智能阀门定位器的控制方法及其物联网系统

本发明涉及智能电动阀参数采集与智能化阀门定位器控制的自动化装备，具体涉及一种智能阀门定位器的控制方法及其物联网系统。

背景技术：

1、阀门是石油勘探、运输、电力、化工、制药、污水处理等行业中不可或缺的重要设备和零件，而阀门定位器是阀门中的一个关键部件。采用自动定位器可以改善阀门的开度线性，减少阀杆的摩擦力，确保阀门的输出信号能精确地按预定的信号输出。当前，在众多石油化工、电力等大型企业以及一些中小型企业对智能阀门定位器有着巨大的需求，而我国的智能阀门控制技术还不够成熟，许多相关的设备都要依赖进口。随着智能化和信息化技术的不断发展，智能阀门的定位技术在今后的发展中有着广阔的应用前景和市场空间。智能化的阀门控制技术已经成为现代工业发展中的关键技术，而智能化的阀门定位系统将会是今后的研究热点。智能阀门定位器的控制方法及其物联网系统以智能电动阀参数的采集与智能化阀门监控为基础支撑，以物联网为纽带，采用远程监控和智能控制算法实现对阀门定位器的智能化监控，实现智能电动阀系统“分层管理、集中控制、信息闭环”的集成运行。

技术实现思路

1、本发明目的是阀门作为国民经济多行业中不可或缺的重要设备和零件，而阀门定位器是阀门中的一个关键部件，提供一种智能化的阀门控制技术。

2、为解决上述问题，本发明采用如下的技术方案：

3、一、智能阀门定位器的控制方法：

4、1、构建阀门定位器的智能调节子系统，阀门定位器的智能调节子系统包括三角模糊数的bigru神经网络模型-pso的narx神经网络模型、pso的递归模糊小波神经网络控制器、pi控制器-bigru神经网络模型、pso的narx神经网络模型、bigru神经网络模型、参数检测模块和积分回路；阀位传感器输出作为参数检测模块输入，参数检测模块输出分别作为积分回路、bigru神经网络模型1、pso的递归模糊小波神经网络控制器和pso的narx神经网络模型的对应输入，积分回路输出作为bigru神经网络模型1的对应输入，bigru神经网络模型1输出分别作为三角模糊数的bigru神经网络模型-pso的narx神经网络模型和pso的narx神经网络模型的对应输入，阀位给定值作为三角模糊数的bigru神经网络模型-pso的narx神经网络模型的对应输入，三角模糊数的bigru神经网络模型-pso的narx神经网络模型输出与pso的narx神经网络模型输出的时间序列误差和时间序列误差变化率分别作为pso的递归模糊小波神经网络控制器的对应输入，pso的narx神经网络模型的前一时刻输出与pso的narx神经网络模型的当期时刻输出的误差和误差变化率作为pi控制器-bigru神经网络模型的对应输入，pi控制器-bigru神经网络模型输出作为bigru神经网络模型2的对应输入，pso的递归模糊小波神经网络控制器输出分别作为bigru神经网络模型2和三角模糊数的bigru神经网络模型-pso的narx神经网络模型的对应输入，bigru神经网络模型2输出作为阀门调节机构输入和pso的递归模糊小波神经网络控制器的对应输入，阀门调节机构输出实现对阀门进行进行调节；阀门定位器的智能调节子系统结构和功能见图2所示。

5、2、构建参数检测模块，参数检测模块包括aann自联想神经网络模型-新陈代谢灰色gm(1，1)模型、aann自联想神经网络模型-cnn卷积神经网络模型、aann自联想神经网络模型-bigru神经网络模型、tdl按拍延迟器和三角模糊数的bigru神经网络模型-pso的递归模糊小波神经网络模型；参数传感器输出时间序列值分别作为aann自联想神经网络模型-新陈代谢灰色gm(1，1)模型、aann自联想神经网络模型-cnn卷积神经网络模型、aann自联想神经网络模型-bigru神经网络模型的对应输入，aann自联想神经网络模型-新陈代谢灰色gm(1，1)模型输出作为aann自联想神经网络模型-cnn卷积神经网络模型的对应输入，aann自联想神经网络模型-cnn卷积神经网络模型输出作为aann自联想神经网络模型-bigru神经网络模型的对应输入，aann自联想神经网络模型-新陈代谢灰色gm(1，1)模型输出、aann自联想神经网络模型-cnn卷积神经网络模型输出、aann自联想神经网络模型-bigru神经网络模型输出和tdl按拍延迟器输出分别作为分别作为三角模糊数的bigru神经网络模型-pso的递归模糊小波神经网络模型的对应输入，三角模糊数的bigru神经网络模型-pso的递归模糊小波神经网络模型输出作为tdl按拍延迟器的输入，三角模糊数的bigru神经网络模型-pso的递归模糊小波神经网络模型输出的3个参数分别为i、j、k构成参数传感器输出的三角模糊数值为[i，j，k]；三角模糊数的bigru神经网络模型-pso的递归模糊小波神经网络模型输出作为参数检测模块输出；参数检测模块结构和功能见图1所示。

6、3、积分回路由2个积分算子s相串联构成，1个积分算子的输入端作为积分回路输入，积分回路的2个积分算子连接端和1个积分算子输出端作为积分回路输出；积分回路结构和功能见图2所示。

7、4、检测阀门位置的阀位传感器输出和阀位给定值分别作为阀门定位器的智能调节子系统的对应输入，阀门定位器的智能调节子系统输出作为阀门调节机构输入，阀门调节机构输出实现对阀门进行进行调节。

8、二、智能阀门定位器的控制物联网系统：

9、智能阀门定位器采集电动阀参数经网关节点上传到云平台，并利用云平台提供的数据给客户端app，客户端app通过云平台提供的电动阀参数信息可实时监控电动阀参数变化，智能阀门定位器有阀门定位器的智能调节子系统实现对阀门的智能化监控，通过网关节点实现智能阀门定位器、云平台和客户端app的双向通信，实现电动阀参数采集和阀门调节机构控制。智能阀门定位器的调节物联网系统结构见图3所示。

10、相比于现有技术，本发明具有以下明显优点：

11、一、本发明新陈代谢灰色gm(1，1)模型可以根据bigru神经网络模型输出信号值预测未来时刻参数值，用上述方法预测出的信号值后，把信号预测值再加分别加入的bigru神经网络模型输出信号值原始数列中，相应地去掉数列开头的一个数据建模，再进行bigru神经网络模型输出值的预测。依此类推，预测出bigru神经网络模型输出值。这种方法称为新陈代谢模型，它可实现较长时间的预测。用户可以更加准确地掌握bigru神经网络模型输出输出信号的变化趋势。

12、二、本发明cnn卷积神经网络模型的卷积层主要优势在于提取参数传感器输出参数信息空间特征中的权值共享和稀疏连接，权值共享是指cnn卷积神经网络模型的卷积核在做卷积运算时自身的权值保持不变，每个卷积核对整个区域的参数传感器输出参数信息来说其权值是一样的；稀疏连接是指cnn卷积神经网络模型的每个卷积核只使用上一层数据中特定的局部区域数据进行运算，并未使用全局参数传感器输出参数信息；cnn卷积神经网络模型的卷积核这种权值共享和稀疏连接的特性，大幅减少了参数传感器输出参数信息的空间特征参数数量，从而预防cnn卷积神经网络模型的过拟合并加快cnn卷积神经网络模型训练速度和提高参数传感器输出参数信息预测精确度。

13、三、本发明采用bigru神经网络模型可以被为两个具有相反方向的gru神经网络模型构成，输入参数信息输入bigru神经网络模型总是会对应2个方向相反的gru神经网络模型，同时输出也受到2个方向相反的gru神经网络模型的影响。双向bigru神经网络模型的隐层状态主要取决于现在输入参数参数信号输入、前一时刻检测信号对应的隐层状态的输出及输入参数参数信号不同方向的隐层状态的输出，提高了输入参数参数信息预测的准确性、可靠性和鲁棒性。

14、四、本发明针对参数传感器输出过程中传感器精度误差、干扰和测量温度值异常等问题存在的不确定性和随机性，将参数传感器测量值用三角模糊数形式表示，有效地处理了参数传感器测量参数的模糊性和不确定性，提高了测量参数传感器值的客观性和可信度。

15、五、本发明采用粒子群优化递归模糊小波神经网络模型、narx神经网络模型和小波神经网络模型避免了梯度下降法中要求激活函数可微以及对函数求导的过程计算，并且各个粒子搜索时迭代公式简单，因而计算速度又比梯度下降法快得多。而且通过对迭代公式中参数的调整，还能很好地跳出局部极值，进行全局寻优，简单有效地提高了神经网络模型的训练速度。基于粒子群优化算法的神经网络模型的识别正确率更高，误差更小，收敛速度更快，泛化能力更强。通过粒子群算法对神经网络模型进行参数优化可以提高预测模型的预测稳定性。基于粒子群优化算法的神经神经网络模型具有算法简单、结构稳定、收敛速度快、全局寻优能力强、识别精度高、泛化能力强的优点。