具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。

步骤一：获取阀门控制回路运行时的OP与PV数据。

对于阀门控制，阀门存在于很多工业场景中，本发明以汽泵密封水阀门控制回路为例。汽泵密封水的作用为防止高压高温水从泵内泄漏以及防止低压侧漏入空气。

该控制回路采用PID控制器，过程变量为密封水出口温度，实时采集该回路阀门的OP与PV数据，数据采样的时间间隔为1s，每十五分判断一次是否存在阀门粘滞情况，则15分钟采集的数据总共为900个。同时也需采集阀门粘滞、阀门正常情况下的OP与PV数据。

如图1，OP表示阀门的输入数据曲线，PV表示阀门的输出数据曲线。

步骤二：对于OP与PV数据进行处理。

对于一段时间内，存在多个周期的阀门控制过程，因此采用波峰波谷检测算法，获取检测周期（15分钟）内的所有控制周期。

波峰波谷检测算法具体方法如下：

a) 数据序列可以表示为V=[v1,v2,…,vn]。n为数据的位置，每一位置都有一个数据值。

b)计算V的一阶差分向量DiffV:

i.Diffv(i)=V(i+1)−V(i)，其中i∈1,2,…,N−1

c)对差分向量进行取符号函数运算，Trend=sign(Diffv)，即遍历Diffv，若Diffv(i)大于0，则取1；等于0，则取0；小于0，则取-1。

d)从尾部遍历Trend向量，进行如下操作：

i.if Trend(i)=0且Trend(i+1)≥0，则Trend(i)=1

ii.if Trend(i)=0且Trend(i+1)<0，则Trend(i)=−1

e对Trend向量进行一阶差分运算,得到R=diff(Trend)。

f)遍历得到的差分向量R：

i.如果R(i) =−2，则i+1为投影向量V的一个峰值位，对应的峰值为V(i+1)；

ii.如果R(i) =2，则i+1为投影向量V的一个波谷位，对应的波谷为V(i+1)。

至此，即可寻找得到OP、PV数据的波峰点、波谷点坐标集合。

由于控制回路中广泛存在时延，即OP 的变化会经过一段时间才影响到 PV。因此对于每一个周期而言，其时延应相同，当存在粘滞时，阀门粘滞，即阀门的输出有时不能跟随输入而发生变化，阀门在移动中存在阻碍，像是阀门“粘”住了，输出流量变化有粘滞，会导致时延发生变化。

获取控制时延，即每一个OP数据波峰波谷点与每一个PV数据相应波峰波谷的时间差：

表示第i个波峰或波谷的OP、PV数据时延，、分别表示OP数据、PV数据中第i个波峰或波谷点的时间索引。

最终得到控制时延序列，该序列的长度跟检测到的波峰波谷数量有关，其长度等于波峰波谷数量和。

进一步的，对控制时延序列进行去趋势波动分析。

去趋势波动分析方法的一个优点是它可以有效地滤去序列中的各阶趋势成分，其步骤如下：

对于控制时延序列x(t)， 计算其累积和序列y(t)

为序列的平均控制时延值。k表示序列的长度。

首先滤去了时间序列的平均值。由于循环或者波动成分对于一般的时间序列的可能存在, 那么一个时间序列可能有随机成分, 把序列的这些成分过滤掉则会有很大的帮助。

然后对累计和序列用最小二乘法进行一阶线性拟合，得到方程：

k为斜率，b为截距。

计算累计和序列的平稳波动值T1：

表示映射系数，对于控制时延序列而言，应为平行于x轴直线，表示最优，不存在时延变化，平行于x轴直线时，k=0，当不平行x轴直线时，存在斜率，斜率越大表示波动越大，波动式中的1避免k=0时，波动值为0。经验值为10。

通过上述求得平稳波动值，该值越大代表该序列波动越大。

最终得到累计和平稳波动值序列T1。

粘滞阀门的典型输入输出特性如图2所示。

直线 l 表示阀门不存在粘滞时的运动情况，阀门输入和输出呈良好的线性特性关系。当阀门出现粘滞时，随着阀门输入信号的变化，阀门输出沿着路径 A→B→C→D→E→F→G→H→A 运动，其输入输出表现出非线性特性。

因此本发明采用DTW判断阀门回缓控制时对应控制周期的输入输出数据的关系，以判断其阀门输入输出信号的变化关系。

由于回路中 OP 与 PV 变量的取值范围有很大差异，因此采用极差归一化对2个变量进行归一化。

然后对于每两个相邻的波谷之间的OP、MV数据利用动态时间归整（DTW）进行序列相似度度量。与欧几里德距离等度量相比，DTW是一种弹性相似度量，它允许两个时间序列之间点的一对多对齐，且可以避免两个数据周期之间数据长度不相等的问题。

采用DTW判断阀门回环控制时的距离，可以避免不定长问题。

对每两个相邻的波谷之间的OP、MV数据进行度量。采用DTW可以分析两条时序数据在形状上的相似度，而不考虑其数据scale、采样频率、时序长度等问题。DTW最终得到两个时序数据的距离，距离越大，相似性越小。

由于检测每15分钟进行一次，15分钟采集的数据通常包含多个波峰波谷，因此每两个波谷之间的OP、MV数据得到一个DTW距离。

最终得到DTW距离序列。

步骤三：基于神经网络实现对阀门粘滞的检测。

具有大的感受野的卷积网络能够更好地捕捉 OP与 PV间特征的相对关系，时间卷积网络存在扩张卷积，扩张卷积与普通的卷积相比，除了卷积核的大小以外，还有一个扩张率(dilation rate)参数，主要用来表示扩张的大小。两者区别区别在于扩张卷积具有更大的感受野。采用扩张卷积，可以在相同的参数下获取更大的感受野。

此处采用神经网络进行阀门粘滞的检测。

训练的详细步骤如下：所述神经网络包含两个时间卷积网络，一个全连接网络。采用时间卷积网络，可以避免每一个采集周期内，回环控制周期数不同的问题。

第一时间卷积网络输入数据为控制时延累计和平稳波动值序列T1，形状为[B,None,1]，其中B为batchsize表示网络输入的样本批次数量，None表示波峰波谷值的个数，由于每个采集周期，其波峰波谷数量不一样，因此用None表示，1表示累计和平稳波动值，最终经过第一时间卷积网络进行特征提取，输出为第一特征向量。

第二时间卷积网络输入数据为DTW距离序列。，形状为[B,None,1]，其中B为batchsize表示网络输入的样本批次数量，None表示回环控制周期数的，由于每个采集周期，其回环控制周期数量不一样，因此用None表示，1表示op、mv数据的DTW距离，最终经过第二时间卷积网络进行特征提取，输出为第二特征向量。

然后第一特征向量与第二特征向量进行特征融合，融合方法采用Concatenate方法，融合为一个特征向量，称为第三特征向量。

全连接网络的输入为第三特征向量，最终采用Softmax分类函数，输出该采集周期内是否存在阀门粘滞的概率，然后取最大概率即可得到阀门情况。如一次推理后存在阀门粘滞的概率为0.9，不存在的情况为0.1，则此采样周期存在阀门粘滞。

损失函数采用交叉熵。

所述网络的标签为历史采集的数据，经过人为标注。

至此，即可通过上述方法进行阀门粘滞检测。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。