CN116678506A - 一种无线传输热损检测装置 - Google Patents
一种无线传输热损检测装置 Download PDFInfo
- Publication number
- CN116678506A CN116678506A CN202310960515.5A CN202310960515A CN116678506A CN 116678506 A CN116678506 A CN 116678506A CN 202310960515 A CN202310960515 A CN 202310960515A CN 116678506 A CN116678506 A CN 116678506A
- Authority
- CN
- China
- Prior art keywords
- feature
- voltage waveform
- local voltage
- matrix
- decoding
- 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.)
- Granted
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 64
- 238000001514 detection method Methods 0.000 title claims abstract description 53
- 238000009529 body temperature measurement Methods 0.000 claims abstract description 21
- 238000004891 communication Methods 0.000 claims abstract description 13
- 238000013500 data storage Methods 0.000 claims abstract description 13
- 239000013598 vector Substances 0.000 claims description 157
- 239000011159 matrix material Substances 0.000 claims description 117
- 238000005070 sampling Methods 0.000 claims description 62
- 238000013527 convolutional neural network Methods 0.000 claims description 50
- 238000000034 method Methods 0.000 claims description 27
- 238000009826 distribution Methods 0.000 claims description 24
- 238000010586 diagram Methods 0.000 claims description 23
- 238000000605 extraction Methods 0.000 claims description 23
- 238000005457 optimization Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 15
- 238000011176 pooling Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 230000003213 activating effect Effects 0.000 claims description 4
- 239000000284 extract Substances 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 15
- 238000004590 computer program Methods 0.000 description 10
- 230000004927 fusion Effects 0.000 description 9
- 238000012360 testing method Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 238000003860 storage Methods 0.000 description 7
- 230000007547 defect Effects 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 6
- 229910052751 metal Inorganic materials 0.000 description 6
- 239000002184 metal Substances 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 6
- 238000012795 verification Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 4
- 150000002739 metals Chemical class 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 229910045601 alloy Inorganic materials 0.000 description 2
- 239000000956 alloy Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 239000003973 paint Substances 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 230000005676 thermoelectric effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
Landscapes
- Arrangements For Transmission Of Measured Signals (AREA)
Abstract
本发明涉及智能化检测技术领域,公开了一种无线传输热损检测装置,其包括:表面热电偶;与所述表面热电偶可通信连接的温度采集仪;与所述温度采集仪可通信连接的DTU数据模块;数据存储单元;时钟模块,用于产生时间信号;以及,用于为所述温度采集仪和所述DTU数据模块供电的供电电池。这样,通过无线传输热损检测装置基于电压信号的波形特性来提取出有效成分和信息以提高温度测量的精准度。
Description
技术领域
本申请涉及智能化检测技术领域,并且更具体地,涉及一种无线传输热损检测装置。
背景技术
通过比对国家标准《设备及管道绝热层表面热损失现场测定热流计法和表面温度法》中规定的各种测量热损的方法,现场测试时表面温度计法测量热损结果精确度更高,然而这种测量方式进行数据传输的方式皆为导线传输,不利于远距离、多点实时测量。
现有技术中,为了实现温度数据的远距离传输,一般的采取将温度信号转换成电信号再通过导线进行传输,为保证精度传输过程可通过中间加装变送器将电信号放大,常用电信号输出方式有4-20mA电流或0-5V电压信号。
采用上述传输方式主要存在以下问题:(1)现远传方式主要通过导线进行,测点位置高时走线难度较大,高空垂线影响美观且线重过大易造成测点脱落。(2)变送器需外接电源,多数厂区有防爆要求,外接电源极为不便。(3)现场作业环境恶劣,致使测点易脱落或导线损坏,造成采集数据不连续。
因此,期待一种优化的热损检测装置。
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无线传输热损检测装置,其包括:表面热电偶;与所述表面热电偶可通信连接的温度采集仪;与所述温度采集仪可通信连接的DTU数据模块;数据存储单元;时钟模块,用于产生时间信号;以及,用于为所述温度采集仪和所述DTU数据模块供电的供电电池。这样,通过无线传输热损检测装置基于电压信号的波形特性来提取出有效成分和信息以提高温度测量的精准度。
第一方面,提供了一种无线传输热损检测装置,其包括:
表面热电偶;
与所述表面热电偶可通信连接的温度采集仪;
与所述温度采集仪可通信连接的DTU数据模块;
数据存储单元;
时钟模块,用于产生时间信号;以及,
用于为所述温度采集仪和所述DTU数据模块供电的供电电池。
在上述无线传输热损检测装置中,所述温度采集仪,包括:信号获取单元,用于获取由表面热电偶采集的电压信号;采样单元,用于对所述电压信号进行基于采样窗的滑窗式采样以得到多个局部电压采样窗信号;电压波形特征提取单元,用于将所述多个局部电压采样窗信号分别通过基于卷积神经网络模型的电压波形特征提取器以得到多个局部电压波形特征向量;时序关联特征提取单元,用于将所述多个局部电压波形特征向量通过基于转换器模块的电压波形间时序关联特征提取器以得到多个上下文局部电压波形特征向量;空间注意力单元,用于将所述多个上下文局部电压波形特征向量排列为二维特征矩阵后通过使用空间注意力模块的卷积神经网络模型以得到解码特征矩阵;以及,解码单元,用于将所述解码特征矩阵通过解码器进行解码回归以得到解码值,所述解码值用于表示温度测量值。
在上述无线传输热损检测装置中,所述电压波形特征提取单元,用于:使用所述基于卷积神经网络模型的电压波形特征提取器的各层分别对输入数据进行:对所述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均值池化处理以得到池化特征图;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,所述基于卷积神经网络模型的电压波形特征提取器的最后一层的输出为所述多个局部电压波形特征向量,所述基于卷积神经网络模型的电压波形特征提取器的第一层的输入为所述多个局部电压采样窗信号。
在上述无线传输热损检测装置中,所述时序关联特征提取单元,包括:向量构造子单元,用于将所述多个局部电压波形特征向量进行一维排列以得到全局电压波形特征向量;自注意子单元,用于计算所述全局电压波形特征向量与所述多个局部电压波形特征向量中各个局部电压波形特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵;
标准化子单元,用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;关注度计算子单元,用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;以及,注意力施加子单元,用于分别以所述多个概率值中各个概率值作为权重对所述多个局部电压波形特征向量中各个局部电压波形特征向量进行加权以得到所述多个上下文局部电压波形特征向量。
在上述无线传输热损检测装置中,所述空间注意力单元,包括:优化子单元,用于对所述每个上下文局部电压波形特征向量进行特征分布优化以得到多个优化后上下文局部电压波形特征向量;以及,二维排列子单元,用于将所述多个优化后上下文局部电压波形特征向量进行二维排列以得到所述二维特征矩阵。
在上述无线传输热损检测装置中,所述优化子单元,用于:以如下优化公式对所述每个上下文局部电压波形特征向量进行特征分布优化以得到多个优化后上下文局部电压波形特征向量;其中,所述优化公式为:
;
;
其中,表示所述每个上下文局部电压波形特征向量,/>表示所述多个优化后上下文局部电压波形特征向量,/>表示以2为底的对数函数,/>为邻域设置超参数,且当/>小于等于零或者大于所述二维特征矩阵的行数时,所述每个上下文局部电压波形特征向量可以为全零向量或者单位向量,/>是均值特征向量,/>表示按位置减法。
在上述无线传输热损检测装置中,所述空间注意力单元,用于:所述使用空间注意力模块的卷积神经网络模型的各层对输入数据分别进行:对输入数据进行卷积处理以生成卷积特征图;对所述卷积特征图进行池化处理以生成池化特征图;对所述池化特征图进行非线性激活以生成激活特征图;计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵;计算所述空间特征矩阵中各个位置的类Softmax函数值以获得空间得分矩阵;以及,计算所述空间特征矩阵和所述空间得分矩阵的按位置点乘以获得特征矩阵;其中,所述使用空间注意力模块的卷积神经网络模型的最后一层输出的所述特征矩阵为所述解码特征矩阵。
在上述无线传输热损检测装置中,所述解码单元,用于:使用所述解码器以如下解码公式对所述解码特征矩阵进行解码回归以得到所述解码值;其中,所述解码公式为:,其中,/>表示所述解码特征矩阵,/>表示解码值,/>表示权重矩阵,/>表示偏置向量,/>表示矩阵乘。
有益效果:表面热电偶;与所述表面热电偶可通信连接的温度采集仪;与所述温度采集仪可通信连接的DTU数据模块;数据存储单元;时钟模块,用于产生时间信号;以及,用于为所述温度采集仪和所述DTU数据模块供电的供电电池。这样,通过无线传输热损检测装置基于电压信号的波形特性来提取出有效成分和信息以提高温度测量的精准度。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例或现有技术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来讲,在不付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。
图1为根据本申请实施例的无线传输热损检测装置的应用场景图。
图2为根据本申请实施例的无线传输热损检测装置中所述温度采集仪的框图。
图3为根据本申请实施例的无线传输热损检测装置中所述时序关联特征提取单元的框图。
图4为根据本申请实施例的无线传输热损检测装置中所述空间注意力单元的框图。
图5为根据本申请实施例的无线传输热损检测方法的流程图。
图6为根据本申请实施例的无线传输热损检测方法的系统架构的示意图。
其中, 2、温度采集仪。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
除非另有说明,本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的,不是旨在限制本申请的范围。
在本申请实施例记载中,需要说明的是,除非另有说明和限定,术语“连接”应做广义理解,例如,可以是电连接,也可以是两个元件内部的连通,可以是直接相连,也可以通过中间媒介间接相连,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
需要说明的是,本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换,以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
所述无线传输热损检测装置的主要测试原理如下:(1)通过物联网手机卡无线传输温度数据的方式可实现多个传感器在线测试,且通信距离不受限制,有4g网络覆盖的地方都可以正常传输数据。(2)现场仪器的供电可主要分为三种情况:a)检测现场用电受限,可采用电池或搭配太阳能电池板供电的方式提供电力;b)检测现场有供电条件,可采用电源适配器供电;c)市场上现有的商用测温模块自带电池,无需考虑外部供电问题,及时充电即可。
针对上述技术问题,本申请提供了一种无线传输热损检测装置,其主要由如下几个部分组成:表面热电偶、温度采集仪2、DTU数据模块、数据存储单元、时钟模块和供电电池。
其中,(1)表面热电偶:采用K型电偶作为温度测量元件,并将测点固定在特定规格的金属片上。丝径不大于0.35mm,并有漆、丝或塑料绝缘,测试精度满足GB/T16839.2规定的以及精度要求,测量范围应满足-200℃~500℃。
(2)温度采集仪2:工业级热电阻温度采集器,可以自由接入各种类型的热电阻,支持2线、3线和4线三种接线方式。采集仪内置激励源,具有动态补偿以及导线补偿技术使测量更加准确。通讯使用MODBUS-RTU协议,可实现快速组网。同时温度采集仪2还具有模数隔离功能,避免受到外界干扰,同时集成50Hz滤波,可过滤来自供电系统的干扰。采集仪工作时使用极小激励电流,避免热电阻自热产生误差。
(3)DTU数据模块:温度采集模块通过RS485/232接口和DTU模块连接,DTU模块内置数据存储单元,可防止仪器故障导致测试数据缺失,同时通过集成天线发送数据。
(4)数据存储单元:为增加数据安全性,除采用无线网络将数据传输至服务器中存储外,在仪器内部设置存储卡存储单元,并编写软件设置数据采集和记录频率、数据存储格式等信息。
(5)时钟模块:用于产生时间信号。
(6)供电电池:检测装置结构中需要供电的有温度采集仪2和DTU数据模块,所需功率在8W左右,可采用12V锂电池供电,电池容量建议选用20000mAh及以上的产品。
特别地,在本申请的技术方案中,所述表面热电偶采用K型电偶作为温度测量元件,并将测点固定在特定规格的金属片上。丝径不大于0.35mm,并有漆、丝或塑料绝缘,测试精度满足GB/T16839.2规定的以及精度要求,测量范围应满足-200℃~500℃。
所述温度采集仪2与所述表面热电偶可通信地连接,用于对所述表面热电偶所采集的电压信号进行解析以得到温度值。所述温度采集仪2可内置激励源,具有动态补偿技术使测量更加准确。所述温度采集仪2通讯使用MODBUS-RTU协议,可实现快速组网。同时所述温度采集仪2还具有模数隔离功能,避免受到外界干扰,同时集成50Hz滤波,可过滤来自供电系统的干扰。采集仪工作时使用极小激励电流,避免热电阻自热产生误差。
温度采集模块通过RS485/232接口和所述DTU数据模块进行可通信地连接,所述DTU数据模块内置数据存储单元,可防止仪器故障导致测试数据缺失,同时通过集成天线发送数据。所述DTU数据模块主要有以下四种方式:
a)网络透传模式:串口设备通过4G DTU与网络服务器相连,进行数据的双向透传支持4路Socket链接,互相独立;
b)TCP/UDP透传模式:只需通过简单的参数设置,用户的串口终端即可通过4G DTU设备,与指定TCP/UDP服务器之间进行数据透传;
c)HTTP透传模式:4G DTU设备支持串口数据以HTTP (GET/POST)方式提交至指定服务器。用户可以自行配置URL、Header等参数,由4G DTU进行组包发送,实现串口设备与HTTP服务器的快速通讯;
d)短信透传模式:串口终端设备发送的数据,可以通过短信形式发到指定的手机上通过指定手机也可以发送短信至串口终端设备。
为增加数据安全性,除采用无线网络将数据传输至服务器中存储外,在仪器内部设置所述数据存储单元,并编写软件设置数据采集和记录频率、数据存储格式等信息。所述时钟模块的作用在于产生时间信号,而所述供电电池则用于对所述温度采集仪2和所述DTU数据模块进行供电。在本申请一个具体的示例中,所述供电电池可采用12V锂电池供电,电池容量建议选用20000mAh及以上的产品。
本领域普通技术人员应知晓,表面热电偶是一种用于测量温度的传感器。它由两种不同金属(或合金)的导线组成,连接在一起形成一个接头。当该接头处于不同温度下时,两种金属产生的电势差会产生一个电压信号,该信号与温度成正比。通过测量这个电压信号,可以确定接头所处的温度。也就是,在本申请的技术方案中,所述温度采集仪2用于对所述电压信号进行解析以得到温度解码值。
特别地,在通过所述表面热电偶采集电压信号时,会因环境干扰或者传感器自身性能缺陷而引入噪声而使得所述电压信号的波形中引入诸多噪声和干扰,这会影响对所述电压信号进行温度解析的精准度。
针对此技术问题,本申请的技术构思为通过基于深度学习的深度神经网络模型来构造波形特征提取器并基于波形特征来进行解码回归以得到更为精准的温度解码值,这样基于电压信号的波形特性来提取出有效成分和信息以提高温度测量的精准度。
具体地,首先获取由表面热电偶采集的电压信号。如前所述,所述表面热电偶的工作原理为利用热电效应将温度转换为电压信号输出,因此获取由表面热电偶采集的电压信号是进行温度测量的前提。
接着,对所述电压信号进行基于采样窗的滑窗式采样以得到多个局部电压采样窗信号。这里,对所述电压信号进行基于采样窗的滑窗式采样可以将原始电压信号分成多个局部电压采样窗信号,每个采样窗内的信号可以看作是一个局部变压信号波段,这样通过滑窗式采样可降低数据处理量同时过滤掉部分噪声。并且,通过设定合适的滑窗采样步长,还可以提高信号的稳定性和可靠性,减少由于环境干扰或传感器自身性能缺陷引起的噪声和干扰。
继而,将所述多个局部电压采样窗信号分别通过基于卷积神经网络模型的电压波形特征提取器以得到多个局部电压波形特征向量。也就是,在本申请的技术方案中,使用在图像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电压波形特征提取器来捕捉所述局部电压采样窗信号中局部电压波形信号的波形特征,所述波形特征用于表示幅值、频率、相位等特征。
值得一提的是,所述卷积神经网络模型是一种能够自动从数据中学习特征的深度学习模型,它可以通过多层卷积和池化操作来提取输入数据的特征,并且具有良好的特征抽象能力和泛化能力。因此,通过基于卷积神经网络模型的电压波形特征提取器可以更加准确地提取电压信号的特征信息,从而提高温度测量的准确性和可靠性。
应可以理解,在本申请的技术方案中,除了要关注各个布局电压波形的波形特征外,还需要关注各个局部电压波形之间的关联模式特征,因为所述电压信号是一个有机的整体,其整体反应温度信息。基于此,在本申请的技术方案中,将所述多个局部电压波形特征向量通过基于转换器模块的电压波形间时序关联特征提取器以得到多个上下文局部电压波形特征向量。这里,所述基于转换器模块的电压波形间时序关联特征提取器通过自注意力机制对所述多个局部电压波形特征向量进行基于全局的上下文语义编码以得到所述多个上下文局部电压波形特征向量。
继而,将所述多个上下文局部电压波形特征向量排列为二维特征矩阵后通过使用空间注意力模块的卷积神经网络模型以得到解码特征矩阵。也就是,将各个局部电压采样窗信号的上下文波形语义关联信息聚合为二维特征矩阵,并使用所述空间注意力模块的卷积神经网络模型来进行空间显化特征提取以得到所述解码特征矩阵。最终,将所述解码特征矩阵通过解码器进行解码回归以得到解码值,所述解码值用于表示温度测量值。
特别地,在本申请的技术方案中,将所述多个局部电压波形特征向量通过基于转换器模块的电压波形间时序关联特征提取器后,得到的所述多个上下文局部电压波形特征向量表达局部波形采样窗的波形特征的上下文全局关联文本语义,因此,当将所述多个上下文局部电压波形特征向量排列为二维特征矩阵后,所述二维特征矩阵相当于每个上下文局部电压波形特征向量对应的局部特征集合的组合特征集合。
并且,由于所述多个上下文局部电压波形特征向量的特征分布之间具有由基于转换器模块的电压波形间时序关联特征提取器所编码的特征语义的上下文关联性,因此所述上下文局部电压波形特征向量除了具有相互关联的邻域分布关系外,其间还具有对应于所述上下文局部电压波形特征向量的每个波形特征分布的多源信息关联关系。
因此,为了提升所述二维特征矩阵作为整体对所述局部电压采样窗信号的波形语义特征关联信息的表达效果,本申请的申请人对每个上下文局部电压波形特征向量,例如记为进行多源信息融合验前分布评估优化,以获得优化后的上下文局部电压波形特征向量/>,具体表示为:
;
;
其中为邻域设置超参数,且当/>小于等于零或者大于所述二维特征矩阵的行数时,特征向量/>可以为全零向量或者单位向量。
这里,所述多源信息融合验前分布评估优化可以对于由多个相互关联的邻域部分组成的特征局部集合,基于特征分布融合稳健性的类极大似然估计,来实现特征向量各自的验前信息在局部合成分布上的有效折合,并通过多源情况下的验前分布构建,来获得能够用于评估集合内内部关联与集合间变动关系之间的标准期望融合信息的优化范式,以提升特征向量基于多源信息关联融合的信息表达效果。由此,再将优化后的上下文局部电压波形特征向量排列为所述二维特征矩阵后通过使用空间注意力模块的卷积神经网络模型,就可以进一步提升得到所述解码特征矩阵的信息表达效果,从而提升其通过所述解码器进行温度解码回归的精准度。
图1为根据本申请实施例的无线传输热损检测装置的应用场景图。如图1所示,在该应用场景中,首先,获取由表面热电偶采集的电压信号(例如,如图1中所示意的C);然后,将获取的电压信号输入至部署有无线传输热损检测算法的服务器(例如,如图1中所示意的S)中,其中所述服务器能够基于无线传输热损检测算法对所述电压信号进行处理,以生成用于表示温度测量值的解码值。
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。
在本申请的一个实施例中,图2为根据本申请实施例的无线传输热损检测装置中所述温度采集仪2的框图。如图2所示,根据本申请实施例的无线传输热损检测装置中所述温度采集仪2,包括:信号获取单元110,用于获取由表面热电偶采集的电压信号;采样单元120,用于对所述电压信号进行基于采样窗的滑窗式采样以得到多个局部电压采样窗信号;电压波形特征提取单元130,用于将所述多个局部电压采样窗信号分别通过基于卷积神经网络模型的电压波形特征提取器以得到多个局部电压波形特征向量;时序关联特征提取单元140,用于将所述多个局部电压波形特征向量通过基于转换器模块的电压波形间时序关联特征提取器以得到多个上下文局部电压波形特征向量;空间注意力单元150,用于将所述多个上下文局部电压波形特征向量排列为二维特征矩阵后通过使用空间注意力模块的卷积神经网络模型以得到解码特征矩阵;以及,解码单元160,用于将所述解码特征矩阵通过解码器进行解码回归以得到解码值,所述解码值用于表示温度测量值。
具体地,在本申请实施例中,所述信号获取单元110,用于获取由表面热电偶采集的电压信号。本领域普通技术人员应知晓,表面热电偶是一种用于测量温度的传感器。它由两种不同金属(或合金)的导线组成,连接在一起形成一个接头。当该接头处于不同温度下时,两种金属产生的电势差会产生一个电压信号,该信号与温度成正比。通过测量这个电压信号,可以确定接头所处的温度。也就是,在本申请的技术方案中,所述温度采集仪2用于对所述电压信号进行解析以得到温度解码值。
特别地,在通过所述表面热电偶采集电压信号时,会因环境干扰或者传感器自身性能缺陷而引入噪声,使得所述电压信号的波形中引入诸多噪声和干扰,这会影响对所述电压信号进行温度解析的精准度。
针对此技术问题,本申请的技术构思为通过基于深度学习的深度神经网络模型来构造波形特征提取器并基于波形特征来进行解码回归以得到更为精准的温度解码值,这样基于电压信号的波形特性来提取出有效成分和信息以提高温度测量的精准度。
具体地,首先获取由表面热电偶采集的电压信号。如前所述,所述表面热电偶的工作原理为利用热电效应将温度转换为电压信号输出,因此获取由表面热电偶采集的电压信号是进行温度测量的前提。
具体地,在本申请实施例中,所述采样单元120,用于对所述电压信号进行基于采样窗的滑窗式采样以得到多个局部电压采样窗信号。接着,对所述电压信号进行基于采样窗的滑窗式采样以得到多个局部电压采样窗信号。这里,对所述电压信号进行基于采样窗的滑窗式采样可以将原始电压信号分成多个局部电压采样窗信号,每个采样窗内的信号可以看作是一个局部变压信号波段,这样通过滑窗式采样可降低数据处理量同时过滤掉部分噪声。并且,通过设定合适的滑窗采样步长,还可以提高信号的稳定性和可靠性,减少由于环境干扰或传感器自身性能缺陷引起的噪声和干扰。
具体地,在本申请实施例中,所述电压波形特征提取单元130,用于将所述多个局部电压采样窗信号分别通过基于卷积神经网络模型的电压波形特征提取器以得到多个局部电压波形特征向量。继而,将所述多个局部电压采样窗信号分别通过基于卷积神经网络模型的电压波形特征提取器以得到多个局部电压波形特征向量。也就是,在本申请的技术方案中,使用在图像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电压波形特征提取器来捕捉所述局部电压采样窗信号中局部电压波形信号的波形特征,所述波形特征用于表示幅值、频率、相位等特征。
值得一提的是,所述卷积神经网络模型是一种能够自动从数据中学习特征的深度学习模型,它可以通过多层卷积和池化操作来提取输入数据的特征,并且具有良好的特征抽象能力和泛化能力。因此,通过基于卷积神经网络模型的电压波形特征提取器可以更加准确地提取电压信号的特征信息,从而提高温度测量的准确性和可靠性。
其中,所述电压波形特征提取单元130,用于:使用所述基于卷积神经网络模型的电压波形特征提取器的各层分别对输入数据进行:对所述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均值池化处理以得到池化特征图;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,所述基于卷积神经网络模型的电压波形特征提取器的最后一层的输出为所述多个局部电压波形特征向量,所述基于卷积神经网络模型的电压波形特征提取器的第一层的输入为所述多个局部电压采样窗信号。
卷积神经网络(Convolutional Neural Network,CNN)是一种人工神经网络,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。
卷积神经网络模型利用卷积核作为特征过滤因子在图像局部特征提取方面具有非常优异的性能表现,且相较于传统的基于统计或者基于特征工程的图像特征提取算法,所述卷积神经网络模型具有更强的特征提取泛化能力和拟合能力。
具体地,在本申请实施例中,所述时序关联特征提取单元140,用于将所述多个局部电压波形特征向量通过基于转换器模块的电压波形间时序关联特征提取器以得到多个上下文局部电压波形特征向量。应可以理解,在本申请的技术方案中,除了要关注各个布局电压波形的波形特征外,还需要关注各个局部电压波形之间的关联模式特征,因为所述电压信号是一个有机的整体,其整体反应温度信息。基于此,在本申请的技术方案中,将所述多个局部电压波形特征向量通过基于转换器模块的电压波形间时序关联特征提取器以得到多个上下文局部电压波形特征向量。这里,所述基于转换器模块的电压波形间时序关联特征提取器通过自注意力机制对所述多个局部电压波形特征向量进行基于全局的上下文语义编码以得到所述多个上下文局部电压波形特征向量。
图3为根据本申请实施例的无线传输热损检测装置中所述时序关联特征提取单元的框图,如图3所示,述时序关联特征提取单元140,包括:向量构造子单元141,用于将所述多个局部电压波形特征向量进行一维排列以得到全局电压波形特征向量;自注意子单元142,用于计算所述全局电压波形特征向量与所述多个局部电压波形特征向量中各个局部电压波形特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵;标准化子单元143,用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;关注度计算子单元144,用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;以及,注意力施加子单元145,用于分别以所述多个概率值中各个概率值作为权重对所述多个局部电压波形特征向量中各个局部电压波形特征向量进行加权以得到所述多个上下文局部电压波形特征向量。
具体地,在本申请实施例中,所述空间注意力单元150,用于将所述多个上下文局部电压波形特征向量排列为二维特征矩阵后通过使用空间注意力模块的卷积神经网络模型以得到解码特征矩阵。继而,将所述多个上下文局部电压波形特征向量排列为二维特征矩阵后通过使用空间注意力模块的卷积神经网络模型以得到解码特征矩阵。也就是,将各个局部电压采样窗信号的上下文波形语义关联信息聚合为二维特征矩阵,并使用所述空间注意力模块的卷积神经网络模型来进行空间显化特征提取以得到所述解码特征矩阵。
图4为根据本申请实施例的无线传输热损检测装置中所述空间注意力单元的框图,如图4所示,所述空间注意力单元150,包括:优化子单元151,用于对所述每个上下文局部电压波形特征向量进行特征分布优化以得到多个优化后上下文局部电压波形特征向量;以及,二维排列子单元152,用于将所述多个优化后上下文局部电压波形特征向量进行二维排列以得到所述二维特征矩阵。
特别地,在本申请的技术方案中,将所述多个局部电压波形特征向量通过基于转换器模块的电压波形间时序关联特征提取器后,得到的所述多个上下文局部电压波形特征向量表达局部波形采样窗的波形特征的上下文全局关联文本语义,因此,当将所述多个上下文局部电压波形特征向量排列为二维特征矩阵后,所述二维特征矩阵相当于每个上下文局部电压波形特征向量对应的局部特征集合的组合特征集合。
并且,由于所述多个上下文局部电压波形特征向量的特征分布之间具有由基于转换器模块的电压波形间时序关联特征提取器所编码的特征语义的上下文关联性,因此所述上下文局部电压波形特征向量除了具有相互关联的邻域分布关系外,其间还具有对应于所述上下文局部电压波形特征向量的每个波形特征分布的多源信息关联关系。
因此,为了提升所述二维特征矩阵作为整体对所述局部电压采样窗信号的波形语义特征关联信息的表达效果,本申请的申请人对每个上下文局部电压波形特征向量,例如记为进行多源信息融合验前分布评估优化,以获得优化后的上下文局部电压波形特征向量/>,具体表示为:以如下优化公式对所述每个上下文局部电压波形特征向量进行特征分布优化以得到多个优化后上下文局部电压波形特征向量;其中,所述优化公式为:
;
;
其中,表示所述每个上下文局部电压波形特征向量,/>表示所述多个优化后上下文局部电压波形特征向量,/>表示以2为底的对数函数,/>为邻域设置超参数,且当/>小于等于零或者大于所述二维特征矩阵的行数时,所述每个上下文局部电压波形特征向量可以为全零向量或者单位向量,/>是均值特征向量,/>表示按位置减法。
这里,所述多源信息融合验前分布评估优化可以对于由多个相互关联的邻域部分组成的特征局部集合,基于特征分布融合稳健性的类极大似然估计,来实现特征向量各自的验前信息在局部合成分布上的有效折合,并通过多源情况下的验前分布构建,来获得能够用于评估集合内内部关联与集合间变动关系之间的标准期望融合信息的优化范式,以提升特征向量基于多源信息关联融合的信息表达效果。由此,再将优化后的上下文局部电压波形特征向量排列为所述二维特征矩阵后通过使用空间注意力模块的卷积神经网络模型,就可以进一步提升得到的所述解码特征矩阵的信息表达效果,从而提升其通过所述解码器进行温度解码回归的精准度。
进一步地,所述空间注意力单元150,用于:所述使用空间注意力模块的卷积神经网络模型的各层对输入数据分别进行:对输入数据进行卷积处理以生成卷积特征图;对所述卷积特征图进行池化处理以生成池化特征图;对所述池化特征图进行非线性激活以生成激活特征图;计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵;计算所述空间特征矩阵中各个位置的类Softmax函数值以获得空间得分矩阵;以及,计算所述空间特征矩阵和所述空间得分矩阵的按位置点乘以获得特征矩阵;其中,所述使用空间注意力模块的卷积神经网络模型的最后一层输出的所述特征矩阵为所述解码特征矩阵。
注意力机制是机器学习中的一种数据处理方法,广泛应用在自然语言处理、图像识别及语音识别等各种不同类型的机器学习任务中。一方面,注意力机制就是希望网络能够自动学出来图片或者文字序列中的需要注意的地方;另一方面,注意力机制通过神经网络的操作生成一个掩码mask,mask上的值的权重用于调整输入的重要性或关注度。一般来说,空间注意力机制对于同一像素点不同通道求均值,再经过一些卷积和上采样的运算得到空间特征,空间特征每层的像素点就被赋予不同的权重。
具体地,在本申请实施例中,所述解码单元160,用于将所述解码特征矩阵通过解码器进行解码回归以得到解码值,所述解码值用于表示温度测量值。最终,将所述解码特征矩阵通过解码器进行解码回归以得到解码值,所述解码值用于表示温度测量值。
其中,所述解码单元160,用于:使用所述解码器以如下解码公式对所述解码特征矩阵进行解码回归以得到所述解码值;其中,所述解码公式为:,其中,/>表示所述解码特征矩阵,/>表示解码值,/>表示权重矩阵,/>表示偏置向量,/>表示矩阵乘。
综上,基于本申请实施例的无线传输热损检测装置100被阐明,其包括:表面热电偶;与所述表面热电偶可通信连接的温度采集仪2;与所述温度采集仪2可通信连接的DTU数据模块;数据存储单元;时钟模块,用于产生时间信号;以及,用于为所述温度采集仪2和所述DTU数据模块供电的供电电池。这样,通过无线传输热损检测装置基于电压信号的波形特性来提取出有效成分和信息以提高温度测量的精准度。
在本申请的一个实施例中,图5为根据本申请实施例的无线传输热损检测方法的流程图。如图5所示,根据本申请实施例的无线传输热损检测方法,其包括:210,获取由表面热电偶采集的电压信号;220,对所述电压信号进行基于采样窗的滑窗式采样以得到多个局部电压采样窗信号;230,将所述多个局部电压采样窗信号分别通过基于卷积神经网络模型的电压波形特征提取器以得到多个局部电压波形特征向量;240,将所述多个局部电压波形特征向量通过基于转换器模块的电压波形间时序关联特征提取器以得到多个上下文局部电压波形特征向量;250,将所述多个上下文局部电压波形特征向量排列为二维特征矩阵后通过使用空间注意力模块的卷积神经网络模型以得到解码特征矩阵;以及,260,将所述解码特征矩阵通过解码器进行解码回归以得到解码值,所述解码值用于表示温度测量值。
图6为根据本申请实施例的无线传输热损检测方法的系统架构的示意图。如图6所示,在所述无线传输热损检测方法的系统架构中,首先,获取由表面热电偶采集的电压信号;然后,对所述电压信号进行基于采样窗的滑窗式采样以得到多个局部电压采样窗信号;接着,将所述多个局部电压采样窗信号分别通过基于卷积神经网络模型的电压波形特征提取器以得到多个局部电压波形特征向量;然后,将所述多个局部电压波形特征向量通过基于转换器模块的电压波形间时序关联特征提取器以得到多个上下文局部电压波形特征向量;接着,将所述多个上下文局部电压波形特征向量排列为二维特征矩阵后通过使用空间注意力模块的卷积神经网络模型以得到解码特征矩阵;以及,最后,将所述解码特征矩阵通过解码器进行解码回归以得到解码值,所述解码值用于表示温度测量值。
在一个具体示例中,在上述无线传输热损检测方法中,将所述多个局部电压采样窗信号分别通过基于卷积神经网络模型的电压波形特征提取器以得到多个局部电压波形特征向量,包括:使用所述基于卷积神经网络模型的电压波形特征提取器的各层分别对输入数据进行:对所述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均值池化处理以得到池化特征图;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,所述基于卷积神经网络模型的电压波形特征提取器的最后一层的输出为所述多个局部电压波形特征向量,所述基于卷积神经网络模型的电压波形特征提取器的第一层的输入为所述多个局部电压采样窗信号。
在一个具体示例中,在上述无线传输热损检测方法中,将所述多个局部电压波形特征向量通过基于转换器模块的电压波形间时序关联特征提取器以得到多个上下文局部电压波形特征向量,包括:将所述多个局部电压波形特征向量进行一维排列以得到全局电压波形特征向量;计算所述全局电压波形特征向量与所述多个局部电压波形特征向量中各个局部电压波形特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵;分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;以及,分别以所述多个概率值中各个概率值作为权重对所述多个局部电压波形特征向量中各个局部电压波形特征向量进行加权以得到所述多个上下文局部电压波形特征向量。
在一个具体示例中,在上述无线传输热损检测方法中,将所述多个上下文局部电压波形特征向量排列为二维特征矩阵后通过使用空间注意力模块的卷积神经网络模型以得到解码特征矩阵,包括:对所述每个上下文局部电压波形特征向量进行特征分布优化以得到多个优化后上下文局部电压波形特征向量;以及,将所述多个优化后上下文局部电压波形特征向量进行二维排列以得到所述二维特征矩阵。
在一个具体示例中,在上述无线传输热损检测方法中,对所述每个上下文局部电压波形特征向量进行特征分布优化以得到多个优化后上下文局部电压波形特征向量,包括:以如下优化公式对所述每个上下文局部电压波形特征向量进行特征分布优化以得到多个优化后上下文局部电压波形特征向量;其中,所述优化公式为:
;
;
其中,表示所述每个上下文局部电压波形特征向量,/>表示所述多个优化后上下文局部电压波形特征向量,/>表示以2为底的对数函数,/>为邻域设置超参数,且当/>小于等于零或者大于所述二维特征矩阵的行数时,所述每个上下文局部电压波形特征向量可以为全零向量或者单位向量,/>是均值特征向量,/>表示按位置减法。
在一个具体示例中,在上述无线传输热损检测方法中,将所述多个上下文局部电压波形特征向量排列为二维特征矩阵后通过使用空间注意力模块的卷积神经网络模型以得到解码特征矩阵,包括:所述使用空间注意力模块的卷积神经网络模型的各层对输入数据分别进行:对输入数据进行卷积处理以生成卷积特征图;对所述卷积特征图进行池化处理以生成池化特征图;对所述池化特征图进行非线性激活以生成激活特征图;计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵;计算所述空间特征矩阵中各个位置的类Softmax函数值以获得空间得分矩阵;以及,计算所述空间特征矩阵和所述空间得分矩阵的按位置点乘以获得特征矩阵;其中,所述使用空间注意力模块的卷积神经网络模型的最后一层输出的所述特征矩阵为所述解码特征矩阵。
在一个具体示例中,在上述无线传输热损检测方法中,将所述解码特征矩阵通过解码器进行解码回归以得到解码值,所述解码值用于表示温度测量值,包括:使用所述解码器以如下解码公式对所述解码特征矩阵进行解码回归以得到所述解码值;其中,所述解码公式为:,其中,/>表示所述解码特征矩阵,/>表示解码值,/>表示权重矩阵,/>表示偏置向量,/>表示矩阵乘。
本领域技术人员可以理解,上述无线传输热损检测方法中的各个步骤的具体操作已经在上面参考图1到图4的无线传输热损检测装置的描述中得到了详细介绍,并因此,将省略其重复描述。
本申请还提供了一种计算机程序产品,所述计算机程序产品包括指令,当所述指令被执行时,以使得装置执行对应于上述方法中的操作。
在本申请的一个实施例中,还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有执行上述所述方法的计算机程序。
应可以理解,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请实施例的方法、系统、和计算机程序产品的流程图和/或框图来描述的。应理解可由计算机程序指令实现流程图和/或框图中的每一流程和/或方框、以及流程图和/或框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的步骤。
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。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
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 (8)
1.一种无线传输热损检测装置,其特征在于,包括:
表面热电偶;
与所述表面热电偶可通信连接的温度采集仪;
与所述温度采集仪可通信连接的DTU数据模块;
数据存储单元;
时钟模块,用于产生时间信号;以及
用于为所述温度采集仪和所述DTU数据模块供电的供电电池。
2.根据权利要求1所述的无线传输热损检测装置,其特征在于,所述温度采集仪,包括:
信号获取单元,用于获取由表面热电偶采集的电压信号;
采样单元,用于对所述电压信号进行基于采样窗的滑窗式采样以得到多个局部电压采样窗信号;
电压波形特征提取单元,用于将所述多个局部电压采样窗信号分别通过基于卷积神经网络模型的电压波形特征提取器以得到多个局部电压波形特征向量;
时序关联特征提取单元,用于将所述多个局部电压波形特征向量通过基于转换器模块的电压波形间时序关联特征提取器以得到多个上下文局部电压波形特征向量;
空间注意力单元,用于将所述多个上下文局部电压波形特征向量排列为二维特征矩阵后通过使用空间注意力模块的卷积神经网络模型以得到解码特征矩阵;以及,
解码单元,用于将所述解码特征矩阵通过解码器进行解码回归以得到解码值,所述解码值用于表示温度测量值。
3.根据权利要求2所述的无线传输热损检测装置,其特征在于,所述电压波形特征提取单元,用于使用所述基于卷积神经网络模型的电压波形特征提取器的各层分别对输入数据进行:
对所述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均值池化处理以得到池化特征图;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,所述基于卷积神经网络模型的电压波形特征提取器的最后一层的输出为所述多个局部电压波形特征向量,所述基于卷积神经网络模型的电压波形特征提取器的第一层的输入为所述多个局部电压采样窗信号。
4.根据权利要求3所述的无线传输热损检测装置,其特征在于,所述时序关联特征提取单元,包括:
向量构造子单元,用于将所述多个局部电压波形特征向量进行一维排列以得到全局电压波形特征向量;
自注意子单元,用于计算所述全局电压波形特征向量与所述多个局部电压波形特征向量中各个局部电压波形特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵;
标准化子单元,用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;
关注度计算子单元,用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;以及,
注意力施加子单元,用于分别以所述多个概率值中各个概率值作为权重对所述多个局部电压波形特征向量中各个局部电压波形特征向量进行加权以得到所述多个上下文局部电压波形特征向量。
5.根据权利要求4所述的无线传输热损检测装置,其特征在于,所述空间注意力单元,包括:
优化子单元,用于对每个上下文局部电压波形特征向量进行特征分布优化以得到多个优化后上下文局部电压波形特征向量;以及,
二维排列子单元,用于将所述多个优化后上下文局部电压波形特征向量进行二维排列以得到所述二维特征矩阵。
6.根据权利要求5所述的无线传输热损检测装置,其特征在于,所述优化子单元,用于:以如下优化公式对所述每个上下文局部电压波形特征向量进行特征分布优化以得到多个优化后上下文局部电压波形特征向量;
其中,所述优化公式为:
;
;
其中,表示所述每个上下文局部电压波形特征向量的第/>个位置的特征值,/>表示所述多个优化后上下文局部电压波形特征向量的第/>个位置的特征值,/>表示以2为底的对数函数,/>为邻域设置超参数,且当/>小于等于零或者大于所述二维特征矩阵的行数时,所述每个上下文局部电压波形特征向量/>可以为全零向量或者单位向量,/>是均值特征向量,/>表示按位置减法。
7.根据权利要求6所述的无线传输热损检测装置,其特征在于,所述空间注意力单元,用于:所述使用空间注意力模块的卷积神经网络模型的各层对输入数据分别进行:
对输入数据进行卷积处理以生成卷积特征图;
对所述卷积特征图进行池化处理以生成池化特征图;
对所述池化特征图进行非线性激活以生成激活特征图;
计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵;
计算所述空间特征矩阵中各个位置的类Softmax函数值以获得空间得分矩阵;以及,
计算所述空间特征矩阵和所述空间得分矩阵的按位置点乘以获得特征矩阵;
其中,所述使用空间注意力模块的卷积神经网络模型的最后一层输出的所述特征矩阵为所述解码特征矩阵。
8.根据权利要求7所述的无线传输热损检测装置,其特征在于,所述解码单元,用于:使用所述解码器以如下解码公式对所述解码特征矩阵进行解码回归以得到所述解码值;
其中,所述解码公式为:,其中,/>表示所述解码特征矩阵,表示解码值,/>表示权重矩阵,/>表示偏置向量,/>表示矩阵乘。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310960515.5A CN116678506B (zh) | 2023-08-02 | 2023-08-02 | 一种无线传输热损检测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310960515.5A CN116678506B (zh) | 2023-08-02 | 2023-08-02 | 一种无线传输热损检测装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116678506A true CN116678506A (zh) | 2023-09-01 |
CN116678506B CN116678506B (zh) | 2023-10-10 |
Family
ID=87784052
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310960515.5A Active CN116678506B (zh) | 2023-08-02 | 2023-08-02 | 一种无线传输热损检测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116678506B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10503174B1 (en) * | 2019-01-31 | 2019-12-10 | StradVision, Inc. | Method and device for optimized resource allocation in autonomous driving on the basis of reinforcement learning using data from lidar, radar, and camera sensor |
CN111207854A (zh) * | 2020-01-13 | 2020-05-29 | 国兴汇金(深圳)科技有限公司 | 一种基于分布式光纤温度传感器的数据处理算法 |
WO2021057810A1 (zh) * | 2019-09-29 | 2021-04-01 | 深圳数字生命研究院 | 数据处理、训练、识别方法、装置和存储介质 |
CN113361194A (zh) * | 2021-06-04 | 2021-09-07 | 安徽农业大学 | 一种基于深度学习的传感器漂移校准方法、电子设备及存储介质 |
KR20220045391A (ko) * | 2020-10-05 | 2022-04-12 | 경희대학교 산학협력단 | 통신 네트워크에서 센서 데이터를 처리하기 위한 프레임 워크 및 이의 운영 방법 |
WO2022079550A1 (en) * | 2020-10-14 | 2022-04-21 | King Abdullah University Of Science And Technology | Pretraining system and method for seismic data processing using machine learning |
CN115859437A (zh) * | 2022-12-13 | 2023-03-28 | 深圳量云能源网络科技有限公司 | 基于分布式光纤传感系统的导管架水下应力检测系统 |
CN115853173A (zh) * | 2022-12-16 | 2023-03-28 | 吴国尧 | 一种用于施工安装的建筑幕墙 |
KR20230048259A (ko) * | 2022-09-28 | 2023-04-11 | 베이징 바이두 넷컴 사이언스 테크놀로지 컴퍼니 리미티드 | 차도 교통량 데이터 보완 방법, 장치, 및 모델 훈련 방법 및 장치 |
US20230188671A1 (en) * | 2021-12-09 | 2023-06-15 | Anhui University | Fire source detection method and device under condition of small sample size and storage medium |
CN116301166A (zh) * | 2023-05-10 | 2023-06-23 | 深圳市安科讯电子制造有限公司 | 一种非带隙基准电压源电路 |
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 |
CN116451145A (zh) * | 2023-03-06 | 2023-07-18 | 河南茵特赛尔生物技术有限公司 | 用于干细胞运输的降温装置及方法 |
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 |
-
2023
- 2023-08-02 CN CN202310960515.5A patent/CN116678506B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10503174B1 (en) * | 2019-01-31 | 2019-12-10 | StradVision, Inc. | Method and device for optimized resource allocation in autonomous driving on the basis of reinforcement learning using data from lidar, radar, and camera sensor |
WO2021057810A1 (zh) * | 2019-09-29 | 2021-04-01 | 深圳数字生命研究院 | 数据处理、训练、识别方法、装置和存储介质 |
CN111207854A (zh) * | 2020-01-13 | 2020-05-29 | 国兴汇金(深圳)科技有限公司 | 一种基于分布式光纤温度传感器的数据处理算法 |
KR20220045391A (ko) * | 2020-10-05 | 2022-04-12 | 경희대학교 산학협력단 | 통신 네트워크에서 센서 데이터를 처리하기 위한 프레임 워크 및 이의 운영 방법 |
WO2022079550A1 (en) * | 2020-10-14 | 2022-04-21 | King Abdullah University Of Science And Technology | Pretraining system and method for seismic data processing using machine learning |
CN113361194A (zh) * | 2021-06-04 | 2021-09-07 | 安徽农业大学 | 一种基于深度学习的传感器漂移校准方法、电子设备及存储介质 |
US20230188671A1 (en) * | 2021-12-09 | 2023-06-15 | Anhui University | Fire source detection method and device under condition of small sample size and storage medium |
KR20230048259A (ko) * | 2022-09-28 | 2023-04-11 | 베이징 바이두 넷컴 사이언스 테크놀로지 컴퍼니 리미티드 | 차도 교통량 데이터 보완 방법, 장치, 및 모델 훈련 방법 및 장치 |
CN115859437A (zh) * | 2022-12-13 | 2023-03-28 | 深圳量云能源网络科技有限公司 | 基于分布式光纤传感系统的导管架水下应力检测系统 |
CN115853173A (zh) * | 2022-12-16 | 2023-03-28 | 吴国尧 | 一种用于施工安装的建筑幕墙 |
CN116451145A (zh) * | 2023-03-06 | 2023-07-18 | 河南茵特赛尔生物技术有限公司 | 用于干细胞运输的降温装置及方法 |
CN116301166A (zh) * | 2023-05-10 | 2023-06-23 | 深圳市安科讯电子制造有限公司 | 一种非带隙基准电压源电路 |
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 |
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 |
Non-Patent Citations (2)
Title |
---|
王军;张彦军;梁晓辉: "基于无线传输的热电偶测温系统设计", 仪表技术与传感器, no. 02, pages 75 - 78 * |
黄子豪: "水声信号调制方式智能识别方法研究", 中国优秀硕士学位论文全文数据库 信息科技, no. 01, pages 136 - 1324 * |
Also Published As
Publication number | Publication date |
---|---|
CN116678506B (zh) | 2023-10-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xie et al. | Low cost and high accuracy data gathering in WSNs with matrix completion | |
CN108257044A (zh) | 一种基于稳态电流模型的非侵入式负荷分解方法 | |
CN112598303A (zh) | 基于1d卷积神经网络和lstm结合的非侵入式负荷分解方法 | |
CN112146761A (zh) | 一种基于机器学习的人体测温补偿方法 | |
CN111679241A (zh) | 一种电能表检定流水线用多信息通道自动切换系统及方法 | |
CN109685334B (zh) | 一种新的基于多尺度理论的水文模型模拟评估方法 | |
CN108088500A (zh) | 一种智能综合性环境检测系统及方法 | |
CN106199185A (zh) | 一种基于连续对数扫频的线性脉冲响应测量方法及系统 | |
CN202058443U (zh) | 一种鸟类语音识别系统 | |
CN104895611A (zh) | 一种测量矿井粉尘浓度的智能传感器 | |
CN116485041A (zh) | 一种燃气数据的异常检测方法及装置 | |
CN114423034A (zh) | 一种室内人员动作识别方法、系统、介质、设备及终端 | |
CN116678506B (zh) | 一种无线传输热损检测装置 | |
CN103744286A (zh) | 一种火力发电系统的控制器的设计方法和装置 | |
CN114544868A (zh) | 一种消除干扰气体影响的气体检测方法与系统 | |
Franco et al. | A cyber-physical approach for residential energy management: Current state and future directions | |
Chen et al. | A deep learning based lightweight human activity recognition system using reconstructed WiFi CSI | |
CN204718990U (zh) | 无线水质监测系统 | |
Ravindra et al. | Identification of toxic gases using electronic nose | |
CN111780870B (zh) | 小型智能水体光学观测设备及应用该设备评估全球水体质量的方法 | |
CN107331293A (zh) | 一种移动式风能太阳能电子信息牌 | |
CN116502081A (zh) | 能源时序数据预测系统、平台及智能终端设备 | |
Perkasa et al. | Towards Sustainable Energy Distribution: IoT-Based Monitoring of Electrical Load Parameters in a Hybrid Renewable Power Plant | |
Li et al. | Research on soil testing and planting in STM32 based on lightweight neural networks | |
Gao et al. | Data monitoring for indirect metering terminal of membrane gas measure device based on sensor network |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |