基于深度學(xué)習(xí)的過程控制回路性能評估

賴新熠，蔚偉，錢玉良，宋紅啟

1.上海電力大學(xué)，上海，200090；2.華電電力科學(xué)研究院有限公司，浙江，杭州，310030

0 引言

在流程工業(yè)中存在大量的控制回路，其中60%的控制回路控制性能達(dá)不到要求[1]，因此需要及時調(diào)整性能不佳的回路，其中的首要步驟就是對過程控制回路進(jìn)行控制性能評估。Harris提出了基于最小方差的性能指標(biāo)，為控制評估的研究奠定了基礎(chǔ)[2]。廣義最小方差在原最小方差的基礎(chǔ)上將控制信號引入評估指標(biāo)，拓展了最小方差方法的評估范圍，增強(qiáng)了魯棒性[3]。線性二次高斯基準(zhǔn)同時考慮系統(tǒng)的輸入輸出，通過改變權(quán)重因子得到LQG最優(yōu)控制權(quán)衡曲線，通過曲線可得到輸入輸出方差性能指標(biāo)和控制性能下限[4]。目前大部分評估方法計算復(fù)雜度大，對回路特征的提取有局限性，對回路過程數(shù)據(jù)的處理有主觀性。為解決這些問題，本文提出基于深度學(xué)習(xí)和一維卷積神經(jīng)網(wǎng)絡(luò)的過程控制回路性能評估方法。首先，使用帶遺忘因子的線性回歸算法和振蕩檢測指標(biāo)進(jìn)行綜合評估，對控制回路的過程輸出信號進(jìn)行初步評估；然后利用一維卷積神經(jīng)網(wǎng)絡(luò)完成特征提取和性能評估；最后通過仿真實(shí)驗(yàn)驗(yàn)證方法的有效性。

1 綜合控制回路評估指標(biāo)

1.1 帶遺傳因子的線性回歸算法

帶遺忘因子的線性回歸算法基于原始過程的輸入輸出數(shù)據(jù)，其核心方法是通過時間序列分析法建立過程擾動模型，構(gòu)建多維矩陣計算最小方差指標(biāo)，這種方法有著計算復(fù)雜度大大簡化、評估正確率高、對數(shù)據(jù)變化適應(yīng)性強(qiáng)的優(yōu)點(diǎn)[5]。ILR的具體指標(biāo)為：

ILR指標(biāo)的取值范圍介于0與1之間，越靠近1控制性能越好，越靠近0性能越差。帶遺忘因子的線性回歸指標(biāo)是一種定量分析方法，是對過程回路的整體評估，對局部范圍內(nèi)的特征提取較為不足，且數(shù)據(jù)處理和運(yùn)算過程中易造成回路信息的損失，因此需要對ILR指標(biāo)進(jìn)行補(bǔ)充。

1.2 振蕩指數(shù)

在典型過程環(huán)節(jié)運(yùn)行時，有30%的回路由于振蕩參數(shù)調(diào)節(jié)過緊、控制閥門粘滯、外部振蕩干擾等原因產(chǎn)生回路振蕩；而當(dāng)原始信號發(fā)生振蕩，其自相關(guān)函數(shù)也會發(fā)生振蕩[6]，因此通過自相關(guān)函數(shù)定義振蕩指數(shù)為R=a/b。其中，a表示ACF曲線中首個波峰值到前兩個波谷值連線的直線距離，b表示首個波谷值到首個波峰值和初始值連線的直線距離，示例如圖1所示。R的取值范圍從0到1，當(dāng)振蕩指數(shù)R＞0.5時，輸出數(shù)據(jù)或誤差數(shù)據(jù)存在明顯振蕩。

圖1 振蕩指數(shù)示例圖

由此，結(jié)合帶遺忘因子的線性回歸算法和振蕩指標(biāo)，構(gòu)成對過程控制回路的綜合評估，以ILR指標(biāo)作為主要依據(jù)，將回路劃分為優(yōu)秀、良好、中等、較差、極差五個等級，設(shè)定的臨界值分別是0.8、0.7、0.6、0.5、0.3；同時，以振蕩指數(shù)作為補(bǔ)充，設(shè)定臨界值為0.5，若受評估數(shù)據(jù)的振蕩指標(biāo)大于0.5，則該數(shù)據(jù)的評估等級被修正到低一級別。

2 一維卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)是在深度學(xué)習(xí)深層神經(jīng)網(wǎng)絡(luò)中得到廣泛應(yīng)用的結(jié)構(gòu)，通過卷積層和池化層相互連接，壓縮放大所提取的特征，通過全連接層匯總特征并送入輸出層，最后用分類器將數(shù)據(jù)分類，有著局部連接、權(quán)值共享、池化操作及多層結(jié)構(gòu)等優(yōu)良特性，主要應(yīng)用在圖像分類、人臉識別和ECG分析等方面[7]。

傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)是針對二維數(shù)據(jù)的，如圖片、視頻等，一維卷積神經(jīng)網(wǎng)絡(luò)是對原有結(jié)構(gòu)進(jìn)行改進(jìn)，將二維結(jié)構(gòu)改造成一維，使其適用于一維數(shù)據(jù)，相較于傳統(tǒng)卷積網(wǎng)絡(luò)結(jié)構(gòu)，一維卷積神經(jīng)網(wǎng)絡(luò)有著計算復(fù)雜度更低、網(wǎng)絡(luò)結(jié)構(gòu)更簡易及占用計算資源更少的優(yōu)點(diǎn)[8]。其結(jié)構(gòu)如圖2所示，各層的結(jié)構(gòu)和輸出都是一維。

圖2 一維卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

3 實(shí)驗(yàn)驗(yàn)證

3.1 實(shí)驗(yàn)樣本

仿真搭建火電廠鍋爐汽包水位控制系統(tǒng)，以單沖量控制系統(tǒng)為例，回路在受到外界擾動的情況下，通過跟蹤輸入值控制汽包水位維持在設(shè)定水位。實(shí)驗(yàn)樣本由仿真控制回路的過程輸出數(shù)據(jù)構(gòu)成，分為受到擾動時不變和受到擾動時改變兩組，每條樣本的采集數(shù)據(jù)點(diǎn)10000個，每500個采集點(diǎn)為一組，則一條樣本數(shù)據(jù)被分為20組。通過評估方法評估每組數(shù)據(jù)，收集各等級（優(yōu)秀、良好、中等、較差、極差）數(shù)據(jù)各500條，由此構(gòu)成的兩組數(shù)據(jù)集分別為時不變擾動數(shù)據(jù)集1#和時變擾動數(shù)據(jù)集2#，數(shù)據(jù)集總結(jié)如表1所示。

表1 數(shù)據(jù)集容量表

3.2 實(shí)驗(yàn)步驟

通過仿真搭建火電廠鍋爐汽包水位控制系統(tǒng)來獲得回路過程輸出數(shù)據(jù)，對過程數(shù)據(jù)使用時序分析方法擬合建模，綜合計算帶遺傳因子的線性回歸指標(biāo)和振蕩指數(shù)，再根據(jù)評估等級的劃分規(guī)則得到確切的回路性能評估等級，接著使用一維卷積神經(jīng)網(wǎng)絡(luò)對輸入數(shù)據(jù)進(jìn)行學(xué)習(xí)，提取數(shù)據(jù)中的特征并進(jìn)行性能評估，主要步驟如下。

（1）獲取并處理過程輸出數(shù)據(jù)。鍋爐汽包控制系統(tǒng)單沖量控制仿真模型為單閉環(huán)比值控制回路，回路通過跟蹤設(shè)定水位以及調(diào)節(jié)汽包水位，使其維持固定水位不變。

實(shí)驗(yàn)通過改變控制器參數(shù)來輸出在不同控制性能下的過程輸出數(shù)yi=x(n)(n=1,2,3，…10000)，x(n)表示第n個采樣點(diǎn)的輸出值，i為數(shù)據(jù)標(biāo)號。設(shè)定采樣周期為1秒，每一條樣本數(shù)據(jù)共采樣10000個采樣點(diǎn)，又以500采樣點(diǎn)為周期將一條樣本數(shù)據(jù)劃分為n小段數(shù)據(jù)片段yik=x(n)(n=1,2,3…20),yik表示第i條數(shù)據(jù)樣本的第k段數(shù)據(jù)。獲取數(shù)據(jù)后對每條樣本數(shù)據(jù)進(jìn)行時序隨機(jī)性分析處理，建立關(guān)于過程擾動的時間序列ARIMA模型[9]。

（2）使用綜合評估算法評估等級，劃分?jǐn)?shù)據(jù)集。以每組數(shù)據(jù)片段為單位，經(jīng)過計算得到回路性能ILR指標(biāo)ηILR；同時通過時序模型做出自相關(guān)函數(shù)曲線，按照振蕩指數(shù)公式及相關(guān)定義得到振蕩指數(shù)R，獲得這兩個指標(biāo)之后，再根據(jù)綜合評估回路控制性能規(guī)則得到回路控制性能等級Lik。

之后將數(shù)據(jù)樣本片段yik與回路控制性能等級Lik一一對應(yīng)并劃分?jǐn)?shù)據(jù)集，按擾動結(jié)果不同劃分成兩個不同的數(shù)據(jù)集，分別為時不變數(shù)據(jù)集YUC={yik，Lik}和時變數(shù)據(jù)集YC={yik，Lik}。

（3）使用一維卷積神經(jīng)網(wǎng)絡(luò)評估控制回路。以時變數(shù)據(jù)集為例，首先對數(shù)據(jù)集數(shù)據(jù)yik進(jìn)行預(yù)處理，將數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，縮放到[-1,1]范圍內(nèi)，再將數(shù)據(jù)集YC按7:3的比例亂序分成訓(xùn)練集YC_train和測試集YC_test。

參考一維卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖搭建深層網(wǎng)絡(luò)，包含多個卷積池化層，同時按照高斯分布初始化權(quán)重和偏置。隨后，將訓(xùn)練集數(shù)據(jù)YC_train輸入網(wǎng)絡(luò)，通過卷積過程提取特征和池化過程降采樣。經(jīng)過多層網(wǎng)絡(luò)的不斷卷積池化過程后，全連接層將特征數(shù)據(jù)中首尾相連的數(shù)據(jù)送入輸出層，輸出層通過分類器對數(shù)據(jù)分類得到整個網(wǎng)絡(luò)的輸出；接著，通過損失函數(shù)反向傳播優(yōu)化網(wǎng)絡(luò)的參數(shù)設(shè)置，參數(shù)優(yōu)化后就得到了訓(xùn)練完成的一維卷積神經(jīng)網(wǎng)絡(luò)。最后，使用測試集YC_test測試模型對控制回路評估的準(zhǔn)確性，并對模型評估性能進(jìn)行評價。

（4）實(shí)驗(yàn)分析。設(shè)置對照實(shí)驗(yàn)組，分析實(shí)驗(yàn)結(jié)果并得出結(jié)論。

3.3 實(shí)驗(yàn)結(jié)果分析

權(quán)衡評估的準(zhǔn)確性以及模型訓(xùn)練的時間，經(jīng)過大量實(shí)驗(yàn)優(yōu)化后得出以下結(jié)果。最終模型中卷積層共4層，每層都由2層的卷積層構(gòu)成來充分提取特征，對應(yīng)池化層為4層；全連接層由一層全局平均池化層和一層參數(shù)較少的全連接層構(gòu)成，該結(jié)構(gòu)能夠減小模型參數(shù)，也能防止過擬合現(xiàn)象；輸出層使用softmax多分類輸出5個等級；此外在全連接層和輸出層之間再加入一層dropout層來防止過擬合。

將時不變數(shù)據(jù)集1#和時變數(shù)據(jù)集2#輸入模型，經(jīng)訓(xùn)練后得到的結(jié)果如表2所示，其中acc與loss指標(biāo)分別表示模型訓(xùn)練的準(zhǔn)確率和損失函數(shù)值，兩項(xiàng)指標(biāo)分別越接近1和0，表示模型的訓(xùn)練效果越好；AUC指數(shù)為分類正確率大于分類錯誤率的量化指標(biāo)，使用AUC指數(shù)來衡量模型的評估效果，數(shù)值越大說明模型效果越好，準(zhǔn)確率越高[10]。由結(jié)果可知，一維卷積神經(jīng)網(wǎng)絡(luò)模型對于時不變數(shù)據(jù)的評估效果略微高于時變數(shù)據(jù)，但是模型對于時變數(shù)據(jù)的訓(xùn)練時間較短，達(dá)到最優(yōu)模型的迭代次數(shù)也較少；同時，一維卷積神經(jīng)網(wǎng)絡(luò)模型對于兩種數(shù)據(jù)集都得到了較高AUC值，說明該模型有著良好的評估效果，是一種控制回路評估的可行且有效的方法。

表2 模型訓(xùn)練結(jié)果

4 結(jié)語

針對控制回路性能不佳的問題，本文提出使用深度學(xué)習(xí)方法進(jìn)行控制回路評估。首先使用綜合評估指標(biāo)對數(shù)據(jù)進(jìn)行初步評估，接著構(gòu)造一維卷積神經(jīng)網(wǎng)絡(luò)模型提取數(shù)據(jù)特征，直接得出控制回路的性能評估等級。仿真實(shí)驗(yàn)表明：綜合評估算法能正確評估出回路的真實(shí)控制性能，一維卷積神經(jīng)網(wǎng)絡(luò)模型在達(dá)到較高準(zhǔn)確率的情況下，平均用時較其他模型更短，且能夠?qū)崿F(xiàn)對控制回路進(jìn)行實(shí)時性能評估。