基于鸟群算法的气动调节阀粘滞检测系统

静前

（江南大学 江苏 无锡 214122）

基于鸟群算法的气动调节阀粘滞检测系统

静前

（江南大学 江苏 无锡 214122）

文中提出了一种气动调节阀粘滞特性监测系统以及方法，结合鸟群算法优化了系统计算时效。系统主要包括从待诊断工业调节阀对应的控制回路中，采集一组过程数据，计算过程数据的频率谱，利用鸟群算法确定该过程数据的振荡周期，进一步结合分析过程数据的频率谱的分布特性，计算过程数据的气动阀粘滞性指数，若气动阀粘滞性指数在决策限区间之内，则待诊断气动调节阀的工作特性无粘滞性，否则待诊断气动调节阀具有粘滞性。采用仿真数据，验证计算了提出系统及方法的可行性，得到80%以上的分类正确率，实现了对气动调节阀粘滞特性的定量评估。

鸟群算法；气动调节阀；工业控制系统；粘滞性

现代过程控制系统中，流程控制设备具有结构复杂、变量繁多及规模庞大等特点，控制系统性能监控是提高控制系统性能的一项重要手段[1-4]。接近1/3的闭环控制回路处于振荡状态中，这些回路互相影响，非线性强，振荡的存在直接导致了产品生产效率低下，元件电路老化加速，大幅地影响了工业流程设备运行的经济效益和稳定性[5]。

改善控制系统性能的关键是诊断出控制系统性能下降的原因，对工业流程设备进行初步准确的振荡检测与故障诊断可减少停产时间，增加工业流程设备运行的安全性，同时降低制造成本。实际生产中，控制阀在控制回路中处于最终执行控制任务的地位，又被称为“末级控制元件”，是回路中唯一可移动的部分，所以约30%的控制回路振荡问题是由调节阀的非线性响应因素造成的[6-7]。气动调节阀因结构简单、动作性能稳定，维修方便等特点成为应用最为广泛的控制阀，其振荡非线性主要由粘滞，死区，磁滞及饱和效应引起，而粘滞引起的非线性是气动调节阀运用过程中最为普遍的问题[1]。这是因实际工业应用中，气动调节阀的流量特性需要与工业生产系统特性相一致，但生产过程中复杂的工艺环节使得气动调节阀的流量特性并不能将生产过程补偿至线性，总是存在过补偿或欠补偿等响应粘滞现象。传统的性能监控和振荡故障检测并不能有效判断控制回路中出现的振荡是否是由气动调节阀的粘滞特性引起的，不能为恢复和提高工业流程设备性能提供充足的诊断信息。

现有技术中，对于气动调节阀粘滞检测及故障源诊断，主要针对监测数据过程存在明显振荡的采集信号。主流的方法主要包括两大类：一类是基于非线性Hammerstein模型进行调节阀粘滞性参数辨识[2，4]；另一类是对该过程PID控制器参数进行辨识[3]。这些检测方法在实际应用中存在明显局限性，表现在采用辨识技术的诊断算法，需要过程输出和控制器输出两组数据，数据采集过程耗时且易受到更多外界噪声干扰，同时导致了计算复杂度大幅上升，再者计算准确度取决于较多参数的选取，和动态优化，参数初值选择依赖经验，优化易陷入局部最优解，对于动态特性复杂多样的系统而言，实际应用并不容易。针对这些缺点文献[8-9]提出了一种工业调节阀非线性工作特性诊断方法，其将识别粘滞性引起的非线性转化为识别控制回路数据的振荡周期，并建立了一套完整的诊断评估系统，然而其对于振荡周期的识别却依旧采用了传统的遍历识别算法，这使得其应用在实时性和高效性上可能无法达到工业生产需求。因此，文中拟采用新兴的智能优化算法，鸟群算法[5-6]（Bird Swarm Algorithm，BSA）来完成气动调节阀控制数据振荡周期的识别，从而进一步提高过程粘滞检测算法的实际应用，诊断工业调节阀是否具有非线性工作特性，并定量评估过程的非线性指数，对于提高调节阀粘滞性特征参数计算的准确性及确定诊断过程振荡的故障源有重要的实用意义。

1 鸟群算法原理与实现

鸟群算法[5-6]是现代智能优化算法的代表之一，其思想来源于模仿自然界中鸟群觅食或迁徙的过程，主要应用于最优化问题的求解，尤其是对于非平稳，非线性过程的寻优问题更能发挥其优势。气动控制阀的粘滞性监测，就是一个典型的非线性系统识别和检测问题，待识别的气动调节阀控制数据振荡周期正是采集的过程数据经过功率谱变换的频率最大峰值对应的时间周期。

具体而言，在使用鸟群算法时，每一只鸟均代表了一个潜在的最优解，一个鸟群就是一个解群，鸟群的迁移相当于解群的进化或改变，依照自然进化的理念，鸟群的每次移动均是收到群体内向着正确方向移动的鸟儿进行的，这种过程被定义为“好消息”驱动，其实际调节解群每次均向正确的最优解逼近收敛，鸟群最终的目的是找到食物或理想的栖息地，这相当于算法寻找的全局最优解。文中研究的重点就是通过解群来快速高效实现得到气动调节阀控制数据振荡周期。

假定最优解是存在于一个N维目标空间，初始化m鸟儿组成一个群落，每只鸟儿均在N维空间中具有一个自身的对应位置 Xi=（xi1，xi2， …，xiN）T，i= 1，2，…，m，鸟儿的飞行速度可由Vi=（vi1，vi2，…，viN）T，i=1，2，…，m，适应值 fitnessi=f（Xi）表征鸟儿处于所在位置时能否满足于当前的环境，则Pbesti和分别代表了第 i只鸟儿曾经达到的最大适应值或最优环境以及其对应的位置。Gbest为在群体所有鸟儿经历过的最佳位置，其索引号一般记为g。 则对于每一次迁徙，其飞行根据如下方程改变

上式中，vid为第X只鸟儿飞行速度矢量的第X维分量；xid为鸟儿X位置矢量的第 X维分量；r1，r2是[0，1]之间的随机数；c1，c2为加速度系数；w为惯性权重。式（1）中首项为鸟儿先前的速度；可直观看出，每一次的鸟儿迁移均受到其自身的最适应位置和全局的最适应位置调节，迭代更替的方向就是使得鸟儿快速向食物，即最适应位置靠近。

鸟群算法的实现步骤为：1）初始化鸟群，并假定其规模为l，在允许的范围内随机设置鸟群的初始位置和速度；2）评价每只鸟儿的适应值；3）对所有鸟儿的位置进行更新；4）根据式（1），（2）调整每一只鸟儿的位置和速度；5）检查终止条件，若达到最大迭代次数或最好结停滞不再变化，终止迭代。

2 系统设计部分

文中提供了一种气动调节阀粘滞特性检测的系统，从而实现识别调节阀非线性工作特性，提高工业控制的高效性和准确性。结合鸟群优化算法，能通过检测任意一组常规过程数据，实现对气动阀过程粘滞性特征的定量评估，并可提高振荡过程中故障源的定位精度，在提高经济效益方面具有重要的实用价值。具体包括如下步骤：

1）采集一组气动调节阀控制回路的电压或电流数据，也可以是代表实际物理含义的流量，压强，或热量数据，记为x（t），对该组数据进行功率谱估计，得到其对应的功率谱X（f）。

2）采用鸟群算法，从功率谱X（f）中识别出其频率主峰对应的频率数值fmax，进而计算得到其振荡周期T0=1/fmax。

3）计算功率谱X（f）的全频带的能量平均值或中位值，找到其对应的频率数值记为FML1；

4）计算功率谱X（f）的全频带能量的上四分位数和下四分位数，分别记为fup1和fdown1；

5）对x（t）进行重新采样，采样间隔为Ts=T0/2，得到一组新的时间数据x（ts），计算得到其对应的功率谱数据Xs（f）

6）重复步骤 3）、4），得到第二组 FML2，fup2和fdown2；

7）计算气动阀粘滞性指数Index为

若Index在决策限区间Ω内，则待诊断工业调节阀的工作特性是无粘性的，否则待诊断工业调节阀具有粘性特性。

上述决策限区间Ω的计算方法如下

其中，α为待诊断工业调节阀对应的控制回路中的粘滞发生概率，需要依据统计计算获取；δ为待诊断工业调节阀对应控制回路中测量仪表的最大相对误差，测量的最大相对误差可通过查询技术手册获得。

若待诊断工业调节阀的工作特性是线性的，则控制回路不含有粘滞现象，振荡故障源应考虑其其他过程扰动；反之，则说明若待诊断工业调节阀具有粘滞性，是气动控制阀可能的故障源。

3 结果分析和讨论

文中使用仿真程序得到一系列带有不同程度粘滞性的气动调节阀流量数据[1-3]，其中包括不具有粘滞特性的气动调节阀数据及粘滞特性明显的数据一共1 000组，其中具有粘滞特性的为900组，不具有粘滞特性的为100组。如图1所示，分别给出了两个数据示例。

图1 有无粘滞特性气动调节阀数据

图1直观反映了粘滞特性对于流量数据的影响，图1（a）为理想状态下的气动调节阀流量控制数据，其表现为周期性的方波数据；图1（b）为受到系统粘滞特性影响的数据，可看出粘滞特性实际改变了流量数据的幅度和周期节律。从频率谱上反映为不同频率能量分布的变化，寻找到频率主峰信息，并结合频率谱的统计分布特性，将在下面具体展示。

依据系统设计的算法流程，参考文献[1-3]设定Ω分析仿真数据集，图2展示了基于鸟群算法计算一个带分析具有粘滞特性信号的频率谱及振荡周期，图3进一步比较了传统遍历算法和鸟群算法在寻找振荡周期时效上的差异。

图2 鸟群寻找流量数据的频谱主峰最大值

图中纵轴代表不同频率的能量，横轴表示以π归一化的频率信息。在具体计算时，选择初始的鸟儿数量为40，初始位置随机生成，逐步寻优，最终收敛到振荡周期的频率主峰最大值点上。可由图2看出，鸟群算法在获取频率主峰对应的频率数值方面具有明显优势，图2中迭代1次表示初始状态，经过20步迭代计算后达到图2右上方的状态。此时，多数鸟儿已达到最优解附近，再经过10步迭代计算后，达到图2左下方所示状态，最后迭代收敛到最大值点上。依据鸟群算法，计算振荡周期频谱的最大谱峰被快速找到，迭代实现快速收敛。尤其是当计算的振荡周期数据庞大时，鸟群算法更能发挥其优势，下图给出理论分析的时间复杂度比较。

图3 传统遍历算法和鸟群算法寻优时间复杂度比较

上图中，☆表示传统算法的时间复杂度，*表征鸟群算法的时间复杂度，可以看出鸟群算法的时间复杂度是O（Cn），其中C代表设定的迭代次数，而传统遍历算法的时间复杂度为O（nlogn），随着计算量数据点的增多，鸟群算法的计算优势凸显出来。进一步的，依据系统设计部分所示计算流程，分析计算模拟生成的1 000组流量数据，计算每组数据的index，通过统计分析，结合分类区间，计算分类正确率。

图4 无粘滞特性流量数据Index分布与粘滞特性流量数据Index分布对比

图4的箱型图对比给出了计算得到的1 000组仿真信号的气动阀粘滞性指数Index在空间的分布，组1代表无粘滞特性的流量数据，其Index计算数据整体分布在1附近，呈现高斯分布特点，组2代表有粘滞特性的流量数据，其Index呈现更加宽泛的分布，近似均匀分布。从图中可看出，虽两种数据的Index存在一定的重合，但整体是可以基本区分开的，结合Ω分类得到的数据Index，最终得到仿真本文提出的气动调节阀粘滞特性监测系统的分类正确率在80%以上，充分说明了系统是高效可行的，能实现识别调节阀粘滞非线性工作特性[10-12]，从而提高工业控制的高效性和准确性，具有解决实际问题的能力和推广应用价值。

4 结束语

文中设计了一种气动调节阀粘滞特性监测系统，采用鸟群算法优化了整体计算的效率，是高效解决工业控制故障监测识别的具体方法。虽在实际工业应用中，80%的识别正确率已能够起到较好的效果，但未被正确的粘滞特性数据依然会造成整体控制的不稳定，引起生产流程迟滞或停止。进一步的研究重点依然是提高识别的正确率，考虑到在流量数据分析上，单纯的频率信息可能无法最好的反映出粘滞数据的非线性结构，这可能是整体识别精度难以进一步提升的关键。因此，考虑利用更适合非线性和非平稳的信号分析手段是下一步的主要方向，例如小波分析，从小波谱上研究气动调节阀的粘滞特征，并设计算法识别，以获得更高的识别准确度。

[1]丛雨，谢磊，王树青.气动控制阀粘滞模型的改进与比较[J].计算机工程与应用，2011，47（12）:234-238.

[2]Choudhury M A A S，Thornhill N F，Shah S L. Modelling valve stiction [J].Control Engineering Practice，2005，13（5）:641-658.

[3]Kano B M.Hiroshi Maruta，Hidekazu Kugemoto，Keiko Shimizu（2004）.Practical model and detection algorithm for valve stiction[C]//the Proceedings of the 7 th DYCOPS.2010.

[4]Garcia C.Comparison of friction models applied to a control valve[J].Control Engineering Practice，2008，16（10）:1231-1243.

[5]朱丽莉，杨志鹏，袁华.粒子群优化算法分析及研究进展[J].计算机工程与应用，2007，43（5）:24-27.

[6]黎红玲，罗林，刘好斌.带有正负反馈性质的粒子群优化算法[J].电子科技，2015，28（2）:35-37.

[7]方欣欣，龚如宾，李大为.基于余弦距离的多目标粒子群优化算法[J].电子科技，2016，29（3）:48-52，57.

[8]徐小平，钱富才，王峰.非线性系统辨识方法研究[J].计算机工程与应用，2010，46（6）:19-22.

[9]王刚毅.气动调节阀粘滞特性的建模与参数辨识[D].杭州:杭州电子科技大学，2013.

[10]韩俊林.控制阀粘滞特性建模、检测与补偿方法研究[D].杭州:浙江大学，2010.

[11]丛雨.气动执行阀粘滞特性建模与参数辨识方法研究[D].杭州:浙江大学，2010.

[12]Teixeira H T，De M S V S，Munaro C J.Comparison of methods for estimation and compensation of friction applied to an inverted pendulum[C]// Control and Automation （ICCA），2011 9th IEEE International Conference on.IEEE，2011:818-823.

[13]Teixeira H T，Siqueira V S D M，Munaro C J. Closed-Loop Quantification and Compensation of Friction in an Inverted Pendulum [J].Journal of Control Automation&Electrical Systems，2013，24（6）:794-805.

[14]张昭，张亮，夏春明.气动调节阀黏滞故障引起的回路振荡消除方法[J].华东理工大学学报:自然科学版，2016（1）:132-140.

Birds algorithm based pneumatic control valve stiction detection system

JING Qian
（Jiangnan University，Wuxi 214122，China）

This paper presents a monitoring system and method for the viscosity characteristic of pneumatic control valve.The system includes industrial valve to be diagnosed from the corresponding control loop，collecting a set of process data to calculate the frequency spectrum of process data，the use of birds swarm algorithm for determining the oscillation period of the process data，the further integration of the distribution of frequency spectrum analysis data characteristics，pneumatic valves viscosity index calculation process data.if the pneumatic valve viscosity index is in the range of the decision limit which refers to be the non-viscouscharacteristics of diagnosed operatingpneumatic control valve，or else to be diagnosed pneumatic control valve having a viscosity.Using simulated data to verify the feasibility of the proposed system and computing methods，the results obtain more than 80%accuracy of classification，which archives quantitative characteristicsassessment of pneumatic control valve stiction.

birds swarm algorithm；pneumatic control valve；industrial control systems；stiction

TN99

：A

：1674－6236（2017）06-0031-04

2016-03-30稿件编号：201603404

静 前（1988—），男，山东菏泽人，硕士。研究方向：调节阀粘滞特性建模与方法。