一种压力变送器的老化检测方法及系统

本发明属于压力变送器，具体为一种压力变送器的老化检测方法及系统。

背景技术：

1、压力变送器是一种传感器装置，用于测量流体或气体的压力，并将其转换为电信号输出。通常被用于各种工业自动化，过程控制和监测系统中。压力变送器具有自动补偿能力，需要人工通过软件对传感器的非线性、温漂、时漂等进行拟合，而因为软件拟合和生产组装等影响，会出现部分压力变送器的灵敏度没有达到生产标准。因此市面上的生产厂家都会对压力变送器进行老化测试，测试时间一般为48小时左右，通过温度压力变化来检测压力变送器输出的4-20ma电信号变化是否在合理范围内。目前，通常采用人工计时对压力变送器进行老化测试，并由生产线上工人观察测试，这种方法不仅消耗人工成本大，而且不容易捕捉到压力变送器的异常信号。

2、为了减少人工成本以及提高老化测试精度，公开号cn116296059a、cn111238724a、cn114659707a均公开了一种高精度压力变送器老化测试系统，但以上系统中存在以下问题：

3、(1)数据传输存在错误和不稳定性的情况；

4、(2)没有电流过载保护装置，在实际操作中，每个压力变送器老化后，需要在原位置上安装一个新的压力变送器，这个过程容易出现操作不规范导致电路短路，如果没有电流保护装置，会导致一整排其他正在老化的压力变送器都受到影响；

5、(4)对单个压力变送器的数据没有选用合适的算法进行处理，由于实际的老化过程中，受温度、湿度等因素影响，会出现一些压力变送器的某个时间点数据异常，但其符合老化测试标准，系统没有自动识别并判断；

6、(5)传统的压力变送器老化系统没有采用usb通信，不具备usb通信的更快速率、更低延迟的优势。

7、(6)不具备485通信功能，无法长距离进行传输采集模块的数据，且传输速率不高，无法满足老化系统实时监测过程中采集的高精度，高速率的数据传输；

8、(7)通过plc系统采集压力变送器的电流模拟量数据，将电信号传输到plc模拟量模块上，经过内部处理将数据显示到显示屏上，这种方式在多个压力变送器同时进行老化时，极大占用内存，且不方便单独观察某个压力变送器的读数变化。

技术实现思路

1、发明目的：为解决目前压力变送器老化测试系统对采集的数据没有选用有效的算法进行分析的情况，本发明提出了一种压力变送器的老化检测方法及系统，对压力变送器的老化情况进行实时监测和分级。

2、技术方案：一种压力变送器的老化检测方法，包括以下步骤：

3、步骤1：获取待检测压力变送器所在回路的电流数据，获取待检测压力变送器所处环境的温度数据，获取待检测压力变送器所处环境的湿度数据；

4、步骤2：将电流数据、温度数据和湿度数据进行归一化后，送入训练好的gna神经网络模型中，得到压力变送器的老化结果。

5、进一步的，所述gna神经网络模型包括输入层、隐藏层和输出层；

6、在所述隐藏层中，神经元输出的值先经过group normalization进行归一化处理，归一化后的值再通过relu函数进行激活，得到隐藏层的输出；

7、在所述输出层中，采用softmax函数输出待检测压力变送器对应每个老化等级的概率分布。

8、进一步的，所述softmax函数表示为：

9、softmax(z)＝[exp(z1)/sum(exp(z)),exp(z2)/sum(exp(z)),...,exp(z6)/sum(exp(z))]  (1)

10、其中，sum(exp(z))表示所有输出值的指数形式之和，z1～z6分别表示不同的老化等级。

11、进一步的，按照以下训练步骤对gna神经网络模型进行训练，得到训练好的gna神经网络模型：

12、获取多个压力变送器的历史电流数据、历史温度数据和历史湿度数据，每个历史电流数据对应一个历史温度数据和一个历史湿度数据；按照电流、温度和湿度进行分组，得到电流数据集、温度数据集和湿度数据集，对各数据集中的数据取标准差，将每个数据对应的相对值和标准差进行对比，对于超过设定阈值的极端值作平滑处理，得到预处理后的数据集，将该数据集划分为训练集和测试集；

13、利用训练集，选择adagrad作为优化器来更新gna神经网络模型的权重和偏置，直至达到学习停止准则后，终止循环，得到训练好的gna神经网络模型。

14、进一步的，所述的利用训练集，选择adagrad作为优化器来更新gna神经网络模型的权重和偏置，具体包括：

15、从训练集中采集m个样本{x(1),...,x(m)}，对应目标为y(i)；

16、按照下式，计算梯度：

17、

18、式中，θ表示参数；

19、计算累积平方梯度r＝r+g⊙g；

20、更新逐个元素的应用除和求平方根：

21、

22、式中，ε表示全局学习率ε，δ表示常数；

23、应用θ＝θ+δθ；

24、判断是否达到学习停止准则，若达到，则终止循环，得到训练好的gna神经网络模型；若未达到，则按照下式，更新全局学习率：

25、

26、式中，n是迭代次数，εn表示更新后的全局学习率。

27、本发明公开了一种压力变送器的老化检测系统，包括：

28、数据采集模块，用于获取待检测压力变送器所在回路的电流数据，获取待检测压力变送器所处环境的温度数据，获取待检测压力变送器所处环境的湿度数据；

29、检测模块，用于将电流数据、温度数据和湿度数据进行归一化后，送入训练好的gna神经网络模型中，得到压力变送器的老化结果。

30、进一步的，包括：所述gna神经网络模型包括输入层、隐藏层和输出层；

31、在所述隐藏层中，神经元输出的值先经过group normalization进行归一化处理，归一化后的值再通过relu函数进行激活，得到隐藏层的输出；

32、在所述输出层中，采用softmax函数输出待检测压力变送器对应每个老化等级的概率分布。

33、进一步的，按照以下训练步骤对gna神经网络模型进行训练，得到训练好的gna神经网络模型：

34、获取多个压力变送器的历史电流数据、历史温度数据和历史湿度数据，每个历史电流数据对应一个历史温度数据和一个历史湿度数据；按照电流、温度和湿度进行分组，得到电流数据集、温度数据集和湿度数据集，对各数据集中的数据取标准差，将每个数据对应的相对值和标准差进行对比，对于超过设定阈值的极端值作平滑处理，得到预处理后的数据集，将该数据集划分为训练集和测试集；

35、利用训练集，选择adagrad作为优化器来更新gna神经网络模型的权重和偏置，直至达到学习停止准则后，终止循环，得到训练好的gna神经网络模型。

36、进一步的，所述的利用训练集，选择adagrad作为优化器来更新gna神经网络模型的权重和偏置，具体包括：

37、从训练集中采集m个样本{x(1),...,x(m)}，对应目标为y(i)；

38、按照下式，计算梯度：

39、

40、式中，θ表示参数；

41、计算累积平方梯度r＝r+g⊙g；

42、更新逐个元素的应用除和求平方根：

43、

44、式中，ε表示全局学习率ε，δ表示常数；

45、应用θ＝θ+δθ；

46、判断是否达到学习停止准则，若达到，则终止循环，得到训练好的gna神经网络模型；若未达到，则按照下式，更新全局学习率：

47、

48、式中，n是迭代次数，εn表示更新后的全局学习率。

49、有益效果：本发明与现有技术相比，具有以下优点：

50、(1)本发明系统采用神经网络模型对采集的压力变送器数据进行异常检测，根据训练集上计算重构误差的阈值，来确定异常点的阈值，能规避少量因温度、湿度因素影响而出现异常数据而判定不合格的情况；

51、(2)本发明系统通过制定适用于压力变送器老化的分级标准，采集的压力变送器数据通过神经网络模型判定合格后，会向分级标准页面发送请求，通过模块引擎技术将处理后的数据发送到分级标准页面。