CN116383714A - 用于斗轮机的设备保护系统及其方法 - Google Patents

用于斗轮机的设备保护系统及其方法 Download PDF

Info

Publication number
CN116383714A
CN116383714A CN202310207494.XA CN202310207494A CN116383714A CN 116383714 A CN116383714 A CN 116383714A CN 202310207494 A CN202310207494 A CN 202310207494A CN 116383714 A CN116383714 A CN 116383714A
Authority
CN
China
Prior art keywords
feature
matrix
temperature
classification
neural network
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.)
Pending
Application number
CN202310207494.XA
Other languages
English (en)
Inventor
郭凯
蔡炎州
吴坤松
李伟豪
苏睿之
杨洋
张�浩
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.)
Beijing Huaneng Xinrui Control Technology Co Ltd
Shantou Power Plant of Huaneng Guangdong Energy Development Co Ltd
Original Assignee
Beijing Huaneng Xinrui Control Technology Co Ltd
Shantou Power Plant of Huaneng Guangdong Energy Development 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 Beijing Huaneng Xinrui Control Technology Co Ltd, Shantou Power Plant of Huaneng Guangdong Energy Development Co Ltd filed Critical Beijing Huaneng Xinrui Control Technology Co Ltd
Priority to CN202310207494.XA priority Critical patent/CN116383714A/zh
Publication of CN116383714A publication Critical patent/CN116383714A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K1/00—Details of thermometers not specially adapted for particular types of thermometer
    • G01K1/02—Means for indicating or recording specially adapted for thermometers
    • G01K1/026—Means for indicating or recording specially adapted for thermometers arrangements for monitoring a plurality of temperatures, e.g. by multiplexing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K13/00—Thermometers specially adapted for specific purposes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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 Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Control Of Conveyors (AREA)

Abstract

本申请涉及智能监测领域，其具体地公开了一种用于斗轮机的设备保护系统及其方法，其通过采用基于深度学习的神经网络模型，通过对斗轮机的多个部件进行温度监测，并构建所述多个部件之间的空间拓扑矩阵来表示各个部件之间的热影响，以此更为精准且合理地表示所述斗轮机的温度分布特征，进一步基于所述温度分布特征来判断是否产生超温保护提醒，这样，能够兼顾设备中多个部件之间的协同性，进而提高设备超温保护的智能性和合理性。

Description

用于斗轮机的设备保护系统及其方法
技术领域
本申请涉及智能监测领域，且更为具体地，涉及一种用于斗轮机的设备保护系统及其方法。
背景技术
近年来，随着设备智能化的发展，诸如斗轮机之类的堆取料设备也在往无人化方向发展。而防护技术是实现堆取料设备智能无人化必不可少的技术，由于实现智能无人化后，设备不再由人全程监护。
在诸多防护中，超温保护是一种的设备保护技术，现有的用于设备的超温保护方案，通常是监测设备的温度，并基于预定阈值与实时温度之间的对比来判断是否开启超温保护。但这种保护方案忽略了设备是一个有机的整体，一个位置的温度值无法表征整个设备的温度分布情况，而一个设备的多个部件之间会发生温度传输和热影响，如果忽略了设备的多个部件之间的协同性，也会降低设备超温保护的智能性和合理性。
因此，期待一种优化的用于斗轮机的设备保护方案。
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用于斗轮机的设备保护系统及其方法，其通过采用基于深度学习的神经网络模型，通过对斗轮机的多个部件进行温度监测，并构建所述多个部件之间的空间拓扑矩阵来表示各个部件之间的热影响，以此更为精准且合理地表示所述斗轮机的温度分布特征，进一步基于所述温度分布特征来判断是否产生超温保护提醒，这样，能够兼顾设备中多个部件之间的协同性，进而提高设备超温保护的智能性和合理性。
根据本申请的一个方面，提供了一种用于斗轮机的设备保护系统，其包括：
温度监控模块，用于获取斗轮机的多个部件在预定时间段内多个预定时间点的温度值；
温度时序特征提取模块，用于将所述各个部件在预定时间段内多个预定时间点的温度值分别按照时间维度排列为温度输入向量后通过使用一维卷积核的第一卷积神经网络模型以得到多个温度特征向量；
空间拓扑构造模块，用于构造所述多个部件之间的空间拓扑矩阵，所述空间拓扑矩阵中非对角线位置上各个位置的值为相应两个部件之间的距离；
空间拓扑特征提取模块，用于将所述空间拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到空间拓扑特征矩阵；
全局化模块，用于将所述多个温度特征向量进行二维排列以得到全局温度特征矩阵；
图特征提取模块，用于将所述全局温度特征矩阵和所述空间拓扑特征矩阵通过图神经网络模型以得到拓扑全局温度特征矩阵；
特征分布强化模块，用于对所述拓扑全局温度特征矩阵进行向量间特征分布一致性强化以得到优化后分类特征向量；以及
保护结果生成模块，用于将所述优化后分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否发出超温保护提醒。
在上述用于斗轮机的设备保护系统中，所述温度时序特征提取模块，进一步用于：使用所述使用一维卷积核的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述使用一维卷积核的第一卷积神经网络的最后一层的输出为所述温度特征向量，所述使用一维卷积核的第一卷积神经网络的第一层的输入为所述温度输入向量。
在上述用于斗轮机的设备保护系统中，所述空间拓扑特征提取模块，进一步用于：使用所述作为特征提取器的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的第二卷积神经网络的最后一层的输出为所述空间拓扑特征矩阵，所述作为特征提取器的第二卷积神经网络的第一层的输入为所述空间拓扑矩阵。
在上述用于斗轮机的设备保护系统中，所述作为特征提取器的第二卷积神经网络模型为深度残差网络模型。
在上述用于斗轮机的设备保护系统中，所述图特征提取模块，进一步用于使用所述图神经网络模型以可学习的神经网络参数对所述全局温度特征矩阵和所述空间拓扑特征矩阵进行编码以得到得到包含不规则的空间拓扑特征和高维温度分布时序特征的所述拓扑全局温度特征矩阵。
在上述用于斗轮机的设备保护系统中，所述特征分布强化模块，进一步用于：以如下公式对所述分类特征向量进行向量赋范的希尔伯特概率空间化以得到所述优化后分类特征向量；其中，所述公式为：
Figure BDA0004111501130000031
其中V是所述分类特征向量，‖V‖2表示所述分类特征向量的二范数，
Figure BDA0004111501130000032
表示所述分类特征向量的二范数平方，即所述分类特征向量自身的内积，vi是所述分类特征向量的第i个特征值，exp(·)表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值，且vi′是优化后的分类特征向量的第i个特征值。
在上述用于斗轮机的设备保护系统中，所述保护结果生成模块，包括：全连接编码单元，用于使用所述分类器的多个全连接层对所述优化后分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类结果生成单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一方面，提供了一种用于斗轮机的设备保护方法，其包括：
获取斗轮机的多个部件在预定时间段内多个预定时间点的温度值；
将所述各个部件在预定时间段内多个预定时间点的温度值分别按照时间维度排列为温度输入向量后通过使用一维卷积核的第一卷积神经网络模型以得到多个温度特征向量；
构造所述多个部件之间的空间拓扑矩阵，所述空间拓扑矩阵中非对角线位置上各个位置的值为相应两个部件之间的距离；
将所述空间拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到空间拓扑特征矩阵；
将所述多个温度特征向量进行二维排列以得到全局温度特征矩阵；
将所述全局温度特征矩阵和所述空间拓扑特征矩阵通过图神经网络模型以得到拓扑全局温度特征矩阵；
对所述拓扑全局温度特征矩阵进行向量间特征分布一致性强化以得到优化后分类特征向量；以及
将所述优化后分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否发出超温保护提醒。
根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的用于斗轮机的设备保护方法。
根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的用于斗轮机的设备保护方法。
与现有技术相比，本申请提供的一种用于斗轮机的设备保护系统及其方法，其通过采用基于深度学习的神经网络模型，通过对斗轮机的多个部件进行温度监测，并构建所述多个部件之间的空间拓扑矩阵来表示各个部件之间的热影响，以此更为精准且合理地表示所述斗轮机的温度分布特征，进一步基于所述温度分布特征来判断是否产生超温保护提醒，这样，能够兼顾设备中多个部件之间的协同性，进而提高设备超温保护的智能性和合理性。
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用于斗轮机的设备保护系统的应用场景图；
图2为根据本申请实施例的用于斗轮机的设备保护系统的框图；
图3为根据本申请实施例的用于斗轮机的设备保护系统的系统架构图；
图4为根据本申请实施例的用于斗轮机的设备保护系统中第一卷积神经网络编码的流程图；
图5为根据本申请实施例的用于斗轮机的设备保护系统中第二卷积神经网络编码的流程图；
图6为根据本申请实施例的用于斗轮机的设备保护系统中保护结果生成模块的框图；
图7为根据本申请实施例的用于斗轮机的设备保护方法的流程图；
图8为根据本申请实施例的电子设备的框图。
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。
申请概述
如前背景技术所言，在斗轮机的设备保护中，超温保护是一个重要的设备保护项，但是，现有的设备超温保护方案忽略了设备是一个有机的整体，一个位置的温度值无法表征整个设备的温度分布情况，而一个设备的多个部件之间会发生温度传输和热影响，如果忽略了设备的多个部件之间的协同性，也会降低设备超温保护的智能性和合理性。
针对上述问题，在本申请的技术方案中，在进行斗轮机的超温保护时，对所述斗轮机的多个部件进行温度监测，并以所述多个部件之间的空间拓扑矩阵来表示各个部件之间的热影响，以此来更为精准且合理地表示所述斗轮机的温度分布特征，进而基于所述温度分布特征来判断是否产生超温保护提醒。
具体地，首先获取斗轮机的多个部件在预定时间段内多个预定时间点的温度值。也就是，通过温度传感器对所述斗轮机的多个部件进行温度监测以采集各个部件的温度时序分布离散数据。接着，将所述各个部件在预定时间段内多个预定时间点的温度值分别按照时间维度排列为温度输入向量后通过使用一维卷积核的第一卷积神经网络模型以得到多个温度特征向量。也就是，在将所述斗轮机的各个部件的温度分布向量化后，以所述使用一维卷积核的第一卷积神经网络模型对所述温度输入向量进行一维卷积编码以捕捉所述温度输入向量中局部时间窗口内的温度分布间的关联模式特征，即，所述多个温度特征向量。
进一步地，考虑到在温度传输和热影响分析中，各个部件之间的空间距离是非常重要的考量因素。因此，在本申请的技术方案中，所述多个部件之间的空间拓扑矩阵，其中，所述空间拓扑矩阵中非对角线位置上各个位置的值为相应两个部件之间的距离，所述空间拓扑矩阵中对角线位置上各个位置的值为零。这里，以两个部件的中心点之间的距离作为两个部件之间的距离。
接着，将所述空间拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到空间拓扑特征矩阵。也就是，使用在局部特征提取领域具有优异性能表现的卷积神经网络模型作为特征提取器来对所述空间拓扑矩阵进行基于卷积核的局部空间域特征过滤以捕捉所述空间拓扑矩阵所蕴含的空间分布的高维隐含特征，其中，所述卷积核具有可学习的神经网络参数。在本申请一个具体的示例中，所述作为特征提取器的第二卷积神经网络模型为深度残差网络模型。
特别地，在本申请的技术方案中，所述斗轮机的各个部件的温度特征向量相对于节点的高维特征表示，而所述空间拓扑特征矩阵则用于表示节点与节点之间的边的高维特征表示，也就是说，所述空间拓扑特征矩阵和所述多个温度特征向量形成高维图数据。基于此，在本申请的技术方案中，使用图神经网络模型对由所述空间拓扑特征矩阵和所述多个温度特征向量形成高维图数据进行图结构数据编码以得到包含不规则的空间拓扑特征和高维温度分布时序特征的特征分布。
具体地，首先将所述多个温度特征向量进行二维排列以得到全局温度特征矩阵,然后，将所述全局温度特征矩阵和所述空间拓扑特征矩阵通过图神经网络模型以得到拓扑全局温度特征矩阵，其中，所述图神经网络模型以可学习的神经网络参数对所述全局温度特征矩阵和所述空间拓扑特征矩阵进行编码以得到得到包含不规则的空间拓扑特征和高维温度分布时序特征的所述拓扑全局温度特征矩阵。
在得到所述拓扑全局温度特征矩阵后，将所述拓扑全局温度特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否发出超温保护提醒。也就是，在得到所述斗轮机的温度分布全局特征后，使用所述分类器来对所述温度分布全局特征进行分类判断以得到用于表示是否发出超温保护提醒的所述分类结果。
特别地，在本申请的技术方案中，在将所述全局温度特征矩阵和所述空间拓扑特征矩阵通过图神经网络模型得到所述拓扑全局温度特征矩阵时，由于所述拓扑全局温度特征矩阵的每个拓扑全局温度特征向量，例如行向量表达单个部件的温度时序分布在多个部件的空间拓扑下的关联特征，各个拓扑全局温度特征向量会存在特征分布的不一致，从而导致各个拓扑全局温度特征向量直接排列得到的所述拓扑全局温度特征矩阵存在特殊的跨向量异常分布，在通过分类器进行分类时对单一分类结果的依赖性差，影响分类结果的准确性。
因此，对所述拓扑全局温度特征矩阵展开后得到的分类特征向量进行向量赋范的希尔伯特概率空间化，具体表示为：
Figure BDA0004111501130000071
V是所述分类特征向量，‖V‖2表示所述分类特征向量的二范数，
Figure BDA0004111501130000072
表示其平方，即所述分类特征向量自身的内积，vi是所述分类特征向量V的第i个特征值，且vi′是优化后的分类特征向量V′的第i个特征值。
这里，所述向量赋范的希尔伯特概率空间化通过所述分类特征向量V自身的赋范在定义了向量内积的希尔伯特空间内进行所述分类特征向量V的概率性解释，并降低所述分类特征向量V的特殊的局部分布的类表达对整体希尔伯特空间拓扑的类表达的隐蔽扰动，由此提高所述分类特征向量V的特征分布收敛到预定分类概率的分类回归的鲁棒性，同时依靠度量诱导概率空间结构的建立来提升所述分类特征向量V的特征分布对分类结果的跨分类器的长程依赖。这样，再将优化后的分类特征向量V′直接通过分类器进行分类，就提升了所述拓扑全局温度特征矩阵在通过分类器进行分类时对分类结果的依赖性，改进了分类结果的准确性。
基于此，本申请提出了一种用于斗轮机的设备保护系统，其包括：温度监控模块，用于获取斗轮机的多个部件在预定时间段内多个预定时间点的温度值；温度时序特征提取模块，用于将所述各个部件在预定时间段内多个预定时间点的温度值分别按照时间维度排列为温度输入向量后通过使用一维卷积核的第一卷积神经网络模型以得到多个温度特征向量；空间拓扑构造模块，用于构造所述多个部件之间的空间拓扑矩阵，所述空间拓扑矩阵中非对角线位置上各个位置的值为相应两个部件之间的距离；空间拓扑特征提取模块，用于将所述空间拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到空间拓扑特征矩阵；全局化模块，用于将所述多个温度特征向量进行二维排列以得到全局温度特征矩阵；图特征提取模块，用于将所述全局温度特征矩阵和所述空间拓扑特征矩阵通过图神经网络模型以得到拓扑全局温度特征矩阵；特征分布强化模块，用于对所述拓扑全局温度特征矩阵进行向量间特征分布一致性强化以得到优化后分类特征向量；以及，保护结果生成模块，用于将所述优化后分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否发出超温保护提醒。
图1为根据本申请实施例的用于斗轮机的设备保护系统的应用场景图。如图1所示，在该应用场景中，通过温度传感器(例如，如图1中所示意的T)获取斗轮机的多个部件在预定时间段内多个预定时间点的温度值。接着，将上述数据输入至部署有用于斗轮机的设备保护算法的服务器(例如，图1中的S)中，其中，所述服务器能够以所述用于斗轮机的设备保护算法对上述输入的数据进行处理，以生成用于表示是否发出超温保护提醒的分类结果。
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。
示例性系统
图2为根据本申请实施例的用于斗轮机的设备保护系统的框图。如图2所示，根据本申请实施例的用于斗轮机的设备保护系统300，包括：温度监控模块310；温度时序特征提取模块320；空间拓扑构造模块330；空间拓扑特征提取模块340；全局化模块350；图特征提取模块360；特征分布强化模块370；以及，保护结果生成模块380。
其中，所述温度监控模块310，用于获取斗轮机的多个部件在预定时间段内多个预定时间点的温度值；所述温度时序特征提取模块320，用于将所述各个部件在预定时间段内多个预定时间点的温度值分别按照时间维度排列为温度输入向量后通过使用一维卷积核的第一卷积神经网络模型以得到多个温度特征向量；所述空间拓扑构造模块330，用于构造所述多个部件之间的空间拓扑矩阵，所述空间拓扑矩阵中非对角线位置上各个位置的值为相应两个部件之间的距离；所述空间拓扑特征提取模块340，用于将所述空间拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到空间拓扑特征矩阵；所述全局化模块350，用于将所述多个温度特征向量进行二维排列以得到全局温度特征矩阵；所述图特征提取模块360，用于将所述全局温度特征矩阵和所述空间拓扑特征矩阵通过图神经网络模型以得到拓扑全局温度特征矩阵；所述特征分布强化模块370，用于对所述拓扑全局温度特征矩阵进行向量间特征分布一致性强化以得到优化后分类特征向量；以及，所述保护结果生成模块380，用于将所述优化后分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否发出超温保护提醒。
图3为根据本申请实施例的用于斗轮机的设备保护系统的系统架构图。如图3所示，在该网络架构中，首先通过所述温度监控模块310获取斗轮机的多个部件在预定时间段内多个预定时间点的温度值；接着，所述温度时序特征提取模块320将所述温度监控模块310获取的各个部件在预定时间段内多个预定时间点的温度值分别按照时间维度排列为温度输入向量后通过使用一维卷积核的第一卷积神经网络模型以得到多个温度特征向量；所述空间拓扑构造模块330构造所述多个部件之间的空间拓扑矩阵，所述空间拓扑矩阵中非对角线位置上各个位置的值为相应两个部件之间的距离；然后，所述空间拓扑特征提取模块340将所述空间拓扑构造模块330构造所得的空间拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到空间拓扑特征矩阵；所述全局化模块350将所述温度时序特征提取模块320得到的多个温度特征向量进行二维排列以得到全局温度特征矩阵；然后，所述图特征提取模块360将所述全局化模块350得到的全局温度特征矩阵和所述空间拓扑特征提取模块340得到的空间拓扑特征矩阵通过图神经网络模型以得到拓扑全局温度特征矩阵；所述特征分布强化模块370对所述图特征提取模块360得到的拓扑全局温度特征矩阵进行向量间特征分布一致性强化以得到优化后分类特征向量；进而，所述保护结果生成模块380将所述优化后分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否发出超温保护提醒。
具体地，在所述用于斗轮机的设备保护系统300的运行过程中，所述温度监控模块310，用于获取斗轮机的多个部件在预定时间段内多个预定时间点的温度值。应可以理解，在对斗轮机进行超温保护时，需要对所述斗轮机的多个部件进行温度监测，因此，在本申请的一个具体示例中，可通过温度传感器来获取斗轮机的多个部件在预定时间段内多个预定时间点的温度值，也就是，通过温度传感器对所述斗轮机的多个部件进行温度监测以采集各个部件的温度时序分布离散数据。
具体地，在所述用于斗轮机的设备保护系统300的运行过程中，所述温度时序特征提取模块320，用于将所述各个部件在预定时间段内多个预定时间点的温度值分别按照时间维度排列为温度输入向量后通过使用一维卷积核的第一卷积神经网络模型以得到多个温度特征向量。在本申请的技术方案中，将所述各个部件在预定时间段内多个预定时间点的温度值分别按照时间维度排列为温度输入向量后通过使用一维卷积核的第一卷积神经网络模型以得到多个温度特征向量。也就是，在将所述斗轮机的各个部件的温度分布向量化后，以所述使用一维卷积核的第一卷积神经网络模型对所述温度输入向量进行一维卷积编码以捕捉所述温度输入向量中局部时间窗口内的温度分布间的关联模式特征，即，所述多个温度特征向量。在一个具体示例中，所述第一卷积神经网络包括相互级联的多个神经网络层，其中各个神经网络层包括卷积层、池化层和激活层。其中，在所述第一卷积神经网络的编码过程中，所述第一卷积神经网络的各层在层的正向传递过程中对输入数据使用所述卷积层进行基于卷积核的卷积处理、使用所述池化层对由所述卷积层输出的卷积特征图进行池化处理和使用所述激活层对由所述池化层输出的池化特征图进行激活处理。
图4为根据本申请实施例的用于斗轮机的设备保护系统中第一卷积神经网络编码的流程图。如图4所示，在所述第一卷积神经网络编码过程中，包括：使用所述使用一维卷积核的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：S210，对输入数据进行卷积处理以得到卷积特征图；S220，对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，S230，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述使用一维卷积核的第一卷积神经网络的最后一层的输出为所述温度特征向量，所述使用一维卷积核的第一卷积神经网络的第一层的输入为所述温度输入向量。
具体地，在所述用于斗轮机的设备保护系统300的运行过程中，所述空间拓扑构造模块330，用于构造所述多个部件之间的空间拓扑矩阵，所述空间拓扑矩阵中非对角线位置上各个位置的值为相应两个部件之间的距离。考虑到在温度传输和热影响分析中，各个部件之间的空间距离是非常重要的考量因素。因此，在本申请的技术方案中，所述多个部件之间的空间拓扑矩阵，其中，所述空间拓扑矩阵中非对角线位置上各个位置的值为相应两个部件之间的距离，所述空间拓扑矩阵中对角线位置上各个位置的值为零。这里，以两个部件的中心点之间的距离作为两个部件之间的距离。
具体地，在所述用于斗轮机的设备保护系统300的运行过程中，所述空间拓扑特征提取模块340，用于将所述空间拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到空间拓扑特征矩阵。也就是，使用在局部特征提取领域具有优异性能表现的卷积神经网络模型作为特征提取器来对所述空间拓扑矩阵进行基于卷积核的局部空间域特征过滤以捕捉所述空间拓扑矩阵所蕴含的空间分布的高维隐含特征，其中，所述卷积核具有可学习的神经网络参数。在本申请一个具体的示例中，所述作为特征提取器的第二卷积神经网络模型为深度残差网络模型。
图5为根据本申请实施例的用于斗轮机的设备保护系统中第二卷积神经网络编码的流程图。如图5所示，在所述第二卷积神经网络编码过程中，包括：使用所述作为特征提取器的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：S310，对输入数据进行卷积处理以得到卷积特征图；S320，对所述卷积特征图进行沿通道维度的池化以得到池化特征图；以及，S330，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的第二卷积神经网络的最后一层的输出为所述空间拓扑特征矩阵，所述作为特征提取器的第二卷积神经网络的第一层的输入为所述空间拓扑矩阵。
具体地，在所述用于斗轮机的设备保护系统300的运行过程中，所述全局化模块350和所述图特征提取模块360，用于将所述多个温度特征向量进行二维排列以得到全局温度特征矩阵，以及，将所述全局温度特征矩阵和所述空间拓扑特征矩阵通过图神经网络模型以得到拓扑全局温度特征矩阵。特别地，在本申请的技术方案中，所述斗轮机的各个部件的温度特征向量相对于节点的高维特征表示，而所述空间拓扑特征矩阵则用于表示节点与节点之间的边的高维特征表示，也就是说，所述空间拓扑特征矩阵和所述多个温度特征向量形成高维图数据。基于此，在本申请的技术方案中，使用图神经网络模型对由所述空间拓扑特征矩阵和所述多个温度特征向量形成高维图数据进行图结构数据编码以得到包含不规则的空间拓扑特征和高维温度分布时序特征的特征分布。具体地，首先将所述多个温度特征向量进行二维排列以得到全局温度特征矩阵,然后，将所述全局温度特征矩阵和所述空间拓扑特征矩阵通过图神经网络模型以得到拓扑全局温度特征矩阵，其中，所述图神经网络模型以可学习的神经网络参数对所述全局温度特征矩阵和所述空间拓扑特征矩阵进行编码以得到得到包含不规则的空间拓扑特征和高维温度分布时序特征的所述拓扑全局温度特征矩阵。
具体地，在所述用于斗轮机的设备保护系统300的运行过程中，所述特征分布强化模块370，用于对所述拓扑全局温度特征矩阵进行向量间特征分布一致性强化以得到优化后分类特征向量。特别地，在本申请的技术方案中，在将所述全局温度特征矩阵和所述空间拓扑特征矩阵通过图神经网络模型得到所述拓扑全局温度特征矩阵时，由于所述拓扑全局温度特征矩阵的每个拓扑全局温度特征向量，例如行向量表达单个部件的温度时序分布在多个部件的空间拓扑下的关联特征，各个拓扑全局温度特征向量会存在特征分布的不一致，从而导致各个拓扑全局温度特征向量直接排列得到的所述拓扑全局温度特征矩阵存在特殊的跨向量异常分布，在通过分类器进行分类时对单一分类结果的依赖性差，影响分类结果的准确性。因此，对所述拓扑全局温度特征矩阵展开后得到的分类特征向量进行向量赋范的希尔伯特概率空间化，具体表示为：
Figure BDA0004111501130000121
其中V是所述分类特征向量，‖V‖2表示所述分类特征向量的二范数，
Figure BDA0004111501130000122
表示所述分类特征向量的二范数平方，即所述分类特征向量自身的内积，vi是所述分类特征向量的第i个特征值，exp(·)表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值，且vi′是优化后的分类特征向量的第i个特征值。这里，所述向量赋范的希尔伯特概率空间化通过所述分类特征向量V自身的赋范在定义了向量内积的希尔伯特空间内进行所述分类特征向量V的概率性解释，并降低所述分类特征向量V的特殊的局部分布的类表达对整体希尔伯特空间拓扑的类表达的隐蔽扰动，由此提高所述分类特征向量V的特征分布收敛到预定分类概率的分类回归的鲁棒性，同时依靠度量诱导概率空间结构的建立来提升所述分类特征向量V的特征分布对分类结果的跨分类器的长程依赖。这样，再将优化后的分类特征向量V′直接通过分类器进行分类，就提升了所述拓扑全局温度特征矩阵在通过分类器进行分类时对分类结果的依赖性，改进了分类结果的准确性。
具体地，在所述用于斗轮机的设备保护系统300的运行过程中，所述保护结果生成模块380，用于将所述优化后分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否发出超温保护提醒。也就是，将所述优化后分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否发出超温保护提醒。在本申请的一个具体示例中，所述将所述优化后分类特征向量通过分类器以得到分类结果，包括：使用所述分类器以如下公式对所述优化后分类特征向量进行处理以获得分类结果，其中，所述公式为：
O＝softmax{(Wn,Bn):…:(W1,B1)|X}，其中，W1到Wn为权重矩阵，B1到Bn为偏置向量，X为优化后分类特征向量。具体地，所述分类器包括多个全连接层和与所述多个全连接层最后一个全连接层级联的Softmax层。其中，在所述分类器的分类处理中，使用所述分类器的多个全连接层对所述优化后分类特征向量进行多次全连接编码以得到编码分类特征向量；进而，将所述编码分类特征向量输入所述分类器的Softmax层，即，使用所述Softmax分类函数对所述编码分类特征向量进行分类处理以得到所述编码分类特征向量归属于当前时间点发出超温保护提醒的第一概率值和所述编码分类特征向量归属于当前时间点不发出超温保护提醒的第二概率值；继而，将所述第一概率值和所述第二概率值中较大者对应的标签确定为所述分类结果。也就是，在得到所述斗轮机的温度分布全局特征后，使用所述分类器来对所述温度分布全局特征进行分类判断以得到用于表示是否发出超温保护提醒的所述分类结果。
图6为根据本申请实施例的用于斗轮机的设备保护系统中保护结果生成模块的框图。如图6所示，所述保护结果生成模块380，包括：全连接编码单元381，用于使用所述分类器的多个全连接层对所述优化后分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类结果生成单元382，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上，根据本申请实施例的用于斗轮机的设备保护系统300被阐明，其通过采用基于深度学习的神经网络模型，通过对斗轮机的多个部件进行温度监测，并构建所述多个部件之间的空间拓扑矩阵来表示各个部件之间的热影响，以此更为精准且合理地表示所述斗轮机的温度分布特征，进一步基于所述温度分布特征来判断是否产生超温保护提醒，这样，能够兼顾设备中多个部件之间的协同性，进而提高设备超温保护的智能性和合理性。
如上所述，根据本申请实施例的用于斗轮机的设备保护系统可以实现在各种终端设备中。在一个示例中，根据本申请实施例的用于斗轮机的设备保护系统300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，该用于斗轮机的设备保护系统300可以是该终端设备的操作系统中的一个软件模块，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，该用于斗轮机的设备保护系统300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，该用于斗轮机的设备保护系统300与该终端设备也可以是分立的设备，并且该用于斗轮机的设备保护系统300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。
示例性方法
图7为根据本申请实施例的用于斗轮机的设备保护方法的流程图。如图7所示，根据本申请实施例的用于斗轮机的设备保护方法，包括步骤：S110，获取斗轮机的多个部件在预定时间段内多个预定时间点的温度值；S120，将所述各个部件在预定时间段内多个预定时间点的温度值分别按照时间维度排列为温度输入向量后通过使用一维卷积核的第一卷积神经网络模型以得到多个温度特征向量；S130，构造所述多个部件之间的空间拓扑矩阵，所述空间拓扑矩阵中非对角线位置上各个位置的值为相应两个部件之间的距离；S140，将所述空间拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到空间拓扑特征矩阵；S150，将所述多个温度特征向量进行二维排列以得到全局温度特征矩阵；S160，将所述全局温度特征矩阵和所述空间拓扑特征矩阵通过图神经网络模型以得到拓扑全局温度特征矩阵；S170，对所述拓扑全局温度特征矩阵进行向量间特征分布一致性强化以得到优化后分类特征向量；以及，S180，将所述优化后分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否发出超温保护提醒。
在一个示例中，在上述用于斗轮机的设备保护方法中，所述步骤S120，包括：使用所述使用一维卷积核的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述使用一维卷积核的第一卷积神经网络的最后一层的输出为所述温度特征向量，所述使用一维卷积核的第一卷积神经网络的第一层的输入为所述温度输入向量。
在一个示例中，在上述用于斗轮机的设备保护方法中，所述步骤S140，包括：使用所述作为特征提取器的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的第二卷积神经网络的最后一层的输出为所述空间拓扑特征矩阵，所述作为特征提取器的第二卷积神经网络的第一层的输入为所述空间拓扑矩阵。其中，所述作为特征提取器的第二卷积神经网络模型为深度残差网络模型。
在一个示例中，在上述用于斗轮机的设备保护方法中，所述步骤S160，包括：使用所述图神经网络模型以可学习的神经网络参数对所述全局温度特征矩阵和所述空间拓扑特征矩阵进行编码以得到得到包含不规则的空间拓扑特征和高维温度分布时序特征的所述拓扑全局温度特征矩阵。
在一个示例中，在上述用于斗轮机的设备保护方法中，所述步骤S170，包括：以如下公式对所述分类特征向量进行向量赋范的希尔伯特概率空间化以得到所述优化后分类特征向量；其中，所述公式为：
Figure BDA0004111501130000151
其中V是所述分类特征向量，‖V‖2表示所述分类特征向量的二范数，
Figure BDA0004111501130000152
表示所述分类特征向量的二范数平方，即所述分类特征向量自身的内积，vi是所述分类特征向量的第i个特征值，exp(·)表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值，且vi′是优化后的分类特征向量的第i个特征值。
在一个示例中，在上述用于斗轮机的设备保护方法中，所述步骤S180，包括：使用所述分类器的多个全连接层对所述优化后分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上，根据本申请实施例的用于斗轮机的设备保护方法被阐明，其通过采用基于深度学习的神经网络模型，通过对斗轮机的多个部件进行温度监测，并构建所述多个部件之间的空间拓扑矩阵来表示各个部件之间的热影响，以此更为精准且合理地表示所述斗轮机的温度分布特征，进一步基于所述温度分布特征来判断是否产生超温保护提醒，这样，能够兼顾设备中多个部件之间的协同性，进而提高设备超温保护的智能性和合理性。
示例性电子设备
下面，参考图8来描述根据本申请实施例的电子设备。
图8图示了根据本申请实施例的电子设备的框图。
如图8所示，电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的车位级动态共享智能管控系统中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如优化后分类特征向量等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图8中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性系统”部分中描述的根据本申请各种实施例的用于斗轮机的设备保护方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性系统”部分中描述的根据本申请各种实施例的用于斗轮机的设备保护方法中的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
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)

1.一种用于斗轮机的设备保护系统，其特征在于，包括：
温度监控模块，用于获取斗轮机的多个部件在预定时间段内多个预定时间点的温度值；
温度时序特征提取模块，用于将所述各个部件在预定时间段内多个预定时间点的温度值分别按照时间维度排列为温度输入向量后通过使用一维卷积核的第一卷积神经网络模型以得到多个温度特征向量；
空间拓扑构造模块，用于构造所述多个部件之间的空间拓扑矩阵，所述空间拓扑矩阵中非对角线位置上各个位置的值为相应两个部件之间的距离；
空间拓扑特征提取模块，用于将所述空间拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到空间拓扑特征矩阵；
全局化模块，用于将所述多个温度特征向量进行二维排列以得到全局温度特征矩阵；
图特征提取模块，用于将所述全局温度特征矩阵和所述空间拓扑特征矩阵通过图神经网络模型以得到拓扑全局温度特征矩阵；
特征分布强化模块，用于对所述拓扑全局温度特征矩阵进行向量间特征分布一致性强化以得到优化后分类特征向量；以及
保护结果生成模块，用于将所述优化后分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否发出超温保护提醒。
2.根据权利要求1所述的用于斗轮机的设备保护系统，其特征在于，所述温度时序特征提取模块，进一步用于：使用所述使用一维卷积核的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：
对输入数据进行卷积处理以得到卷积特征图；
对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述使用一维卷积核的第一卷积神经网络的最后一层的输出为所述温度特征向量，所述使用一维卷积核的第一卷积神经网络的第一层的输入为所述温度输入向量。
3.根据权利要求2所述的用于斗轮机的设备保护系统，其特征在于，所述空间拓扑特征提取模块，进一步用于：使用所述作为特征提取器的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：
对输入数据进行卷积处理以得到卷积特征图；
对所述卷积特征图进行沿通道维度的池化以得到池化特征图；以及
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述作为特征提取器的第二卷积神经网络的最后一层的输出为所述空间拓扑特征矩阵，所述作为特征提取器的第二卷积神经网络的第一层的输入为所述空间拓扑矩阵。
4.根据权利要求3所述的用于斗轮机的设备保护系统，其特征在于，所述作为特征提取器的第二卷积神经网络模型为深度残差网络模型。
5.根据权利要求4所述的用于斗轮机的设备保护系统，其特征在于，所述图特征提取模块，进一步用于使用所述图神经网络模型以可学习的神经网络参数对所述全局温度特征矩阵和所述空间拓扑特征矩阵进行编码以得到得到包含不规则的空间拓扑特征和高维温度分布时序特征的所述拓扑全局温度特征矩阵。
6.根据权利要求5所述的用于斗轮机的设备保护系统，其特征在于，所述特征分布强化模块，进一步用于：以如下公式对所述分类特征向量进行向量赋范的希尔伯特概率空间化以得到所述优化后分类特征向量；
其中，所述公式为：
Figure FDA0004111501120000021
其中V是所述分类特征向量，‖V‖2表示所述分类特征向量的二范数，
Figure FDA0004111501120000022
表示所述分类特征向量的二范数平方，即所述分类特征向量自身的内积，vi是所述分类特征向量的第i个特征值，exp(·)表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值，且vi′是优化后的分类特征向量的第i个特征值。
7.根据权利要求6所述的用于斗轮机的设备保护系统，其特征在于，所述保护结果生成模块，包括：
全连接编码单元，用于使用所述分类器的多个全连接层对所述优化后分类特征向量进行全连接编码以得到编码分类特征向量；以及
分类结果生成单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
8.一种用于斗轮机的设备保护方法，其特征在于，包括：
获取斗轮机的多个部件在预定时间段内多个预定时间点的温度值；
将所述各个部件在预定时间段内多个预定时间点的温度值分别按照时间维度排列为温度输入向量后通过使用一维卷积核的第一卷积神经网络模型以得到多个温度特征向量；
构造所述多个部件之间的空间拓扑矩阵，所述空间拓扑矩阵中非对角线位置上各个位置的值为相应两个部件之间的距离；
将所述空间拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到空间拓扑特征矩阵；
将所述多个温度特征向量进行二维排列以得到全局温度特征矩阵；
将所述全局温度特征矩阵和所述空间拓扑特征矩阵通过图神经网络模型以得到拓扑全局温度特征矩阵；
对所述拓扑全局温度特征矩阵进行向量间特征分布一致性强化以得到优化后分类特征向量；以及
将所述优化后分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否发出超温保护提醒。
9.根据权利要求8所述的用于斗轮机的设备保护方法，其特征在于，所述将所述全局温度特征矩阵和所述空间拓扑特征矩阵通过图神经网络模型以得到拓扑全局温度特征矩阵，包括：使用所述图神经网络模型以可学习的神经网络参数对所述全局温度特征矩阵和所述空间拓扑特征矩阵进行编码以得到得到包含不规则的空间拓扑特征和高维温度分布时序特征的所述拓扑全局温度特征矩阵。
10.根据权利要求9所述的用于斗轮机的设备保护方法，其特征在于，所述将所述优化后分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否发出超温保护提醒，包括：
使用所述分类器的多个全连接层对所述优化后分类特征向量进行全连接编码以得到编码分类特征向量；以及
将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
CN202310207494.XA 2023-03-06 2023-03-06 用于斗轮机的设备保护系统及其方法 Pending CN116383714A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310207494.XA CN116383714A (zh) 2023-03-06 2023-03-06 用于斗轮机的设备保护系统及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310207494.XA CN116383714A (zh) 2023-03-06 2023-03-06 用于斗轮机的设备保护系统及其方法

Publications (1)

Publication Number Publication Date
CN116383714A true CN116383714A (zh) 2023-07-04

Family

ID=86975967

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310207494.XA Pending CN116383714A (zh) 2023-03-06 2023-03-06 用于斗轮机的设备保护系统及其方法

Country Status (1)

Country Link
CN (1) CN116383714A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117419828A (zh) * 2023-12-18 2024-01-19 南京品傲光电科技有限公司 基于光纤传感器的新能源电池温度监测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117419828A (zh) * 2023-12-18 2024-01-19 南京品傲光电科技有限公司 基于光纤传感器的新能源电池温度监测方法
CN117419828B (zh) * 2023-12-18 2024-05-03 南京品傲光电科技有限公司 基于光纤传感器的新能源电池温度监测方法

Similar Documents

Publication Publication Date Title
CN115796173B (zh) 针对监管报送需求的数据处理方法和系统
CN115834433B (zh) 基于物联网技术的数据处理方法及系统
Chen et al. An efficient network behavior anomaly detection using a hybrid DBN-LSTM network
CN115099684B (zh) 企业安全生产管理系统及其管理方法
CN110929047A (zh) 关注邻居实体的知识图谱推理方法和装置
CN116247824B (zh) 电力设备的控制方法及其系统
JP7020547B2 (ja) 情報処理装置、制御方法、及びプログラム
US20180039890A1 (en) Adaptive knowledge base construction method and system
CN116015837A (zh) 用于计算机网络信息安全的入侵检测方法及系统
CN110730164B (zh) 安全预警方法及相关设备、计算机可读存储介质
Chen et al. Process monitoring based on multivariate causality analysis and probability inference
CN116579618B (zh) 基于风险管理的数据处理方法、装置、设备及存储介质
CN116149397B (zh) 电子级双氧水存储的温度自适应控制系统
CN116257406A (zh) 用于智慧城市的网关数据管理方法及其系统
CN116383714A (zh) 用于斗轮机的设备保护系统及其方法
CN117077075A (zh) 用于环境保护的水质监测系统及其方法
JP2023012311A (ja) 情報処理装置、情報処理方法及びプログラム
CN116151845A (zh) 基于工业物联网技术的产品全生命周期管理系统及其方法
CN115878319A (zh) 负载均衡方法、系统和电子设备
CN116167833B (zh) 基于联邦学习的互联网金融风险控制系统及其方法
CN112800217A (zh) 基于向量关联性矩阵的政务事务处理报告的智能评估方法
CN109728958B (zh) 一种网络节点信任预测方法、装置、设备及介质
CN116483132A (zh) 基于驱动电机电流控制协同的煤流量控制系统及其方法
Xu et al. HTtext: A TextCNN-based pre-silicon detection for hardware Trojans
CN116486622A (zh) 基于道路数据的交通智能规划系统及其方法

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