智能流体控制阀及其检测方法

技术领域

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。

背景技术

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。

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。

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。

发明内容

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。

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。

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：

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。

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，

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：

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

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，/>

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。

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。

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。

与现有技术相比，本申请提供的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。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1为根据本申请实施例的智能流体控制阀的示意图；

图2为根据本申请实施例的智能流体控制阀的检测方法的流程图；

图3为根据本申请实施例的智能流体控制阀的检测方法的架构示意图；

图4为根据本申请实施例的智能流体控制阀的检测方法中卷积神经网络编码的流程图；

图5为根据本申请实施例的智能流体控制阀的检测系统的框图；

图6为根据本申请实施例的电子设备的框图；

其中，1、阀门主体；2、开度测量仪；3、压差传感器；4、电磁流量计；5、服务器。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

场景概述

如上所述，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。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。

相应地，考虑到在实际进行智能流体阀的检测过程中，可以通过探究智能流体控制阀的阀门开度值变化与阀门两端的压差值变化和流体的流量值的变化之间的映射关系是否符合预定标准，以此来实现对于智能流体控制阀性能的检测。但是，考虑到由于阀门两端的压差值和流体的流量值之间具有着关联关系，并不能进行单一性的映射信息的挖掘，并且由于所述阀门开度值在时间维度上的变化特征分别与所述阀门两端的压差值的时序变化特征和所述流体的流量值的时序变化特征间具有着特征的关联性，这对于智能流体控制阀的性能检测带来了困难。也就是说，在此过程中，难点在于如何建立所述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。

近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。

深度学习以及神经网络的发展为挖掘所述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提供了新的解决思路和方案。本领域普通技术人员应知晓，基于深度学习的深度神经网络模型可以通过适当的训练策略，例如通过梯度下降的反向传播算法来调整所述深度神经网络模型的参数以使之能够模拟事物之间的复杂的非线性关联，而这显然适合于模拟并建立所述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。

具体地，在本申请的技术方案中，首先，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，并且通过电磁流量计采集流体的流量值，以及通过阀门两端压差传感器采集压差值。接着，考虑到由于所述阀门开度值、流量值和压差值在时间维度上都具有着动态性的关联特征信息，因此，进一步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，以此来分别整合所述阀门开度值、流量值和压差值在时间维度上的参数数据分布信息。

然后，考虑到由于所述流体的流速值和所述阀门两端的压差值在实际的采集过程中具有着关联性关系，也就是说，所述流体的流速值和所述阀门两端的压差值不仅在时间维度上具有着时序动态性的变化规律，而且在两者之间也具有着参数协同关联特征。因此，为了能够充分地提取出这两者在时间维度上的变化特性，以此来精准地进行智能流体控制阀的性能检测，在本申请的技术方案中，进一步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。接着，进一步再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中进行处理，以提取出所述流体的流速值和所述阀门两端的压差值的参数协同控制特征在时序上的关联性特征分布信息，从而得到输出参数协同特征矩阵。

进一步地，对于所述待检测智能流体控制阀的阀门开度值来说，其在时间维度上也具有着时序关联特性，因此，为了能够准确地提取出所述阀门开度值的时序变化特征信息，在本申请的技术方案中，将所述阀门开度输入向量通过一维卷积神经网络模型中进行特征挖掘，以提取出所述智能流体控制阀的阀门开度值的时序动态关联特征分布信息，从而得到阀门开度时序特征向量。

接着，进一步再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，以此来表达所述流体控制阀的阀门开度的时序动态关联特征与所述阀门两端的压差值和所述流体的流量值的参数协同时序动态关联特征的关联性特征分布信息，也就是，在所述智能流体控制阀的阀门开度值发生变化时，所述阀门两端的压差值和所述流体的流量值的参数协同变化特征的呈现信息。然后，以所述转移向量作为分类特征向量通过分类器中进行分类处理，以得到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的分类结果。也就是，在本申请的技术方案中，所述分类器的标签包括所述待检测智能流体控制阀的性能符合预定标准，以及，所述待检测智能流体控制阀的性能不符合预定标准，其中，所述分类器通过软最大值函数来确定所述分类特征向量属于哪个分类标签，以此来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。

特别地，在本申请的技术方案中，通过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来作为所述分类特征向量，这里，由于所述阀门开度时序特征向量表达阀门开度值的一维时序关联，而所述输出参数协同矩阵表达流量和压差的跨时域关联的高阶关联特征，特征域的阶次和维度上的差异可能导致作为域间转移特征的所述分类特征向量的整体特征分布较为离散，导致所述分类特征向量在通过分类进行分类时对单一分类结果的依赖性差，影响分类结果的准确性。

因此，优选地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，具体表示为：

是所述分类特征向量，/>

基于此，本申请提出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。

图1为根据本申请实施例的智能流体控制阀的示意图。如图1所示，所述智能流体控制阀，包括阀门主体1，所述阀门主体1连接有开度测量仪2，所述阀门主体1的阀门两端设置有压差传感器3，所述阀门主体1的内部设置有电磁流量计4，通过开度测量仪2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，通过电磁流量计4获取预定时间段内多个预定时间点的流量值，以及，通过阀门两端的压差传感器3获取预定时间段内多个预定时间点的压差值。接着，将上述数据输入至部署有用于智能流体控制阀的检测算法的服务器5中，其中，所述服务器能够以所述智能流体控制阀的检测算法对上述输入的数据进行处理，以生成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的分类结果。

在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。

示例性方法

图2为根据本申请实施例的智能流体控制阀的检测方法的流程图。如图2所示，根据本申请实施例的智能流体控制阀的检测方法，包括步骤：S110，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；S120，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；S130，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；S140，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；S150，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；S160，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；S170，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；S180，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。

图3为根据本申请实施例的智能流体控制阀的检测方法的架构示意图。如图3所示，在该网络结构中，首先，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；再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；接着，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；然后，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；然后，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；进而，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。

具体地，在步骤S110中，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。应可以理解，在实际进行智能流体阀的检测过程中，可以通过智能流体阀的阀门开度值变化与阀门两端的压差值变化和流体的流量值的变化之间的印射关系来判断智能流体阀的状态是否符合标准。考虑到由于阀门两端的压差值和流体的流量值之间存在着关联关系，并且由于所述阀门开度值在时间维度上的变化特征分别与所述阀门两端的压差值的时序变化特征和所述流体的流量值的时序变化特征之间具有关联性，因此，在本申请的技术方案中，通过采用基于深度学习的神经网络模型，挖掘出所述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。因此，首先，在本申请的一个具体示例中，通过开度测量仪来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，通过电磁流量计获取预定时间段内多个预定时间点的流量值，以及，通过阀门两端压差传感器获取预定时间段内多个预定时间点的压差值。

具体地，在步骤S120中，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。考虑到由于所述阀门开度值、流量值和压差值在时间维度上都具有着动态性的关联特征信息，因此，进一步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，以此来分别整合所述阀门开度值、流量值和压差值在时间维度上的参数数据分布信息。

具体地，在步骤S130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。在本申请的技术方案中，由于所述流体的流速值和所述阀门两端的压差值在实际的采集过程中具有着关联性关系，也就是说，所述流体的流速值和所述阀门两端的压差值不仅在时间维度上具有着时序动态性的变化规律，而且在两者之间也具有着参数协同关联特征。因此，为了能够充分地提取出这两者在时间维度上的变化特性，以此来精准地进行智能流体控制阀的性能检测，在本申请的技术方案中，进一步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。在本申请的一个具体示例中，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：

具体地，在步骤S140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。也就是，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中进行处理，以提取出所述流体的流速值和所述阀门两端的压差值的参数协同控制特征在时序上的关联性特征分布信息，从而得到输出参数协同特征矩阵。在一个具体示例中，所述卷积神经网络包括相互级联的多个神经网络层，其中各个神经网络层包括卷积层、池化层和激活层。其中，在所述卷积神经网络的编码过程中，所述卷积神经网络的各层在层的正向传递过程中对输入数据使用所述卷积层进行基于卷积核的卷积处理、使用所述池化层对由所述卷积层输出的卷积特征图进行池化处理和使用所述激活层对由所述池化层输出的池化特征图进行激活处理。

图4为根据本申请实施例的智能流体控制阀的检测方法中卷积神经网络编码的流程图。如图4所示，在所述卷积神经网络编码过程中，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：S210，对输入数据进行卷积处理以得到卷积特征图；S220，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，S230，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。

具体地，在步骤S150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。应可以理解，对于所述待检测智能流体控制阀的阀门开度值来说，其在时间维度上也具有着时序关联特性，因此，为了能够准确地提取出所述阀门开度值的时序变化特征信息，在本申请的技术方案中，将所述阀门开度输入向量通过一维卷积神经网络模型中进行特征挖掘，以提取出所述智能流体控制阀的阀门开度值的时序动态关联特征分布信息，从而得到阀门开度时序特征向量。在本申请的一个具体示例中，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，

具体地，在步骤S160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。也就是，在本申请的技术方案中，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，以此来表达所述流体控制阀的阀门开度的时序动态关联特征与所述阀门两端的压差值和所述流体的流量值的参数协同时序动态关联特征的关联性特征分布信息，也就是，在所述智能流体控制阀的阀门开度值发生变化时，所述阀门两端的压差值和所述流体的流量值的参数协同变化特征的呈现信息。更具体地，在本申请的一个具体示例中，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

具体地，在步骤S170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。在本申请的技术方案中，通过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来作为所述分类特征向量，这里，由于所述阀门开度时序特征向量表达阀门开度值的一维时序关联，而所述输出参数协同矩阵表达流量和压差的跨时域关联的高阶关联特征，特征域的阶次和维度上的差异可能导致作为域间转移特征的所述分类特征向量的整体特征分布较为离散，导致所述分类特征向量在通过分类进行分类时对单一分类结果的依赖性差，影响分类结果的准确性。因此，优选地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，具体表示为：

其中

具体地，在步骤S180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。也就是，将所述优化分类特征向量作为分类特征向量通过分类器中进行分类处理，以得到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的分类结果。具体地，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，/>

综上，根据本申请实施例的智能流体控制阀的检测方法被阐明，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。

示例性系统

所述智能流体控制阀还包括检测系统，图5为根据本申请实施例的智能流体控制阀的检测系统的框图。如图5所示，根据本申请实施例的智能流体控制阀检测系统300，包括：信息获取模块310；排列模块320；关联编码模块330；特征提取模块340；一维卷积模块350；分类特征向量计算模块360；特征分布空间约束模块370；以及，分类结果生成模块380。

其中，所述信息获取模块310，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；所述排列模块320，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；所述关联编码模块330，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；所述特征提取模块340，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；所述一维卷积模块350，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；所述分类特征向量计算模块360，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；所述特征分布空间约束模块370，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；所述分类结果生成模块380，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。

在一个示例中，在上述智能流体控制阀的检测系统300中，所述关联编码模块330，用于：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

在一个示例中，在上述智能流体控制阀的检测系统300中，所述特征提取模块340，用于：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。

在一个示例中，在上述智能流体控制阀的检测系统300中，所述一维卷积模块350，用于：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，

在一个示例中，在上述智能流体控制阀的检测系统300中，所述分类特征向量计算模块360，用于：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

在一个示例中，在上述智能流体控制阀的检测系统300中，所述特征分布空间约束模块370，用于：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

在一个示例中，在上述智能流体控制阀的检测系统300中，所述分类结果生成模块380，用于：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，/>

综上，根据本申请实施例的智能流体控制阀的检测系统300被阐明，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。

如上所述，根据本申请实施例的智能流体控制阀的检测系统可以实现在各种终端设备中。在一个示例中，根据本申请实施例的智能流体控制阀的检测系统300可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该智能流体控制阀的检测系统300可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该智能流体控制阀的检测系统300同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该智能流体控制阀的检测系统300与该终端设备也可以是分立的设备，并且该智能流体控制阀的检测系统300可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

示例性电子设备

下面，参考图6来描述根据本申请实施例的电子设备。

图6图示了根据本申请实施例的电子设备的框图。

如图6所示，电子设备10包括一个或多个处理器11和存储器12。

处理器11可以是中央处理单元（CPU）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。

存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（RAM）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（ROM）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的智能流体控制阀的检测方法中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如优化分类特征向量等各种内容。

在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构（未示出）互连。

该输入装置13可以包括例如键盘、鼠标等等。

该输出装置14可以向外部输出各种信息，包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

当然，为了简化，图6中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。

示例性计算机程序产品和计算机可读存储介质

除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，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本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的智能流体控制阀的检测方法中的功能中的步骤。

所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

此外，本申请的实施例还可以是计算机可读存储介质，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本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的智能流体控制阀的检测方法的功能中的步骤。

所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。