智能阀门定位器的控制方法及其物联网系统

技术领域

本发明涉及智能电动阀参数采集与智能化阀门定位器控制的自动化装备技术领域，具体涉及一种智能阀门定位器的控制方法及其物联网系统。

背景技术

阀门是石油勘探、运输、电力、化工、制药、污水处理等行业中不可或缺的重要设备和零件，而阀门定位器是阀门中的一个关键部件。采用自动定位器可以改善阀门的开度线性，减少阀杆的摩擦力，确保阀门的输出信号能精确地按预定的信号输出。当前，在众多石油化工、电力等大型企业以及一些中小型企业对智能阀门定位器有着巨大的需求，而我国的智能阀门控制技术还不够成熟，许多相关的设备都要依赖进口。随着智能化和信息化技术的不断发展，智能阀门的定位技术在今后的发展中有着广阔的应用前景和市场空间。智能化的阀门控制技术已经成为现代工业发展中的关键技术，而智能化的阀门定位系统将会是今后的研究热点。智能阀门定位器的控制方法及其物联网系统以智能电动阀参数的采集与智能化阀门监控为基础支撑，以物联网为纽带，采用远程监控和智能控制算法实现对阀门定位器的智能化监控，实现智能电动阀系统“分层管理、集中控制、信息闭环”的集成运行。

发明内容

本发明目的是阀门作为国民经济多行业中不可或缺的重要设备和零件，而阀门定位器是阀门中的一个关键部件，提供一种智能化的阀门控制技术。

为解决上述问题，本发明采用如下的技术方案：

一、智能阀门定位器的控制方法：

1、构建阀门定位器的智能调节子系统，阀门定位器的智能调节子系统包括三角模糊数的BiGRU神经网络模型-PSO的NARX神经网络模型、PSO的递归模糊小波神经网络控制器、PI控制器-BiGRU神经网络模型、PSO的NARX神经网络模型、BiGRU神经网络模型、参数检测模块和积分回路；阀位传感器输出作为参数检测模块输入，参数检测模块输出分别作为积分回路、BiGRU神经网络模型1、PSO的递归模糊小波神经网络控制器和PSO的NARX神经网络模型的对应输入，积分回路输出作为BiGRU神经网络模型1的对应输入，BiGRU神经网络模型1输出分别作为三角模糊数的BiGRU神经网络模型-PSO的NARX神经网络模型和PSO的NARX神经网络模型的对应输入，阀位给定值作为三角模糊数的BiGRU神经网络模型-PSO的NARX神经网络模型的对应输入，三角模糊数的BiGRU神经网络模型-PSO的NARX神经网络模型输出与PSO的NARX神经网络模型输出的时间序列误差和时间序列误差变化率分别作为PSO的递归模糊小波神经网络控制器的对应输入，PSO的NARX神经网络模型的前一时刻输出与PSO的NARX神经网络模型的当期时刻输出的误差和误差变化率作为PI控制器-BiGRU神经网络模型的对应输入，PI控制器-BiGRU神经网络模型输出作为BiGRU神经网络模型2的对应输入，PSO的递归模糊小波神经网络控制器输出分别作为BiGRU神经网络模型2和三角模糊数的BiGRU神经网络模型-PSO的NARX神经网络模型的对应输入，BiGRU神经网络模型2输出作为阀门调节机构输入和PSO的递归模糊小波神经网络控制器的对应输入，阀门调节机构输出实现对阀门进行进行调节；阀门定位器的智能调节子系统结构和功能见图2所示。

2、构建参数检测模块，参数检测模块包括AANN自联想神经网络模型-新陈代谢灰色GM(1，1)模型、AANN自联想神经网络模型-CNN卷积神经网络模型、AANN自联想神经网络模型-BiGRU神经网络模型、TDL按拍延迟器和三角模糊数的BiGRU神经网络模型-PSO的递归模糊小波神经网络模型；参数传感器输出时间序列值分别作为AANN自联想神经网络模型-新陈代谢灰色GM(1，1)模型、AANN自联想神经网络模型-CNN卷积神经网络模型、AANN自联想神经网络模型-BiGRU神经网络模型的对应输入，AANN自联想神经网络模型-新陈代谢灰色GM(1，1)模型输出作为AANN自联想神经网络模型-CNN卷积神经网络模型的对应输入，AANN自联想神经网络模型-CNN卷积神经网络模型输出作为AANN自联想神经网络模型-BiGRU神经网络模型的对应输入，AANN自联想神经网络模型-新陈代谢灰色GM(1，1)模型输出、AANN自联想神经网络模型-CNN卷积神经网络模型输出、AANN自联想神经网络模型-BiGRU神经网络模型输出和TDL按拍延迟器输出分别作为分别作为三角模糊数的BiGRU神经网络模型-PSO的递归模糊小波神经网络模型的对应输入，三角模糊数的BiGRU神经网络模型-PSO的递归模糊小波神经网络模型输出作为TDL按拍延迟器的输入，三角模糊数的BiGRU神经网络模型-PSO的递归模糊小波神经网络模型输出的3个参数分别为i、j、k构成参数传感器输出的三角模糊数值为[i，j，k]；三角模糊数的BiGRU神经网络模型-PSO的递归模糊小波神经网络模型输出作为参数检测模块输出；参数检测模块结构和功能见图1所示。

3、积分回路由2个积分算子S相串联构成，1个积分算子的输入端作为积分回路输入，积分回路的2个积分算子连接端和1个积分算子输出端作为积分回路输出；积分回路结构和功能见图2所示。

4、检测阀门位置的阀位传感器输出和阀位给定值分别作为阀门定位器的智能调节子系统的对应输入，阀门定位器的智能调节子系统输出作为阀门调节机构输入，阀门调节机构输出实现对阀门进行进行调节。

二、智能阀门定位器的控制物联网系统：

智能阀门定位器采集电动阀参数经网关节点上传到云平台，并利用云平台提供的数据给客户端APP，客户端APP通过云平台提供的电动阀参数信息可实时监控电动阀参数变化，智能阀门定位器有阀门定位器的智能调节子系统实现对阀门的智能化监控，通过网关节点实现智能阀门定位器、云平台和客户端APP的双向通信，实现电动阀参数采集和阀门调节机构控制。智能阀门定位器的调节物联网系统结构见图3所示。

相比于现有技术，本发明具有以下明显优点：

一、本发明新陈代谢灰色GM(1，1)模型可以根据BiGRU神经网络模型输出信号值预测未来时刻参数值，用上述方法预测出的信号值后，把信号预测值再加分别加入的BiGRU神经网络模型输出信号值原始数列中，相应地去掉数列开头的一个数据建模，再进行BiGRU神经网络模型输出值的预测。依此类推，预测出BiGRU神经网络模型输出值。这种方法称为新陈代谢模型，它可实现较长时间的预测。用户可以更加准确地掌握BiGRU神经网络模型输出输出信号的变化趋势。

二、本发明CNN卷积神经网络模型的卷积层主要优势在于提取参数传感器输出参数信息空间特征中的权值共享和稀疏连接，权值共享是指CNN卷积神经网络模型的卷积核在做卷积运算时自身的权值保持不变，每个卷积核对整个区域的参数传感器输出参数信息来说其权值是一样的；稀疏连接是指CNN卷积神经网络模型的每个卷积核只使用上一层数据中特定的局部区域数据进行运算，并未使用全局参数传感器输出参数信息；CNN卷积神经网络模型的卷积核这种权值共享和稀疏连接的特性，大幅减少了参数传感器输出参数信息的空间特征参数数量，从而预防CNN卷积神经网络模型的过拟合并加快CNN卷积神经网络模型训练速度和提高参数传感器输出参数信息预测精确度。

三、本发明采用BiGRU神经网络模型可以被为两个具有相反方向的GRU神经网络模型构成，输入参数信息输入BiGRU神经网络模型总是会对应2个方向相反的GRU神经网络模型，同时输出也受到2个方向相反的GRU神经网络模型的影响。双向BiGRU神经网络模型的隐层状态主要取决于现在输入参数参数信号输入、前一时刻检测信号对应的隐层状态的输出及输入参数参数信号不同方向的隐层状态的输出，提高了输入参数参数信息预测的准确性、可靠性和鲁棒性。

四、本发明针对参数传感器输出过程中传感器精度误差、干扰和测量温度值异常等问题存在的不确定性和随机性，将参数传感器测量值用三角模糊数形式表示，有效地处理了参数传感器测量参数的模糊性和不确定性，提高了测量参数传感器值的客观性和可信度。

五、本发明采用粒子群优化递归模糊小波神经网络模型、NARX神经网络模型和小波神经网络模型避免了梯度下降法中要求激活函数可微以及对函数求导的过程计算，并且各个粒子搜索时迭代公式简单，因而计算速度又比梯度下降法快得多。而且通过对迭代公式中参数的调整，还能很好地跳出局部极值，进行全局寻优，简单有效地提高了神经网络模型的训练速度。基于粒子群优化算法的神经网络模型的识别正确率更高，误差更小，收敛速度更快，泛化能力更强。通过粒子群算法对神经网络模型进行参数优化可以提高预测模型的预测稳定性。基于粒子群优化算法的神经神经网络模型具有算法简单、结构稳定、收敛速度快、全局寻优能力强、识别精度高、泛化能力强的优点。

附图说明

图1为本发明的参数检测模块；

图2为本发明的阀门定位器的智能调节子系统；

图3为本发明的智能阀门定位器的调节物联网系统；

图4为本发明智能阀门定位器；

图5为本发明网关节点功能图。

具体实施方式

为了更好解释本发明，以便于理解，下面结合附图1-5对本发明的技术方案作详细描述。以下实施例是对本发明的解释，而本发明并不局限于以下实施例。

一、参数检测模块设计

参数检测模块包括AANN自联想神经网络模型-新陈代谢灰色GM(1，1)模型、AANN自联想神经网络模型-CNN卷积神经网络模型、AANN自联想神经网络模型-BiGRU神经网络模型、TDL按拍延迟器和三角模糊数的BiGRU神经网络模型-PSO的递归模糊小波神经网络模型。参数检测模块结构见图1所示。

1、AANN自联想神经网络模型-新陈代谢灰色GM(1，1)模型设计

AANN自联想神经网络模型-新陈代谢灰色GM(1，1)模型为AANN自联想神经网络模型与新陈代谢灰色GM(1，1)模型串联，AANN自联想神经网络模型输出作为新陈代谢灰色GM(1，1)模型输入；自联想神经网络模型是一种特殊结构的前馈神经网络，自联想神经网络结构包括输入层、隐含层和一个输出层，首先通过参数传感器输出的输入层、映射层以及瓶颈层实现了输入数据信息的压缩，从参数传感器输出输入的高维参数空间中提取了反映参数传感器输出系统结构的最具代表性的低维子空间，同时有效地滤去了参数传感器输出输入数据中的噪声和测量误差，再通过瓶颈层、解映射层和输出层实现参数传感器输出数据的解压缩，将前面压缩的信息还原到各个参数值，从而实现各参数传感器输出数据的重构。为了达到参数传感器输出信息压缩的目的，AANN自联想神经网络瓶颈层节点数目明显小于输入层，又为了防止形成参数传感器输出的输入输出层之间的简单单一映射，除了输出层激励函数采用线形函数外，其它各层均采用非线形的激励函数。从本质来讲，AANN自联想神经网络模型的隐含层第一层叫作映射层，映射层的节点传递函数可能是S型函数也可能是其他类似的非线性函数；隐含层第二层叫做瓶颈层，瓶颈层的维数是网络中最小的，它的传递函数可能是线性的或者是非线性，瓶颈层避免了那种很容易实现的一对一的输出和输入相等的映射关系，它使网络对参数传感器输出信号进行编码和压缩得到输入传感器数据的相关模型，并在瓶颈层后进行参数传感器输出解码和解压缩以产生参数传感器输出信号的估计值；隐含层第三层或最后一层叫做解映射层，解映射层的节点传递函数是通常是非线性的S型函数，AANN自联想神经网用误差反向传播算法来训练。

新陈代谢灰色GM(1，1)模型的建模过程是将无规律的等要预测变量的AANN自联想神经网络模型输出信号的原始数据进行累加，得到规律性比较强的生成序列后进行建模，由生成模型得到的数据再进行累减得到原始数据的预测值，然后进行预测，假设要预测AANN自联想神经网络模型输出信号的原始数列为：

x

一阶累加后生成新的序列为：x

其中：

则x

公式中a成为发展灰数，它反映x

通过下公式的累减还原，得到原始序列x

通过构建新陈代谢灰色GM(1，1)模型可以实现对本专利AANN自联想神经网络模型输出信号预测。

2、AANN自联想神经网络模型-CNN卷积神经网络模型设计

AANN自联想神经网络模型-CNN卷积神经网络模型为AANN自联想神经网络模型与CNN卷积神经网络模型串联，AANN自联想神经网络模型输出作为CNN卷积神经网络模型输入；CNN卷积神经网络模型通常由输入层、卷积层、池化层、全连接层以及输出层组成，卷积层主要对输入数据进行特征提取，由输入层而来的数据信息与卷积层的卷积核进行卷积运算，其数学表达式为：

其中：

式中:

3、AANN自联想神经网络模型-BiGRU神经网络模型设计

AANN自联想神经网络模型-BiGRU神经网络模型为AANN自联想神经网络模型与BiGRU神经网络模型串联，AANN自联想神经网络模型输出作为BiGRU神经网络模型输入；GRU神经网络模型能够学习输入GRU神经网络模型的长短期序列数据之间的依赖信息，GRU神经网络模型由更新门和重置门构成，不同的是GRU神经网络模型用单一的更新门替代GRU神经网络模型的输入门和遗忘门，更新门代表前一时刻神经元隐藏层输出信息对当前时刻隐藏层的影响程度，更新门值越大代表影响越大；重置门代表前一时刻神经元隐层输出的被忽略程度，重置门值越大代表信息忽略得越少。在单向GRU神经网络模型中状态总是按照序列从前到后输出，GRU神经网络模型预测中某一时刻的参数传感器输出数据信息与上一时刻以及未来的某一时刻都有关联，将过去参数传感器输出数据影响因素、未来数据影响因素与当前参数传感器输出数据预测联系起来，更有利于参数传感器输出数据的深层次特征的提取。双向门控循环单元BiGRU神经网络模型的2个参数传感器输出数据信息传递方向相反的GRU神经网络模型的循环层构成，其中第1层按时间顺序传递信息，第2层按时间逆序传递信息，BiGRU神经网络模型通过参数传感器输出数据的顺时间循环层得到正向隐藏状态，通过参数传感器输出数据的逆时间循环层得到反向隐藏状态，再将正向隐藏状态和反向隐藏状态拼接，得到BiGRU最终参数传感器输出数据的输出隐藏状态。BiGRU神经网络模型当前时刻的参数传感器输出数据的隐藏层状态h

r

z

其中：r

4、三角模糊数的BiGRU神经网络模型-PSO的递归模糊小波神经网络模型设计

三角模糊数的BiGRU神经网络模型-PSO的递归模糊小波神经网络模型为BiGRU神经网络模型与PSO的递归模糊小波神经网络模型串联，BiGRU神经网络模型输出作为PSO的递归模糊小波神经网络模型输入，三角模糊数的BiGRU神经网络模型-PSO的递归模糊小波神经网络模型输出的的3个参数分别为i、j、k构成参数传感器输出的三角模糊数值为[i，j，k]。模糊小波网络具备很好的智能性、鲁棒性、稳定性和指标跟踪快速性，模糊小波神经网络包含两部分:模糊神经网络和小波神经网络，模糊神经网络包含4个基本层:第一层是输入层，每个输入向量对应一个神经元，第二层的每个神经元代表一个语言变量值；第三层的每个神经元代表一条模糊规则；第四层是归一化层。模糊神经网络的输入作为小波神经网络的输入，每一条模糊规则对应一个小波网络。小波基函数是由小波函数经过平移得到的小波基组，因此，不同尺度函数产生的小波神经网络能够捕捉不同时域和频域的特征，不同的模糊推理选择相应的小波网络。小波具有多分辨分析的特点，若用小波函数作为神经网络神经元的激励函数，则由于每个神经元的伸缩和平移都可以调节，选用低尺度参数可以学习光滑函数，提高尺度能以较高精度学习局部奇异函数。模糊小波网络由输入、模糊化、推理、小波网络层和解模糊层5个基本层实现，各层神经网络节点数目分别是n，n×M，M，M和1。一旦决定了输入n和规则M的数目，模糊小波神经网络的输入为X＝[x

第一层为输入层：该层的各个节点直接与输入向量的各分量x

PSO的递归模糊小波神经网络控制器过程如下：A、对PSO进行初始化设置，包括设置群体规模、迭代次数、随机给出初始粒子和初始粒子速度。B、粒子向量对应的参数决定一个递归模糊小波神经网络模型，用该模型对递归模糊小波神经网络模型和通过适应度函数f(x)计算每个个体的适应度值。C、计算的适应函数值与自身的最优值fPBest进行比较，如果

二、阀门定位器的智能调节子系统设计

阀门定位器的智能调节子系统包括三角模糊数的BiGRU神经网络模型-PSO的NARX神经网络模型、PSO的递归模糊小波神经网络控制器、PI控制器-BiGRU神经网络模型、PSO的NARX神经网络模型、BiGRU神经网络模型、参数检测模块和积分回路；PSO的递归模糊小波神经网络控制器的设计过程参照本专利的相关设计过程，阀门定位器的智能调节子系统结构见图2所示。

1、三角模糊数的BiGRU神经网络模型-PSO的NARX神经网络模型设计

三角模糊数的BiGRU神经网络模型-PSO的NARX神经网络模型为BiGRU神经网络模型与PSO的NARX神经网络模型串联，BiGRU神经网络模型输出作为PSO的NARX神经网络模型输入，BiGRU神经网络模型-PSO的NARX神经网络模型为BiGRU神经网络模型输出的3个参数x，y，z构成三角模糊数为[x,y,z]；NARX神经网络模型是一个有着外部输入的非线性自回归网络，它有一个多步时延的动态特性，并通过反馈连接封闭网络的若干层，NARX神经网络模型是非线性动态系统中应用最广泛的一种动态神经网络，其性能普遍优于全回归神经网络。NARX神经网络模型主要由输入层、隐层、输出层及输入和输出延时构成，在应用前一般要事先确定输入和输出的延时阶数、隐层神经元个数，NARX神经网络的当时输出不仅取决于过去的输出y(t-n)，还取决于当时的输入向量X(t)以及输入向量的延迟阶数等，其中输入信号通过时延层传递给隐层，隐层对输入的信号进行处理后传递到输出层，输出层将隐层输出信号做线性加权获得最终的神经网络输出信号，时延层将网络反馈的信号和输入层输出的信号进行延时，然后输送到隐层。NARX神经网络模型具有非线性映射能力、良好的鲁棒性和自适应性等特点，x(t)表示神经网络的外部输入，m表示外部输入的延迟阶数；y(t)是神经网络的输出，n是输出延迟阶数；s为隐含层神经元的个数；由此可以得到第j个隐含单元的输出为：

上式中，w

y(t+1)＝f[y(t),y(t-1),…,y(t-n),x(t),x(t-1),…,x(t-m+1)；W](15)

粒子群算法(PSO)优化NARX神经网络模型过程：A、对PSO进行初始化设置，包括设置群体规模、迭代次数、随机给出初始粒子和初始粒子速度。B、粒子向量对应的参数决定一个NARX神经网络模型，用该模型对自回归积分滑动平均模型、NARX神经网络模型和通过适应度函数f(x)计算每个个体的适应度值。C、计算的适应函数值与自身的最优值fPBest进行比较，如果

2、PI控制器-BiGRU神经网络模型设计

PI控制器-BiGRU神经网络模型为BiGRU神经网络模型与PI控制器串联，PI控制器输出作为BiGRU神经网络模型输入，BiGRU神经网络模型设计过程参照本专利相关模型的设计方法。

三、智能阀门定位器的调节物联网系统设计

智能阀门定位器采集电动阀参数经网关节点上传到云平台，并利用云平台提供的数据给客户端APP，客户端APP通过云平台提供的电动阀参数信息可实时监控电动阀参数变化，智能阀门定位器有阀门定位器的智能调节子系统实现对阀门的智能化监控，通过网关节点实现智能阀门定位器、云平台和客户端APP的双向通信，实现电动阀参数采集和阀门调节机构控制。智能阀门定位器的调节物联网系统结构见图3所示。

1、智能阀门定位器的设计

采用大量基于CC2530的自组织通信网络的智能阀门定位器作为参数感知终端，智能阀门定位器通过自组织通信网络实现与网关节点之间的信息相互交互。智能阀门定位器包括采集温度、压力、电流、阀位传感器和对应的信号调理电路、1个外部设备为阀位调节机构实现对阀门的自动化调节、STM32微处理器和CC2530模块；智能阀门定位器的软件主要实现自组织网络通信和采集参数处理。软件采用C语言程序设计，兼容程度高，大大提高了软件设计开发的工作效率，增强了程序代码的可靠性、可读性和可移植性，智能阀门定位器结构见图4。

2、网关节点设计

网关节点包括CC2530模块、NB-IoT模块、STM32微处理器，网关节点包括CC2530模块实现与智能阀门定位器和控制节点之间通信的自组织通信网络，NB-IoT模块实现网关与云平台之间的数据双向交互，网关节点见图5。

上述实施方式只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰，都应涵盖在本发明的保护范围之内。