CN116470885B - 高压脉冲电路系统及其控制方法 - Google Patents
高压脉冲电路系统及其控制方法 Download PDFInfo
- Publication number
- CN116470885B CN116470885B CN202310719882.6A CN202310719882A CN116470885B CN 116470885 B CN116470885 B CN 116470885B CN 202310719882 A CN202310719882 A CN 202310719882A CN 116470885 B CN116470885 B CN 116470885B
- Authority
- CN
- China
- Prior art keywords
- pulse waveform
- feature
- characteristic
- sub
- voltage pulse
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 239000003990 capacitor Substances 0.000 claims abstract description 13
- 230000006835 compression Effects 0.000 claims abstract description 12
- 238000007906 compression Methods 0.000 claims abstract description 12
- 238000004146 energy storage Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 132
- 239000011159 matrix material Substances 0.000 claims description 49
- 238000010586 diagram Methods 0.000 claims description 41
- 238000013527 convolutional neural network Methods 0.000 claims description 30
- 230000004927 fusion Effects 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 9
- 239000000428 dust Substances 0.000 description 8
- 238000009826 distribution Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 238000006477 desulfuration reaction Methods 0.000 description 5
- 230000023556 desulfurization Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 239000003344 environmental pollutant Substances 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 231100000719 pollutant Toxicity 0.000 description 3
- 230000002745 absorbent Effects 0.000 description 2
- 239000002250 absorbent Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 2
- 230000003749 cleanliness Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000017525 heat dissipation Effects 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000003546 flue gas Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000696 magnetic material Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 1
- 229910052753 mercury Inorganic materials 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000002000 scavenging effect Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03K—PULSE TECHNIQUE
- H03K3/00—Circuits for generating electric pulses; Monostable, bistable or multistable circuits
- H03K3/02—Generators characterised by the type of circuit or by the means used for producing pulses
- H03K3/53—Generators characterised by the type of circuit or by the means used for producing pulses by the use of an energy-accumulating element discharged through the load by a switching device controlled by an external signal and not incorporating positive feedback
-
- 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)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Plasma Technology (AREA)
Abstract
本发明公开了一种高压脉冲电路系统及其控制方法。该系统包括：高压脉冲电源和多级磁压缩器，其中，所述高压脉冲电源包括电器开关主回路、脉冲变压器、充电机和核心控制器，所述磁压缩器包括磁压缩开关、复位电路和高压脉冲电容器；其中，所述脉冲变压器的漏感LS和储能电容C形成串联谐振以输出一级高压脉冲；所述核心控制器用于对所述一级高压脉冲进行检测并输出所述一级高压脉冲至所述多级磁压缩器；以及，所述多级磁压缩器用于对所述一级高压脉冲进行宽度压缩。
Description
技术领域
本申请涉及智能化控制领域，且更为具体地，涉及一种高压脉冲电路系统及其控制方法。
背景技术
近年来随着火电装机容量不断增长，排放污染物的总量增加对大气环境造成了很大压力：对重点控制地区的燃煤机组污染物排放要求大幅提高：烟尘浓度≤20mg/Nm3；SO2浓度≤50mg/Nm3；NOx浓度≤100mg/Nm3；汞及其化合物≤0.03mg/Nm3。
目前，脱硫（SO2）以采用吸收剂对烟气中SO2进行吸收处理的技术为主，分为湿法脱硫技术和干法脱硫技术两种。上述技术只对单一污染物针对性处理，需使用吸收剂，且系统工艺复杂、结构庞大，运行维护成本高。同时，上述技术对低浓度的SO2和NOx清除效果欠佳，很难达到超洁净排放。而采用高陡度高压脉冲等离子体技术可同时处理SO2和NOx，且对低浓度的SO2和NOx仍具有很好的清除特性。
国内外针对等离子体电源的研制工作均有开展。产生等离子体的技术主要分为两种：一种是采用高频（10kHz以上）交流电压形成等离子体，由高频交流等离子体电源和介质阻挡放电（BDB）反应器构成，其特点为：电源制造较容易、成本低，但反应器结构复杂、洁净度要求很高且不抗粉尘，因此，不适合燃煤电厂等有粉尘的场合。第二种采用高压脉冲（500纳秒级）电压产生等离子体，由脉冲等离子体高压电源和反应器（同电除尘结构）构成，电源制造难度大，但抗粉尘，可用于燃煤电厂的脱硫脱硝，是未来发展趋势。目前，国内外有少量的脉冲等离子体高压电源的示范应用，但未能解决磁开关功耗大、温度高、可靠性差的问题。
因此，期待一种优化的高压脉冲电路系统及其输出控制方法。
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高压脉冲电路系统及其控制方法。该系统包括：高压脉冲电源和多级磁压缩器，其中，所述高压脉冲电源包括电器开关主回路、脉冲变压器、充电机和核心控制器，所述磁压缩器包括磁压缩开关、复位电路和高压脉冲电容器；其中，所述脉冲变压器的漏感LS和储能电容C形成串联谐振以输出一级高压脉冲；所述核心控制器用于对所述一级高压脉冲进行检测并输出所述一级高压脉冲至所述多级磁压缩器；以及，所述多级磁压缩器用于对所述一级高压脉冲进行宽度压缩。
根据本申请的一个方面，提供了一种高压脉冲电路系统，其包括：
高压脉冲电源和多级磁压缩器，其中，所述高压脉冲电源包括电器开关主回路、脉冲变压器、充电机和核心控制器，所述磁压缩器包括磁压缩开关、复位电路和高压脉冲电容器；
其中，所述脉冲变压器的漏感LS和储能电容C形成串联谐振以输出一级高压脉冲；所述核心控制器用于对所述一级高压脉冲进行检测并输出所述一级高压脉冲至所述多级磁压缩器；以及，所述多级磁压缩器用于对所述一级高压脉冲进行宽度压缩。
在上述的高压脉冲电路系统中，所述核心控制器，包括：
波形图获取模块，用于获取所述一级高压脉冲的波形图；
特征提取模块，用于将所述一级高压脉冲的波形图通过作为特征提取器的卷积神经网络模型以得到一级高压脉冲波形特征矩阵；
特征矩阵划分模块，用于对所述一级高压脉冲波形特征矩阵进行特征矩阵划分以得到脉冲波形特征子矩阵的序列；
线性嵌入编码模块，用于将所述脉冲波形特征子矩阵的序列中的各个脉冲波形特征子矩阵通过线性嵌入层以得到脉冲波形特征子特征向量的序列；
上下文编码模块，用于将所述脉冲波形特征子特征向量的序列通过基于转换器的上下文编码器以得到脉冲波形全局特征向量；以及
分类模块，用于将所述脉冲波形全局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可将一级高压脉冲输出。
根据本申请的另一个方面，提供了一种高压脉冲电路系统的控制方法，其包括：
获取所述一级高压脉冲的波形图；
将所述一级高压脉冲的波形图通过作为特征提取器的卷积神经网络模型以得到一级高压脉冲波形特征矩阵；
对所述一级高压脉冲波形特征矩阵进行特征矩阵划分以得到脉冲波形特征子矩阵的序列；
将所述脉冲波形特征子矩阵的序列中的各个脉冲波形特征子矩阵通过线性嵌入层以得到脉冲波形特征子特征向量的序列；
将所述脉冲波形特征子特征向量的序列通过基于转换器的上下文编码器以得到脉冲波形全局特征向量；以及
将所述脉冲波形全局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可将一级高压脉冲输出。
与现有技术相比，本申请提供的高压脉冲电路系统及其控制方法，该系统包括：高压脉冲电源和多级磁压缩器，其中，所述高压脉冲电源包括电器开关主回路、脉冲变压器、充电机和核心控制器，所述磁压缩器包括磁压缩开关、复位电路和高压脉冲电容器；其中，所述脉冲变压器的漏感LS和储能电容C形成串联谐振以输出一级高压脉冲；所述核心控制器用于对所述一级高压脉冲进行检测并输出所述一级高压脉冲至所述多级磁压缩器；以及，所述多级磁压缩器用于对所述一级高压脉冲进行宽度压缩。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员而言，在没有做出创造性劳动的前提下，还可以根据这些附图获得其他的附图。以下附图并未刻意按实际尺寸等比例缩放绘制，重点在于示出本申请的主旨。
图1为根据本申请实施例的高压脉冲电路系统的应用场景图。
图2为根据本申请实施例的高压脉冲电路系统的框图示意图。
图3为根据本申请实施例的高压脉冲电路系统中的所述线性嵌入编码模块的框图示意图。
图4为根据本申请实施例的高压脉冲电路系统中的所述上下文编码模块的框图示意图。
图5为根据本申请实施例的高压脉冲电路系统的控制方法的流程图。
图6为根据本申请实施例的高压脉冲电路系统的控制方法的系统架构的示意图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本申请的部分实施例，而不是全部的实施例。基于本申请实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，也属于本申请保护的范围。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
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。
目前，产生等离子体的技术主要分为两种：一种是采用高频（10kHz以上）交流电压形成等离子体，由高频交流等离子体电源和介质阻挡放电（BDB）反应器构成，其特点为：电源制造较容易、成本低，但反应器结构复杂、洁净度要求很高且不抗粉尘，因此，不适合燃煤电厂等有粉尘的场合。第二种采用高压脉冲（500纳秒级）电压产生等离子体，由脉冲等离子体高压电源和反应器（同电除尘结构）构成，电源制造难度大，但抗粉尘，可用于燃煤电厂的脱硫脱硝，是未来发展趋势。目前，脉冲等离子体高压电源的方案，均未能解决磁开关功耗大、温度高、可靠性差的问题。
针对上述技术问题，本申请提出了一种高压脉冲电路系统，其包括高压脉冲电源和多级磁压缩器，其中，所述高压脉冲电源包括电器开关主回路、脉冲变压器、充电机和核心控制器，所述磁压缩器包括磁压缩开关、复位电路和高压脉冲电容器；其中，所述脉冲变压器的漏感LS和储能电容C形成串联谐振以输出一级高压脉冲；所述核心控制器用于对所述一级高压脉冲进行检测并输出所述一级高压脉冲至所述多级磁压缩器；以及，所述多级磁压缩器用于对所述一级高压脉冲进行宽度压缩。
值得一提的是，采用大功率IGBT或RSD作为固态电气开关，利用脉冲变压器漏感ＬS和储能电容Ｃ形成串联谐振，输出一级高压脉冲（10微妙级）；磁（纳米晶）开关采用多级串联方式，使输出高压脉冲宽度压缩到500纳秒左右，同时解决散热和绝缘要求；核心控制器采用DSP的高速AD和EPWM技术用于检测和控制高压窄脉冲输出，完成系统控制。本申请的技术方案基于大功率IGBT或RSD固态电气开关的LC串联谐振高压窄脉冲输出控制技术，创新的采用了先进的纳米晶磁性材料，有效降低功耗；采用多级串联结构，解决散热和绝缘等技术难题。
特别地，为了提高所述高压脉冲的可靠性，所述核心控制器对所述一级高压脉冲进行基于波形的脉冲检测以确保适宜的一级高压脉冲被输出至所述多级磁压缩器，从而提高所述高压脉冲电路系统的可靠性。
图1为根据本申请实施例的高压脉冲电路系统的框图示意图。如图1所示，所述核心控制器100，包括：波形图获取模块110，用于获取所述一级高压脉冲的波形图；特征提取模块120，用于将所述一级高压脉冲的波形图通过作为特征提取器的卷积神经网络模型以得到一级高压脉冲波形特征矩阵；特征矩阵划分模块130，用于对所述一级高压脉冲波形特征矩阵进行特征矩阵划分以得到脉冲波形特征子矩阵的序列；线性嵌入编码模块140，用于将所述脉冲波形特征子矩阵的序列中的各个脉冲波形特征子矩阵通过线性嵌入层以得到脉冲波形特征子特征向量的序列；上下文编码模块150，用于将所述脉冲波形特征子特征向量的序列通过基于转换器的上下文编码器以得到脉冲波形全局特征向量；以及，分类模块160，用于将所述脉冲波形全局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可将一级高压脉冲输出。
更具体地，在本申请实施例中，所述波形图获取模块110，用于获取所述一级高压脉冲的波形图。所述一级高压脉冲信号的波形图可以直观地展示出高压脉冲电流在时间上的变化规律和幅值等信息，有利于对脉冲信号进行分析和处理。
在本申请的一个示例中，获取一级高压脉冲的波形图可以使用示波器或者数据采集卡等仪器设备。具体的：将一级高压脉冲信号输入到示波器或者数据采集卡中，一般可以通过连接信号源和仪器设备的信号线实现；在示波器或者数据采集卡的控制面板上设置相关参数，如采样率、采样时间、触发方式等，这些参数的设置需要根据具体的实验需求和信号特点来确定；开始采集一级高压脉冲信号的波形数据，采集时间的长短需要根据信号的频率和变化规律来确定，一般需要采集多个周期的数据才能获得准确的波形图；采集完成后，示波器或者数据采集卡会将采集到的波形数据以数字信号的形式输出，这些数据可以通过计算机软件进行处理和分析，如绘制波形图、计算幅值和频率等；最后，还根据需要可以对波形图进行进一步的处理和分析，如进行滤波、峰值检测、频谱分析等，以获得更加准确和全面的信号特征信息。
更具体地，在本申请实施例中，所述特征提取模块120，用于将所述一级高压脉冲的波形图通过作为特征提取器的卷积神经网络模型以得到一级高压脉冲波形特征矩阵。本领域普通技术人员应知晓，所述卷积神经网络是一种非常有效的深度学习模型，在时间序列数据、图像、音频等领域都有广泛应用。在高压脉冲电路系统中，利用所述卷积神经网络对一级高压脉冲波形进行特征提取，能够自动捕捉到波形信号中的关键特征，如峰值、上升时间、下降时间等，并将其转化为一个较高维度的向量表示，以便后续进行处理和分类判断。
值得一提的是，通过使用卷积神经网络模型提取特征，相比传统的手工特征提取方法，具有更高的准确性和泛化能力，并且不需要人为地对特征进行设计和选择，可以充分利用数据自身的信息，避免了特征重要性的主观偏差。
应可以理解，卷积神经网络(Convolutional Neural Network，CNN)是一种人工神经网络，可以自动地从图像中提取特征，从而实现图像分类、目标检测等任务，在图像识别等领域有着广泛的应用。卷积神经网络可以包括输入层、隐藏层和输出层，其中，隐藏层可以包括卷积层、池化(pooling)层、激活层和全连接层等，上一层根据输入的数据进行相应的运算，将运算结果输出给下一层，输入的初始数据经过多层的运算之后得到一个最终的结果。其中，卷积层用于提取图像的局部特征，池化层用于对特征进行下采样，全连接层用于将特征转换为分类结果。
卷积神经网络模型具有局部感知性，可以有效地提取图像的局部特征，从而提高图像分类和识别的准确性。卷积神经网络模型采用参数共享的方式，可以大大减少模型的参数数量，从而降低模型的复杂度，提高模型的训练速度和泛化能力。并且，卷积神经网络模型采用多层结构，可以逐层提取图像的抽象特征，从而实现更加准确和鲁棒的图像分类和识别。
在这里，卷积神经网络模型的作用是将一级高压脉冲的波形图转换为一级高压脉冲波形特征矩阵。它通过多个卷积层和池化层逐层提取波形图的局部特征，并将这些特征组合成一个特征矩阵，为后续的特征提取和分类提供更加准确和全面的信息。
相应地，在一个具体示例中，所述特征提取模块120，用于：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、均值池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层输出所述一级高压脉冲波形特征矩阵，其中，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述一级高压脉冲的波形图。
相应地，在一个具体示例中，所述作为特征提取器的卷积神经网络模型为深度残差网络模型。深度残差网络（Deep Residual Network，简称ResNet）是一种深度学习神经网络模型，其特点是具有很深的网络结构，并且采用了残差学习的思想。具体地：深度残差网络采用了残差学习的思想，即通过学习残差来训练网络，传统的深度神经网络会出现梯度消失或梯度爆炸等问题，导致难以训练，而使用残差学习可以有效地解决这些问题，使得网络可以更深更容易训练；深度残差网络的网络结构非常深，可以达到100多层，甚至更多，这种深度网络结构可以提高网络的表达能力，从而更好地适应复杂的任务；深度残差网络中使用了跳跃连接（Skip Connection），即在网络中添加直接连接，使得输入可以直接传递到后面的层中，这样可以避免信息的丢失和扭曲，同时也可以加速网络的训练；深度残差网络中使用了批量归一化（Batch Normalization），即对每个批次的数据进行归一化处理，这样可以提高网络的稳定性和收敛速度，从而更快地训练出高质量的模型；深度残差网络中使用了预训练模型，即在大规模的数据集上进行训练，并将训练好的模型作为初始化参数，再在具体的任务上进行微调，这种方法可以加快模型的训练速度和提高模型的准确率。
总而言之，深度残差网络是一种非常强大的深度学习神经网络模型，其深度网络结构、残差学习、跳跃连接、批量归一化和预训练模型等特点，使得其在各种计算机视觉任务中取得了非常优秀的成果。
但是，受限于所述卷积神经网络模型的编码特性，即，所述卷积神经网络模型通过具有可学习权重参数的卷积核进行空间域的特征扫描和过滤，因此，所述卷积神经网络模型的特征感受野受卷积核的尺寸的局限，无法捕捉所述一级高压脉冲的波形图的长距离依赖特征（或者说，远程依赖特征），这会影响到后续分类判断的精准度，因此，进一步通过特征矩阵划分模块进行处理。
更具体地，在本申请实施例中，所述特征矩阵划分模块130，用于对所述一级高压脉冲波形特征矩阵进行特征矩阵划分以得到脉冲波形特征子矩阵的序列。对所述一级高压脉冲波形特征矩阵进行特征矩阵划分，是为了将波形特征矩阵切分成多个子矩阵，每个子矩阵都包含着一些具有相似性质的特征信息。这样做的目的是在保留原始信息的同时，将一整段波形信号分解成若干个小的时间片段，使得特征提取和分类更加精确和灵活。对于高压脉冲电路系统中的一级高压脉冲信号，由于其具有复杂的非线性特征和时变性质，因此需要进行适当的处理和分析。通过将波形特征矩阵划分成多个子矩阵，可以更好地捕捉到脉冲信号的局部特征和变化趋势，以便更好地进行数字化处理和分析。
相应地，在一个具体示例中，所述特征矩阵划分模块130，用于：对所述一级高压脉冲波形特征矩阵进行均匀地特征矩阵划分以得到脉冲波形特征子矩阵的序列。将特征矩阵均匀地划分成子矩阵序列可以更好地对脉冲波形进行分析和处理。具体来说，这种划分方式可以更加方便地对脉冲波形的不同部分进行分析，从而更好地理解脉冲波形的特征和规律。此外，将特征矩阵均匀地划分成子矩阵序列还可以更好地进行特征提取和分类，从而提高脉冲波形分析的准确性和效率。
更具体地，在本申请实施例中，所述线性嵌入编码模块140，用于将所述脉冲波形特征子矩阵的序列中的各个脉冲波形特征子矩阵通过线性嵌入层以得到脉冲波形特征子特征向量的序列。将所述脉冲波形特征子矩阵的序列中的各个脉冲波形特征子矩阵通过线性嵌入层以得到脉冲波形特征子特征向量的序列，可以将一个子矩阵转化为一个固定长度的向量表示，并且由于每个子矩阵都包含着一些具有相似性质的特征信息，因此通过将其转化为向量形式，可以更好地捕捉到这些特征信息。
相应地，在一个具体示例中，如图2所示，所述线性嵌入编码模块140，包括：向量展开单元141，用于将所述脉冲波形特征子矩阵的序列中的各个脉冲波形特征子矩阵分别展开为脉冲波形特征子向量的序列；以及，全连接编码单元142，用于使用所述线性嵌入层对所述脉冲波形特征子向量的序列进行全连接编码以得到所述脉冲波形特征子特征向量的序列。
更具体地，在本申请实施例中，所述上下文编码模块150，用于将所述脉冲波形特征子特征向量的序列通过基于转换器的上下文编码器以得到脉冲波形全局特征向量。将所述脉冲波形特征子矩阵的序列中的各个脉冲波形特征子矩阵通过线性嵌入层以得到脉冲波形特征子特征向量的序列，可以将一个子矩阵转化为一个固定长度的向量表示，并且由于每个子矩阵都包含着一些具有相似性质的特征信息，因此通过将其转化为向量形式，可以更好地捕捉到这些特征信息。进而，将所述脉冲波形特征子特征向量的序列通过基于转换器的上下文编码器以得到脉冲波形全局特征向量，是为了将所有子矩阵的信息整合起来，形成一个完整的脉冲波形特征向量。基于转换器的上下文编码器是一种常用的深度学习模型，能够自动学习到输入序列的全局信息，并将其压缩为一个固定长度的向量表示。
也就是，引入转换器思想（transformer思想）对所述脉冲波形特征子特征向量的序列进行全局的上下文语义理解以捕捉所述脉冲波形特征子特征向量的全局上下文关联特征，以此来补偿卷积编码的编码本质局限。
上下文编码模块采用基于转换器的设计，可以更好地捕捉脉冲波形的全局特征，从而提高脉冲波形分析的准确性和效率，其可以将脉冲波形特征子矩阵序列中的上下文信息进行编码，并将其转换为脉冲波形全局特征向量，从而更好地理解脉冲波形的特征和规律，从而更加准确地进行特征提取和分类，提供更加准确和全面的信息。
相应地，在一个具体示例中，如图3所示，所述上下文编码模块150，包括：上下文语义编码单元151，用于使用所述基于转换器的上下文编码器对所述脉冲波形特征子特征向量的序列进行基于自注意力机制的上下文语义编码以得到多个上下文脉冲波形特征子特征向量；第一向量融合单元152，用于分别融合每组对应的所述脉冲波形特征子特征向量和所述上下文脉冲波形特征子特征向量以得到多个优化上下文脉冲波形特征子特征向量；以及，第二向量融合单元153，用于融合所述多个优化上下文脉冲波形特征子特征向量以得到所述脉冲波形全局特征向量。
特别地，在本申请的技术方案中，在所述一级高压脉冲的波形图通过作为特征提取器的卷积神经网络模型以得到一级高压脉冲波形特征矩阵时，可以提取出所述一级高压脉冲的波形图的图像特征语义，而在将所述脉冲波形特征子特征向量的序列通过基于转换器的上下文编码器以得到脉冲波形全局特征向量时，由于所述基于转换器的上下文编码器是对每个所述脉冲波形特征子特征向量进行部分图像特征语义的上下文关联编码，其可能会改变所述脉冲波形特征子特征向量的序列所表达的初始图像特征语义，因此，本申请的申请人考虑将所述基于转换器的上下文编码器得到的上下文脉冲波形特征子特征向量与输入的脉冲波形特征子特征向量进行特征语义层面上的融合。具体地，对每个所述脉冲波形特征子特征向量和所述每个上下文脉冲波形特征子特征向量进行深层空间封装语义匹配融合，以优化所述上下文脉冲波形特征子特征向量。
相应地，在一个具体示例中，所述第一向量融合单元152，用于：以如下向量融合公式分别融合每组对应的所述脉冲波形特征子特征向量和所述上下文脉冲波形特征子特征向量以得到所述多个优化上下文脉冲波形特征子特征向量；其中，所述向量融合公式为：
和/>分别表示向量的一范数和二范数，/>和/>分别为权重和偏置超参数，表示所述脉冲波形特征子特征向量/>和所述上下文脉冲波形特征子特征向量之间的按位置距离矩阵，即/>，且/>为单位矩阵。
这里，对于深度特征空间中的所述脉冲波形特征子特征向量和所述上下文脉冲波形特征子特征向量，其语义表达被封装到了深层空间内，这使得特征向量的整体分布中的细粒度特征中同时包含低层级语义分布和高层级语义分布，由此，通过所述深层空间封装语义匹配融合，可以通过平衡低层级语义分布和高层级语义分布来进行分类模式层面的语义级别的匹配，以实现特征在特征空间内的语义受控的编译融合，从而获得所述脉冲波形特征子特征向量和所述上下文脉冲波形特征子特征向量在特征融合空间内的语义协同，提升了优化后的上下文脉冲波形特征子特征向量对所述脉冲波形特征子特征向量和所述上下文脉冲波形特征子特征向量的语义融合效果，也就提升了上下文脉冲波形特征子特征向量级联得到所述脉冲波形全局特征向量的表达效果，从而提升了所述脉冲波形全局特征向量通过分类器获得的分类结果的准确性。
更具体地，在本申请实施例中，所述分类模块160，用于将所述脉冲波形全局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可将一级高压脉冲输出。也就是，使用所述分类器来确定所述脉冲波形全局特征向量所属的类概率标签，其中，所述类概率标签用于表示是否可将一级高压脉冲输出。这样，准确地对一级高压脉冲进行检测，并输出合适的一级高压脉冲至多级磁压缩器中，从而提高了整个高压脉冲电路系统的输出可靠性。
也就是，在本申请的技术方案中，所述分类器的标签包括可将一级高压脉冲输出(第一标签)，以及，不可以将一级高压脉冲输出(第二标签)，其中，所述分类器通过软最大值函数来确定所述分类特征向量属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“是否可将一级高压脉冲输出”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，是否可将一级高压脉冲输出的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“是否可将一级高压脉冲输出”的语言文本意义。
应可以理解，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类（或预测）。逻辑回归（logistics）、SVM等常用于解决二分类问题，对于多分类问题（multi-class classification），同样也可以用逻辑回归或SVM，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有Softmax分类函数。
相应地，在一个具体示例中，所述分类模块160，用于：使用所述分类器的全连接层对所述脉冲波形全局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输入所述分类器的Softmax分类函数以得到所述分类结果。
综上，基于本申请实施例的高压脉冲电路系统被阐明，其可以基于获取的所述一级高压脉冲的波形图，输出是否可将一级高压脉冲输出的分类结果，从而实现智能化控制。该系统具有重要的应用价值和发展前景，可以为高压脉冲电路的控制和优化提供有效的技术支持和解决方案。
如上所述，根据本申请实施例的基于本申请实施例的高压脉冲电路系统可以实现在各种终端设备中，例如具有基于本申请实施例的高压脉冲电路系统的控制算法的服务器等。在一个示例中，基于本申请实施例的高压脉冲电路系统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，该基于本申请实施例的高压脉冲电路系统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，该基于本申请实施例的高压脉冲电路系统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，该基于本申请实施例的高压脉冲电路系统与该终端设备也可以是分立的设备，并且该高压脉冲电路系统可以通过有线和/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。
图4为根据本申请实施例的高压脉冲电路系统的控制方法的流程图。图5为根据本申请实施例的高压脉冲电路系统的控制方法的系统架构的示意图。如图4和图5所示，根据本申请实施例的高压脉冲电路系统的控制方法，其包括：S110，获取所述一级高压脉冲的波形图；S120，将所述一级高压脉冲的波形图通过作为特征提取器的卷积神经网络模型以得到一级高压脉冲波形特征矩阵；S130，对所述一级高压脉冲波形特征矩阵进行特征矩阵划分以得到脉冲波形特征子矩阵的序列；S140，将所述脉冲波形特征子矩阵的序列中的各个脉冲波形特征子矩阵通过线性嵌入层以得到脉冲波形特征子特征向量的序列；S150，将所述脉冲波形特征子特征向量的序列通过基于转换器的上下文编码器以得到脉冲波形全局特征向量；以及，S160，将所述脉冲波形全局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可将一级高压脉冲输出。
这里，本领域技术人员可以理解，上述高压脉冲电路系统的控制方法中的各个步骤的具体操作已经在上面参考图1到图3的高压脉冲电路系统的描述中得到了详细介绍，并因此，将省略其重复描述。
图6为根据本申请实施例的高压脉冲电路系统的应用场景图。如图6所示，在该应用场景中，首先，获取所述一级高压脉冲的波形图（例如，图6中所示意的D），然后，将所述一级高压脉冲的波形图输入至部署有高压脉冲电路系统的控制算法的服务器中（例如，图6中所示意的S），其中，所述服务器能够使用所述高压脉冲电路系统的控制算法对所述一级高压脉冲的波形图进行处理以得到用于表示是否可将一级高压脉冲输出的分类结果。
上面是对本发明的说明，而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例，但本领域技术人员将容易地理解，在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解，上面是对本发明的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。
Claims (7)
1.一种高压脉冲电路系统，其特征在于，包括：
高压脉冲电源和多级磁压缩器，其中，所述高压脉冲电源包括电器开关主回路、脉冲变压器、充电机和核心控制器，所述磁压缩器包括磁压缩开关、复位电路和高压脉冲电容器；
其中，所述脉冲变压器的漏感LS和储能电容C形成串联谐振以输出一级高压脉冲；所述核心控制器用于对所述一级高压脉冲进行检测并输出所述一级高压脉冲至所述多级磁压缩器；以及，所述多级磁压缩器用于对所述一级高压脉冲进行宽度压缩；
其中，所述核心控制器，包括：
波形图获取模块，用于获取所述一级高压脉冲的波形图；
特征提取模块，用于将所述一级高压脉冲的波形图通过作为特征提取器的卷积神经网络模型以得到一级高压脉冲波形特征矩阵；
特征矩阵划分模块，用于对所述一级高压脉冲波形特征矩阵进行特征矩阵划分以得到脉冲波形特征子矩阵的序列；
线性嵌入编码模块，用于将所述脉冲波形特征子矩阵的序列中的各个脉冲波形特征子矩阵通过线性嵌入层以得到脉冲波形特征子特征向量的序列；
上下文编码模块，用于将所述脉冲波形特征子特征向量的序列通过基于转换器的上下文编码器以得到脉冲波形全局特征向量；以及
分类模块，用于将所述脉冲波形全局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可将一级高压脉冲输出；
其中，所述上下文编码模块，包括：
上下文语义编码单元，用于使用所述基于转换器的上下文编码器对所述脉冲波形特征子特征向量的序列进行基于自注意力机制的上下文语义编码以得到多个上下文脉冲波形特征子特征向量；
第一向量融合单元，用于分别融合每组对应的所述脉冲波形特征子特征向量和所述上下文脉冲波形特征子特征向量以得到多个优化上下文脉冲波形特征子特征向量；以及
第二向量融合单元，用于融合所述多个优化上下文脉冲波形特征子特征向量以得到所述脉冲波形全局特征向量；
其中，所述第一向量融合单元，用于：
以如下向量融合公式分别融合每组对应的所述脉冲波形特征子特征向量和所述上下文脉冲波形特征子特征向量以得到所述多个优化上下文脉冲波形特征子特征向量；
其中，所述向量融合公式为：
其中，/>表示所述脉冲波形特征子特征向量，/>表示所述上下文脉冲波形特征子特征向量，/>和/>分别表示向量的一范数和二范数，/>和/>分别为权重和偏置超参数，/>表示所述脉冲波形特征子特征向量和所述上下文脉冲波形特征子特征向量之间的按位置距离矩阵，且/>为单位矩阵，/>、/>、/>分别表示按位置加法、按位置减法和按位置点乘，/>表示向量乘法。
2.根据权利要求1所述的高压脉冲电路系统，其特征在于，所述特征提取模块，用于：
使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、均值池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层输出所述一级高压脉冲波形特征矩阵，其中，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述一级高压脉冲的波形图。
3.根据权利要求2所述的高压脉冲电路系统，其特征在于，所述作为特征提取器的卷积神经网络模型为深度残差网络模型。
4.根据权利要求3所述的高压脉冲电路系统，其特征在于，所述特征矩阵划分模块，用于：
对所述一级高压脉冲波形特征矩阵进行均匀地特征矩阵划分以得到脉冲波形特征子矩阵的序列。
5.根据权利要求4所述的高压脉冲电路系统，其特征在于，所述线性嵌入编码模块，包括：
向量展开单元，用于将所述脉冲波形特征子矩阵的序列中的各个脉冲波形特征子矩阵分别展开为脉冲波形特征子向量的序列；以及
全连接编码单元，用于使用所述线性嵌入层对所述脉冲波形特征子向量的序列进行全连接编码以得到所述脉冲波形特征子特征向量的序列。
6.根据权利要求5所述的高压脉冲电路系统，其特征在于，所述分类模块，用于：
使用所述分类器的全连接层对所述脉冲波形全局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输入所述分类器的Softmax分类函数以得到所述分类结果。
7.一种高压脉冲电路系统的控制方法，其特征在于，包括：
获取一级高压脉冲的波形图；
将所述一级高压脉冲的波形图通过作为特征提取器的卷积神经网络模型以得到一级高压脉冲波形特征矩阵；
对所述一级高压脉冲波形特征矩阵进行特征矩阵划分以得到脉冲波形特征子矩阵的序列；
将所述脉冲波形特征子矩阵的序列中的各个脉冲波形特征子矩阵通过线性嵌入层以得到脉冲波形特征子特征向量的序列；
将所述脉冲波形特征子特征向量的序列通过基于转换器的上下文编码器以得到脉冲波形全局特征向量；以及
将所述脉冲波形全局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可将一级高压脉冲输出；
其中，将所述脉冲波形特征子特征向量的序列通过基于转换器的上下文编码器以得到脉冲波形全局特征向量，包括：
使用所述基于转换器的上下文编码器对所述脉冲波形特征子特征向量的序列进行基于自注意力机制的上下文语义编码以得到多个上下文脉冲波形特征子特征向量；
分别融合每组对应的所述脉冲波形特征子特征向量和所述上下文脉冲波形特征子特征向量以得到多个优化上下文脉冲波形特征子特征向量；以及
融合所述多个优化上下文脉冲波形特征子特征向量以得到所述脉冲波形全局特征向量；
其中，分别融合每组对应的所述脉冲波形特征子特征向量和所述上下文脉冲波形特征子特征向量以得到多个优化上下文脉冲波形特征子特征向量，包括：
以如下向量融合公式分别融合每组对应的所述脉冲波形特征子特征向量和所述上下文脉冲波形特征子特征向量以得到所述多个优化上下文脉冲波形特征子特征向量；
其中，所述向量融合公式为：
其中，/>表示所述脉冲波形特征子特征向量，/>表示所述上下文脉冲波形特征子特征向量，/>和/>分别表示向量的一范数和二范数，/>和/>分别为权重和偏置超参数，/>表示所述脉冲波形特征子特征向量和所述上下文脉冲波形特征子特征向量之间的按位置距离矩阵，且/>为单位矩阵，/>、/>、/>分别表示按位置加法、按位置减法和按位置点乘，/>表示向量乘法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310719882.6A CN116470885B (zh) | 2023-06-17 | 2023-06-17 | 高压脉冲电路系统及其控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310719882.6A CN116470885B (zh) | 2023-06-17 | 2023-06-17 | 高压脉冲电路系统及其控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116470885A CN116470885A (zh) | 2023-07-21 |
| CN116470885B true CN116470885B (zh) | 2023-09-29 |
Family
ID=87175757
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310719882.6A Active CN116470885B (zh) | 2023-06-17 | 2023-06-17 | 高压脉冲电路系统及其控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116470885B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116647946B (zh) * | 2023-07-27 | 2023-10-13 | 济宁九德半导体科技有限公司 | 基于半导体的加热控制系统及其方法 |
| CN116859172B (zh) * | 2023-09-04 | 2023-11-17 | 晓雨(北京)科技有限公司 | 可盲插多节锂电池充放电系统及检测方法 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN210725454U (zh) * | 2019-10-15 | 2020-06-09 | 浙江佳环电子有限公司 | 一种脉冲电晕等离子体高压电源 |
| CN112366976A (zh) * | 2020-11-14 | 2021-02-12 | 大连理工大学 | 一种多级磁脉冲压缩电源 |
| US11194972B1 (en) * | 2021-02-19 | 2021-12-07 | Institute Of Automation, Chinese Academy Of Sciences | Semantic sentiment analysis method fusing in-depth features and time sequence models |
| CN114417722A (zh) * | 2022-01-20 | 2022-04-29 | 中国科学院电工研究所 | 基于人工智能的雷电电磁脉冲波形压缩方法及系统 |
| CN114519107A (zh) * | 2022-01-10 | 2022-05-20 | 桂林电子科技大学 | 一种联合实体关系表示的知识图谱融合方法 |
| CN114781577A (zh) * | 2022-05-06 | 2022-07-22 | 安徽理工大学 | 基于VMD-DCNN-SVM的Buck电路故障诊断方法 |
| CN115099285A (zh) * | 2022-07-12 | 2022-09-23 | 绍兴九樱纺织品有限公司 | 基于神经网络模型的智能检测方法及其系统 |
| CN115186774A (zh) * | 2022-09-13 | 2022-10-14 | 徐州飞宇机械科技有限公司 | 智能电缆剥线设备及其方法 |
| CN115374822A (zh) * | 2022-08-24 | 2022-11-22 | 杭州菊帕尔网络科技有限公司 | 基于多级特征融合的故障诊断方法及其系统 |
| CN115456012A (zh) * | 2022-08-24 | 2022-12-09 | 华能新能源股份有限公司 | 风电场风机大部件状态监测系统及其方法 |
| CN115563461A (zh) * | 2022-08-30 | 2023-01-03 | 中国长江三峡集团有限公司 | 基于深度学习的高频脉冲电流波形极性的自动识别方法 |
| CN115578676A (zh) * | 2022-10-27 | 2023-01-06 | 浙江宇鑫纺织印染有限公司 | 绿色节能智能化染整工艺及其系统 |
| CN115953840A (zh) * | 2022-12-29 | 2023-04-11 | 杭州玉甄数码科技有限公司 | 基于并行网络的手势识别方法及其系统 |
| CN116206098A (zh) * | 2023-03-21 | 2023-06-02 | 吉林大学 | 月球表面安全着陆区选取系统及其方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11423304B2 (en) * | 2020-01-15 | 2022-08-23 | Beijing Jingdong Shangke Information Technology Co., Ltd. | System and method for semantic analysis of multimedia data using attention-based fusion network |
-
2023
- 2023-06-17 CN CN202310719882.6A patent/CN116470885B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN210725454U (zh) * | 2019-10-15 | 2020-06-09 | 浙江佳环电子有限公司 | 一种脉冲电晕等离子体高压电源 |
| CN112366976A (zh) * | 2020-11-14 | 2021-02-12 | 大连理工大学 | 一种多级磁脉冲压缩电源 |
| US11194972B1 (en) * | 2021-02-19 | 2021-12-07 | Institute Of Automation, Chinese Academy Of Sciences | Semantic sentiment analysis method fusing in-depth features and time sequence models |
| CN114519107A (zh) * | 2022-01-10 | 2022-05-20 | 桂林电子科技大学 | 一种联合实体关系表示的知识图谱融合方法 |
| CN114417722A (zh) * | 2022-01-20 | 2022-04-29 | 中国科学院电工研究所 | 基于人工智能的雷电电磁脉冲波形压缩方法及系统 |
| CN114781577A (zh) * | 2022-05-06 | 2022-07-22 | 安徽理工大学 | 基于VMD-DCNN-SVM的Buck电路故障诊断方法 |
| CN115099285A (zh) * | 2022-07-12 | 2022-09-23 | 绍兴九樱纺织品有限公司 | 基于神经网络模型的智能检测方法及其系统 |
| CN115374822A (zh) * | 2022-08-24 | 2022-11-22 | 杭州菊帕尔网络科技有限公司 | 基于多级特征融合的故障诊断方法及其系统 |
| CN115456012A (zh) * | 2022-08-24 | 2022-12-09 | 华能新能源股份有限公司 | 风电场风机大部件状态监测系统及其方法 |
| CN115563461A (zh) * | 2022-08-30 | 2023-01-03 | 中国长江三峡集团有限公司 | 基于深度学习的高频脉冲电流波形极性的自动识别方法 |
| CN115186774A (zh) * | 2022-09-13 | 2022-10-14 | 徐州飞宇机械科技有限公司 | 智能电缆剥线设备及其方法 |
| CN115578676A (zh) * | 2022-10-27 | 2023-01-06 | 浙江宇鑫纺织印染有限公司 | 绿色节能智能化染整工艺及其系统 |
| CN115953840A (zh) * | 2022-12-29 | 2023-04-11 | 杭州玉甄数码科技有限公司 | 基于并行网络的手势识别方法及其系统 |
| CN116206098A (zh) * | 2023-03-21 | 2023-06-02 | 吉林大学 | 月球表面安全着陆区选取系统及其方法 |
Non-Patent Citations (2)
| Title |
|---|
| Unsupervised Data Fusion With Deeper Perspective: A Novel Multisensor Deep Clustering Algorithm;K. R. Shahi, P. Ghamisi, B. Rasti, P. Scheunders， R. Gloaguen,;《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》;284-296 * |
| 基于多模型融合的齿轮故障诊断方法研究;饶雷;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;C029-86 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116470885A (zh) | 2023-07-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116470885B (zh) | 高压脉冲电路系统及其控制方法 | |
| CN109145961B (zh) | 一种非结构化局部放电数据的模式识别方法及系统 | |
| Ding et al. | Convolutional transformer: An enhanced attention mechanism architecture for remaining useful life estimation of bearings | |
| Wan et al. | Pattern recognition of partial discharge image based on one-dimensional convolutional neural network | |
| CN116168352B (zh) | 基于图像处理的电网障碍物识别处理方法及系统 | |
| Mitiche et al. | 1D‐CNN based real‐time fault detection system for power asset diagnostics | |
| CN101614786A (zh) | 基于frft和ifsvc的功率电子电路在线智能故障诊断方法 | |
| CN109919295B (zh) | 一种基于轻量级卷积神经网络的嵌入式音频事件检测方法 | |
| Chen et al. | Attention-based dual-stream vision transformer for radar gait recognition | |
| Liu et al. | Classification of power quality disturbance using segmented and modified S-transform and DCNN-MSVM hybrid model | |
| CN116380729A (zh) | 喷雾装置的喷雾效果智能检测方法及系统 | |
| Wang et al. | Wavelet transform‐based feature extraction for detection and classification of disturbances in an islanded micro‐grid | |
| Kola et al. | Facial expression recognition using singular values and wavelet‐based LGC‐HD operator | |
| Fu et al. | PowerCog: A practical method for recognizing power quality disturbances accurately in a noisy environment | |
| CN116500379A (zh) | 一种sts装置电压跌落精准定位方法 | |
| Zheng et al. | Recognition method of voltage sag causes based on two‐dimensional transform and deep learning hybrid model | |
| CN116894210B (zh) | 包含力传感器的电子设备及数据处理方法 | |
| Arnault et al. | CRNNs for Urban Sound Tagging with spatiotemporal context | |
| Su et al. | Robust and efficient modulation recognition with pyramid signal transformer | |
| Li et al. | A robust fault diagnosis method for rolling bearings based on deep convolutional neural network | |
| Liu et al. | Dual Path Embedding Learning for Speaker Verification with Triplet Attention. | |
| Xie et al. | Event-driven non-intrusive load monitoring algorithm based on targeted mining multidimensional load characteristics | |
| Li et al. | A robust classification method for power transformer status recognition based on sound signals | |
| Aggarwal et al. | Recognition of voltage sag causes using vector quantization based orthogonal wavelet | |
| CN105005790A (zh) | 基于半监督学习的电子鼻室内毒气智能识别方法 |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Jiang Qinglong Inventor after: Zhou Wenjun Inventor after: Zhuang Jiancheng Inventor after: Jin Lijuan Inventor after: Wang Renjin Inventor before: Jiang Qinglong Inventor before: Zhou Wenjun Inventor before: Zhuang Jiancheng Inventor before: Jin Lijuan Inventor before: Wang Renjing |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: High voltage pulse circuit system and its control method Granted publication date: 20230929 Pledgee: Industrial and Commercial Bank of China Limited Jinhua Branch Pledgor: ZHEJIANG JIAHUAN ELECTRONIC CO.,LTD. Registration number: Y2024980028591 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right |