过程控制是现代工业自动控制领域的重要分支,调节阀是过程控制系统最重要的终端部件。随着自动化技术和信息技术的发展,一个拥有成千上万台调节阀的大型过程控制系统可以采集海量的实时信号并存储为历史大数据。目前,由于大数据分析的复杂性和高耗时性,调节阀大数据并没有被有效的挖掘使用,导致了“数据丰富、信息匮乏”的现状。本文综合运用并行计算技术、人工智能技术、云物联技术,对调节阀的实时大数据和历史大数据进行高效的分析和监控,主要研究工作如下:研制了直驱式电液调节阀执行机构和基于物联网技术的嵌入式控制系统,该系统一方面实现了对调节阀的智能控制,另一方面实现了数据采集,为后续基于大数据驱动的调节阀故障诊断以及压力预测方法研究提供保障。嵌入式系统以ARM Cortex-M3单片机为控制核心,实现了传感器信号采集、触摸屏显示/输入、PWM伺服电机驱动、网络通讯、阀门开度调节等功能。其中开度控制采用离散控制算法,分析了阀门运行过程中的死区环节、线性环节以及滞后环节,使用数字控制器对滞后环节进行校正,实现了开度的精确定位。提出了基于大数据驱动和并行SDP算法的调节阀故障诊断方法。参考某化工集团氯碱工业中氯气调节阀的实际工作状况,搭造了调节阀实验系统并模拟故障状态,采集了调节阀在正常运行以及七类故障状况下的大数据样本。利用t-SNE降维算法对数据进行预处理,实现了数据从高维空间至低维空间的非线性映射。根据低维空间中的数据分布,首先使用SDP聚类算法来分离几类分布集中的数据,然后使用SVM分类算法精确的分离几类分布离散的数据。由于SDP算法在处理大数据时耗时很高,本文将SDP算法与Spark MapReduce框架相结合,提出了并行SDP算法。实验结果表明,与其他方法相比,本文提出的故障诊断方法具有很高的预测精度和建模速度,并且Spark MapReduce对SDP算法有很好的加速效果,极大降低了 SDP算法在处理大数据时的耗时。提出了基于Spark Streaming和故障诊断推理模型的调节阀大规模实时故障诊断方法。一个拥有大量调节阀的过程控制系统采集到的实时数据具有流量大、种类多、同步性差等特点,而传统方法的计算能力和容错率有限,分析实时大数据十分困难。本文提出的实时故障诊断方法可以有效解决这些问题。该方法整合了实时并行计算框架Spark Streaming、分布式消息收集器Flume和分布式消息订阅/发布器Kafka三个组件。实验结果表明该方法在处理次秒级实时大数据时具备良好的性能。分析了影响系统性能的几个主要因素,包括故障诊断模型规模、采样时间间隔、设备种类数量等。提出了基于大数据驱动和并行决策树回归分析算法的调节阀阀后压力预测方法。由于调节阀结构具有高度的非线性和耦合性,通过动力学建模十分困难,因此研究人员通常使用回归分析的方法对调节阀进行建模。常用的神经网络、支持向量机(SVM)等回归算法计算复杂度高,只适合处理小样本,难以挖掘大数据中蕴含的更为深刻的规律。本文分别使用Spark MLlib中的并行线性回归、并行决策树回归、并行随机森林回归和并行渐进梯度树回归算法,在千万量级的大数据上建立调节阀回归模型。该模型可以根据调节阀的阀前压力、流量等输入参数来预测阀后压力。通过实验分析了四种算法的各项性能,结果表明并行决策树回归在建模精度、建模速度等性能指标上有明显优势。研究了数据量对回归算法性能的影响,结果表明“大数据+并行算法”是调节阀压力预测的最优策略。研制了调节阀管网智能运行服务系统,将前文所述的设备信息及数据分析结果(故障诊断、压力预测等)进行集成化、综合化、可视化,并为管网的运行管理提供决策规划。传统的监控系统一方面只能在电脑监控室等固定地点、固定设备上进行;另一方面智能化程度较低,缺乏对数据的挖掘利用和整合分析。本文利用SSH服务器、iOS、Web等技术,实现了对网页端、移动端、桌面端全面的支持,可以随时随地对设备进行监控;提出了基于Spark MapReduce的并行蚁群算法,可以对管网巡检最优路线进行高效规划。该系统旨在增强工程人员对管网的感知和洞察能力,提升决策分析和应急指挥水平,为生产、生活的稳定进行提供了可靠的保障。