳误差范围，作为神经网络输出的期望值。

以皂市水电站5#表孔闸门为例：根据闸门启门运行实际情况，提出并确定关键数据的最佳误差范围如下：

(1)闸门左右开度偏差△H≤20mm，即闸门全行程启闭运行过程中，闸门左右开度偏差不大于20mm。

(2)闸门左侧水封挤压度D_L≤1。

(3)闸门右侧水封挤压度D_R≤1。

(4)闸门左侧噪声级别DB_L≤1。

(5)闸门右侧噪声级别DB_R≤1。

(6)闸门振动级别V≤1。

上述关键数据中，闸门振动级别为优先控制项。

4)建立关键数据与油缸行程补偿值h的映射关系。

建立初始误差智能补偿模型，初始化BP人工神经网络参数，初始化5项运行状态关键数据与油缸行程补偿值h的映射关系。闸门运行状态关键数据与油缸行程值的映射关系通过闸门水封挤压度补偿系数k₁，噪声补偿系数k₂，闸门振动补偿系数k₃体现。

h-k₁k₂k₃ΔH_C

闸门水封挤压度补偿系数k₁，噪声补偿系数k₂，闸门振动补偿系数k₃的取值分别与闸门水封挤压度D、闸门噪声级别DB、闸门振动级别V的误差分级标准一一对应，如表1所示。

表1关键数据与补偿数据关系表

当k₁、k₂和k₃同时为1时，误差补偿值不输入到电气控制系统。

5)建立初始BP人工神经网络模型，将采集的关键数据输入BP人工神经网络模型，获得油缸行程补偿值h。

建立初始误差智能补偿模型，初始化BP人工神经网络参数，输入采集的关键数据。皂市水电站5#表孔闸门启门过程某一时刻，闸门电控系统检测到的闸门运行状态基本正常，左偏，左右油缸行程偏差值ΔHc为9mm，小于油缸行程纠偏阈值10mm，不需要启动电气纠偏程序。闭门过程中闸门左侧水封在门槽顶端有严重挤压，挤压度大于10mm，且水封与门槽完全贴紧，左侧水封挤压度为3级；闸门右侧水封在门槽顶端无接触，水封挤压度为0级。闸门水封挤压度D状态与闸门偏差方向一致，闸门水封挤压度补偿系数k₁取正值，取值+0.8。 闸门静止时，实测环境噪声为55db；闸门左侧噪声平均值为72db，大于环境噪声分贝20％，根据分级定义，闸门左侧噪声级别为3级；闸门右侧噪声平均值为57db，不大于环境噪声分贝5％，根据误差分级定义，闸门右侧噪声级别为0级。噪声补偿系数k₂取值0.6。启门时2.5m至11.8m有振动现象，振动幅度不大于多个振动传感器检测平均值的100％，根据误差分级定义振动级别为2级，闸门振动补偿系数k₃取值0.8。

依照下式计算油缸行程补偿值h：

h＝k₁k₂k₃ΔH_C

其中：k₁＝+0.8，k₂＝0.6，k₃＝0.8，ΔH_C＝9mm

h＝k₁k₂k₃ΔH_G＝+0.8×0.6×0.8×9＝+3.456n≈+4mm

根据闸门运行状态关键数据与油缸行程值的映射关系，建立初始BP人工神经网络模型，得出此时需要对油缸行程值进行正补偿，补偿值为+4mm。

6)将油缸行程补偿值h输出至闸门电气同步纠偏控制系统，采集闸门状态的关键数据。

BP人工神经网络模型的输出值为油缸行程补偿值h，通过电气控制现地站的人机接口将油缸行程误差补偿值输入到电气同步纠偏控制系统中。

在闸门运行初期，油缸行程偏差△H_C＝9mm，闸门开度偏差△H＝1.1cm，在偏差允许值范围内，不需要进行电气纠偏。但是在对闸门关键数据进行分析比较后，需要对油缸行程值进行正补偿，油缸行程补偿值h为+4mm。补偿后的油缸行程偏差△H_C＝13mm。电控系统设定的油缸行程偏差纠偏阈值为10mm，此时控制系统进行电气纠偏。

7)重复步骤5)～6)，进行人工神经网络训练，获得闸门运行最佳轨迹。

闸门启闭一次即为一次网络训练，闸门启闭一次可以是全行程启闭，也可以是局部启闭。在每次启闭过程中，检查系统检测到的五项关键数据是否在步骤3)中定义的最佳误差范围内，如果在最佳误差范围内，则训练结束；若不在最佳误差范围内，则重新调整神经系统参数，将调整后的神经网络误差补偿模型的输出值(即油缸行程补偿值h)输出至闸门电气同步纠偏控制系统，重新进行一次神经网络训练。如此循环往复，直至5项关键数据检测值的误差逼近最佳误差范围。网络通过学习不断地调整权值，使得网络性能最优，得到最终的误差智能补偿值。

在皂市水电站5#表孔闸门调试过程中，5项关键数据在初始状态时误差值如上所述。根据上述方法，在神经网络训练过程中不断调整闸门水封挤压度补偿系数k₁，噪声补偿系数k₂，闸门振动补偿系数k₃的取值，经过闸门的多次启门和闭门运行，使误差逼近最佳误差范围，调试结束后的5项关键数据误差值如下：

(1)闸门左右开度偏差△H≤2cm，即闸门全行程启闭运行过程中，闸门左右开度偏差不大于2cm。

(2)油缸行程偏差△H_C≤10mm。

(3)闸门左侧水封挤压度D_L＝1，水封在门槽顶端有轻微挤压，挤压度不大于5mm。闸门右侧水封挤压度D_R＝1，水封在门槽顶端有轻微挤压，挤压度不大于5mm。

(4)闸门左侧噪声级别DB_L＝0，基本与环境噪声一致。闸门右侧噪声级别DB_R＝0，基本与环境噪声一致。

(5)闸门振动级别V＝0，轻微振动，振动幅度不大于多个振动传感器检测平均值的20％。

在实际调试过程中，经过四次训练，皂市水电站5#表孔闸门运行效果获得工程运行认可，结束神经网络训练。

由以上结果可以看出，由于受闸门运行次数的限制，经过多次神经网络训练以后，闸门运行的几项关键数据误差均逼近了目标值。

5#表孔经过网络训练后形成的网络模型，作为1#～4#表孔的初始模型，1#～4#表孔网络训练次数大大减少，提高了闸门调试工作效率。

皂市水电站5个表孔闸门采用本方法，闸门运行状态得到了很大改善，说明基于人工神经网络的误差补偿模型能准确地映射出了闸门状态和油缸行程值之间的关系，对油缸行程检测值进行的误差补偿能动态调整闸门的运行状态。

实践证明，本方法有效解决了油缸行程检测值所反映的闸门状态与实际闸门状态不一致的问题，显著提高了闸门运行同步精度。

本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。