轴流式调节阀及其控制方法与流程

本技术涉及调节阀领域，且更为具体地，涉及一种轴流式调节阀及其控制方法。

背景技术：

1、现行调节阀产品就内部流道结构来分，有阀体内腔呈“s”形流道的常规调节阀和与管道轴线同轴的轴流式调节阀。由于常规调节阀的阀芯移位方向与管道轴线相垂直且介质在阀体内是沿“s”形流道运动，它在实际运行中存在“压损大、振动噪音大和运行稳定性能差”的使用缺陷。轴流式调节阀在调控作业时，它的阀芯运动方向和介质流动方向都是与管道轴线同轴的，具有输送介质动态稳定性能好、振动噪声小、承压能力强和压损小的优点。

2、现行轴流式调节阀的结构为：在阀体内设计一个与管道轴线同轴的流线状内锥头体构成环形通道，在调节阀套内滑配与管道轴线同轴的阀芯，由电机通过一组斜齿或齿轮齿条或蜗轮蜗杆组成的传动机构沿轴线方向推移阀芯来调节阀口的开度，即可使介质在环形通道内形成同心圆流束进入下游管道。

3、在实际生产中发现：由于输送管网在实际运行过程中会受到诸多因素影响致使输出压力、输出流量发生波动。因此，期待一种优化的轴流式调节阀及其控制方案。

技术实现思路

1、为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种轴流式调节阀及其控制方法，其挖掘输出压力和输出流量间的时序协同关联特征信息，并建立所述时序协同关联特征信息和阀门开度的动态变化之间的映射关系，以使得基于输出压力和输出流量间的波动特征来自适应地调控阀门开度以实现输出流量和压力趋于稳定的控制目的。这样，保证输送介质的动态稳定性。

2、相应地，根据本技术的一个方面，提供了一种轴流式调节阀，其包括：传感模块，用于获取预定时间段内多个预定时间点的阀门开度值，以及，所述多个预定时间点的输出压力和输出流量；输出数据编码模块，用于将所述多个预定时间点的输出压力和输出流量分别按照时间维度排列为压力输入向量和流量输入向量后，计算所述压力输入向量和所述流量输入向量之间的协同输入矩阵；输出特征提取模块，用于将所述协同输入矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络模型以得到协同输出特征矩阵；阀门开度特征提取模块，用于将所述多个预定时间点的阀门开度值按照时间维度排列为阀门开度输入向量后通过多尺度邻域特征提取模块以得到阀门开度特征向量；特征增强模块，用于基于高斯密度图对所述阀门开度特征向量进行特征级数据增强以得到阀门开度特征矩阵；响应模块，用于计算所述协同输出特征矩阵相对于所述阀门开度特征矩阵的转移矩阵作为分类特征矩阵；特征分布校正模块，用于基于所述协同输出特征矩阵和所述阀门开度特征矩阵，对所述分类特征矩阵进行特征分布校正以得到校正后分类特征矩阵；以及阀门开度控制模块，用于将所述校正后分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的阀门开度值应增大或应减小。

3、在上述轴流式调节阀中，所述输出数据编码模块，进一步用于：以如下公式计算所述压力输入向量和所述流量输入向量之间的协同输入矩阵；其中，所述公式为：，其中表示所述压力输入向量的转置向量，表示所述流量输入向量，表示所述协同输入矩阵，表示矩阵相乘。

4、在上述轴流式调节阀中，所述输出特征提取模块，进一步用于：使用所述第一卷积神经网络模型的第一层的卷积层以第一卷积核对输入数据进行卷积处理以生成第一卷积特征图；使用所述第一卷积神经网络模型的第一层的池化层对所述第一卷积特征图进行沿通道维度的池化处理以生成第一池化特征矩阵；使用所述第一卷积神经网络模型的第一层的激活层对所述第一池化特征矩阵进行激活处理以生成第一激活特征图；使用所述第一卷积神经网络模型的第二层的卷积层以第二卷积核对输入数据进行卷积处理以生成第二卷积特征图，所述第二卷积核与所述第一卷积核互为转置；使用所述第一卷积神经网络模型的第二层的池化层对所述第二卷积特征图进行沿通道维度的池化处理以生成第二池化特征矩阵；以及，使用所述第一卷积神经网络模型的第二层的激活层对所述第二池化特征矩阵进行激活处理以生成第二激活特征图；其中，所述第一卷积神经网络模型的最后一层的输出为所述协同输出特征矩阵，所述第一卷积神经网络模型的第一层的输入为所述协同输入矩阵。

5、在上述轴流式调节阀中，所述多尺度邻域特征提取模块，包括：相互并行的第一卷积层和第二卷积层，以及与所述第一卷积层和所述第二卷积层连接的多尺度融合层，其中，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。

6、在上述轴流式调节阀中，所述阀门开度特征提取模块，进一步用于：使用所述多尺度邻域特征提取模块的第一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第一尺度阀门开度特征向量；其中，所述公式为：，

7、其中， a为第一卷积核在 x方向上的宽度、为第一卷积核参数向量、为与卷积核函数运算的局部向量矩阵， w为第一卷积核的尺寸， x表示所述阀门开度输入向量，表示对所述阀门开度输入向量进行一维卷积编码；使用所述多尺度邻域特征提取模块的第二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第二尺度阀门开度特征向量；其中，所述公式为：

8、，

9、其中， b为第二卷积核在 x方向上的宽度、为第二卷积核参数向量、为与卷积核函数运算的局部向量矩阵， m为第二卷积核的尺寸， x表示所述阀门开度输入向量，表示对所述阀门开度输入向量进行一维卷积编码；以及，使用所述多尺度邻域特征提取模块的多尺度融合层将所述第一尺度阀门开度特征向量和所述第二尺度阀门开度特征向量进行级联以得到所述阀门开度特征向量。

10、在上述轴流式调节阀中，所述特征增强模块，包括：高斯密度图构造模块，用于构造所述阀门开度特征向量的自高斯密度图，所述自高斯密度图的均值向量为所述阀门开度特征向量，所述自高斯密度图的协方差矩阵中各个位置的值为所阀门开度特征向量中相应两个位置的特征值之间的方差；以及，高斯离散化模块，用于对所述自高斯密度图中各个位置的高斯分布进行高斯离散化以得到阀门开度特征矩阵。

11、在上述轴流式调节阀中，所述特征分布校正模块，包括：特征矩阵展开单元，用于将所述协同输出特征矩阵和所述阀门开度特征矩阵沿着行向量或者列向量展开为协同输出特征向量和阀门开度特征向量；特征收敛约束单元，用于对所述协同输出特征向量和所述阀门开度特征向量进行向量模基的希尔伯特空间约束以得到权重特征向量；向量还原单元，用于将所述权重特征向量重构为权重特征矩阵；以及，作用单元，用于计算所述权重特征矩阵与所述分类特征矩阵的按位置点乘以得到所述校正后分类特征矩阵。

12、在上述轴流式调节阀中，所述特征收敛约束单元，进一步用于：以如下公式对所述协同输出特征向量和所述阀门开度特征向量进行向量模基的希尔伯特空间约束以得到所述权重特征向量；其中，所述公式为：，

13、其中和分别表示所述协同输出特征向量和所述阀门开度特征向量，表示向量的二范数，表示向量的按位置加法，和为加权超参数，表示以卷积算子对向量进行一维卷积，表示所述权重特征向量。

14、在上述轴流式调节阀中，所述阀门开度控制模块，包括：展开单元，用于将所述校正后分类特征矩阵按照行向量或者列向量展开为分类特征向量；全连接编码单元，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类结果生成单元，用于将所述编码分类特征向量输入所述分类器的softmax分类函数以得到所述分类结果。

15、根据本技术的另一方面，还提供了一种轴流式调节阀的控制方法，其包括：获取预定时间段内多个预定时间点的阀门开度值，以及，所述多个预定时间点的输出压力和输出流量；将所述多个预定时间点的输出压力和输出流量分别按照时间维度排列为压力输入向量和流量输入向量后，计算所述压力输入向量和所述流量输入向量之间的协同输入矩阵；将所述协同输入矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络模型以得到协同输出特征矩阵；将所述多个预定时间点的阀门开度值按照时间维度排列为阀门开度输入向量后通过多尺度邻域特征提取模块以得到阀门开度特征向量；基于高斯密度图对所述阀门开度特征向量进行特征级数据增强以得到阀门开度特征矩阵；计算所述协同输出特征矩阵相对于所述阀门开度特征矩阵的转移矩阵作为分类特征矩阵；基于所述协同输出特征矩阵和所述阀门开度特征矩阵，对所述分类特征矩阵进行特征分布校正以得到校正后分类特征矩阵；以及将所述校正后分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的阀门开度值应增大或应减小。

16、在上述轴流式调节阀的控制方法中，所述将所述多个预定时间点的输出压力和输出流量分别按照时间维度排列为压力输入向量和流量输入向量后，计算所述压力输入向量和所述流量输入向量之间的协同输入矩阵，包括：以如下公式计算所述压力输入向量和所述流量输入向量之间的协同输入矩阵；其中，所述公式为：，

17、其中表示所述压力输入向量的转置向量，表示所述流量输入向量，表示所述协同输入矩阵，表示矩阵相乘。

18、在上述轴流式调节阀的控制方法中，所述将所述协同输入矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络模型以得到协同输出特征矩阵，包括：使用所述第一卷积神经网络模型的第一层的卷积层以第一卷积核对输入数据进行卷积处理以生成第一卷积特征图；使用所述第一卷积神经网络模型的第一层的池化层对所述第一卷积特征图进行沿通道维度的池化处理以生成第一池化特征矩阵；使用所述第一卷积神经网络模型的第一层的激活层对所述第一池化特征矩阵进行激活处理以生成第一激活特征图；使用所述第一卷积神经网络模型的第二层的卷积层以第二卷积核对输入数据进行卷积处理以生成第二卷积特征图，所述第二卷积核与所述第一卷积核互为转置；使用所述第一卷积神经网络模型的第二层的池化层对所述第二卷积特征图进行沿通道维度的池化处理以生成第二池化特征矩阵；以及，使用所述第一卷积神经网络模型的第二层的激活层对所述第二池化特征矩阵进行激活处理以生成第二激活特征图；其中，所述第一卷积神经网络模型的最后一层的输出为所述协同输出特征矩阵，所述第一卷积神经网络模型的第一层的输入为所述协同输入矩阵。

19、在上述轴流式调节阀的控制方法中，所述多尺度邻域特征提取模块，包括：相互并行的第一卷积层和第二卷积层，以及与所述第一卷积层和所述第二卷积层连接的多尺度融合层，其中，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。

20、在上述轴流式调节阀的控制方法中，所述将所述多个预定时间点的阀门开度值按照时间维度排列为阀门开度输入向量后通过多尺度邻域特征提取模块以得到阀门开度特征向量，包括：使用所述多尺度邻域特征提取模块的第一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第一尺度阀门开度特征向量；其中，所述公式为：

21、  ，

22、其中， a为第一卷积核在 x方向上的宽度、为第一卷积核参数向量、为与卷积核函数运算的局部向量矩阵， w为第一卷积核的尺寸， x表示所述阀门开度输入向量，表示对所述阀门开度输入向量进行一维卷积编码；使用所述多尺度邻域特征提取模块的第二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第二尺度阀门开度特征向量；其中，所述公式为：

23、，

24、其中， b为第二卷积核在 x方向上的宽度、为第二卷积核参数向量、为与卷积核函数运算的局部向量矩阵， m为第二卷积核的尺寸， x表示所述阀门开度输入向量，表示对所述阀门开度输入向量进行一维卷积编码；以及，使用所述多尺度邻域特征提取模块的多尺度融合层将所述第一尺度阀门开度特征向量和所述第二尺度阀门开度特征向量进行级联以得到所述阀门开度特征向量。

25、在上述轴流式调节阀的控制方法中，所述基于高斯密度图对所述阀门开度特征向量进行特征级数据增强以得到阀门开度特征矩阵，包括：构造所述阀门开度特征向量的自高斯密度图，所述自高斯密度图的均值向量为所述阀门开度特征向量，所述自高斯密度图的协方差矩阵中各个位置的值为所阀门开度特征向量中相应两个位置的特征值之间的方差；以及，对所述自高斯密度图中各个位置的高斯分布进行高斯离散化以得到阀门开度特征矩阵。

26、在上述轴流式调节阀的控制方法中，所述基于所述协同输出特征矩阵和所述阀门开度特征矩阵，对所述分类特征矩阵进行特征分布校正以得到校正后分类特征矩阵，包括：将所述协同输出特征矩阵和所述阀门开度特征矩阵沿着行向量或者列向量展开为协同输出特征向量和阀门开度特征向量；对所述协同输出特征向量和所述阀门开度特征向量进行向量模基的希尔伯特空间约束以得到权重特征向量；将所述权重特征向量重构为权重特征矩阵；以及，计算所述权重特征矩阵与所述分类特征矩阵的按位置点乘以得到所述校正后分类特征矩阵。

27、在上述轴流式调节阀的控制方法中，所述对所述协同输出特征向量和所述阀门开度特征向量进行向量模基的希尔伯特空间约束以得到权重特征向量，包括：以如下公式对所述协同输出特征向量和所述阀门开度特征向量进行向量模基的希尔伯特空间约束以得到所述权重特征向量；其中，所述公式为：

28、 ，

29、其中和分别表示所述协同输出特征向量和所述阀门开度特征向量，表示向量的二范数，表示向量的按位置加法，和为加权超参数，表示以卷积算子对向量进行一维卷积，表示所述权重特征向量。

30、在上述轴流式调节阀的控制方法中，所述将所述校正后分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的阀门开度值应增大或应减小，包括：将所述校正后分类特征矩阵按照行向量或者列向量展开为分类特征向量；使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的softmax分类函数以得到所述分类结果。

31、与现有技术相比，本技术提供的轴流式调节阀及其控制方法，其挖掘输出压力和输出流量间的时序协同关联特征信息，并建立所述时序协同关联特征信息和阀门开度的动态变化之间的映射关系，以使得基于输出压力和输出流量间的波动特征来自适应地调控阀门开度以实现输出流量和压力趋于稳定的控制目的。这样，保证输送介质的动态稳定性。