CN115099285A - 基于神经网络模型的智能检测方法及其系统 - Google Patents

基于神经网络模型的智能检测方法及其系统 Download PDF

Info

Publication number
CN115099285A
CN115099285A CN202210821671.9A CN202210821671A CN115099285A CN 115099285 A CN115099285 A CN 115099285A CN 202210821671 A CN202210821671 A CN 202210821671A CN 115099285 A CN115099285 A CN 115099285A
Authority
CN
China
Prior art keywords
feature matrix
feature
neural network
matrix
function value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
CN202210821671.9A
Other languages
English (en)
Inventor
李玮涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shaoxing Jiuying Textile Co ltd
Original Assignee
Shaoxing Jiuying Textile Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shaoxing Jiuying Textile Co ltd filed Critical Shaoxing Jiuying Textile Co ltd
Priority to CN202210821671.9A priority Critical patent/CN115099285A/zh
Publication of CN115099285A publication Critical patent/CN115099285A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及安全用电领域下的智能检测，其具体地公开了一种基于神经网络模型的智能检测方法及其系统，其使用包含嵌入层的上下文编码器分别对时域特征进行基于全局的上下文语义编码，以提取出所述各个采样窗的电流信号在时序上的隐含关联特征分布，并利用卷积神经网络模型对所述电流信号的波形图进行编码，以提取所述电流信号的波形图中能够用于低压电弧预警分类的隐含特征，进而更全面充分地利用所述系统电路的波形图中的特征信息，并且在训练的过程中，添加使得两者之间的流形差异满足凸单调性的附加项，从而使得特征矩阵间的流形差异性能够适应各子维度投影上的凸单调性，以提高基于用电场所的整体用电情况来进行低压电弧风险预警的准确性。

Description

基于神经网络模型的智能检测方法及其系统
技术领域
本申请涉及安全用电领域下的智能检测，且更为具体地，涉及一种基于神经网络模型的智能检测方法及其系统。
背景技术
安全用电是避免火灾事故的关键因素之一。在诸如实验室、生产车间之类的用电场所中，由于用电线路老化，用电负荷高或超负荷用电的情况，会导致电弧故障发生，如果严重的话，会引发电气火灾事故。因此，期待对用电场所进行低压电弧检测来进行提前预警避免火灾事故的发生。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于神经网络模型的智能检测方法及其系统，其使用包含嵌入层的上下文编码器分别对时域特征进行基于全局的上下文语义编码，以提取出所述各个采样窗的电流信号在时序上的隐含关联特征分布，并利用卷积神经网络模型对所述电流信号的波形图进行编码，以提取所述电流信号的波形图中能够用于低压电弧预警分类的隐含特征，进而更全面充分地利用所述系统电路的波形图中的特征信息，并且在训练的过程中，添加使得两者之间的流形差异满足凸单调性的附加项，从而使得特征矩阵间的流形差异性能够适应各子维度投影上的凸单调性，以提高基于用电场所的整体用电情况来进行低压电弧风险预警的准确性。
根据本申请的一个方面，提供了一种基于神经网络模型的智能检测方法，其包括：
训练阶段，包括：
通过电流传感器获取由多条线路组成的电路系统的电流信号的波形图；
以预设采样窗沿时序维度从所述电流信号的波形图中截取多个采样窗；
分别从各个所述采样窗中提取多个时域特征，所述多个时域特征包括周期平均值极差、变量极大值以及峰度系数；
将各个所述采样窗的多个时域特征通过Taming模型的包含嵌入层的上下文编码器以将各个所述采样窗的多个时域特征转化为多个特征向量，并将所述多个特征向量进行级联以获得对应于各个所述采样窗的时域特征向量；
将对应于各个所述采样窗的时域特征向量进行二维排列以获得第一特征矩阵；
将所述电流信号的波形图通过所述Taming模型的卷积神经网络以获得第二特征矩阵；
将所述第二特征矩阵通过分类器以获得分类损失函数值；以及
计算所述第一特征矩阵和所述第二特征矩阵之间的距离损失函数值，所述距离损失函数值为所述第一特征矩阵和所述第二特征矩阵之间的欧式距离；
计算所述第一特征矩阵和所述第二特征矩阵之间的流形差异满足凸单调性的附加项，所述流形差异满足凸单调性的附加项为以所述第一特征矩阵中各个位置的特征值与所述第二特征向量中对应的各个位置的特征值之间的距离的加权和的对数函数值的最小化；以及
计算所述分类损失函数值、所述距离损失函数值和所述流形差异满足凸单调性的附加项的加权和作为损失函数值对所述Taming模型进行训练；以及
推断阶段，包括：
通过电流传感器获取由多条线路组成的电路系统的电流信号的波形图；
将所述电流信号的波形图通过经训练阶段训练完成的所述Taming模型的卷积神经网络以获得分类特征矩阵；
将所述分类特征矩阵通过分类器以获得分类结果，所述分类结果用于表示电路系统中是否存在低压电弧故障。
根据本申请的另一方面，提供了一种基于神经网络模型的智能检测系统，其包括：
训练模块，包括：
电流信号波形图获取单元，用于通过电流传感器获取由多条线路组成的电路系统的电流信号的波形图；
采样窗截取单元，用于以预设采样窗沿时序维度从所述电流信号波形图获取单元获得的所述电流信号的波形图中截取多个采样窗；
时域特征提取单元，用于分别从各个所述采样窗截取单元获得的所述采样窗中提取多个时域特征，所述多个时域特征包括周期平均值极差、变量极大值以及峰度系数；
上下文编码单元，用于将各个所述时域特征提取单元获得的所述采样窗的多个时域特征通过Taming模型的包含嵌入层的上下文编码器以将各个所述采样窗的多个时域特征转化为多个特征向量，并将所述多个特征向量进行级联以获得对应于各个所述采样窗的时域特征向量；
第一特征矩阵生成单元，用于将对应于各个所述上下文编码单元获得的所述采样窗的时域特征向量进行二维排列以获得第一特征矩阵；
第二特征矩阵生成单元，用于将所述电流信号波形图获取单元获得的所述电流信号的波形图通过所述Taming模型的卷积神经网络以获得第二特征矩阵；
分类损失函数值计算单元，用于将所述第二特征矩阵生成单元获得的所述第二特征矩阵通过分类器以获得分类损失函数值；
距离损失函数值计算单元，用于计算所述第一特征矩阵生成单元获得的所述第一特征矩阵和所述第二特征矩阵生成单元获得的所述第二特征矩阵之间的距离损失函数值，所述距离损失函数值为所述第一特征矩阵和所述第二特征矩阵之间的欧式距离；
附加项计算单元，用于计算所述第一特征矩阵生成单元获得的所述第一特征矩阵和所述第二特征矩阵生成单元获得的所述第二特征矩阵之间的流形差异满足凸单调性的附加项，所述流形差异满足凸单调性的附加项为以所述第一特征矩阵中各个位置的特征值与所述第二特征向量中对应的各个位置的特征值之间的距离的加权和的对数函数值的最小化；
训练单元，用于计算所述分类损失函数值计算单元获得的所述分类损失函数值、所述距离损失函数值计算单元获得的所述距离损失函数值和所述附加项计算单元获得的所述流形差异满足凸单调性的附加项的加权和作为损失函数值对所述Taming模型进行训练；以及
推断模块，包括：
推断数据获取单元，用于通过电流传感器获取由多条线路组成的电路系统的电流信号的波形图；
分类特征矩阵生成单元，用于将所述推断数据获取单元获得的所述电流信号的波形图通过经训练阶段训练完成的所述Taming模型的卷积神经网络以获得分类特征矩阵；以及
分类单元，用于将所述分类特征矩阵生成单元获得的所述分类特征矩阵通过分类器以获得分类结果，所述分类结果用于表示电路系统中是否存在低压电弧故障。
根据本申请提供的基于神经网络模型的智能检测方法及其系统，其使用包含嵌入层的上下文编码器分别对时域特征进行基于全局的上下文语义编码，以提取出所述各个采样窗的电流信号在时序上的隐含关联特征分布，并利用卷积神经网络模型对所述电流信号的波形图进行编码，以提取所述电流信号的波形图中能够用于低压电弧预警分类的隐含特征，进而更全面充分地利用所述系统电路的波形图中的特征信息，并且在训练的过程中，添加使得两者之间的流形差异满足凸单调性的附加项，从而使得特征矩阵间的流形差异性能够适应各子维度投影上的凸单调性，以提高基于用电场所的整体用电情况来进行低压电弧风险预警的准确性。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的基于神经网络模型的智能检测方法的场景示意图。
图2为根据本申请实施例的基于神经网络模型的智能检测方法中训练阶段的流程图。
图3为根据本申请实施例的基于神经网络模型的智能检测方法中推断阶段的流程图。
图4为根据本申请实施例的基于神经网络模型的智能检测方法中训练阶段的架构示意图。
图5为根据本申请实施例的基于神经网络模型的智能检测方法中推断阶段的架构示意图。
图6为根据本申请实施例的基于神经网络模型的智能检测系统的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述
如前所述，安全用电是避免火灾事故的关键因素之一。在诸如实验室、生产车间之类的用电场所中，由于用电线路老化，用电负荷高或超负荷用电的情况，会导致电弧故障发生，如果严重的话，会引发电气火灾事故。因此，期待对用电场所进行低压电弧检测来进行提前预警避免火灾事故的发生。
相应地，可基于对用电场所中每一条用电线路的实施电路情况进行检测，例如，对每一条用电线路的实施电流进行监测来进行低压电弧风险预警，但在实际中，难以对每一条连接电器的线路电流进行实时测量。基于此，本申请发明人选择基于用电场所的整体用电情况来进行低压电弧风险预警。
具体地，首先获取所述用电场所的系统电流的波形图，这里所述系统电流表示所述用电场所的总线路电流。在本申请的技术方案中，以预设采样窗沿时序维度从所述系统电流的波形图中截取多个采样窗，这里，所述多个采样窗中相邻两个采样窗之间的时间间隔相等，且所述时间间隔的设置值不宜过大也不宜过小，需继续实际应用场景中的需求做调整。
接着，使用统计模型从各个所述采样窗中提取时域特征，在本申请的技术方案中，所述时域特征包括周期平均值极差、变量极大值以及峰度系数。应可以理解，时域特征能够表现出各个采样窗的电流信号在时序上的特征，且各个采样窗的时域特征之间存在关联。因此，使用包含嵌入层的上下文编码器分别对时域特征进行基于全局的上下文语义编码以生成多个特征向量，并将所述多个特征向量进行级联以生成对应于各个采样窗的时域特征向量。然后，将各个采样窗的时域特征向量进行二维排列为第一特征矩阵，所述第一特征矩阵中各个行向量为各个采样窗的时域特征向量，因此，所述第一特征矩阵能够表示各个时间段的电流信号的时域特征的关联分布。
应可以理解，所述第一特征矩阵基于时域统计特征的深度编码获得。为了更为充分地利用所述系统电路的波形图中的特征，进一步从图像的角度对所述系统电流的波形图进行编码。也就是，将所述电流信号的波形图输入所述Taming模型的卷积神经网络以提取所述电流信号的波形图中能够用于低压电弧预警分类的隐含特征，即，所述第二特征矩阵。
对于通过Taming模型获得的第一特征矩阵M1和第二特征矩阵M2，在训练过程中，在使得两者之间的欧氏距离最小化之外，即argmin||M1-M2||2，进一步添加使得两者之间的流形差异满足凸单调性的附加项，表示为:
Figure BDA0003742511750000061
其中
Figure BDA0003742511750000062
表示所述第一特征矩阵中的各个位置的特征值，
Figure BDA0003742511750000063
表示所述第二特征矩阵中的各个位置的特征值，|·|表示所述第一特征矩阵与所述第二特征矩阵之间的距离。
这样，Taming模型所获得的第三特征矩阵不但可以通过时域的低维统计特征的离散和压缩的表达来置信地重构波形的图像语义特征，而且可以通过特征矩阵在高维空间内的内部元素子维度间的信息度量，来进行流形的超凸一致性衍生表示，以使得特征矩阵间的流形差异性能够适应各子维度投影上的凸单调性，以提高特征矩阵的语义类表达的一致性。
进一步地，在使用所述Taming模型进行低压电弧预警时，可直接使用所述Taming模型的卷积神经网络对采集到的系统电流的波形图进行编码以获得分类特征矩阵，并基于所述分类特征矩阵进行低压电弧分类预警。
基于此，本申请提出了一种基于神经网络模型的智能检测方法，其包括：训练阶段和推断阶段。其中，训练阶段包括步骤：通过电流传感器获取由多条线路组成的电路系统的电流信号的波形图；以预设采样窗沿时序维度从所述电流信号的波形图中截取多个采样窗；分别从各个所述采样窗中提取多个时域特征，所述多个时域特征包括周期平均值极差、变量极大值以及峰度系数；将各个所述采样窗的多个时域特征通过Taming模型的包含嵌入层的上下文编码器以将各个所述采样窗的多个时域特征转化为多个特征向量，并将所述多个特征向量进行级联以获得对应于各个所述采样窗的时域特征向量；将对应于各个所述采样窗的时域特征向量进行二维排列以获得第一特征矩阵；将所述电流信号的波形图通过所述Taming模型的卷积神经网络以获得第二特征矩阵；将所述第二特征矩阵通过分类器以获得分类损失函数值；计算所述第一特征矩阵和所述第二特征矩阵之间的距离损失函数值，所述距离损失函数值为所述第一特征矩阵和所述第二特征矩阵之间的欧式距离；计算所述第一特征矩阵和所述第二特征矩阵之间的流形差异满足凸单调性的附加项，所述流形差异满足凸单调性的附加项为以所述第一特征矩阵中各个位置的特征值与所述第二特征向量中对应的各个位置的特征值之间的距离的加权和的对数函数值的最小化；以及，计算所述分类损失函数值、所述距离损失函数值和所述流形差异满足凸单调性的附加项的加权和作为损失函数值对所述Taming模型进行训练。其中，推断阶段包括步骤：通过电流传感器获取由多条线路组成的电路系统的电流信号的波形图；将所述电流信号的波形图通过经训练阶段训练完成的所述Taming模型的卷积神经网络以获得分类特征矩阵；将所述分类特征矩阵通过分类器以获得分类结果，所述分类结果用于表示电路系统中是否存在低压电弧故障。
图1图示了根据本申请实施例的基于神经网络模型的智能检测方法的场景示意图。如图1所示，在该应用场景的训练阶段中，首先，通过电流传感器(例如，如图1中所示意的T)获取由多条线路组成的电路系统(例如，如图1中所示意的H)的电流信号的波形图。然后，将获得的所述电流信号的波形图输入至部署有基于神经网络模型的智能检测算法的服务器(例如，如图1中所示意的S)中，其中，所述服务器能够基于基于神经网络模型的智能检测算法以所述电流信号的波形图对基于神经网络模型的智能检测的所述Taming模型进行训练。
在训练完成后，在推断阶段中，首先，通过电流传感器(例如，如图1中所示意的T)获取由多条线路组成的电路系统(例如，如图1中所示意的H)的电流信号的波形图。然后，将所述电流信号的波形图输入至部署有基于神经网络模型的智能检测算法的服务器(例如，如图1中所示意的S)中，其中，所述服务器能够以基于神经网络模型的智能检测算法对所述电流信号的波形图进行处理，以生成用于表示电路系统中是否存在低压电弧故障的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图2图示了根据本申请实施例的基于神经网络模型的智能检测方法中训练阶段的流程图。如图2所示，根据本申请实施例的基于神经网络模型的智能检测方法，包括：训练阶段，包括步骤：S110，通过电流传感器获取由多条线路组成的电路系统的电流信号的波形图；S120，以预设采样窗沿时序维度从所述电流信号的波形图中截取多个采样窗；S130，分别从各个所述采样窗中提取多个时域特征，所述多个时域特征包括周期平均值极差、变量极大值以及峰度系数；S140，将各个所述采样窗的多个时域特征通过Taming模型的包含嵌入层的上下文编码器以将各个所述采样窗的多个时域特征转化为多个特征向量，并将所述多个特征向量进行级联以获得对应于各个所述采样窗的时域特征向量；S150，将对应于各个所述采样窗的时域特征向量进行二维排列以获得第一特征矩阵；S160，将所述电流信号的波形图通过所述Taming模型的卷积神经网络以获得第二特征矩阵；S170，将所述第二特征矩阵通过分类器以获得分类损失函数值；S180，计算所述第一特征矩阵和所述第二特征矩阵之间的距离损失函数值，所述距离损失函数值为所述第一特征矩阵和所述第二特征矩阵之间的欧式距离；S190，计算所述第一特征矩阵和所述第二特征矩阵之间的流形差异满足凸单调性的附加项，所述流形差异满足凸单调性的附加项为以所述第一特征矩阵中各个位置的特征值与所述第二特征向量中对应的各个位置的特征值之间的距离的加权和的对数函数值的最小化；以及，S200，计算所述分类损失函数值、所述距离损失函数值和所述流形差异满足凸单调性的附加项的加权和作为损失函数值对所述Taming模型进行训练。
图3图示了根据本申请实施例的基于神经网络模型的智能检测方法中推断阶段的流程图。如图3所示，根据本申请实施例的基于神经网络模型的智能检测方法，还包括：推断阶段，包括步骤：S210，通过电流传感器获取由多条线路组成的电路系统的电流信号的波形图；S220，将所述电流信号的波形图通过经训练阶段训练完成的所述Taming模型的卷积神经网络以获得分类特征矩阵；S230，将所述分类特征矩阵通过分类器以获得分类结果，所述分类结果用于表示电路系统中是否存在低压电弧故障。
图4图示了根据本申请实施例的基于神经网络模型的智能检测方法中训练阶段的架构示意图。如图4所示，在训练阶段中，在该网络架构中，首先，以预设采样窗(例如，如图4中所示意的SW)沿时序维度从所述电流信号的波形图(例如，如图4中所示意的P1)中截取多个采样窗(例如，如图4中所示意的P2)；然后，分别从各个所述采样窗中提取多个时域特征(例如，如图4中所示意的P3)；接着，将各个所述采样窗的多个时域特征通过Taming模型的包含嵌入层的上下文编码器(例如，如图4中所示意的E1)以将各个所述采样窗的多个时域特征转化为多个特征向量(例如，如图4中所示意的VF1)，并将所述多个特征向量进行级联以获得对应于各个所述采样窗的时域特征向量(例如，如图4中所示意的VF2)；然后，将对应于各个所述采样窗的时域特征向量进行二维排列以获得第一特征矩阵(例如，如图4中所示意的MF1)；接着，将所述电流信号的波形图通过所述Taming模型的卷积神经网络(例如，如图4中所示意的CNN)以获得第二特征矩阵(例如，如图4中所示意的MF2)；然后，将所述第二特征矩阵通过分类器(例如，如图4中所示意的分类器)以获得分类损失函数值(例如，如图4中所示意的CLV)；接着，计算所述第一特征矩阵和所述第二特征矩阵之间的距离损失函数值(例如，如图4中所示意的DLV)；然后，计算所述第一特征矩阵和所述第二特征矩阵之间的流形差异满足凸单调性的附加项(例如，如图4中所示意的AIV)；以及，最后，计算所述分类损失函数值、所述距离损失函数值和所述流形差异满足凸单调性的附加项的加权和作为损失函数值(例如，如图4中所示意的LV)对所述Taming模型进行训练。
图5图示了根据本申请实施例的基于神经网络模型的智能检测方法中推断阶段的架构示意图。如图5所示，在推断阶段中，在该网络结构中，首先，将所述电流信号的波形图(例如，如图5中所示意的Q)通过经训练阶段训练完成的所述Taming模型的卷积神经网络(例如，如图5中所示意的CN)以获得分类特征矩阵(例如，如图5中所示意的MF)；然后，将所述分类特征矩阵通过分类器(例如，如图5中所示意的分类器)以获得分类结果，所述分类结果用于表示电路系统中是否存在低压电弧故障。
更具体地，在训练阶段中，在步骤S110和步骤S120中，通过电流传感器获取由多条线路组成的电路系统的电流信号的波形图，并以预设采样窗沿时序维度从所述电流信号的波形图中截取多个采样窗。如前所述，本申请期望对用电场所进行低压电弧检测来进行提前预警避免火灾事故的发生。相应地，可基于对所述用电场所中每一条用电线路的实施电路情况进行检测，例如，对所述每一条用电线路的实施电流进行监测来进行低压电弧风险预警，但在实际中，难以对所述每一条连接电器的线路电流进行实时测量。因此，在本申请的技术方案中，选择基于所述用电场所的整体用电情况来进行低压电弧风险预警。
也就是，具体地，在本申请的技术方案中，首先使用电流传感器获取所述用电场所的由多条线路组成的电路系统的电流信号的波形图，这里所述系统电流表示所述用电场所的总线路电流。然后，在本申请的技术方案中，以预设采样窗沿时序维度从所述系统电流的波形图中截取多个采样窗，这里，所述多个采样窗中相邻两个采样窗之间的时间间隔相等，且所述时间间隔的设置值不宜过大也不宜过小，需继续实际应用场景中的需求做调整。
更具体地，在训练阶段中，在步骤S130和步骤S140中，分别从各个所述采样窗中提取多个时域特征，所述多个时域特征包括周期平均值极差、变量极大值以及峰度系数，并将各个所述采样窗的多个时域特征通过Taming模型的包含嵌入层的上下文编码器以将各个所述采样窗的多个时域特征转化为多个特征向量，并将所述多个特征向量进行级联以获得对应于各个所述采样窗的时域特征向量。也就是，在本申请的技术方案中，接着，进一步使用统计模型从各个所述采样窗中提取多个时域特征，值得一提的是，在本申请的技术方案中，所述时域特征包括周期平均值极差、变量极大值以及峰度系数。应可以理解，所述时域特征能够表现出各个所述采样窗的电流信号在时序上的特征，且各个所述采样窗的时域特征之间存在关联。因此，进一步再使用包含嵌入层的上下文编码器分别对所述时域特征进行基于全局的上下文语义编码以生成多个特征向量，并将所述多个特征向量进行级联以生成对应于各个所述采样窗的时域特征向量。
具体地，在本申请实施例中，将各个所述采样窗的多个时域特征通过Taming模型的包含嵌入层的上下文编码器以将各个所述采样窗的多个时域特征转化为多个特征向量的过程，包括：首先，使用所述Taming模型的包含嵌入层的上下文编码器的嵌入层分别将各个所述采样窗的多个时域特征转化为输入向量以获得输入向量的序列。然后，使用所述Taming模型的包含嵌入层的上下文编码器的转换器对所述输入向量的序列进行基于全局的上下文语义编码以获得所述多个特征向量。
更具体地，在训练阶段中，在步骤S150中，将对应于各个所述采样窗的时域特征向量进行二维排列以获得第一特征矩阵。也就是，在本申请的技术方案中，在得到对应于各个所述采样窗的时域特征向量后，再将各个所述采样窗的时域特征向量进行二维排列为第一特征矩阵，这里，所述第一特征矩阵中各个行向量为各个所述采样窗的时域特征向量，因此，所述第一特征矩阵能够表示各个所述时间段的电流信号的时域特征的关联分布。
更具体地，在训练阶段中，在步骤S160和步骤S170中，将所述电流信号的波形图通过所述Taming模型的卷积神经网络以获得第二特征矩阵，并将所述第二特征矩阵通过分类器以获得分类损失函数值。应可以理解，所述第一特征矩阵基于时域统计特征的深度编码获得。为了更为充分地利用所述系统电路的波形图中的特征，进一步从图像的角度对所述系统电流的波形图进行编码。也就是，将所述电流信号的波形图输入所述Taming模型的卷积神经网络以提取所述电流信号的波形图中能够用于低压电弧预警分类的隐含特征，即，所述第二特征矩阵。相应地，在一个具体示例中，通过所述Taming模型的卷积神经网络的各层在层的正向传递中分别对输入数据进行卷积处理、池化处理和激活处理以由所述Taming模型的卷积神经网络的最后一层生成所述第二特征矩阵，其中，所述Taming模型的卷积神经网络的第一层的输入为所述电流信号的波形图。然后，就可以将所述第二特征矩阵通过分类器以计算出所述分类损失函数值，以用于训练。
具体地，在本申请实施例中，将所述第二特征矩阵通过分类器以获得分类损失函数值的过程，包括：所述分类器以如下公式对所述第二特征矩阵进行处理以生成分类结果，其中，所述公式为：softmax{(Wn，Bn)：...：(W1，B1)|Project(F)}，其中Project(F)表示将所述第二特征矩阵投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵；以及，计算所述分类结果与真实值之间的交叉熵值作为所述分类损失函数值。
更具体地，在训练阶段中，在步骤S180和步骤S190中，计算所述第一特征矩阵和所述第二特征矩阵之间的距离损失函数值，所述距离损失函数值为所述第一特征矩阵和所述第二特征矩阵之间的欧式距离，并计算所述第一特征矩阵和所述第二特征矩阵之间的流形差异满足凸单调性的附加项，所述流形差异满足凸单调性的附加项为以所述第一特征矩阵中各个位置的特征值与所述第二特征向量中对应的各个位置的特征值之间的距离的加权和的对数函数值的最小化。应可以理解，在本申请的技术方案中，对于通过Taming模型获得的所述第一特征矩阵M1和所述第二特征矩阵M2，在训练过程中，在使得两者之间的欧氏距离最小化之外，即argmin||M1-M2||2，进一步添加使得两者之间的流形差异满足凸单调性的附加项。应可以理解，这样，所述Taming模型所获得的第三特征矩阵不但可以通过时域的低维统计特征的离散和压缩的表达来置信地重构所述波形的图像语义特征，而且可以通过用于描述特征流形在高维特征空间内的不同维度视角下观察的流形维度分布相似性，来通过分布的几何相似性约束来优化所述特征矩阵间关联的局部特征描述，从而更好地建立所述波形的图像语义特征对离散的所述时域特征的依赖性。
具体地，在本申请实施例中，计算所述第一特征矩阵和所述第二特征矩阵之间的距离损失函数值的过程，包括：以如下公式计算所述第一特征矩阵和所述第二特征矩阵之间的所述距离损失函数值；
其中，所述公式为：
Figure BDA0003742511750000121
其中，
Figure BDA0003742511750000122
为按位置L2距离矩阵中每个位置的值，
Figure BDA0003742511750000123
为所述第一特征矩阵中的每个位置的值，
Figure BDA0003742511750000124
为所述第二特征矩阵中的每个位置的值，x指所述特征矩阵的宽度维度，y指所述特征矩阵的高度维度，且n指所述特征矩阵的样本编号维度。
更具体地，在本申请实施例中，计算所述第一特征矩阵和所述第二特征矩阵之间的流形差异满足凸单调性的附加项的过程，包括：以如下公式计算所述第一特征矩阵和所述第二特征矩阵之间的所述流形差异满足凸单调性的附加项；
其中，所述公式为：
Figure BDA0003742511750000125
其中
Figure BDA0003742511750000126
表示所述第一特征矩阵中的各个位置的特征值，
Figure BDA0003742511750000127
表示所述第二特征矩阵中的各个位置的特征值，|·|表示所述第一特征矩阵与所述第二特征矩阵之间的距离。
更具体地，在训练阶段中，在步骤S200中，计算所述分类损失函数值、所述距离损失函数值和所述流形差异满足凸单调性的附加项的加权和作为损失函数值对所述Taming模型进行训练。也就是，在本申请的技术方案中，在得到所述分类损失函数值、所述距离损失函数值和所述流形差异满足凸单调性的附加项后，计算这三者的加权和来作为损失函数值以对所述Taming模型进行训练，这样，可以基于用电场所的整体用电情况来进行低压电弧风险预警，进而提高预警的准确性。
在训练完成后，进入推断阶段。也就是，在使用基于神经网络模型的智能检测算法来训练所述Taming模型后，将训练完成的所述Taming模型用于实际的推断阶段中。具体地，在使用所述Taming模型进行低压电弧预警时，可直接使用所述Taming模型的卷积神经网络对采集到的系统电流的波形图进行编码以获得分类特征矩阵，并基于所述分类特征矩阵进行低压电弧分类预警。
更具体地，在推断阶段中，首先，通过电流传感器获取由多条线路组成的电路系统的电流信号的波形图。然后，将所述电流信号的波形图通过经训练阶段训练完成的所述Taming模型的卷积神经网络以获得分类特征矩阵。最后，将所述分类特征矩阵通过分类器以获得分类结果，所述分类结果用于表示电路系统中是否存在低压电弧故障。
综上，基于本申请实施例的基于神经网络模型的智能检测方法被阐明，其使用包含嵌入层的上下文编码器分别对时域特征进行基于全局的上下文语义编码，以提取出所述各个采样窗的电流信号在时序上的隐含关联特征分布，并利用卷积神经网络模型对所述电流信号的波形图进行编码，以提取所述电流信号的波形图中能够用于低压电弧预警分类的隐含特征，进而更全面充分地利用所述系统电路的波形图中的特征信息，并且在训练的过程中，添加使得两者之间的流形差异满足凸单调性的附加项，从而使得特征矩阵间的流形差异性能够适应各子维度投影上的凸单调性，以提高基于用电场所的整体用电情况来进行低压电弧风险预警的准确性。
示例性系统
图6图示了根据本申请实施例的基于神经网络模型的智能检测系统的框图。如图6所示，根据本申请实施例的基于神经网络模型的智能检测系统600，包括：训练模块610和推断模块620。
如图6所示，所述训练模块610，包括：电流信号波形图获取单元6101，用于通过电流传感器获取由多条线路组成的电路系统的电流信号的波形图；采样窗截取单元6102，用于以预设采样窗沿时序维度从所述电流信号波形图获取单元6101获得的所述电流信号的波形图中截取多个采样窗；时域特征提取单元6103，用于分别从各个所述采样窗截取单元6102获得的所述采样窗中提取多个时域特征，所述多个时域特征包括周期平均值极差、变量极大值以及峰度系数；上下文编码单元6104，用于将各个所述时域特征提取单元6103获得的所述采样窗的多个时域特征通过Taming模型的包含嵌入层的上下文编码器以将各个所述采样窗的多个时域特征转化为多个特征向量，并将所述多个特征向量进行级联以获得对应于各个所述采样窗的时域特征向量；第一特征矩阵生成单元6105，用于将对应于各个所述上下文编码单元6104获得的所述采样窗的时域特征向量进行二维排列以获得第一特征矩阵；第二特征矩阵生成单元6106，用于将所述电流信号波形图获取单元6101获得的所述电流信号的波形图通过所述Taming模型的卷积神经网络以获得第二特征矩阵；分类损失函数值计算单元6107，用于将所述第二特征矩阵生成单元6106获得的所述第二特征矩阵通过分类器以获得分类损失函数值；距离损失函数值计算单元6108，用于计算所述第一特征矩阵生成单元6105获得的所述第一特征矩阵和所述第二特征矩阵生成单元6106获得的所述第二特征矩阵之间的距离损失函数值，所述距离损失函数值为所述第一特征矩阵和所述第二特征矩阵之间的欧式距离；附加项计算单元6109，用于计算所述第一特征矩阵生成单元6105获得的所述第一特征矩阵和所述第二特征矩阵生成单元6106获得的所述第二特征矩阵之间的流形差异满足凸单调性的附加项，所述流形差异满足凸单调性的附加项为以所述第一特征矩阵中各个位置的特征值与所述第二特征向量中对应的各个位置的特征值之间的距离的加权和的对数函数值的最小化；训练单元6110，用于计算所述分类损失函数值计算单元6107获得的所述分类损失函数值、所述距离损失函数值计算单元6108获得的所述距离损失函数值和所述附加项计算单元6109获得的所述流形差异满足凸单调性的附加项的加权和作为损失函数值对所述Taming模型进行训练。
如图6所示，所述推断模块620，包括：推断数据获取单元621，用于通过电流传感器获取由多条线路组成的电路系统的电流信号的波形图；分类特征矩阵生成单元622，用于将所述推断数据获取单元621获得的所述电流信号的波形图通过经训练阶段训练完成的所述Taming模型的卷积神经网络以获得分类特征矩阵；以及，分类单元623，用于将所述分类特征矩阵生成单元622获得的所述分类特征矩阵通过分类器以获得分类结果，所述分类结果用于表示电路系统中是否存在低压电弧故障。
在一个示例中，在上述基于神经网络模型的智能检测系统600中，所述上下文编码单元6104，包括：嵌入层编码子单元，用于使用所述Taming模型的包含嵌入层的上下文编码器的嵌入层分别将各个所述采样窗的多个时域特征转化为输入向量以获得输入向量的序列；以及，转换器编码子单元，用于使用所述Taming模型的包含嵌入层的上下文编码器的转换器对所述嵌入层编码子单元获得的所述输入向量的序列进行基于全局的上下文语义编码以获得所述多个特征向量。
在一个示例中，在上述基于神经网络模型的智能检测系统600中，所述第二特征矩阵生成单元6106，进一步用于：通过所述Taming模型的卷积神经网络的各层在层的正向传递中分别对输入数据进行卷积处理、池化处理和激活处理以由所述Taming模型的卷积神经网络的最后一层生成所述第二特征矩阵，其中，所述Taming模型的卷积神经网络的第一层的输入为所述电流信号的波形图。
在一个示例中，在上述基于神经网络模型的智能检测系统600中，所述分类损失函数值计算单元6107，进一步用于：所述分类器以如下公式对所述第二特征矩阵进行处理以生成分类结果，其中，所述公式为：softmax{(Wn，Bn)：...：(W1，B1)|Project(F)}，其中Project(F)表示将所述第二特征矩阵投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵；以及，计算所述分类结果与真实值之间的交叉熵值作为所述分类损失函数值。
在一个示例中，在上述基于神经网络模型的智能检测系统600中，所述距离损失函数值计算单元6108，进一步用于：以如下公式计算所述第一特征矩阵和所述第二特征矩阵之间的所述距离损失函数值；
其中，所述公式为：
Figure BDA0003742511750000161
其中，
Figure BDA0003742511750000162
为按位置L2距离矩阵中每个位置的值，
Figure BDA0003742511750000163
为所述第一特征矩阵中的每个位置的值，
Figure BDA0003742511750000164
为所述第二特征矩阵中的每个位置的值，x指所述特征矩阵的宽度维度，y指所述特征矩阵的高度维度，且n指所述特征矩阵的样本编号维度。
在一个示例中，在上述基于神经网络模型的智能检测系统600中，所述附加项计算单元6109，进一步用于：以如下公式计算所述第一特征矩阵和所述第二特征矩阵之间的所述流形差异满足凸单调性的附加项；
其中，所述公式为：
Figure BDA0003742511750000165
其中
Figure BDA0003742511750000166
表示所述第一特征矩阵中的各个位置的特征值，
Figure BDA0003742511750000167
表示所述第二特征矩阵中的各个位置的特征值，|·|表示所述第一特征矩阵与所述第二特征矩阵之间的距离。
这里，本领域技术人员可以理解，上述基于神经网络模型的智能检测系统600中的各个单元和模块的具体功能和操作已经在上面参考图1到图5的基于神经网络模型的智能检测方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的基于神经网络模型的智能检测系统600可以实现在各种终端设备中，例如基于神经网络模型的智能检测算法的服务器等。在一个示例中，根据本申请实施例的基于神经网络模型的智能检测系统600可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于神经网络模型的智能检测系统600可以是该终端设备的操作装置中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于神经网络模型的智能检测系统600同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该基于神经网络模型的智能检测系统600与该终端设备也可以是分立的设备，并且该基于神经网络模型的智能检测系统600可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种基于神经网络模型的智能检测方法，其特征在于，包括：
训练阶段，包括：
通过电流传感器获取由多条线路组成的电路系统的电流信号的波形图；
以预设采样窗沿时序维度从所述电流信号的波形图中截取多个采样窗；
分别从各个所述采样窗中提取多个时域特征，所述多个时域特征包括周期平均值极差、变量极大值以及峰度系数；
将各个所述采样窗的多个时域特征通过Taming模型的包含嵌入层的上下文编码器以将各个所述采样窗的多个时域特征转化为多个特征向量，并将所述多个特征向量进行级联以获得对应于各个所述采样窗的时域特征向量；
将对应于各个所述采样窗的时域特征向量进行二维排列以获得第一特征矩阵；
将所述电流信号的波形图通过所述Taming模型的卷积神经网络以获得第二特征矩阵；
将所述第二特征矩阵通过分类器以获得分类损失函数值；以及
计算所述第一特征矩阵和所述第二特征矩阵之间的距离损失函数值，所述距离损失函数值为所述第一特征矩阵和所述第二特征矩阵之间的欧式距离；
计算所述第一特征矩阵和所述第二特征矩阵之间的流形差异满足凸单调性的附加项，所述流形差异满足凸单调性的附加项为以所述第一特征矩阵中各个位置的特征值与所述第二特征向量中对应的各个位置的特征值之间的距离的加权和的对数函数值的最小化；以及
计算所述分类损失函数值、所述距离损失函数值和所述流形差异满足凸单调性的附加项的加权和作为损失函数值对所述Taming模型进行训练；以及
推断阶段，包括：
通过电流传感器获取由多条线路组成的电路系统的电流信号的波形图；
将所述电流信号的波形图通过经训练阶段训练完成的所述Taming模型的卷积神经网络以获得分类特征矩阵；
将所述分类特征矩阵通过分类器以获得分类结果，所述分类结果用于表示电路系统中是否存在低压电弧故障。
2.根据权利要求1所述的基于神经网络模型的智能检测方法，其中，将各个所述采样窗的多个时域特征通过Taming模型的包含嵌入层的上下文编码器以将各个所述采样窗的多个时域特征转化为多个特征向量，包括：
使用所述Taming模型的包含嵌入层的上下文编码器的嵌入层分别将各个所述采样窗的多个时域特征转化为输入向量以获得输入向量的序列；以及
使用所述Taming模型的包含嵌入层的上下文编码器的转换器对所述输入向量的序列进行基于全局的上下文语义编码以获得所述多个特征向量。
3.根据权利要求2所述的基于神经网络模型的智能检测方法，其中，将所述电流信号的波形图通过所述Taming模型的卷积神经网络以获得第二特征矩阵，包括：
通过所述Taming模型的卷积神经网络的各层在层的正向传递中分别对输入数据进行卷积处理、池化处理和激活处理以由所述Taming模型的卷积神经网络的最后一层生成所述第二特征矩阵，其中，所述Taming模型的卷积神经网络的第一层的输入为所述电流信号的波形图。
4.根据权利要求3所述的基于神经网络模型的智能检测方法，其中，将所述第二特征矩阵通过分类器以获得分类损失函数值，包括：
所述分类器以如下公式对所述第二特征矩阵进行处理以生成分类结果，其中，所述公式为：softmax{(Wn,Bn):…:(W1,B1)|Project(F)}，其中Project(F)表示将所述第二特征矩阵投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵；以及
计算所述分类结果与真实值之间的交叉熵值作为所述分类损失函数值。
5.根据权利要求4所述的基于神经网络模型的智能检测方法，其中，计算所述第一特征矩阵和所述第二特征矩阵之间的距离损失函数值，包括：
以如下公式计算所述第一特征矩阵和所述第二特征矩阵之间的所述距离损失函数值；
其中，所述公式为：
Figure FDA0003742511740000031
其中，
Figure FDA0003742511740000032
为按位置L2距离矩阵中每个位置的值，
Figure FDA0003742511740000033
为所述第一特征矩阵中的每个位置的值，
Figure FDA0003742511740000034
为所述第二特征矩阵中的每个位置的值，x指所述特征矩阵的宽度维度，y指所述特征矩阵的高度维度，且n指所述特征矩阵的样本编号维度。
6.根据权利要求5所述的基于神经网络模型的智能检测方法，其中，计算所述第一特征矩阵和所述第二特征矩阵之间的流形差异满足凸单调性的附加项，包括：
以如下公式计算所述第一特征矩阵和所述第二特征矩阵之间的所述流形差异满足凸单调性的附加项；
其中，所述公式为：
Figure FDA0003742511740000035
其中
Figure FDA0003742511740000036
表示所述第一特征矩阵中的各个位置的特征值，
Figure FDA0003742511740000037
表示所述第二特征矩阵中的各个位置的特征值，|·|表示所述第一特征矩阵与所述第二特征矩阵之间的距离。
7.一种基于神经网络模型的智能检测系统，其特征在于，包括：
训练模块，包括：
电流信号波形图获取单元，用于通过电流传感器获取由多条线路组成的电路系统的电流信号的波形图；
采样窗截取单元，用于以预设采样窗沿时序维度从所述电流信号波形图获取单元获得的所述电流信号的波形图中截取多个采样窗；
时域特征提取单元，用于分别从各个所述采样窗截取单元获得的所述采样窗中提取多个时域特征，所述多个时域特征包括周期平均值极差、变量极大值以及峰度系数；
上下文编码单元，用于将各个所述时域特征提取单元获得的所述采样窗的多个时域特征通过Taming模型的包含嵌入层的上下文编码器以将各个所述采样窗的多个时域特征转化为多个特征向量，并将所述多个特征向量进行级联以获得对应于各个所述采样窗的时域特征向量；
第一特征矩阵生成单元，用于将对应于各个所述上下文编码单元获得的所述采样窗的时域特征向量进行二维排列以获得第一特征矩阵；
第二特征矩阵生成单元，用于将所述电流信号波形图获取单元获得的所述电流信号的波形图通过所述Taming模型的卷积神经网络以获得第二特征矩阵；
分类损失函数值计算单元，用于将所述第二特征矩阵生成单元获得的所述第二特征矩阵通过分类器以获得分类损失函数值；
距离损失函数值计算单元，用于计算所述第一特征矩阵生成单元获得的所述第一特征矩阵和所述第二特征矩阵生成单元获得的所述第二特征矩阵之间的距离损失函数值，所述距离损失函数值为所述第一特征矩阵和所述第二特征矩阵之间的欧式距离；
附加项计算单元，用于计算所述第一特征矩阵生成单元获得的所述第一特征矩阵和所述第二特征矩阵生成单元获得的所述第二特征矩阵之间的流形差异满足凸单调性的附加项，所述流形差异满足凸单调性的附加项为以所述第一特征矩阵中各个位置的特征值与所述第二特征向量中对应的各个位置的特征值之间的距离的加权和的对数函数值的最小化；
训练单元，用于计算所述分类损失函数值计算单元获得的所述分类损失函数值、所述距离损失函数值计算单元获得的所述距离损失函数值和所述附加项计算单元获得的所述流形差异满足凸单调性的附加项的加权和作为损失函数值对所述Taming模型进行训练；以及
推断模块，包括：
推断数据获取单元，用于通过电流传感器获取由多条线路组成的电路系统的电流信号的波形图；
分类特征矩阵生成单元，用于将所述推断数据获取单元获得的所述电流信号的波形图通过经训练阶段训练完成的所述Taming模型的卷积神经网络以获得分类特征矩阵；以及
分类单元，用于将所述分类特征矩阵生成单元获得的所述分类特征矩阵通过分类器以获得分类结果，所述分类结果用于表示电路系统中是否存在低压电弧故障。
8.根据权利要求7所述的基于神经网络模型的智能检测系统，其中，所述上下文编码单元，包括：
嵌入层编码子单元，用于使用所述Taming模型的包含嵌入层的上下文编码器的嵌入层分别将各个所述采样窗的多个时域特征转化为输入向量以获得输入向量的序列；以及
转换器编码子单元，用于使用所述Taming模型的包含嵌入层的上下文编码器的转换器对所述嵌入层编码子单元获得的所述输入向量的序列进行基于全局的上下文语义编码以获得所述多个特征向量。
9.根据权利要求8所述的基于神经网络模型的智能检测系统，其中，所述第二特征矩阵生成单元，进一步用于：
通过所述Taming模型的卷积神经网络的各层在层的正向传递中分别对输入数据进行卷积处理、池化处理和激活处理以由所述Taming模型的卷积神经网络的最后一层生成所述第二特征矩阵，其中，所述Taming模型的卷积神经网络的第一层的输入为所述电流信号的波形图。
10.根据权利要求9所述的基于神经网络模型的智能检测系统，其中，所述分类损失函数值计算单元，进一步用于：
所述分类器以如下公式对所述第二特征矩阵进行处理以生成分类结果，其中，所述公式为：softmax{(Wn,Bn):…:(W1,B1)|Project(F)}，其中Project(F)表示将所述第二特征矩阵投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵；以及，计算所述分类结果与真实值之间的交叉熵值作为所述分类损失函数值。
CN202210821671.9A 2022-07-12 2022-07-12 基于神经网络模型的智能检测方法及其系统 Withdrawn CN115099285A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210821671.9A CN115099285A (zh) 2022-07-12 2022-07-12 基于神经网络模型的智能检测方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210821671.9A CN115099285A (zh) 2022-07-12 2022-07-12 基于神经网络模型的智能检测方法及其系统

Publications (1)

Publication Number Publication Date
CN115099285A true CN115099285A (zh) 2022-09-23

Family

ID=83297256

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210821671.9A Withdrawn CN115099285A (zh) 2022-07-12 2022-07-12 基于神经网络模型的智能检测方法及其系统

Country Status (1)

Country Link
CN (1) CN115099285A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116309595A (zh) * 2023-05-23 2023-06-23 杭州华得森生物技术有限公司 Ctc智能全自动检测一体机及其方法
CN116320459A (zh) * 2023-01-08 2023-06-23 南阳理工学院 一种基于人工智能的计算机网络通信数据处理方法及系统
CN116400426A (zh) * 2023-06-06 2023-07-07 山东省煤田地质局第三勘探队 基于电磁法的数据勘测系统
CN116470885A (zh) * 2023-06-17 2023-07-21 浙江佳环电子有限公司 高压脉冲电路系统及其控制方法
CN116500379A (zh) * 2023-05-15 2023-07-28 珠海中瑞电力科技有限公司 一种sts装置电压跌落精准定位方法
CN116595976A (zh) * 2023-04-26 2023-08-15 杭州睿数科技有限公司 一种科研创新平台控制方法及其系统
CN116718894A (zh) * 2023-06-19 2023-09-08 上饶市广强电子科技有限公司 玉米灯的电路稳定性测试方法及其系统
CN116773894A (zh) * 2023-06-15 2023-09-19 浙江恒业电子股份有限公司 一种采集器掉电检测系统及其方法
CN116805061A (zh) * 2023-05-10 2023-09-26 杭州水务数智科技股份有限公司 基于光纤传感的泄漏事件判断方法
CN116930749A (zh) * 2023-06-15 2023-10-24 浙江联大科技有限公司 管状电机的遇阻检测系统及其方法
CN117710166A (zh) * 2024-02-06 2024-03-15 吉林大学 用于小儿神经护理的教学指导检测系统及方法

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116320459A (zh) * 2023-01-08 2023-06-23 南阳理工学院 一种基于人工智能的计算机网络通信数据处理方法及系统
CN116320459B (zh) * 2023-01-08 2024-01-23 南阳理工学院 一种基于人工智能的计算机网络通信数据处理方法及系统
CN116595976B (zh) * 2023-04-26 2024-05-24 杭州睿数科技有限公司 一种科研创新平台控制方法及其系统
CN116595976A (zh) * 2023-04-26 2023-08-15 杭州睿数科技有限公司 一种科研创新平台控制方法及其系统
CN116805061A (zh) * 2023-05-10 2023-09-26 杭州水务数智科技股份有限公司 基于光纤传感的泄漏事件判断方法
CN116805061B (zh) * 2023-05-10 2024-04-12 杭州水务数智科技股份有限公司 基于光纤传感的泄漏事件判断方法
CN116500379A (zh) * 2023-05-15 2023-07-28 珠海中瑞电力科技有限公司 一种sts装置电压跌落精准定位方法
CN116500379B (zh) * 2023-05-15 2024-03-08 珠海中瑞电力科技有限公司 一种sts装置电压跌落精准定位方法
CN116309595B (zh) * 2023-05-23 2023-08-01 杭州华得森生物技术有限公司 Ctc智能全自动检测一体机及其方法
CN116309595A (zh) * 2023-05-23 2023-06-23 杭州华得森生物技术有限公司 Ctc智能全自动检测一体机及其方法
CN116400426B (zh) * 2023-06-06 2023-08-29 山东省煤田地质局第三勘探队 基于电磁法的数据勘测系统
CN116400426A (zh) * 2023-06-06 2023-07-07 山东省煤田地质局第三勘探队 基于电磁法的数据勘测系统
CN116773894A (zh) * 2023-06-15 2023-09-19 浙江恒业电子股份有限公司 一种采集器掉电检测系统及其方法
CN116930749A (zh) * 2023-06-15 2023-10-24 浙江联大科技有限公司 管状电机的遇阻检测系统及其方法
CN116773894B (zh) * 2023-06-15 2023-12-15 浙江恒业电子股份有限公司 一种采集器掉电检测系统及其方法
CN116930749B (zh) * 2023-06-15 2024-02-13 浙江联大科技有限公司 管状电机的遇阻检测系统及其方法
CN116470885B (zh) * 2023-06-17 2023-09-29 浙江佳环电子有限公司 高压脉冲电路系统及其控制方法
CN116470885A (zh) * 2023-06-17 2023-07-21 浙江佳环电子有限公司 高压脉冲电路系统及其控制方法
CN116718894A (zh) * 2023-06-19 2023-09-08 上饶市广强电子科技有限公司 玉米灯的电路稳定性测试方法及其系统
CN116718894B (zh) * 2023-06-19 2024-03-29 上饶市广强电子科技有限公司 玉米灯的电路稳定性测试方法及其系统
CN117710166A (zh) * 2024-02-06 2024-03-15 吉林大学 用于小儿神经护理的教学指导检测系统及方法

Similar Documents

Publication Publication Date Title
CN115099285A (zh) 基于神经网络模型的智能检测方法及其系统
CN113393025A (zh) 一种基于Informer模型编码结构的非侵入式负荷分解方法
Qiu et al. Power quality disturbances recognition using modified s transform and parallel stack sparse auto-encoder
Erişti et al. Wavelet-based feature extraction and selection for classification of power system disturbances using support vector machines
CN111598166B (zh) 基于主分量分析和Softmax函数的单相接地故障分类方法和系统
CN114825257B (zh) Led灯检测的漏电保护装置及其漏电保护方法
CN114677185B (zh) 智慧大屏广告智能推荐系统及其推荐方法
CN114724386B (zh) 智慧交通下的短时交通流量预测方法、系统和电子设备
CN115470857B (zh) 变电站全景数字孪生系统及其方法
CN115235612B (zh) 伺服电机的故障智能诊断系统及其诊断方法
CN110555369A (zh) 一种基于mlcdtl的非侵入式负荷识别方法
CN114580520A (zh) 电力系统二次设备的监测系统及其监测方法
CN115219845A (zh) 电网故障诊断系统及其方法
CN115186774A (zh) 智能电缆剥线设备及其方法
CN117269644A (zh) 电流互感器的线路故障监测系统及其方法
CN115422970A (zh) 陆上风机运行状态监控系统及其方法
CN114103710A (zh) 用于电动汽车的自适应充电系统及其工作方法
CN115526202A (zh) 基于数据驱动的海上风机故障诊断系统及其诊断方法
CN115146676A (zh) 电路故障检测方法及其系统
CN115231525A (zh) 电子级三氟化氯的智能分离纯化系统
Abubakar et al. High-precision identification of power quality disturbances based on discrete orthogonal S-transforms and compressed neural network methods
CN115456259A (zh) 基于中尺度数据的风电场选址优化系统及其方法
CN115130520A (zh) 基于多线路关联的电路故障诊断方法及其系统
CN116995670A (zh) 基于多模式分解和多分支输入的光伏功率超短期预测方法
CN116124448A (zh) 用于风电齿轮箱的故障诊断系统及其方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20220923