一种基于门控神经网络模型的PLC通道健康状态预估算法的制作方法

本发明属于plc通道健康状态预估，特别涉及一种基于门控神经网络模型的plc通道健康状态预估算法。

背景技术：

1、近年来，随着社会的发展，plc可编程序控制器在工业生产中得到了广泛的使用，同时技术人员对其使用要求也在逐年增高，因此对系统正常稳定运行要求也越来越高。可编程操控器（plc）是一种专门为在工业环境下应用而设计的数字运算操作的电子装置。它采用可以编制程序的存储器，用来在其内部存储执行逻辑运算、顺序运算、计时、计数和算术运算等操作的指令，并能通过开关量或模拟量的输入和输出，控制各种类型的机械或生产过程。但是由于工业现场环境比较复杂，plc在输入输出数据的过程中可能会遭遇通道故障问题，从而导致收发异常。同时维护plc传输通道健康，缩短响应时间并保证传输准确率也是仪表设备维护的重点之一。

2、当前水电站监控系统对于plc通道的监控采用4-20ma的电流进行数据传送，对于通道故障的判断条件为电流值越上限或下限，即上送上位机的电流值小于4ma或大于20ma时，上位机显示通道故障。

3、现阶段遇到的问题包括以下几种：

4、1）只在通信道路彻底断开时才能显示通道故障，无法识别通道的细小破损；

5、2）无法对通道老化后对通信带来的偏差与延迟进行判断；

6、3）无法监测plc健康状态，无法识别plc内部模件老化与处理延迟；

7、4）对于通道故障无法判别出具体的故障点位置，需依次检查整条通道，浪费人力物力。

技术实现思路

1、本发明所要解决的技术问题是提供一种基于门控神经网络模型的plc通道健康状态预估算法，本发明专利对plc通道进行检测，以健康值形式反馈通道质量，对通道质量做出了趋势化分析，对不合格通道做出了规避与预防，并能够对健康值不合格的通道进行分段分析，给出合理化建议，从而缩小消缺过程的检查范围，节省人力物力。

2、为解决上述技术问题，本发明所采用的技术方案是：

3、一种基于门控神经网络模型的plc通道健康状态预估算法，步骤为：

4、1、进行传输时间预测：

5、步骤（1）、构建模型：首先将plc响应时间作为mpnn模型的目标值以进行比对；其次确定可能影响plc响应时间的影响因素作为特征值；最后统计plc通道中的主要元器件，用于构建拓扑模型；

6、步骤（2）、进行清洗数据；

7、步骤（3）、将拼接点特征值及边特征值作为特征向量，进行多次迭代聚合相邻节点信息并更新自身节点信息，通过消息传递和聚合的过程，不断更新每个节点的表示，并汇聚到整个图的表示中；所述的整个图即构建的模型形成的每一条plc支路所表示的所有有向图的聚合。

8、步骤（4）、使用readout操作来将所有节点的图特征向量的表示合并为一个全局的表示；readout函数是（图神经网络/图卷积神经网络/图表示学习/图分类）中的术语。在图表示学习中，模型通常会得到图的节点表示，这些是上游基础。而在像图分类这样的下游应用中，我们通常需要一个整图的特征表示，而不仅仅是图中所有节点的特征表示。此时readout函数通过聚合节点特征的方式来得到整图的特征表示。 readout可以通过对图中所有节点求和、求均值等操作，将得到的值作为图的输出。

9、步骤（5）、将所得向量输入全连接层作为时间回归任务的输出；

10、步骤（6）、将全连接层的输出与真实时间使用均方误差损失函数计算损失，并使用adam优化器进行优化；

11、步骤（7）、进行模型评估并修改；

12、2、进行传输准确率测算；

13、3、进行通道健康值计算及故障点预测。

14、优选地，步骤（1）中，主要元器件包括以下几种：

15、a）继电器、接触器；

16、b）开关、极限位置、安全保护和现场操作的元件或设备；

17、c）plc系统中的子设备，子设备包括接线盒、线端子、螺栓螺母；

18、d）传感器和仪表；

19、基于不同的元器件对plc信号处理与传输时间不同，将其分类并标号，细分不同型号的元器件。

20、优选地，步骤（1）中，构建模型时，考虑影响信号传输性能的因素主要包括温度、周围磁场强度、传输介质材质及长度；因此构建模型如下：

21、将plc信号传输的每一个分支表示成一个有向图g=(v, e)，每个节点表示一个元器件，节点之间的边表示元器件之间的连接关系；

22、点特征值有元器件标号、元器件所在控制柜环境温度以及元器件周围是否有强磁场，1表示有，0表示没有；

23、边特征值有元器件间连接材质。

24、优选地，步骤（2）清洗数据过程为：收集质量正常plc通道拓扑及传输时间，构建数据集；plc采用ntp对时方式，传输时间利用接收时间点减去发送时间点得出。

25、优选地，步骤（3）中，拼接点特征值及边特征值作为特征向量，使用公式（2.1）、公式（2.2）公式（2.3）进行多次迭代聚合相邻节点信息并更新自身节点信息，通过消息传递和聚合的过程，不断更新每个节点的表示，并汇聚到整个图的表示中：

26、（2.1）；

27、（2.2）；

28、（2.3）；

29、其中，r为迭代后的可用特征值，i、j为自定义的更新函数，用于处理和更新节点状态，为自定义读出函数，用来提取整张图的表示；为t次迭代后的节点v的特征值，为其相邻节点w的特征值，为两节点之间的边的特征值，通过其设计的函数进行聚合，得出更新后的自身节点v的特征值，随后再用函数与未迭代的自身做聚合，得出新的节点特征值，每一个节点都会与自身相邻的两个节点做一次聚合，称为一次迭代；通过与自身相邻节点和边做交互来更新自身的特征值；最后使用公式（2.3）将自身与之前的迭代结果做向量乘法，得出最后的可用特征值；

30、将所有边特征值进行归一化处理，将所有特征缩放到相同的值域范围内；此外，在使用梯度下降算法进行优化时，归一化处理可以加快算法的收敛速度，从而更快地达到最优解；采用公式（2.4）进行归一化处理：

31、（2.4）；

32、其中x为原始数据，为数据最小值，为数据最大值。

33、优选地，步骤（4）中， readout操作将所有节点的表示聚合起来，生成一个128维的全局向量；这个向量被输入到一个全连接层中，用于输出时间预测结果。

34、优选地，步骤（5）将所得向量输入全连接层作为时间回归任务的输出：在训练期间，为了防止神经网络过拟合并提高泛化能力；设置了dropout操作；dropout会随机选择一些神经元，并将它们的输出设置为0，从而使这些神经元在这一轮的前向传递和反向传播中被忽略；对于每一层神经网络，在前向传递期间，dropout将以概率p随机选择一些神经元，并将其输出设置为0，从而使这些神经元的输出在后续层中被忽略；在反向传播期间，dropout也会将相应的神经元的梯度设置为0，从而使这些神经元对损失函数的贡献被忽略。

35、所述dropout表示为：当训练一个深度神经网络时，我们可以随机丢弃一部分神经元（同时丢弃其对应的连接边）来避免过拟合，这种方法就称为 dropout (丢弃法)。 每次选择丢弃的 神经元 是随机的．最简单的方法是设置一个固定的概率 p进行丢弃。在训练神经网络模型的时候，常常会使用dropout来使得模型具有更好的泛化性，并防止过拟合。而dropout的实质则是以一定概率使得输入网络的数据某些维度上变为0，这样可以使得模型训练更加有效。

36、使用公式（2.5）的激活函数relu将输入的向量保留特征并映射到输出端，得到输出的时间预测结果：

37、（2.5）。

38、优选地，步骤（7）中，进行模型评估并修改包括超参数的修改、数据的筛选、模型及代码的改进与优化。

39、优选地，传输准确率测算方法为：发送方plc随机发出若干数据帧，并置奇偶校验位，接收方plc采用奇偶效验的方式，验证数据传输的准确性，并向发送方返回确认帧；根据确认帧与发送帧的比率测算出传输准确率。

40、优选地，通道健康值计算及故障点预测方法为：对于通道健康值的计算，使用加权平均的方式动态调节传输时间偏差与传输准确率占比权重：

41、(2.6)；

42、其中，为通道健康值，a、b分别为加权系数且a+b=1，为传输准确率，t为预测传输时间，为实际传输时间；

43、对于健康值低于0.6或传输准确率低于0.8的plc通道，给出plc通道健康状况差提示，并对比每一段通道的传输时间预测值标签与真实传输时间，对误差较大的通道段做出标记，给出优先检查建议；如传输时间与预测时间接近，则可以初步推断plc内部模件老化，处理命令速度变慢。

44、本发明可达到以下有益效果：

45、本发明专利对plc通道进行检测，以健康值形式反馈通道质量，对通道质量做出了趋势化分析，颠覆了传统的“先出问题后检查”的通道检修模式，对不合格通道做出了规避与预防，并能够对健康值不合格的通道进行分段分析，给出合理化建议，从而缩小消缺过程的检查范围，节省人力物力。