基于鳥群算法的氣動調(diào)節(jié)閥粘滯檢測系統(tǒng)

靜前

（江南大學(xué) 江蘇 無錫 214122）

基于鳥群算法的氣動調(diào)節(jié)閥粘滯檢測系統(tǒng)

靜前

（江南大學(xué) 江蘇 無錫 214122）

文中提出了一種氣動調(diào)節(jié)閥粘滯特性監(jiān)測系統(tǒng)以及方法，結(jié)合鳥群算法優(yōu)化了系統(tǒng)計算時效。系統(tǒng)主要包括從待診斷工業(yè)調(diào)節(jié)閥對應(yīng)的控制回路中，采集一組過程數(shù)據(jù)，計算過程數(shù)據(jù)的頻率譜，利用鳥群算法確定該過程數(shù)據(jù)的振蕩周期，進一步結(jié)合分析過程數(shù)據(jù)的頻率譜的分布特性，計算過程數(shù)據(jù)的氣動閥粘滯性指數(shù)，若氣動閥粘滯性指數(shù)在決策限區(qū)間之內(nèi)，則待診斷氣動調(diào)節(jié)閥的工作特性無粘滯性，否則待診斷氣動調(diào)節(jié)閥具有粘滯性。采用仿真數(shù)據(jù)，驗證計算了提出系統(tǒng)及方法的可行性，得到80%以上的分類正確率，實現(xiàn)了對氣動調(diào)節(jié)閥粘滯特性的定量評估。

鳥群算法；氣動調(diào)節(jié)閥；工業(yè)控制系統(tǒng)；粘滯性

現(xiàn)代過程控制系統(tǒng)中，流程控制設(shè)備具有結(jié)構(gòu)復(fù)雜、變量繁多及規(guī)模龐大等特點，控制系統(tǒng)性能監(jiān)控是提高控制系統(tǒng)性能的一項重要手段[1-4]。接近1/3的閉環(huán)控制回路處于振蕩狀態(tài)中，這些回路互相影響，非線性強，振蕩的存在直接導(dǎo)致了產(chǎn)品生產(chǎn)效率低下，元件電路老化加速，大幅地影響了工業(yè)流程設(shè)備運行的經(jīng)濟效益和穩(wěn)定性[5]。

改善控制系統(tǒng)性能的關(guān)鍵是診斷出控制系統(tǒng)性能下降的原因，對工業(yè)流程設(shè)備進行初步準確的振蕩檢測與故障診斷可減少停產(chǎn)時間，增加工業(yè)流程設(shè)備運行的安全性，同時降低制造成本。實際生產(chǎn)中，控制閥在控制回路中處于最終執(zhí)行控制任務(wù)的地位，又被稱為“末級控制元件”，是回路中唯一可移動的部分，所以約30%的控制回路振蕩問題是由調(diào)節(jié)閥的非線性響應(yīng)因素造成的[6-7]。氣動調(diào)節(jié)閥因結(jié)構(gòu)簡單、動作性能穩(wěn)定，維修方便等特點成為應(yīng)用最為廣泛的控制閥，其振蕩非線性主要由粘滯，死區(qū)，磁滯及飽和效應(yīng)引起，而粘滯引起的非線性是氣動調(diào)節(jié)閥運用過程中最為普遍的問題[1]。這是因?qū)嶋H工業(yè)應(yīng)用中，氣動調(diào)節(jié)閥的流量特性需要與工業(yè)生產(chǎn)系統(tǒng)特性相一致，但生產(chǎn)過程中復(fù)雜的工藝環(huán)節(jié)使得氣動調(diào)節(jié)閥的流量特性并不能將生產(chǎn)過程補償至線性，總是存在過補償或欠補償?shù)软憫?yīng)粘滯現(xiàn)象。傳統(tǒng)的性能監(jiān)控和振蕩故障檢測并不能有效判斷控制回路中出現(xiàn)的振蕩是否是由氣動調(diào)節(jié)閥的粘滯特性引起的，不能為恢復(fù)和提高工業(yè)流程設(shè)備性能提供充足的診斷信息。

現(xiàn)有技術(shù)中，對于氣動調(diào)節(jié)閥粘滯檢測及故障源診斷，主要針對監(jiān)測數(shù)據(jù)過程存在明顯振蕩的采集信號。主流的方法主要包括兩大類：一類是基于非線性Hammerstein模型進行調(diào)節(jié)閥粘滯性參數(shù)辨識[2，4]；另一類是對該過程PID控制器參數(shù)進行辨識[3]。這些檢測方法在實際應(yīng)用中存在明顯局限性，表現(xiàn)在采用辨識技術(shù)的診斷算法，需要過程輸出和控制器輸出兩組數(shù)據(jù)，數(shù)據(jù)采集過程耗時且易受到更多外界噪聲干擾，同時導(dǎo)致了計算復(fù)雜度大幅上升，再者計算準確度取決于較多參數(shù)的選取，和動態(tài)優(yōu)化，參數(shù)初值選擇依賴經(jīng)驗，優(yōu)化易陷入局部最優(yōu)解，對于動態(tài)特性復(fù)雜多樣的系統(tǒng)而言，實際應(yīng)用并不容易。針對這些缺點文獻[8-9]提出了一種工業(yè)調(diào)節(jié)閥非線性工作特性診斷方法，其將識別粘滯性引起的非線性轉(zhuǎn)化為識別控制回路數(shù)據(jù)的振蕩周期，并建立了一套完整的診斷評估系統(tǒng)，然而其對于振蕩周期的識別卻依舊采用了傳統(tǒng)的遍歷識別算法，這使得其應(yīng)用在實時性和高效性上可能無法達到工業(yè)生產(chǎn)需求。因此，文中擬采用新興的智能優(yōu)化算法，鳥群算法[5-6]（Bird Swarm Algorithm，BSA）來完成氣動調(diào)節(jié)閥控制數(shù)據(jù)振蕩周期的識別，從而進一步提高過程粘滯檢測算法的實際應(yīng)用，診斷工業(yè)調(diào)節(jié)閥是否具有非線性工作特性，并定量評估過程的非線性指數(shù)，對于提高調(diào)節(jié)閥粘滯性特征參數(shù)計算的準確性及確定診斷過程振蕩的故障源有重要的實用意義。

1 鳥群算法原理與實現(xiàn)

鳥群算法[5-6]是現(xiàn)代智能優(yōu)化算法的代表之一，其思想來源于模仿自然界中鳥群覓食或遷徙的過程，主要應(yīng)用于最優(yōu)化問題的求解，尤其是對于非平穩(wěn)，非線性過程的尋優(yōu)問題更能發(fā)揮其優(yōu)勢。氣動控制閥的粘滯性監(jiān)測，就是一個典型的非線性系統(tǒng)識別和檢測問題，待識別的氣動調(diào)節(jié)閥控制數(shù)據(jù)振蕩周期正是采集的過程數(shù)據(jù)經(jīng)過功率譜變換的頻率最大峰值對應(yīng)的時間周期。

具體而言，在使用鳥群算法時，每一只鳥均代表了一個潛在的最優(yōu)解，一個鳥群就是一個解群，鳥群的遷移相當(dāng)于解群的進化或改變，依照自然進化的理念，鳥群的每次移動均是收到群體內(nèi)向著正確方向移動的鳥兒進行的，這種過程被定義為“好消息”驅(qū)動，其實際調(diào)節(jié)解群每次均向正確的最優(yōu)解逼近收斂，鳥群最終的目的是找到食物或理想的棲息地，這相當(dāng)于算法尋找的全局最優(yōu)解。文中研究的重點就是通過解群來快速高效實現(xiàn)得到氣動調(diào)節(jié)閥控制數(shù)據(jù)振蕩周期。

假定最優(yōu)解是存在于一個N維目標空間，初始化m鳥兒組成一個群落，每只鳥兒均在N維空間中具有一個自身的對應(yīng)位置 Xi=（xi1，xi2， …，xiN）T，i= 1，2，…，m，鳥兒的飛行速度可由Vi=（vi1，vi2，…，viN）T，i=1，2，…，m，適應(yīng)值 fitnessi=f（Xi）表征鳥兒處于所在位置時能否滿足于當(dāng)前的環(huán)境，則Pbesti和分別代表了第 i只鳥兒曾經(jīng)達到的最大適應(yīng)值或最優(yōu)環(huán)境以及其對應(yīng)的位置。Gbest為在群體所有鳥兒經(jīng)歷過的最佳位置，其索引號一般記為g。 則對于每一次遷徙，其飛行根據(jù)如下方程改變

上式中，vid為第X只鳥兒飛行速度矢量的第X維分量；xid為鳥兒X位置矢量的第 X維分量；r1，r2是[0，1]之間的隨機數(shù)；c1，c2為加速度系數(shù)；w為慣性權(quán)重。式（1）中首項為鳥兒先前的速度；可直觀看出，每一次的鳥兒遷移均受到其自身的最適應(yīng)位置和全局的最適應(yīng)位置調(diào)節(jié)，迭代更替的方向就是使得鳥兒快速向食物，即最適應(yīng)位置靠近。

鳥群算法的實現(xiàn)步驟為：1）初始化鳥群，并假定其規(guī)模為l，在允許的范圍內(nèi)隨機設(shè)置鳥群的初始位置和速度；2）評價每只鳥兒的適應(yīng)值；3）對所有鳥兒的位置進行更新；4）根據(jù)式（1），（2）調(diào)整每一只鳥兒的位置和速度；5）檢查終止條件，若達到最大迭代次數(shù)或最好結(jié)停滯不再變化，終止迭代。

2 系統(tǒng)設(shè)計部分

文中提供了一種氣動調(diào)節(jié)閥粘滯特性檢測的系統(tǒng)，從而實現(xiàn)識別調(diào)節(jié)閥非線性工作特性，提高工業(yè)控制的高效性和準確性。結(jié)合鳥群優(yōu)化算法，能通過檢測任意一組常規(guī)過程數(shù)據(jù)，實現(xiàn)對氣動閥過程粘滯性特征的定量評估，并可提高振蕩過程中故障源的定位精度，在提高經(jīng)濟效益方面具有重要的實用價值。具體包括如下步驟：

1）采集一組氣動調(diào)節(jié)閥控制回路的電壓或電流數(shù)據(jù)，也可以是代表實際物理含義的流量，壓強，或熱量數(shù)據(jù)，記為x（t），對該組數(shù)據(jù)進行功率譜估計，得到其對應(yīng)的功率譜X（f）。

2）采用鳥群算法，從功率譜X（f）中識別出其頻率主峰對應(yīng)的頻率數(shù)值fmax，進而計算得到其振蕩周期T0=1/fmax。

3）計算功率譜X（f）的全頻帶的能量平均值或中位值，找到其對應(yīng)的頻率數(shù)值記為FML1；

4）計算功率譜X（f）的全頻帶能量的上四分位數(shù)和下四分位數(shù)，分別記為fup1和fdown1；

5）對x（t）進行重新采樣，采樣間隔為Ts=T0/2，得到一組新的時間數(shù)據(jù)x（ts），計算得到其對應(yīng)的功率譜數(shù)據(jù)Xs（f）

6）重復(fù)步驟 3）、4），得到第二組 FML2，fup2和fdown2；

7）計算氣動閥粘滯性指數(shù)Index為

若Index在決策限區(qū)間Ω內(nèi)，則待診斷工業(yè)調(diào)節(jié)閥的工作特性是無粘性的，否則待診斷工業(yè)調(diào)節(jié)閥具有粘性特性。

上述決策限區(qū)間Ω的計算方法如下

其中，α為待診斷工業(yè)調(diào)節(jié)閥對應(yīng)的控制回路中的粘滯發(fā)生概率，需要依據(jù)統(tǒng)計計算獲?。沪臑榇\斷工業(yè)調(diào)節(jié)閥對應(yīng)控制回路中測量儀表的最大相對誤差，測量的最大相對誤差可通過查詢技術(shù)手冊獲得。

若待診斷工業(yè)調(diào)節(jié)閥的工作特性是線性的，則控制回路不含有粘滯現(xiàn)象，振蕩故障源應(yīng)考慮其其他過程擾動；反之，則說明若待診斷工業(yè)調(diào)節(jié)閥具有粘滯性，是氣動控制閥可能的故障源。

3 結(jié)果分析和討論

文中使用仿真程序得到一系列帶有不同程度粘滯性的氣動調(diào)節(jié)閥流量數(shù)據(jù)[1-3]，其中包括不具有粘滯特性的氣動調(diào)節(jié)閥數(shù)據(jù)及粘滯特性明顯的數(shù)據(jù)一共1 000組，其中具有粘滯特性的為900組，不具有粘滯特性的為100組。如圖1所示，分別給出了兩個數(shù)據(jù)示例。

圖1 有無粘滯特性氣動調(diào)節(jié)閥數(shù)據(jù)

圖1直觀反映了粘滯特性對于流量數(shù)據(jù)的影響，圖1（a）為理想狀態(tài)下的氣動調(diào)節(jié)閥流量控制數(shù)據(jù)，其表現(xiàn)為周期性的方波數(shù)據(jù)；圖1（b）為受到系統(tǒng)粘滯特性影響的數(shù)據(jù)，可看出粘滯特性實際改變了流量數(shù)據(jù)的幅度和周期節(jié)律。從頻率譜上反映為不同頻率能量分布的變化，尋找到頻率主峰信息，并結(jié)合頻率譜的統(tǒng)計分布特性，將在下面具體展示。

依據(jù)系統(tǒng)設(shè)計的算法流程，參考文獻[1-3]設(shè)定Ω分析仿真數(shù)據(jù)集，圖2展示了基于鳥群算法計算一個帶分析具有粘滯特性信號的頻率譜及振蕩周期，圖3進一步比較了傳統(tǒng)遍歷算法和鳥群算法在尋找振蕩周期時效上的差異。

圖2 鳥群尋找流量數(shù)據(jù)的頻譜主峰最大值

圖中縱軸代表不同頻率的能量，橫軸表示以π歸一化的頻率信息。在具體計算時，選擇初始的鳥兒數(shù)量為40，初始位置隨機生成，逐步尋優(yōu)，最終收斂到振蕩周期的頻率主峰最大值點上?？捎蓤D2看出，鳥群算法在獲取頻率主峰對應(yīng)的頻率數(shù)值方面具有明顯優(yōu)勢，圖2中迭代1次表示初始狀態(tài)，經(jīng)過20步迭代計算后達到圖2右上方的狀態(tài)。此時，多數(shù)鳥兒已達到最優(yōu)解附近，再經(jīng)過10步迭代計算后，達到圖2左下方所示狀態(tài)，最后迭代收斂到最大值點上。依據(jù)鳥群算法，計算振蕩周期頻譜的最大譜峰被快速找到，迭代實現(xiàn)快速收斂。尤其是當(dāng)計算的振蕩周期數(shù)據(jù)龐大時，鳥群算法更能發(fā)揮其優(yōu)勢，下圖給出理論分析的時間復(fù)雜度比較。

圖3 傳統(tǒng)遍歷算法和鳥群算法尋優(yōu)時間復(fù)雜度比較

上圖中，☆表示傳統(tǒng)算法的時間復(fù)雜度，*表征鳥群算法的時間復(fù)雜度，可以看出鳥群算法的時間復(fù)雜度是O（Cn），其中C代表設(shè)定的迭代次數(shù)，而傳統(tǒng)遍歷算法的時間復(fù)雜度為O（nlogn），隨著計算量數(shù)據(jù)點的增多，鳥群算法的計算優(yōu)勢凸顯出來。進一步的，依據(jù)系統(tǒng)設(shè)計部分所示計算流程，分析計算模擬生成的1 000組流量數(shù)據(jù)，計算每組數(shù)據(jù)的index，通過統(tǒng)計分析，結(jié)合分類區(qū)間，計算分類正確率。

圖4 無粘滯特性流量數(shù)據(jù)Index分布與粘滯特性流量數(shù)據(jù)Index分布對比

圖4的箱型圖對比給出了計算得到的1 000組仿真信號的氣動閥粘滯性指數(shù)Index在空間的分布，組1代表無粘滯特性的流量數(shù)據(jù)，其Index計算數(shù)據(jù)整體分布在1附近，呈現(xiàn)高斯分布特點，組2代表有粘滯特性的流量數(shù)據(jù)，其Index呈現(xiàn)更加寬泛的分布，近似均勻分布。從圖中可看出，雖兩種數(shù)據(jù)的Index存在一定的重合，但整體是可以基本區(qū)分開的，結(jié)合Ω分類得到的數(shù)據(jù)Index，最終得到仿真本文提出的氣動調(diào)節(jié)閥粘滯特性監(jiān)測系統(tǒng)的分類正確率在80%以上，充分說明了系統(tǒng)是高效可行的，能實現(xiàn)識別調(diào)節(jié)閥粘滯非線性工作特性[10-12]，從而提高工業(yè)控制的高效性和準確性，具有解決實際問題的能力和推廣應(yīng)用價值。

4 結(jié)束語

文中設(shè)計了一種氣動調(diào)節(jié)閥粘滯特性監(jiān)測系統(tǒng)，采用鳥群算法優(yōu)化了整體計算的效率，是高效解決工業(yè)控制故障監(jiān)測識別的具體方法。雖在實際工業(yè)應(yīng)用中，80%的識別正確率已能夠起到較好的效果，但未被正確的粘滯特性數(shù)據(jù)依然會造成整體控制的不穩(wěn)定，引起生產(chǎn)流程遲滯或停止。進一步的研究重點依然是提高識別的正確率，考慮到在流量數(shù)據(jù)分析上，單純的頻率信息可能無法最好的反映出粘滯數(shù)據(jù)的非線性結(jié)構(gòu)，這可能是整體識別精度難以進一步提升的關(guān)鍵。因此，考慮利用更適合非線性和非平穩(wěn)的信號分析手段是下一步的主要方向，例如小波分析，從小波譜上研究氣動調(diào)節(jié)閥的粘滯特征，并設(shè)計算法識別，以獲得更高的識別準確度。

[1]叢雨，謝磊，王樹青.氣動控制閥粘滯模型的改進與比較[J].計算機工程與應(yīng)用，2011，47（12）:234-238.

[2]Choudhury M A A S，Thornhill N F，Shah S L. Modelling valve stiction [J].Control Engineering Practice，2005，13（5）:641-658.

[3]Kano B M.Hiroshi Maruta，Hidekazu Kugemoto，Keiko Shimizu（2004）.Practical model and detection algorithm for valve stiction[C]//the Proceedings of the 7 th DYCOPS.2010.

[4]Garcia C.Comparison of friction models applied to a control valve[J].Control Engineering Practice，2008，16（10）:1231-1243.

[5]朱麗莉，楊志鵬，袁華.粒子群優(yōu)化算法分析及研究進展[J].計算機工程與應(yīng)用，2007，43（5）:24-27.

[6]黎紅玲，羅林，劉好斌.帶有正負反饋性質(zhì)的粒子群優(yōu)化算法[J].電子科技，2015，28（2）:35-37.

[7]方欣欣，龔如賓，李大為.基于余弦距離的多目標粒子群優(yōu)化算法[J].電子科技，2016，29（3）:48-52，57.

[8]徐小平，錢富才，王峰.非線性系統(tǒng)辨識方法研究[J].計算機工程與應(yīng)用，2010，46（6）:19-22.

[9]王剛毅.氣動調(diào)節(jié)閥粘滯特性的建模與參數(shù)辨識[D].杭州:杭州電子科技大學(xué)，2013.

[10]韓俊林.控制閥粘滯特性建模、檢測與補償方法研究[D].杭州:浙江大學(xué)，2010.

[11]叢雨.氣動執(zhí)行閥粘滯特性建模與參數(shù)辨識方法研究[D].杭州:浙江大學(xué)，2010.

[12]Teixeira H T，De M S V S，Munaro C J.Comparison of methods for estimation and compensation of friction applied to an inverted pendulum[C]// Control and Automation （ICCA），2011 9th IEEE International Conference on.IEEE，2011:818-823.

[13]Teixeira H T，Siqueira V S D M，Munaro C J. Closed-Loop Quantification and Compensation of Friction in an Inverted Pendulum [J].Journal of Control Automation&Electrical Systems，2013，24（6）:794-805.

[14]張昭，張亮，夏春明.氣動調(diào)節(jié)閥黏滯故障引起的回路振蕩消除方法[J].華東理工大學(xué)學(xué)報:自然科學(xué)版，2016（1）:132-140.

Birds algorithm based pneumatic control valve stiction detection system

JING Qian
（Jiangnan University，Wuxi 214122，China）

This paper presents a monitoring system and method for the viscosity characteristic of pneumatic control valve.The system includes industrial valve to be diagnosed from the corresponding control loop，collecting a set of process data to calculate the frequency spectrum of process data，the use of birds swarm algorithm for determining the oscillation period of the process data，the further integration of the distribution of frequency spectrum analysis data characteristics，pneumatic valves viscosity index calculation process data.if the pneumatic valve viscosity index is in the range of the decision limit which refers to be the non-viscouscharacteristics of diagnosed operatingpneumatic control valve，or else to be diagnosed pneumatic control valve having a viscosity.Using simulated data to verify the feasibility of the proposed system and computing methods，the results obtain more than 80%accuracy of classification，which archives quantitative characteristicsassessment of pneumatic control valve stiction.

birds swarm algorithm；pneumatic control valve；industrial control systems；stiction

TN99

：A

：1674－6236（2017）06-0031-04

2016-03-30稿件編號：201603404

靜 前（1988—），男，山東菏澤人，碩士。研究方向：調(diào)節(jié)閥粘滯特性建模與方法。