[發明專利]一種基于圖像識別的閥門粘滯檢測方法

在審

• 申請號: 202010627137.5
• 申請日: 2020-07-01
• 公開（公告）號: CN111950358A
• 公開（公告）日: 2020-11-17
• 發明（設計）人: 阮驍駿;王家棟
• 申請（專利權）人: 浙江中控技術股份有限公司;浙江中控軟件技術有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 杭州華鼎知識產權代理事務所(普通合伙) 33217
• 代理人: 項軍

本發明涉及流程工業性能評估領域，尤其涉及一種基于圖像識別的閥門粘滯檢測方法，包括：獲取若干閥門的輸入數據及閥門所作用的工業生產過程輸出數據；將若干閥門的輸入數據和輸出數據轉換成平面二維曲線圖像并劃分為訓練集和測試集；將訓練集用于卷積神經網絡模型的訓練；測試集用于卷積神經網絡模型的測試；利用訓練完成的卷積神經網絡模型進行閥門粘滯檢測。通過使用本發明，可以實現以下效果：用卷積神經網絡模型做閥門粘滯的判斷，利用了卷積神經網絡善于從圖像中抽象數據信息的能力，減少了對于數據的人工處理，適用于各種數據。

技術領域

本發明涉及流程工業性能評估領域，尤其涉及一種基于圖像識別的閥門粘滯檢測方法。

背景技術

閥門是過程工業的控制回路中大量存在的執行機構。廣泛應用于多個工業生產領域，如煉油，化工，食品，藥品等，用來控制流量。閥門一般在使用初期，性能較好，工作正常，能使控制回路有著較好的控制性能。但隨著長時間工作，閥門內部結構磨損、老化，閥門的性能逐漸劣化，不能對流量進行精準的控制。其中一種典型的問題是閥門粘滯，即閥門的輸出有時不能跟隨輸入而發生變化，閥門在移動中存在阻礙，像是閥門“粘”住了，輸出流量變化有粘滯。

現有的閥門粘滯檢測方法主要在數值特征上尋找閥門的粘滯特點，主要使用數值特征的擬合、回歸、數值統計分析等方法。這些方法對過程要求多，有線性過程假設和白噪聲假設，過程復雜且準確度較低。

發明內容

為解決上述問題，本發明提出一種基于圖像識別的閥門粘滯檢測方法。

一種基于圖像識別的閥門粘滯檢測方法，包括：

獲取若干閥門的輸入數據及閥門所作用的工業生產過程輸出數據；

將若干閥門的輸入數據和輸出數據轉換成平面二維曲線圖像并劃分為訓練集和測試集；

將訓練集用于卷積神經網絡模型的訓練；

將測試集用于卷積神經網絡模型的測試；

利用訓練完成的卷積神經網絡模型進行閥門粘滯檢測。

優選的，所述將若干閥門的輸入數據和輸出數據轉換成平面二維曲線圖像包括：

根據若干閥門的輸入數據和輸出數據獲得分別對應的曲線；

按照閥門輸出數據對應曲線的波形，將每一個波形的周期分成一個數據段；

對于每個波形的數據段，將閥門的輸入數據作為x軸的值，閥門的輸出數據作為y軸的值，按照時間的先后順序繪制數據點，在二維坐標平面上將數據點前后連接形成平面二維曲線圖像。

優選的，所述訓練集和測試集的比例為8:2。

優選的，所述將測試集用于卷積神經網絡模型的測試包括：

根據測試結果調整卷積神經網絡模型的結構與參數，使得卷積神經網絡模型的檢測效果達到最佳。

優選的，所述利用訓練完成的卷積神經網絡模型進行閥門粘滯檢測包括：

獲取待檢測閥門的輸入數據及輸出數據的每個波形的數據段所對應的平面二維曲線圖像；

將各平面二維曲線圖像輸入訓練完成的卷積神經網絡模型進行粘滯的判斷，若輸出平面二維曲線圖像為粘滯的比例大于設定閾值，則判斷該閥門是粘滯的，否則判斷該閥門無粘滯。

通過使用本發明，可以實現以下效果：

1.用卷積神經網絡模型做閥門粘滯的判斷，利用了卷積神經網絡善于從圖像中抽象數據信息的能力，減少了對于數據的人工處理，適用于各種數據；