一种动力系统的设备控制方法及装置
本发明涉及动力系统控制技术,具体涉及核动力系统控制中核动力系统的数据监测技术。
背景技术:
1、工业设备运行过程中,需要通过工业传感器实时采集设备的温度、压力、流量、液位、转速等实际物理量,这些数据是设备运行状态的实时表征。例如,压力反映管路或容器中的流体状态,温度反映热交换过程,流量反映物料输送状态,液位反映储罐或反应器中的物料存量。
2、控制系统依据传感器数据对设备的运行状态作出判断,并进行下一步的控制。然而,电磁干扰、信号传输丢包、传感器老化或短时故障、或设备启停等不可控因素会导致传感器数据出现缺失,这使得控制器对设备运行状态的判断不够准确,并生成错误的控制指令,影响设备安全运行。因此,需要基于传感器时序信号的动态变化规律,对缺失测量值进行状态估计与补偿,并将补偿后的状态量输入工业控制系统,用于调节阀门开度、泵组频率、加热功率、冷却水流量、风机转速等执行设备。
3、现有的处理手段在应对这一挑战时显得捉襟见肘。传统的统计学填充方法(如均值填充、线性插值)虽然计算简单,但在处理具有复杂动态趋势的工业参数时,往往会抹杀数据的波动特征,制造出违背物理规律的“伪平滑”曲线。例如,简单插值无法重现流体管路中因阀门开闭引起的压力瞬变,这种物理信息的丢失极易误导后续的故障诊断模型。
4、随着复合深度学习的介入,基于单一深度学习模型(如rnn)的修复方法逐渐流行。然而,实际应用反馈表明,这类模型存在显著的适应性悖论:复杂的神经网络在处理海量非线性数据时表现优异,但在面对简单线性参数或小样本数据时却往往出现过拟合,且计算资源消耗巨大;反之,简单的滤波算法又无法应对长时序依赖的复杂工况。此外,现有的修复工具大多呈现黑箱特性,修复后的数据与原始数据混淆,缺乏直观的审计追踪机制,使得工程人员在复核时无法辨识哪些是真实测量值,哪些是算法估算值,这在严谨的工业安全领域是不可接受的。
5、综上,在工业设备控制过程中,对于出现缺失的工业传感器数据,现有处理方法的数据修复效果均不够理想,不仅影响设备控制,还增加了安全隐患。
技术实现思路
1、本发明的目的是为了解决现有技术的以上问题,提供一种动力系统的设备控制方法及装置,即便传感器数据存在缺失,也不影响对设备的控制,降低安全风险。
2、本发明的一种动力系统的设备控制方法包括:实时采集工业传感器时序数据,并统计各数据列数据统计特征,所述统计特征包括缺失率和最大连续缺失长度;根据各数据列的统计特征和物理属性,为每个数据列匹配修复模型,所述修复模型包括适用于线性且含高斯噪声数据列的卡尔曼滤波模型、适用于非线性及长时序依赖特征数据列的长短期记忆网络模型、以及适用于强非线性数据列的无迹卡尔曼滤波模型;根据所述缺失率对全部待修复列进行排序,生成计算任务队列,并依据所述计算任务队列,利用匹配的修复模型对相应列的缺失位置进行预测和填补,生成全量修复数据矩阵;构建与原始数据列数据矩阵相同结构的布尔型掩码矩阵,用于记录发生填补操作的数据坐标;将所述全量修复数据矩阵与所述掩码矩阵融合,得到融合矩阵;根据所述融合矩阵生成状态向量,根据所述状态向量生成控制指令,并将所述控制指令输入至设备,以控制设备运行。
3、可选地,所述方法还包括:利用所述掩码矩阵驱动渲染引擎,以对所述融合矩阵中修复区域的数据单元应用视觉显著化标记。
4、可选地,所述卡尔曼滤波模型的过程噪声协方差为:
5、
6、为第个传感器的物理量的基础过程噪声协方差;为缺失率权重系数;为数据列的缺失率;为连续缺失长度权重系数; 表示截至第 个时刻的当前连续缺失长度;表示预设参考缺失长度。
7、可选地,所述卡尔曼滤波模型的最终修复值为:
8、
9、其中,和分别为第个工业传感器对应的物理量所允许的最小值和最大值,为第个传感器在第个时刻的修复值。
10、可选地,所述长短期记忆网络模型的输入特征向量为:
11、
12、其中,表示缺失点之前的历史有效值或修复值,表示上一时刻设备控制量,表示截止到上一时刻的连续缺失长度,为缺失指示变量,为1表示上一时刻为有效实测值,为0表示上一时刻为缺失值;为第个传感器对应物理量的属性编码。
13、可选地,所述长短期记忆网络模型在训练和模型更新过程中引入物理约束损失函数:
14、
15、其中,为有效观测点的预测误差,表示第个传感器在第个采样时刻的测量值;为控制响应约束项;表示控制量变化对第个物理量的预期影响;为边界惩罚项;和为权重系数;为参数列的总采样点数量;为边界惩罚函数。
16、可选地,所述无迹卡尔曼滤波模型的非线性状态空间模型表示为:
17、
18、
19、其中,下角标表示时刻,下角标表示第个传感器,表示第个传感器在第个时刻对应物理量的状态向量,表示非线性状态转移函数,用于描述设备状态随时间和控制输入变化的规律;为非线性观测函数,用于描述传感器测量值与内部状态之间的关系;为时刻的控制输入;为过程噪声;为观测噪声;表示第个传感器在时刻的实际采样值。
20、可选地,所述方法还包括:根据所述掩码矩阵和当前连续缺失长度生成第个传感器或状态量在时刻的控制可信度,根据所述控制可信度调整所述控制指令,得到最终的控制指令:
21、
22、其中,表示根据修复数据生成的控制指令,表示安全控制策略。
23、本发明还提供了一种动力系统的设备控制装置,包括:数据特征提取单元,适于实时采集工业传感器时序数据,并统计各数据列数据统计特征,所述统计特征包括缺失率和最大连续缺失长度;修复模型匹配单元,适于根据各数据列的统计特征和物理属性,为每个数据列匹配修复模型,所述修复模型包括适用于线性且含高斯噪声数据列的卡尔曼滤波模型、适用于非线性及长时序依赖特征数据列的长短期记忆网络模型、以及适用于强非线性数据列的无迹卡尔曼滤波模型;队列构建与修复单元,适于根据所述缺失率对全部待修复列进行排序,生成计算任务队列,并依据所述计算任务队列,利用匹配的修复模型对相应列的缺失位置进行预测和填补,生成全量修复数据矩阵;掩码矩阵构建单元,适于构建与原始数据列数据矩阵相同结构的布尔型掩码矩阵,用于记录发生填补操作的数据坐标;数据融合单元,适于将所述全量修复数据矩阵与所述掩码矩阵融合,得到融合矩阵;控制单元,适于根据所述融合矩阵生成状态向量,根据所述状态向量生成控制指令,并将所述控制指令输入至设备,以控制设备运行。
24、本发明还提供了一种电子设备,包括:存储器;处理器;以及计算机程序;其中,所述计算机程序存储在所述存储器中,并被配置为由所述处理器执行以实现如上的动力系统的设备控制方法。
25、本发明具有以下效果:
26、一,实现了修复精度与计算效率的最优平衡。通过自适应路由机制,避免了用复杂的lstm网络去处理简单的线性数据,也避免了用简单的插值法去处理复杂的非线性趋势,使得每种数据都能匹配到性价比最高的算法。
27、二,具备极强的工程落地性与安全性。相比于纯脚本工具,本发明提供的可视化审计视图,让工程人员能够一眼识别出人造数据,极大降低了因数据篡改或误修带来的决策风险,为工业数据的二次利用提供了安全屏障。
28、三,大幅降低了数据治理的门槛。通过集成化的gui交互与全自动化的批处理逻辑,无需用户具备深厚的编程或算法背景,仅需简单的文件加载操作即可完成专业级的数据修复工作,显著提升了工业现场的数据治理效率。
29、本发明通过多模型自适应缺失数据补偿,将缺失时刻的工业状态量恢复为符合设备动态规律和物理约束的估计值,并进一步参与闭环控制计算,使控制系统在传感器短时缺失或连续缺失情况下仍能维持安全、连续、稳定的控制输出,适用于工业设备的预测性维护、工艺优化及能效管理。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com