混合小波–卷积神经网络框架:用于控制回路中智能阀门粘滞现象的检测
Shaveen Maharaj,
Nelendran Pillay,
Kevin Emanuel Moorgas,
Navin Singh
《Actuators》:Hybrid Wavelet–CNN Framework for Intelligent Valve Stiction Detection in Control Loops
Shaveen Maharaj,
Nelendran Pillay,
Kevin Emanuel Moorgas and
Navin Singh
【字体:
大
中
小
】
时间:2026年05月02日
来源:Actuators 2.3
编辑推荐:
摘要 阀门粘滞现象在工业控制回路中仍然是一个持续存在的非线性问题,它常常引发极限环振荡,从而降低控制性能、影响系统稳定性并减少工艺效率。因此,可靠地检测粘滞现象对于基于状态的维护和提升运行性能至关重要。本研究提出了一种混合小波-卷积神经网络(HW-CNN)
摘要 阀门粘滞现象在工业控制回路中仍然是一个持续存在的非线性问题,它常常引发极限环振荡,从而降低控制性能、影响系统稳定性并减少工艺效率。因此,可靠地检测粘滞现象对于基于状态的维护和提升运行性能至关重要。本研究提出了一种混合小波-卷积神经网络(HW-CNN)框架,用于检测闭环系统中的阀门粘滞现象。该方法利用连续小波变换(CWT)生成时间-频率标度图,以保留与粘滑行为相关的局部能量分布,包括瞬态释放事件和持续振荡模式。随后,这些表示通过经过微调的深度残差神经网络进行处理,以实现自动特征提取和分类。与传统基于信号的方法或通用的时间-频率学习方法不同,所提出的框架旨在在特征表示中保留控制系统特有的动态特性,从而在不同运行条件下提高粘滞特征的可分离性。该方法使用模拟控制回路数据和来自国际粘滞数据库(ISDB)的真实工业数据集进行评估,确保在受控和实际条件下进行评估。为了提高可靠性,性能指标是基于多次实验运行的平均值。结果表明,所提出的HW-CNN框架在模拟数据集上的准确率为96.1%,F1分数为96.0%;在工业数据上的准确率为90.4%,F1分数为90.0%。进一步分析表明,即使在现实世界条件下的变化性增加,该模型仍能保持一致的检测能力。此外,通过Grad-CAM分析支持模型的可解释性,显示网络关注标度图中与已知粘滞动态相对应的物理意义区域。研究结果证实,将基于小波的特征编码与深度残差学习相结合,为阀门粘滞检测提供了一个稳健且可解释的框架。
1. 引言
阀门粘滞(由“粘附”和“摩擦”两个词衍生而来)是工业过程控制系统中的一个普遍问题,尤其是在化工厂中,成千上万的控制回路调节流体通过阀门的流动。当控制阀门的静摩擦力超过动摩擦力时,就会发生粘滞现象,导致阀门无法平滑响应控制信号。虽然看似机械问题,但这一现象可能导致闭环系统中的持续振荡,进而降低工艺效率、增加能源消耗、产生材料浪费并引发安全问题。准确识别粘滞现象对于有效的工艺优化至关重要。传统的检测方法,如Choudhury提出的基于双相关性和贝叶斯信息准则(BIC)的椭圆拟合技术,通过分析频率过滤后的控制器输出(OP)和过程变量(PV)之间的关系来推断粘滞现象[1]。尽管这些方法具有可解释性并基于工程理论,但它们通常需要长时间的清洁、无噪声数据以及先验的系统知识,这些限制降低了其在实际应用中的鲁棒性和可行性。
近年来,机器学习(ML)和人工智能(AI)的进步为过程工业带来了新的工具,使得能够从数据中自动学习并适应性地改进系统监控、控制和维护。ML技术广泛应用于推理测量、故障诊断、自动比例-积分-微分(PID)调节和预测性维护等任务。在阀门粘滞领域,出现了多种基于ML的方法,例如结合K-means聚类的移动窗口方法来检测粘滞和突然的阀门关闭[2]。同样,研究人员还引入了基于回归和Sigmoid的方法,通过分析PV和OP信号的导数来量化粘滞现象[3]。更近期的方法利用多层感知器(MLP)网络和支持向量机(SVM)进行故障检测[4]。虽然这些方法有效,但它们往往容易受到噪声的影响,并且依赖于手工制作的特征。相比之下,深度神经网络(DNN),特别是卷积神经网络(CNN),通过直接从高维输入数据中学习复杂的非线性关系,提供了更强的能力。CNN在信号处理和故障诊断方面取得了成功,包括粘滞检测[5]。然而,它们的性能严重依赖于大量标记数据,而在工业环境中这类数据较为稀缺。为了解决这个问题,研究人员采用了基于模拟的数据增强技术。Choudhury的阀门粘滞模型方法被用来生成ResNet50 CNN的训练数据,并使用国际粘滞数据库(ISDB)的真实世界数据集进行了验证[1]。其他贡献,如基于蝴蝶形状的检测方法,展示了CNN在无模型粘滞检测中的日益集成[6]。
尽管取得了这些进展,但仍存在一些挑战。深度学习模型往往作为“黑箱”运行,限制了其可解释性。此外,它们对模拟参数的敏感性可能会影响其泛化能力。最近的研究通过三种主要的方法论类别解决了深度学习模型的可解释性限制。首先,事后解释技术,如显著性图和梯度加权类激活映射(Grad-CAM),提供了模型决策的可视化解释;然而,这些方法往往对噪声敏感,并且在相似输入下可能缺乏一致性。其次,内在可解释的架构旨在将透明度嵌入模型结构中,但这通常会限制表示能力并降低复杂非线性系统中的分类性能。第三,混合和物理信息驱动的学习框架将领域知识与数据驱动模型相结合,在可解释性和预测准确性之间取得平衡。虽然事后方法提高了模型透明度,但它们不能保证因果可解释性,而混合方法则展示了更好的鲁棒性和物理一致性,特别是在工业故障诊断领域。因此,本研究将基于小波的特征编码与CNN架构相结合,符合向可解释的、物理指导的深度学习模型发展的趋势[7]。
为应对这些挑战,本研究提出了一种混合方法,将领域知识与深度学习相结合。我们在传统方法的椭圆拟合概念基础上进行了扩展,以预处理模拟和真实工业数据,消除了对高斯和线性测试的需求。为了提高信号质量,应用了基于小波的重建技术,以保留相关的空间和频率成分,并提高OP/PV图中的模式可见性。所提出的方法在ISDB的真实工业数据集上进行了评估[8],证明了其鲁棒性、准确性和适用性。通过解决当前在泛化能力和可解释性方面的不足,该研究为过程工业中的更安全、更高效和自动化的控制回路监控做出了贡献。虽然时间-频率表示与深度学习的结合在故障诊断中已被广泛报道,但将其直接应用于闭环控制系统中的阀门粘滞问题并不简单。粘滞现象引入了非线性的粘滑行为,产生由控制器-过程相互作用控制的极限环振荡和不对称瞬态,而不仅仅是纯粹的信号驱动异常。这些特性在传统的时域或频域分析中往往无法充分捕捉,许多现有的基于时间-频率的CNN方法也没有明确考虑这些特性。
在这项工作中,使用连续小波变换(CWT)标度图来保留与粘滞现象相关的局部能量模式,使得间歇性粘附、释放事件和持续振荡在结构化的时间-频率域中得到表示。与通用的基于图像的实现不同,标度图的构建和选择与系统的控制行为相匹配。此外,基于ResNet50的迁移学习策略被调整以提取与过程信号特性一致的特征,而不是自然图像特征,从而提高了学习表示的相关性。因此,本研究的贡献在于开发了一个基于控制的时-频率学习框架,该框架将基于小波的特征编码与深度残差网络相结合,专门用于捕捉闭环工业系统中的非线性阀门粘滞特征。
1.1 动机和贡献
由于静摩擦力和动摩擦力之间的差异导致的粘滞现象可能在闭环系统中引入持续振荡,从而导致能源消耗增加、材料浪费加剧以及安全性降低。尽管其影响显著,但由于工业环境的复杂性和传统及现代技术的局限性,准确检测阀门粘滞仍然具有挑战性[3]。传统的基于特征工程的方法,如BIC方法,提供了可解释性,但受到对清洁、长时间数据集和特定系统知识的依赖限制。相反,ML和AI技术在故障检测应用中显示出潜力,能够学习过程数据中的复杂非线性模式。然而,这些方法往往受到标记工业数据稀缺性和操作黑箱性质的阻碍[9]。本研究通过开发一种混合阀门粘滞检测框架来应对这些挑战,该框架结合了基于小波的信号处理和基于CNN的模式识别,特别是ResNet50。CWT的使用实现了有效的信号去噪和增强,而CNN提供了区分粘滞和非粘滞行为的强大模式识别能力。
本研究的主要贡献如下:
- 开发了一种混合检测框架,将传统工程原理与先进的深度学习相结合,以提高准确性、可解释性和适用性。
- 实施了基于小波分解的信号预处理,增强了与故障相关的特征,同时最小化了噪声和无关波动。
- 应用了基于CNN(ResNet50)的迁移学习,以便使用有限的标记数据进行有效分类。
- 通过数据转换技术使模拟应用与实际应用保持一致,减少了模拟数据集和工业数据集之间的差异。
- 在国际粘滞数据库(ISDB)的基准数据上进行了验证,证明了所提出方法的鲁棒性和可靠性。
1.2 控制阀门粘滞
当高静摩擦力阻止阀门移动,直到执行器力超过阻力时,就会发生粘滞现象,导致突然的“跳跃”随后是“滑动”。这种非线性现象已被广泛研究,关键模型包括两参数(死区+滑动-跳跃)和四参数(死区、粘滞区、滑动-跳跃和移动摩擦)模型。当阀门在图1a中的A点停止或改变方向时,阀芯与阀座之间的粘附会导致阀门粘住。死区是指阀门对给定输入(控制器输出)范围无响应的区间。当受粘滞影响的阀门处于完全打开或完全关闭位置时,由于静摩擦力的作用,它会停留在该位置(死区加上粘滞区)。当控制器输出克服阀门的静摩擦力时,阀门会突然跳到新位置(滑动和跳跃),然后自由移动(移动阶段)[1]。图1b展示了控制阀组件内部发生粘滞的机械区域,强调了静摩擦力和动摩擦力之间的相互作用。已经提出了多种检测方法,包括基于形状的技术(例如椭圆拟合)和基于模型的方法,其中最近的进展采用了数据驱动策略,如ML,来增强粘滞识别。然而,缓解粘滞现象仍然具有挑战性,通常需要阀门维护、润滑或高级控制调节。对粘滞机制的深入理解,结合附图的支持,对于提高控制回路性能和减少工业应用中的能量损失至关重要[10]。
1.3 阀门粘滞的物理模型构建
本节描述了阀门摩擦的潜在机制,这再现了实际工业过程数据中观察到的行为。对于气动滑动阀杆阀门,可以使用牛顿第二定律来描述力平衡:
(1)
这里,M表示阀门移动部件的质量,x表示阀杆的相对位置。执行器力定义为,其中是隔膜面积,u是执行器的空气压力或输入到阀门的信息。弹簧力表示为,k表示弹簧常数。流体压力差产生的力表示为,α表示阀芯的不平衡面积,是阀门两侧的压力差。其他力包括将阀门压入阀座的力,以及摩擦阻力。由于它们的影响可以忽略不计,因此从模型中省略了和[11]。
该模型区分了静摩擦力和动摩擦力。方程(2)的第一部分描述了动摩擦力,包括一个常数项Fc(库仑摩擦力)和一个与速度线性相关的粘性项。这两个分量都与运动方向相反,如负号所示。
(2)
方程(2)的第二部分表示阀门卡住的情况。在这种情况下,阀门的速度和加速度都为零,导致牛顿方程右侧的净力为零。因此,摩擦力变为。方程(2)的第三部分描述了运动开始时的脱离瞬间。在这一点上,净力可以表示为,当的幅度超过静摩擦阈值时,净力变为非零。这种不平衡状态会引发加速度,导致阀门开始移动。2. 相关研究 2.1. 基于数据的阀门粘滞检测方法阀门粘滞检测已经从传统的信号分析发展到利用常规可用的过程数据的高级机器学习和深度学习技术。经典的几何方法,如PV/OP图,仍然是基础。这些视觉诊断方法可以从特征性的迟滞环中推断出粘滞现象,而无需直接测量执行器变量。Choudhury等人首次使用椭圆拟合和BIC方法对过滤后的PV/OP数据进行粘滞检测,在长时间、准静态的数据集上实现了高水平的区分度[12]。然而,这种方法依赖于长时间的未受干扰间隔,并且对噪声敏感,这限制了其在动态工业环境中的实用性。最近的深度学习方法利用自动特征提取来提高可解释性和泛化能力。混合深度架构,如Toeplitz矩阵编码与CNN-LSTM相结合,被提出用于保留OP和PV信号中的空间和时间模式,并在公共数据集上实现了约90.47%的分类准确率[13]。尽管这些方法很有前景,但它们复杂,需要大量的训练数据,并且计算成本较高,这阻碍了它们在大规模工业环境中的实时应用。另一种图像编码策略是基于Poincaré图的CNN,它将单个时间序列转换为二维表示,并将其输入到CNN分类器中[14]。这种方法消除了对多通道数据的需求,但迄今为止仅进行了定性评估,报告的“满意”分类性能;可用的文献中没有一致披露F1分数或召回率等明确指标,使得定量比较变得困难。另一种基于学习的混合方法是CNN-PCA框架,它将卷积特征与主成分分析相结合,用于粘滞检测和严重程度识别[15]。在基准工业循环中,这种方法显示出平衡的假阳性和假阴性率,但已发表的结果表明,与表现最好的深度学习方法相比,其分类指标相对较低(例如,在国际粘滞数据库上使用CNN-PCA的F1分数约为0.70[16])。通过T2和Q统计量进行严重程度量化增加了实际的可解释性,但性能对PCA窗口大小和阈值选择很敏感。除了卷积分类器之外,还探索了Markov过渡场(MTF)+ CNN编码,将OP/PV序列转换为概率状态转移图像,用于CNN训练[11]。初步研究报道了来自不同工业领域的大多数循环的正确分类;然而,这些工作尚未发布精度、召回率或F1分数等标准性能指标,限制了与其他方法的严格比较。2.2. 现有方法的局限性和研究空白无论是传统方法还是现代方法,都存在几个局限性:缺乏标准化指标:许多提出的方法,特别是Poincaré-CNN和MTF-CNN,没有报告完整的F1分数、精度和召回率结果,这阻碍了客观比较和基准测试。这与CWT-CNN和CNN-LSTM模型的更成熟评估形成对比[13,17]。泛化到真实世界数据:主要在模拟数据集上训练的技术在应用于噪声较大、时变工业信号时往往表现不佳。混合方法如Toeplitz CNN-LSTM旨在解决时间复杂性问题,但需要大型、标记的数据集和大量的训练工作[13]。同样,集成CNN-PCA模型显示出平衡的检测能力,但与基于深度图像的分类器相比,其F1分数较低[16]。可解释性与复杂性:像椭圆拟合和CNN-PCA这样的传统方法提供了可解释的严重程度指标,但代价是对时间-频率动态的敏感度降低以及在非平稳条件下的鲁棒性受限。复杂的深度学习架构(例如CNN-LSTM)提供了更丰富的特征学习,但计算和数据强度要求较高。实时适用性:大多数先进方法都是离线评估的,而实时实现尚未得到充分探索,特别是对于需要大量预处理的混合CNN-LSTM和MTF方法。严重程度量化:尽管像CNN-PCA这样的方法提供了严重程度分类(弱与强),但很少有研究提供一致的数值严重程度分级以及检测结果。这些局限性促使了HW-CNN标度图分析的发展,它将阀门动态编码为时间-频率表示,并利用CNN特征提取来捕捉瞬态和非平稳行为,而不会导致模型过于复杂。通过结合CWT和深度CNN,HW-CNN在保持对瞬态滑移事件和长期振荡模式的敏感性的同时,提供了稳健的分类性能,解决了泛化、可解释性和实时适用性方面的关键问题[17,19]。3. 材料和方法所提出的HW-CNN结合了基于连续小波变换的预处理和深度CNN分类。小波阶段的目的是将非平稳时间序列信号(OP和PV)转换为保留由阀门粘滞引起的瞬态和振荡行为的二维时间-频率表示。通过将信号分解为局部频率带,小波阶段增强了区分性的频谱时间模式,并在CNN特征提取之前最小化了噪声效应[19]。然后CNN对这些标度图图像进行处理,以学习与粘滞-滑移转换相对应的空间相关性,形成了一个端到端的HW-CNN流程,专为粘滞识别而优化[20]。在控制阀门动态过程中,粘滞在OP和PV的时间序列信号中产生了特征性模式。在粘滞阶段,阀门保持静止或仅发生微小变化,产生由低频内容主导的平坦或缓慢变化的OP段。一旦控制信号超过组合的死区和静摩擦阈值,阀门就进入滑移阶段,其特征是OP和PV的突然跳跃,引入短暂的高频爆发。这些行为在相应的小波标度图中清晰地表现出来,其中粘滞区域在低频带中表现为低至中等能量浓度(通常显示为绿色或蓝色斑块),而滑移事件在高频带中形成局部的高能量簇(显示为红色或黄色岛屿)。在循环粘滞条件下,这些交替区域会随时间周期性出现,再现了时域响应中的粘滞-滑移节奏[21]。图2展示了所提出的HW-CNN框架的概念性示意图。在所提出的HW-CNN框架中,这些标度图特征作为CNN自动学习空间-时间相关性的视觉签名。该网络能够识别和区分不同尺度下的粘滞、滑移和转换模式,无需手动特征工程即可实现粘滞和非粘滞阀门行为的稳健区分。3.1. 框架集成到CNN流程中标准化的标度图图像,具有可复制的颜色幅度映射,作为CNN训练和分类的一致输入。这种视觉验证确保CNN不仅基于抽象的图像特征进行训练,还基于物理阀门动态的可解释表示进行训练。转换后的标度图图像被组织成粘滞和非粘滞两类,并用于训练CNN分类器。这种预处理流程保留了振荡、延迟和非线性阀门特性等复杂动态,从而通过将特定频率的行为直接嵌入图像域来提高分类准确性[22]。3.2. 连续小波变换(CWT):标度图从小波变换(CWT)中得出,已成为分析工业过程控制循环中阀门粘滞现象等非平稳信号的有价值诊断工具。与仅提供全局频率分辨率的傅里叶基方法不同,CWT能够进行局部时间-频率分析,从而增强了瞬态事件和非线性行为的可解释性[23,24]。时间域信号x(t)(OP或PV)的CWT数学表示如下:(3)其中表示母小波的复共轭。能量密度(每时间尺度)表示如下:(4)其中分别表示尺度参数和平移参数,表示母小波函数。在本研究中,采用了分析Morse小波,这与最近研究主张其对于动态系统具有更好的分辨率和可调性一致[25]。标度图定义为平方幅度2,作为时间和尺度上能量分布的二维表示。这些图像特别适合输入到需要结构化空间特征的CNN中。最近的研究表明,基于标度图的输入在使用深度学习模型检测微妙控制回路异常方面显著优于原始时间序列信号[26]。此外,在CWT之前经常使用低通巴特沃斯滤波器等滤波技术来减少噪声并增强相关信号成分[27]。标度图中功率的归一化提高了对比度,使缺陷特征更加明显。这种方法在最近专注于非线性控制系统故障诊断的工作中取得了显著成功。因此,CWT派生的标度图与CNN的集成提供了一种稳健的方法,用于检测阀门粘滞,实现了高精度和泛化的自动化、基于图像的故障分类。3.3. 基于标度图的预处理用于特征提取原始OP和PV信号最初使用CWT进行时间-频率分析和可解释性预处理。然而,只有OP派生的标度图被用作CNN分类器的输入。PV信号不参与模型训练或分类阶段;相反,它可以用于比较分析和粘滞行为的物理解释,特别是为了建立时间-频率相关性并验证粘滞-滑移动态的存在。这种区分确保了学习过程专注于执行器级别的非线性,同时保留了基于PV的洞察力以增强可解释性。与DWT不同,DWT在低频处的分辨率有限[22],CWT提供了高分辨率、冗余的时间-频率表示,能够稳健地检测控制信号中的非平稳和瞬态特征。CWT通过将信号与时间和频率都局部化的小波家族进行卷积来分析信号,特别适用于捕捉指示阀门粘滞的信号不规则性[22,28]。得到的CWT系数被转换为2D和3D标度图图像,代表归一化的小波功率谱。这些标度图使用喷射颜色图进行颜色映射,并调整到CNN输入的标准分辨率。研究表明,使用标度图可以提高深度学习在时间序列分类任务中的性能,特别是在工业条件监测和故障诊断中[29]。3.3.1. 标准化颜色-幅度映射和视觉验证框架为了建立标度图特征与粘滞现象之间的可解释链接,实施了以下框架:信号采集和转换:在粘滞和非粘滞情况下生成了PV和OP的闭环时间序列数据。对这些信号应用CWT以产生标度图,编码时间-频率域中的信号能量分布。标准化颜色-幅度映射:采用了固定的颜色方案(红色、绿色、蓝色和黄色),其中较暖的颜色(如红色和黄色)对应较高的小波系数幅度,较冷/较暗的颜色(如绿色、蓝色、黑色)表示较低的幅度。这种映射在所有标度图中保持不变,以确保粘滞和非粘滞数据集之间的可比性。红色、绿色和蓝色的颜色图(混合颜色为黄色/黑色)直接对应于图3和图4中的相对能量强度。图3. 作为标度图上方子图的PV和OP信号的示意图,提供了时域到频率域的相关性。(a)具有平坦区域的执行器(阀门)输出(模拟粘滞情况)。(b)延迟和失真的系统响应。(c)小波变换突出显示能量集中;黑色轮廓标记粘滞区域。图4. 非粘滞控制回路响应的比较:(a)显示名义条件下PV和OP信号的时间域图;(b)由PV和OP信号的CWT构建的RGB 3D小波标度图。图像结构确认了没有阀门粘滞的平稳运行状态。时间-频率颜色关联:标度图中的高能量振荡内容与时间序列中观察到的粘滞-滑移转换系统地相关。低能量稳态运行区域始终由较冷的色调表示,视觉上强化了没有粘滞的存在。视觉验证程序:首先对时间序列图进行注释,标记出疑似粘滞的区间,如持续振荡或不对称的阀门响应。标度图中相应的区域被突出显示,其中暖色调的簇确认了高能量非线性动态的存在。在非粘滞情况下,标度图主要显示较冷的色调,暖色调的过渡最小,确认了阀门的稳定行为。对于阀门粘滞检测,分析集中在CWT系数的能量分布上,计算如下:(5)这种表示对应于小波功率谱,它捕捉了信号能量在时间和频率上的分布。实际上,使用平方幅度2而不是原始幅度,因为粘滞通常会引起明显的低频振荡成分,其在功率域中的能量对比更加明显。所得到的时频能量图在进行RGB映射之前会被归一化,以确保动态范围的一致性以及粘附和非粘附情况之间的可比性。当能量强度被编码到颜色尺度上时,每个时频坐标处的强度就形成了频谱图图像,这使得卷积神经网络(CNN)能够从多尺度的时间-频谱特征中学习出与粘附相关的模式。图3展示了PV和OP信号作为频谱图上方的子图,提供了时域到频域的相关性。这种布局直观地将OP中的时域平缓区域与PV中的频域异常区域联系起来,从而清晰地说明了本研究中粘附检测的合理性。图4b展示了阀门粘附条件下OP信号的频谱图俯视图,并揭示了独特的诊断特征。值得注意的是,低频处明显的红色和黄色区域与反复的粘滑行为相关。这些局部的高能量带反映了控制信号的突然变化,这些变化穿插在稳定运行的间隔中。与平稳运行相比,粘附情况表现出突然的颜色变化和高频处的离散能量簇。这些“能量岛”表明了阀门的间歇性运动和摩擦力的不规则释放,产生了频率内容的突发。频谱图的整体纹理显示出更大的方差和更不均匀的梯度,表明了机械“粘附”引入的非线性动态。这种颜色和强度信号的分布表明了控制动作在时间和强度上的更大变异性,从而为阀门粘附的存在提供了定性证据。图4b中的图像揭示了以下内容:能量在低频带中均匀分布,对应于缓慢的过程动态;没有突然的瞬变或局部的高频爆发,证实了控制器与过程的平稳交互;缺乏水平脊或垂直边缘模式,这些通常与不连续的跳跃或阀门粘附事件相关。这种结构化且噪声被抑制的频谱图为训练CNN提供了理想的参考类,CNN依赖于稳定的背景模式和在故障分类任务中可区分的异常。
3.3.2 CNN架构和训练
阀门粘附分类阶段使用基于ResNet50架构的二维卷积神经网络来实现,选择该架构是因为它已被证明能够学习深度层次表示,同时通过恒等跳过连接来缓解梯度消失问题[30]。该网络处理仅从OP信号生成的小波基频谱图图像,这些图像直接反映了执行器的粘滑行为和与阀门粘附相关的死区效应[10,31]。使用预训练的ResNet50主干网络作为特征提取器,该网络初始化时采用了ImageNet的权重。原始的分类头被移除,保留了卷积主干和四个由恒等映射组成的残差阶段。这些残差连接使得梯度传播稳定,并有助于提取嵌入在时频域中的多尺度粘附相关模式[32,33]。最终残差块产生的高级特征图通过全局平均池化(GAP)层,减少了空间维度,同时保留了显著的激活特征并提高了泛化能力[33]。随后是一个具有128个神经元和ReLU激活函数的全连接层,以实现非线性特征交互。为了在微调过程中抑制过拟合,应用了0.5的dropout层。最终分类使用具有Sigmoid激活函数的单神经元密集层来完成,得出阀门粘附的后验概率。网络训练使用Adam优化器进行,学习率为1 × 10^-4,并采用二元交叉熵损失函数。每次处理64张频谱图图像,最多进行100个周期。基于验证损失的提前停止策略,耐心值为10个周期,以确保收敛性同时防止过拟合。为了避免影响粘附识别的时频结构的物理真实性,故意避免了图像增强[34]。这种基于迁移学习的ResNet50框架在工业数据有限的情况下能够实现可靠的阀门粘附检测,并且与控制和状态监测研究中最近报告的基于CNN的故障诊断方法一致[33]。图5展示了用于阀门粘附检测的采用的ResNet50架构。图6展示了所提出的2D模型结构,其中时间序列(PV和OP)图被转换为2D频谱图,只有OP作为输入传递给CNN。选择OP频谱图作为CNN分类的主要输入,因为阀门粘附直接体现在执行器的运动中,这通过特征性的粘滑模式、死区效应和突然的不连续性在OP信号中得到反映[1]。相比之下,PV响应受到过程动态、传输延迟和外部干扰的影响,这些因素可能会减弱或掩盖粘附引入的非线性特征。因此,OP提供了更敏感和直接的阀门非线性指标,而PV则包含了降低粘附与正常行为在特征空间中可分离性的次要过程效应。先前的研究也类似地强调了基于OP的分析的诊断优势,指出在执行器域中粘附症状更为明显且较少依赖于过程[12]。因此,使用OP频谱图增强了CNN对粘附检测的区分能力,同时减少了来自植物动态的混淆影响。
4. 实验设置
在本节中,我们描述了用于评估所提出方法的实验设置。提供了数据集、评估指标和实现细节。
4.1. 数据生成
为了克服标记工业数据的稀缺性,使用模拟的闭环系统生成了合成数据集。为了生成反映真实阀门粘附条件的高保真时间序列数据,实现了一个单输入单输出(SISO)反馈控制回路,该回路采用了阶跃加死时间(FOPDT)过程模型。这代表了广泛工业过程控制系统的情况,其中传输或执行延迟和缓慢动态主导了系统响应。过程传递函数由以下公式给出:
(6)
其中,是过程增益,min是过程时间常数,是死时间。过程从如下实现的PI控制器接收输入:
(7)
控制器调优被改变以模拟不同的闭环响应水平。闭环系统在设定点处接收到单位阶跃变化,并运行10分钟,采样间隔为0.01分钟,每次模拟产生1000个数据点。为了确保连续时间公式和仿真框架之间的一致性,过程和控制器模型按照以下小节所述进行了离散化。
4.2. 连续到离散模型转换
为了确保连续时间公式和数值仿真框架之间的一致性,将方程(6)和(7)中定义的过程和控制器模型转换为它们的离散时间等效形式。这种转换对于数字实现是必要的,因为在数字实现中信号是在有限间隔内采样的,并且是迭代处理的。
4.2.1. 过程模型的离散化
过程动态由阶跃加死时间(FOPDT)模型在方程(8)中表示:
(8)
转换为状态空间形式为:
(9)
为了获得离散时间表示,应用前向欧拉积分方法。时间导数近似为:
(10)
代入连续时间模型后得到:
(11)
其中表示离散时间样本延迟。重新排列后,离散时间过程模型表示为:
(12)
这种公式描述了过程状态作为其当前值和延迟控制输入的函数的变化。死时间通过有限长度的延迟缓冲区来实现。
4.2.2. PI控制器的离散化
连续时间PI控制器定义如下:
(13)
其中和分别表示比例增益和积分时间常数。积分项使用前向矩形积分近似为:
(14)
因此,离散时间控制律变为:
(15)
离散积分增益直接从连续时间公式中得出,这在离散时间控制器实现中表现为缩放项。
为了高效实现,控制器以增量形式表示为:
(16)
其中是控制误差。
4.2.3. 集成离散时间仿真框架
完整的离散时间控制回路在每个采样时刻依次实现如下:
误差计算:
(17)
控制器更新:
(18)
4.2.4. 粘附模型的阀门非线性
控制信号通过非线性阀门模型处理以产生有效的阀门输出。
带有延迟的过程更新:
(19)
测量输出:
(20)
其中表示加性高斯噪声。
所提出的离散化建立了连续时间模型与其离散时间实现之间的直接分析关系。使用前向欧拉积分确保了计算效率,同时保留了系统在足够小的采样间隔内的基本动态。包含延迟缓冲区准确地表示了传输延迟,这在工业过程系统中至关重要。这种公式确保了仿真框架的一致性、可重复性,并与理论模型对齐,从而能够可靠地生成用于后续小波基特征提取和深度学习分类的时间序列数据。衍生的离散时间模型构成了用于生成粘附和非粘附数据集的仿真框架的基础,确保了理论公式与用于训练所提出的HW-CNN模型的数据之间的一致性。
4.3. Choudhury阀门粘附模型
根据第4.2节中提出的离散时间公式,使用Choudhury粘附模型对控制阀门的非线性行为进行了建模[1]。该模型包含两个物理参数:
静态摩擦(),这是使阀门脱离所需的最小输入变化幅度。
动态死区(),这表示“脱离”后阀门继续移动所需的最小变化。
该模型具有类似滞后的逻辑;即,当控制器的输出增量低于时,阀门保持在其最后一个输出位置。一旦超过,阀门可能开始移动。如果随后的增量仍然低于,则阀门会重新粘住。这种行为引入了离散非线性和循环跳跃,在过程输出中可以观察到。仿真在MATLABTM(2024b)中实现,其中过程动态使用前向欧拉积分进行了离散化。使用了延迟缓冲区来模拟10分钟的过程死时间。在每个时间步长(k)执行以下操作:
控制器计算误差:
(21)
并输出控制信号:
(22)
阀门接收OP(k)并使用Choudhury模型根据与前一个输出(?u)的比较来确定是移动还是保持粘住。然后将延迟的阀门信号输入过程模型:
(23)
其中表示高斯噪声。
表1展示了仿真框架中使用的参数集合。这些参数经过战略性地选择,通过改变控制回路的激进程度、粘附严重性和测量噪声水平来覆盖广泛的操作范围。具体来说,控制器调优参数,比例增益和积分增益在定义的范围内变化(即),以模拟保守和激进调优的控制系统。这种变化影响了控制回路的响应性和稳定性。因此,它影响了系统对非线性阀门行为的响应[35,36]。同时,粘附模型参数,静态摩擦和动态摩擦被系统地修改以模拟各种故障严重程度:纯粘附(S型)通过设置来模拟,而粘滑(J型)行为通过强制来实现。这些值是从范围内选取的,以确保故障动态的多样性表示[1]。此外,在过程变量上叠加了方差为的白高斯噪声,以模拟现实世界的传感器干扰。表1. Choudhury粘附模型数据集的仿真参数。这个随机成分为模拟数据增添了真实性,对于在噪声条件下测试故障检测模型的鲁棒性至关重要[34,35]。这些参数集的阶乘组合产生了一个全面的数据集,涵盖了正常运行、轻度到重度的粘滞现象以及不同的信噪比,所有数据都在10分钟的固定时间范围内以0.01分钟的间隔进行采样(每次模拟1000个数据点)。对于非粘滞数据集,所有模拟参数都与故障(粘滞)模拟中使用的参数保持一致,不同之处在于阀门被建模为一个理想的线性执行器,没有死区或摩擦[1,15]。这种配置使得在相同的工艺和控制器条件下可以直接比较无故障和有故障的行为[1,35]。控制器输出直接通过一个延迟缓冲器应用于工艺过程,不进行任何修改,并且在工艺变量上叠加了白高斯噪声以模拟真实的传感器干扰[35,36]。
4.4 评估程序
为了定量评估分类模型的性能,采用了几种统计度量方法来总结其预测能力。基本的评估参数包括真正例(TP)、假正例(FP)、真负例(TN)和假负例(FN)[37]。当模型正确识别出正类时,称为真正例;而假正例则表示错误的正类预测。相反,真负例表示正确预测的负类,假负例则是指模型未能检测到正类实例。这些参数构成了计算关键性能指标(如准确性、精确度、召回率和F1分数)的基础,这些指标共同描述了分类器的可靠性和区分能力[38]。
为了提高性能评估的鲁棒性,所有实验都重复进行了多次,每次实验都使用不同的随机初始化和数据洗牌条件。报告的结果是这些运行次数的平均性能,并附有标准差以量化变异性。这比单次运行评估提供了更可靠的模型泛化估计。
此外,通过适当的统计显著性测试,还支持与基线方法的比较分析,以确保观察到的性能差异不是由于随机变化引起的。这增强了本研究中得出的比较结论的有效性。
精确度衡量了模型预测正类的可靠性,表示正确识别的正类实例与所有被预测为正类的实例之间的比率,如公式(24)所示。本质上,它反映了模型最小化假正例的能力,并确保预测的正类结果确实是准确的[39]。
召回率,也称为敏感性[39],衡量了模型正确检测所有实际正类实例的能力。它量化了真正例与实际正类总数之间的比例,包括正确识别的正类和被错误分类为负类的正类,如公式(25)所示[25]。
F1分数是一个平衡的性能指标,它将精确度和召回率结合为一个单一的指标。定义为这两个指标的调和平均值,它有效地捕捉了正确识别正类案例和避免假正例之间的权衡。如公式(26)所示,当评估应用于类别分布不均等的数据集的模型时,F1分数特别有价值,因为它提供了一个更具代表性的预测可靠性度量[26]。
准确性通过测量正确预测的实例(包括正类和负类)与总观察数之间的比率来表示分类模型的整体正确性。它提供了模型性能的一般指示,如公式(27)所示,尽管当数据集不平衡或由一个类别主导时,其可靠性可能会降低[27]。
模型验证使用了3个模拟循环、2个来自熔炉的工业循环以及来自国际粘滞数据库(ISDB)的21个真实世界案例[7],涵盖了广泛的工业控制循环和操作条件。结果还通过混淆矩阵和ROC曲线得到了进一步的支持,以评估分类阈值和泛化能力。这种严格的评估反映了工业故障诊断中的现代实践,其中基于ResNet50的分类器在训练时使用标度图输入时始终优于传统的机器学习方法[39]。为了进一步评估所提出的混合小波-CNN框架在实际场景中的适用性,对模拟控制循环数据集和真实世界工业数据集进行了比较分析。模拟数据表现出定义明确的粘滞特征和低噪声,而真实世界数据集则包含更高的变异性和瞬态干扰,导致基于小波的特征的幅度和频率模式发生变化。为了解决这些差异,采用了迁移学习:首先在模拟数据上训练CNN主干网络,然后在真实世界数据的一个子集上进行微调。这种方法提高了跨领域分类性能,证明了该框架能够有效适应理想化操作条件和实际操作条件之间的特征变化,从而增强了从模拟到实际部署的鲁棒性和准确性。
所提出的框架在模拟控制循环数据和真实工业数据集上进行了评估,以评估其泛化能力。虽然模拟数据为隔离粘滞效应提供了受控条件,但工业数据引入了实际复杂性,如测量噪声、过程干扰和未建模的动态。
比较分析表明,尽管在工业数据上的整体分类性能略有下降,但模型保持了持续的检测能力。这表明学习到的特征表示能够捕捉在不同操作环境中可转移的潜在粘滞特性。然而,结果也突出了真实世界条件中固有的增加的变异性,因此关于工业适用性的结论也相应地进行了调整。
5. 结果
模拟过程代表了一个通用的工业压力/流量控制循环,该循环被建模为一阶加死时间(FOPDT)系统,这种系统广泛用于近似真实的化学过程动态。所提出的HW-CNN框架在模拟控制循环和真实世界工业数据集上进行了评估,以评估在理想化和实际操作条件下的诊断准确性。这种区分是关键的,因为使用Choudhury粘滞模型生成的模拟数据集表现出分离良好的故障特征,而真实世界循环引入了过程干扰、测量噪声和执行器退化效应,这些因素显著增加了分类的复杂性。为了确保统计可靠性,所有报告的性能指标都对应于多次训练运行的平均值,并通过标准差考虑了变异性。
图7、图8、图9、图10、图11、图12和图13通过互补的表示方法展示了来自ISDB和工业界的七个控制循环,共同揭示了由非线性摩擦引起的动态。CWT标度图显示了持续的低频能量带和间歇性的垂直爆发,这与粘滑循环一致。这些准周期结构不代表宽带干扰,而是由执行器摩擦引起的确定性振荡。
图7. 用于粘滞分析的闭环化学过程循环1数据集(ISDB)的比较表示。(a) 控制器输出(OP)的HW-CNN标度图,展示了主导的时间-频率能量分布。(b) 带有拟合椭圆和BIC的标准化OP-PV散点图,突出了与非线性阀门行为相关的几何失真。(c) 过程变量(PV)的Poincaré图,SD1和SD2量化了短期和长期变异性。(d) 提取特征的PCA投影,在降维空间中显示了主导的方差结构。(e) 为基于CNN的分类格式化的马尔可夫转移场(MTF)图像,将时间状态转换编码为结构化图像表示。
图8. 用于粘滞分析的闭环化学过程循环2数据集(ISDB)的比较表示。(a) 控制器输出(OP)的HW-CNN标度图,展示了主导的时间-频率能量分布。(b) 带有拟合椭圆和BIC的标准化OP-PV散点图,突出了与非线性阀门行为相关的几何失真。(c) 过程变量(PV)的Poincaré图,SD1和SD2量化了短期和长期变异性。(d) 提取特征的PCA投影,在降维空间中显示了主导的方差结构。(e) 为基于CNN的分类格式化的马尔可夫转移场(MTF)图像,将时间状态转换编码为结构化图像表示。
图9. 用于粘滞分析的闭环纸浆和造纸循环1数据集(ISDB)的比较表示。(a) 控制器输出(OP)的HW-CNN标度图,展示了主导的时间-频率能量分布。(b) 带有拟合椭圆和BIC的标准化OP-PV散点图,突出了与非线性阀门行为相关的几何失真。(c) 过程变量(PV)的Poincaré图,SD1和SD2量化了短期和长期变异性。(d) 提取特征的PCA投影,在降维空间中显示了主导的方差结构。(e) 为基于CNN的分类格式化的马尔可夫转移场(MTF)图像,将时间状态转换编码为结构化图像表示。
图10. 用于粘滞分析的闭环纸浆和造纸循环2数据集(ISDB)的比较表示。(a) 控制器输出(OP)的HW-CNN标度图,展示了主导的时间-频率能量分布。(b) 带有拟合椭圆和BIC的标准化OP-PV散点图,突出了与非线性阀门行为相关的几何失真。(c) 过程变量(PV)的Poincaré图,SD1和SD2量化了短期和长期变异性。(d) 提取特征的PCA投影,在降维空间中显示了主导的方差结构。(e) 为基于CNN的分类格式化的马尔可夫转移场(MTF)图像,将时间状态转换编码为结构化图像表示。
图11. 用于粘滞分析的闭环采矿循环数据集(ISDB)的比较表示。(a) 控制器输出(OP)的HW-CNN标度图,展示了主导的时间-频率能量分布。(b) 带有拟合椭圆和BIC的标准化OP-PV散点图,突出了与非线性阀门行为相关的几何失真。(c) 过程变量(PV)的Poincaré图,SD1和SD2量化了短期和长期变异性。(d) 提取特征的PCA投影,在降维空间中显示了主导的方差结构。(e) 为基于CNN的分类格式化的马尔可夫转移场(MTF)图像。
图12. 用于粘滞分析的闭环底部气体循环数据集的比较表示。(a) 控制器输出(OP)的HW-CNN标度图,展示了主导的时间-频率能量分布。(b) 带有拟合椭圆和BIC的标准化OP-PV散点图,突出了与非线性阀门行为相关的几何失真。(c) 过程变量(PV)的Poincaré图,SD1和SD2量化了短期和长期变异性。(d) 提取特征的PCA投影,在降维空间中显示了主导的方差结构。(e) 为基于CNN的分类格式化的马尔可夫转移场(MTF)图像。
图13. 用于粘滞分析的闭环电力循环1数据集(ISDB)的比较表示。(a) 控制器输出(OP)的HW-CNN标度图,展示了主导的时间-频率能量分布。(b) 带有拟合椭圆和BIC的标准化OP-PV散点图,突出了与非线性阀门行为相关的几何失真。(c) 过程变量(PV)的Poincaré图,SD1和SD2量化了短期和长期变异性。(d) 提取特征的PCA投影,在降维空间中显示了主导的方差结构。(e) 为基于CNN的分类格式化的马尔可夫转移场(MTF)图像。
OP-PV相位图显示了不对称的聚类和饱和侧的压缩,而拟合椭圆(BIC)表明了偏离高斯分布。靠近恒定OP水平的点浓度反映了死区行为,这是经典的粘滞特征。Poincaré图进一步确认了结构化的振荡动态,具有明显的各向异性,表明长期确定性变异性占主导地位,超过了短期随机性。PCA加强了这一解释:第一个主成分解释了大部分方差,并揭示了一个非线性的切换流形,对应于交替的粘滑状态。
虽然每种表示方法都独立地表明了由摩擦引起的振荡,但在所提出的HW-CNN框架内,它们的区分能力得到了显著增强。与依赖单域纹理编码的独立CWT-CNN或MTF-CNN方法不同,HW-CNN将结构化的小波能量定位与考虑转换的空间编码相结合。这种混合使得网络能够同时捕捉频率持久性、状态转换规律性和非线性几何不对称性[40,41]。HW-CNN尽管存在几何偏斜和聚集的OP饱和效应,仍能自信地识别出确定的粘滑特征。一致的多域证据与网络学习到的层次特征相符,表明与仅基于频率或仅基于转换的模型相比,它对摩擦引起的极限环具有更高的敏感性。这些结果强调,所提出的HW-CNN不仅仅检测振荡;它还能区分由摩擦驱动的确定性循环和随机或调整相关的振荡,从而为粘滞检测提供了更高的诊断特异性。
模拟循环的结果总结在表2中,表明传统的基于形状的技术(如结合BIC的椭圆拟合)能够实现合理的检测准确性,但它们受到静止振荡和长数据窗口的依赖限制[1]。基于图像的学习方法,包括PCA-图像CNN和Poincaré图CNN,通过利用几何和相空间表示来提高性能,但仍然对调整和窗口选择敏感。在深度学习方法中,MTF-CNN和传统的CWT-CNN由于能够编码时间转换和时间-频率能量分布而表现出强大的性能。所提出的HW-CNN实现了最高的准确率(96.1%)和F1分数(0.96),反映了其对局部粘滑事件的更好敏感性,同时在多个模拟的压力循环中保持了鲁棒性。表2. 模拟控制循环上的性能比较。相比之下,现实世界工业循环的性能在所有基准方法中都显示出明显的下降,如表3所示。椭圆拟合的性能下降最为显著,这证实了其在非平稳工业环境中的有限适用性。基于CNN的图像编码(PCA、Poincaré和MTF)显示出中等程度的韧性,尽管它们的性能受到过程依赖的PV动态和噪声污染的影响。循环架构(如CNN-LSTM)略微提高了召回率,但增加了模型复杂性和训练不稳定性。表3. 现实世界工业循环的性能比较。所提出的HW-CNN在现实世界工业循环中始终优于所有比较方法,在ISDB和熔炉数据上实现了90.4%的准确率和0.90的F1分数。这种改进归因于仅使用基于OP的小波标度图,该标度图直接捕捉了执行器级别的非线性,同时抑制了PV信号中存在的混淆过程动态。这些结果表明,HW-CNN具有更好的泛化能力和工业相关性,解决了现有CWT-CNN和基于图像的粘滞检测框架的关键限制。图14展示了模拟和现实世界控制循环的F1分数比较。在模拟条件下,由于结构化和平稳的动态,所有基于图像的方法都表现强劲,深度学习方法优于几何描述符。所提出的HW-CNN实现了最高的F1分数,表明合成粘滑模式的分离能力得到了增强。在现实世界工业循环中,由于非平稳性和噪声,性能分散增加。虽然传统方法性能下降,但基于CNN的模型仍然保持鲁棒性。所提出的HW-CNN保持了最高的F1分数,证明了在实际操作条件下对非线性粘滞特性的更好敏感性。图14. 分类器的F1分数比较分析。(a) 模拟控制循环。(b) 现实世界工业循环。表4总结了传统几何技术、基于图像的深度模型以及所提出的混合框架在受控模拟和真实工业循环中的诊断性能。在模拟条件下,所有深度学习策略由于结构化的粘滑特征而表现出强大的分离能力。然而,HW-CNN实现了最高的F1分数(0.96)和接近完美的AUC(0.995),表明了对瞬态摩擦诱导动态的更好区分能力。表4. 不同数据集(模拟和工业)上的性能比较。在工业数据集中,性能差异变得更加明显。传统的基于椭圆的分析显示F1分数大幅下降(0.75),反映了其对噪声和非平稳干扰的敏感性。尽管先进的基于图像的CNN模型保持了中等程度的鲁棒性,但其泛化能力仍受过程依赖的变异性限制。HW-CNN保持了最高的工业F1分数(0.90)和准确率(90.4%),证实了基于OP的小波标度图增强了对现实世界干扰和执行器非线性的韧性。总结比较表明,HW-CNN集成不仅在理想化条件下提高了分类准确性,而且在实际操作环境中也保持了诊断可靠性,其中鲁棒性和泛化能力至关重要。为了严格评估所提出的HW-CNN框架中每个组件的贡献,通过系统地修改流程的关键阶段进行了消融研究。在复杂的故障诊断系统中,性能提升通常归因于预处理、特征表示和网络架构之间的相互作用,而不是单一主导因素。因此,采用了受控实验设计,在保持相同训练条件的同时选择性地移除或简化了各个组件。这种方法与基于深度学习的条件监测中的既定实践一致,其中消融分析用于量化多尺度表示和分层特征提取机制的贡献[8,40]。考虑了四种配置:(1) 未经小波变换的直接时间序列输入,(2) 未经标准化的基于CWT的标度图,(3) 用浅层CNN架构替换残差网络,以及(4) 所提出的完整HW-CNN框架。所有模型都在相同条件下进行训练和评估,以确保可比性。性能使用准确率、精确度、召回率和F1分数进行评估,结果通过对多次运行进行平均以减少随机偏差。表5中的消融结果表明,移除CWT阶段会导致分类性能大幅下降。这证实了时间-频率定位对于捕捉非线性粘滑动态至关重要,这些动态在原始时间域中不易区分。同样,缺乏标准化会在标度图能量分布中引入变异性,导致分类稳定性降低。用浅层CNN替换ResNet50主干网络进一步降低了性能,突显了深度分层特征提取在区分微妙非线性模式中的重要性。表5. HW-CNN框架的消融研究结果。总体而言,结果表明,所提出的性能提升来自于基于小波的多尺度特征编码和深度残差学习的协同整合,而不是任何单一组件的孤立作用。这一观察结果与最近的研究一致,这些研究表明,混合时间-频率深度学习框架通过结合物理意义上的信号表示和数据驱动的特征学习实现了更好的鲁棒性[40,41]。6. 讨论结果证实,阀门粘滞检测的诊断可靠性主要取决于信号表示的物理相关性,而不仅仅是分类器的复杂性。虽然像使用BIC的椭圆拟合这样的经典几何方法提供了可解释的滞后描述符,但由于对非平稳性、测量噪声和过程依赖的失真的敏感性,其在工业数据集中的性能显著下降。从模拟到实际循环的F1分数下降突显了它们在现实操作变异性下的有限鲁棒性。基于图像的深度学习方法(PCA-、Poincaré-和MTF-基于的CNN)通过将时间结构嵌入到二维表示中来提高区分能力。然而,这些编码仍然与执行器摩擦动态间接相关。基于PV的映射受到植物动态和干扰的影响,当粘滞特征微妙或被过程变异性掩盖时,会降低可区分性。所提出的HW-CNN通过专注于OP信号并在CNN分类之前应用连续小波分解来解决这一限制。从物理角度来看,粘滞表现为多尺度非线性行为,低频粘附与高频滑移引起的突发相结合。小波变换保留了这些能量集中的时间定位,使CNN能够学习与摩擦诱导动态对齐的分层空间-谱特征。这种整合带来了更好的类别分离能力和改进的泛化能力,这一点通过模拟和工业数据集中的最高F1分数和AUC值得到了证明。重要的是,模拟数据和真实数据之间的性能差距减小表明了对噪声和操作变异性的增强鲁棒性。标度图表示还保持了可解释性,允许在小波能量脊和粘滑转换之间进行视觉关联,这对工业应用是有利的。为了进一步证实所提出框架的可解释性,采用了图15中的梯度加权类别激活映射(Grad-CAM)来可视化对CNN分类决策有贡献的标度图区域。这种方法能够在时间-频率域内定位判别特征,并已被广泛用于工业故障诊断应用中的深度学习模型解释[42]。图15. 基于标度图的阀门粘滞分类的Grad-CAM可视化。左列(a)显示了代表性的CWT标度图,而右列(b)展示了相应的Grad-CAM激活图。对于非粘滞(c)情况,激活在时间-频率域中相对分散。相比之下,粘滞(d)情况在低频区域显示出集中的激活,与持续粘附和局部高能量瞬变相对应。这表明模型专注于与粘滞动态相关的物理意义上的特征。结果激活图表明,CNN始终关注与瞬态滑移事件相对应的高能量区域和与持续粘附阶段相关的低频带。模型关注与已知阀门粘滞物理特性之间的对齐,证实了学习到的表示不是任意的,而是直接与底层执行器动态相关联。这种行为支持了基于小波的表示通过将物理意义上的结构嵌入输入空间来增强可解释性的观点[43]。这些激活模式在图15中进行了说明,提供了模型在粘滞和非粘滞条件下的关注区域的视觉解释。总体而言,研究结果表明,结合物理信息的多尺度分解与深度分层学习产生了一个诊断上稳健且工业上可行的阀门粘滞检测框架。比较分析:传统方法与混合小波-CNN(HW-CNN)传统技术和所提出的HW-CNN之间的性能差距源于表示深度和与粘滞动态的物理对齐的差异。像使用BIC的椭圆拟合这样的经典几何方法依赖于从OP-PV相位图中得出的静态滞后描述符。虽然计算效率高且可解释,但它们的诊断可靠性取决于准平稳振荡和低噪声水平。工业变异性、漂移和不对称的执行器行为降低了它们的可区分性,导致在受控模拟之外的性能显著下降[41]。基于图像的CNN方法(如PCA-、Poincaré-和MTF-基于的模型)通过将时间信号映射到结构化的二维表示中来提高区分能力。然而,这些编码与摩擦物理间接相关,并且经常嵌入了由PV驱动的植物动态,这引入了混淆的变异性。尽管比几何描述符更稳健,但它们的泛化能力在真实操作条件下仍然有限[44]。传统的CWT-CNN通过在分类之前结合时间-频率分解来提高敏感性。小波变换捕捉了振荡能量的定位,改善了极限环行为的检测。然而,当预处理不是严格针对执行器时,基于频率的特征仍然可能反映植物干扰而不是摩擦特定的特征。所提出的HW-CNN框架结合了仅基于OP的信号选择与连续小波多尺度分解和残差深度学习。这种组合直接编码了粘附-滑移能量的持续性和瞬态断裂突发,同时抑制了无关的植物变异性。结果是提高了可区分性,减少了模拟到工业性能的下降,并在数据集之间实现了更好的鲁棒性。图16直观地展示了所提出的HW-CNN方法,表明诊断优势的实现不仅仅是通过增加模型复杂性,而是通过将多尺度信号表示与阀门粘滞的底层物理对齐来实现的。图16. 传统粘滞检测方法与HW-CNN之间的比较。7. 结论本研究提出了一个用于闭环控制系统中检测阀门粘滞的HW-CNN框架。该方法结合了基于CWT的标度图表示和深度残差网络,以捕捉与粘附-滑移行为相关的非线性和时变特征。通过将控制系统动态嵌入特征提取过程中,所提出的方法与传统基于信号或纯数据驱动的方法相比,能够更好地区分粘滞和非粘滞条件。结果表明,时间-频率表示增强了粘滞引起的振荡和瞬态模式的可见性,这些在时间域中不易区分。精细调整的残差网络的集成通过分层特征学习进一步提高了分类性能,从而在模拟和工业数据集中实现了一致的检测性能。重复的实验评估支持了报告性能的可靠性,而消融分析证实了该框架的有效性源于基于小波的特征编码和深度网络架构的联合贡献。通过Grad-CAM分析解决了可解释性问题,表明模型专注于标度图中的物理意义区域。特别是,激活模式与已知粘滞动态一致的低频振荡和局部瞬变相对应,提供了模型捕捉相关过程行为的信心。这对于实际部署非常重要,其中透明度和与工程理解的对齐是必需的。尽管所提出的框架表现出稳健的性能,但评估也突出了由于噪声、干扰和未建模的动态而存在于工业数据中的增加的变异性。未来的工作将集中在扩展该方法以量化阀门粘滞的严重程度,探索自适应学习策略,并在更大和更多样化的工业数据集上验证该方法。总之,所提出的HW-CNN框架为阀门粘滞检测提供了一种技术上稳健且实际可行的方法,有助于推进工业控制系统中的智能监控技术。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号