賴新熠，蔚偉，錢(qián)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(shí)調(diào)整性能不佳的回路，其中的首要步驟就是對(duì)過(guò)程控制回路進(jìn)行控制性能評(píng)估。Harris提出了基于最小方差的性能指標(biāo)，為控制評(píng)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(hào)引入評(píng)估指標(biāo)，拓展了最小方差方法的評(píng)估范圍，增強(qiáng)了魯棒性[3]。線性二次高斯基準(zhǔn)同時(shí)考慮系統(tǒng)的輸入輸出，通過(guò)改變權(quán)重因子得到LQG最優(yōu)控制權(quán)衡曲線，通過(guò)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(píng)估方法計(jì)算復(fù)雜度大，對(duì)回路特征的提取有局限性，對(duì)回路過(guò)程數(shù)據(jù)的處理有主觀性。為解決這些問(wèn)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(guò)程控制回路性能評(píng)估方法。首先，使用帶遺忘因子的線性回歸算法和振蕩檢測(cè)指標(biāo)進(jìn)行綜合評(píng)估，對(duì)控制回路的過(guò)程輸出信號(hào)進(jìn)行初步評(píng)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(píng)估；最后通過(guò)仿真實(shí)驗(yàn)驗(yàn)證方法的有效性。

1 綜合控制回路評(píng)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(guò)程的輸入輸出數(shù)據(jù)，其核心方法是通過(guò)時(shí)間序列分析法建立過(guò)程擾動(dòng)模型，構(gòu)建多維矩陣計(jì)算最小方差指標(biāo)，這種方法有著計(jì)算復(fù)雜度大大簡(jiǎn)化、評(píng)估正確率高、對(duì)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(duì)過(guò)程回路的整體評(píng)估，對(duì)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(guò)程中易造成回路信息的損失，因此需要對(duì)ILR指標(biāo)進(jìn)行補(bǔ)充。

1.2 振蕩指數(shù)

在典型過(guò)程環(huán)節(jié)運(yùn)行時(shí)，有30%的回路由于振蕩參數(shù)調(diào)節(jié)過(guò)緊、控制閥門(mén)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(hào)發(fā)生振蕩，其自相關(guān)函數(shù)也會(huì)發(fā)生振蕩[6]，因此通過(guò)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(gè)波峰值到前兩個(gè)波谷值連線的直線距離，b表示首個(gè)波谷值到首個(gè)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(shí)，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(duì)過(guò)程控制回路的綜合評(píng)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(gè)等級(jí)，設(shè)定的臨界值分別是0.8、0.7、0.6、0.5、0.3；同時(shí)，以振蕩指數(shù)作為補(bǔ)充，設(shè)定臨界值為0.5，若受評(píng)估數(shù)據(jù)的振蕩指標(biāo)大于0.5，則該數(shù)據(jù)的評(píng)估等級(jí)被修正到低一級(jí)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(guò)卷積層和池化層相互連接，壓縮放大所提取的特征，通過(guò)全連接層匯總特征并送入輸出層，最后用分類(lèi)器將數(shù)據(jù)分類(lèi)，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(lèi)、人臉識(shí)別和ECG分析等方面[7]。

傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)是針對(duì)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(duì)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(jì)算復(fù)雜度更低、網(wǎng)絡(luò)結(jié)構(gòu)更簡(jiǎn)易及占用計(jì)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(dòng)的情況下，通過(guò)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(guò)程輸出數(shù)據(jù)構(gòu)成，分為受到擾動(dòng)時(shí)不變和受到擾動(dòng)時(shí)改變兩組，每條樣本的采集數(shù)據(jù)點(diǎn)10000個(gè)，每500個(gè)采集點(diǎn)為一組，則一條樣本數(shù)據(jù)被分為20組。通過(guò)評(píng)估方法評(píng)估每組數(shù)據(jù)，收集各等級(jí)（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(shí)不變擾動(dòng)數(shù)據(jù)集1#和時(shí)變擾動(dòng)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(guò)仿真搭建火電廠鍋爐汽包水位控制系統(tǒng)來(lái)獲得回路過(guò)程輸出數(shù)據(jù)，對(duì)過(guò)程數(shù)據(jù)使用時(shí)序分析方法擬合建模，綜合計(jì)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(píng)估等級(jí)的劃分規(guī)則得到確切的回路性能評(píng)估等級(jí)，接著使用一維卷積神經(jīng)網(wǎng)絡(luò)對(duì)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(píng)估，主要步驟如下。

（1）獲取并處理過(guò)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(guò)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(guò)改變控制器參數(shù)來(lái)輸出在不同控制性能下的過(guò)程輸出數(shù)yi=x(n)(n=1,2,3，…10000)，x(n)表示第n個(gè)采樣點(diǎn)的輸出值，i為數(shù)據(jù)標(biāo)號(hào)。設(shè)定采樣周期為1秒，每一條樣本數(shù)據(jù)共采樣10000個(gè)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(duì)每條樣本數(shù)據(jù)進(jìn)行時(shí)序隨機(jī)性分析處理，建立關(guān)于過(guò)程擾動(dòng)的時(shí)間序列ARIMA模型[9]。

（2）使用綜合評(píng)估算法評(píng)估等級(jí)，劃分?jǐn)?shù)據(jù)集。以每組數(shù)據(jù)片段為單位，經(jīng)過(guò)計(jì)算得到回路性能ILR指標(biāo)ηILR；同時(shí)通過(guò)時(shí)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(gè)指標(biāo)之后，再根據(jù)綜合評(píng)估回路控制性能規(guī)則得到回路控制性能等級(jí)Lik。

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

（3）使用一維卷積神經(jīng)網(wǎng)絡(luò)評(píng)估控制回路。以時(shí)變數(shù)據(jù)集為例，首先對(duì)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(cè)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(gè)卷積池化層，同時(shí)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(guò)卷積過(guò)程提取特征和池化過(guò)程降采樣。經(jīng)過(guò)多層網(wǎng)絡(luò)的不斷卷積池化過(guò)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(guò)分類(lèi)器對(duì)數(shù)據(jù)分類(lèi)得到整個(gè)網(wǎng)絡(luò)的輸出；接著，通過(guò)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(cè)試集YC_test測(cè)試模型對(duì)控制回路評(píng)估的準(zhǔn)確性，并對(duì)模型評(píng)估性能進(jìn)行評(píng)價(jià)。

（4）實(shí)驗(yàn)分析。設(shè)置對(duì)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(píng)估的準(zhǔn)確性以及模型訓(xùn)練的時(shí)間，經(jīng)過(guò)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(lái)充分提取特征，對(duì)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(guò)擬合現(xiàn)象；輸出層使用softmax多分類(lèi)輸出5個(gè)等級(jí)；此外在全連接層和輸出層之間再加入一層dropout層來(lái)防止過(guò)擬合。

將時(shí)不變數(shù)據(jù)集1#和時(shí)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(lèi)正確率大于分類(lèi)錯(cuò)誤率的量化指標(biāo)，使用AUC指數(shù)來(lái)衡量模型的評(píng)估效果，數(shù)值越大說(shuō)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(duì)于時(shí)不變數(shù)據(jù)的評(píng)估效果略微高于時(shí)變數(shù)據(jù)，但是模型對(duì)于時(shí)變數(shù)據(jù)的訓(xùn)練時(shí)間較短，達(dá)到最優(yōu)模型的迭代次數(shù)也較少；同時(shí)，一維卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)于兩種數(shù)據(jù)集都得到了較高AUC值，說(shuō)明該模型有著良好的評(píng)估效果，是一種控制回路評(píng)估的可行且有效的方法。

表2 模型訓(xùn)練結(jié)果

4 結(jié)語(yǔ)

針對(duì)控制回路性能不佳的問(wèn)題，本文提出使用深度學(xué)習(xí)方法進(jìn)行控制回路評(píng)估。首先使用綜合評(píng)估指標(biāo)對(duì)數(shù)據(jù)進(jìn)行初步評(píng)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(píng)估等級(jí)。仿真實(shí)驗(yàn)表明：綜合評(píng)估算法能正確評(píng)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(shí)較其他模型更短，且能夠?qū)崿F(xiàn)對(duì)控制回路進(jìn)行實(shí)時(shí)性能評(píng)估。