CN116794553A - 用于高频电源的智能故障诊断方法及其系统 - Google Patents
用于高频电源的智能故障诊断方法及其系统 Download PDFInfo
- Publication number
- CN116794553A CN116794553A CN202310361988.3A CN202310361988A CN116794553A CN 116794553 A CN116794553 A CN 116794553A CN 202310361988 A CN202310361988 A CN 202310361988A CN 116794553 A CN116794553 A CN 116794553A
- Authority
- CN
- China
- Prior art keywords
- pulse
- training
- frequency power
- power supply
- matrix
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012549 training Methods 0.000 claims description 206
- 239000013598 vector Substances 0.000 claims description 173
- 230000000630 rising effect Effects 0.000 claims description 153
- 239000011159 matrix material Substances 0.000 claims description 135
- 238000005457 optimization Methods 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 27
- 230000001174 ascending effect Effects 0.000 claims description 20
- 238000006073 displacement reaction Methods 0.000 claims description 17
- 230000009466 transformation Effects 0.000 claims description 11
- 230000001131 transforming effect Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 230000000903 blocking effect Effects 0.000 claims description 5
- 230000036961 partial effect Effects 0.000 claims description 4
- 238000005728 strengthening Methods 0.000 claims description 4
- 230000002787 reinforcement Effects 0.000 claims description 2
- 238000009826 distribution Methods 0.000 abstract description 14
- 238000013135 deep learning Methods 0.000 abstract description 10
- 238000001514 detection method Methods 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 26
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 238000003860 storage Methods 0.000 description 9
- 238000006243 chemical reaction Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 8
- 230000003746 surface roughness Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000007599 discharging Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000013016 damping Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005868 electrolysis reaction Methods 0.000 description 4
- 238000007667 floating Methods 0.000 description 4
- 238000005065 mining Methods 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 238000007792 addition Methods 0.000 description 3
- 230000002950 deficient Effects 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 239000002994 raw material Substances 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 2
- 239000003990 capacitor Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000002427 irreversible effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 239000013307 optical fiber Substances 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
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/40—Testing power supplies
- G01R31/42—AC power supplies
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本申请涉及智能故障诊断领域，其具体地公开了一种用于高频电源的智能故障诊断方法及其系统，其利用基于深度学习的人工智能检测技术，以通过ViT模型来提取高频电源所提供的放电脉冲信号中关于高频电源故障的隐含特征分布信息，以此来实时精准地对于高频电源的故障类型进行检测判断，从而避免造成工件表面的烧伤和工件放电凹坑的尺寸变大，以改善工件表面的粗糙度。
Description
技术领域
本申请涉及智能故障诊断领域，且更为具体地，涉及一种用于高频电源的智能故障诊断方法及其系统。
背景技术
在精加工中，加工用电压一般使用MHz数量级的高频电压，以改善被加工物的面粗糙度。在高频电源的实际放电过程中，对于高频电源的故障诊断尤为重要，这是由于当高频电源发生故障时，会造成工件表面的烧伤，或使得放电凹坑的尺寸变大，增加工件表面的粗糙度。但是，目前在对于高频电源的故障进行诊断时具有延时性，也就是说，当因高频电源故障导致工件表面产生缺陷时，才会检测出高频电源发生了故障，造成工件的损坏和原料的浪费。并且，现有的方案中需要人工对于故障的类型进行分析判断，不仅需要专业的技术人员来进行，而且诊断的及时性和准确性有待提高。
因此，期望一种优化的用于高频电源的智能故障诊断方案。
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高频电源的智能故障诊断方法及其系统，其利用基于深度学习的人工智能检测技术，以通过ViT模型来提取高频电源所提供的放电脉冲信号中关于高频电源故障的隐含特征分布信息，以此来实时精准地对于高频电源的故障类型进行检测判断，从而避免造成工件表面的烧伤和工件放电凹坑的尺寸变大，以改善工件表面的粗糙度。
根据本申请的一个方面，提供了一种用于高频电源的智能故障诊断方法，其包括：获取由待诊断高频电源提供的放电脉冲信号；对所述放电脉冲信号进行切分以得到脉冲上升部分和脉冲下降部分；将所述脉冲上升部分和所述脉冲下降部分进行格拉姆角和场变换以得到脉冲上升部分格拉姆角和场图像和脉冲下降部分格拉姆角和场图像；将所述脉冲上升部分格拉姆角和场图像和所述脉冲下降部分进行格拉姆角和场图像分别通过ViT模型以得到脉冲上升部分波形特征向量和脉冲下降部分波形特征向量；对所述脉冲上升部分波形特征向量和所述脉冲下降部分波形特征向量进行关联编码以得到全局特征矩阵；以及将所述全局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待诊断高频电源的故障类型。
在上述用于高频电源的智能故障诊断方法中，将所述脉冲上升部分格拉姆角和场图像和所述脉冲下降部分格拉姆角和场图像分别通过ViT模型以得到脉冲上升部分波形特征向量和脉冲下降部分波形特征向量，包括：对所述脉冲上升部分格拉姆角和场图像和所述脉冲下降部分格拉姆角和场图像分别进行图像分块处理以得到脉冲上升部分格拉姆角和场图像块的序列和脉冲下降部分格拉姆角和场图像块的序列；使用所述ViT模型的嵌入层分别对所述脉冲上升部分格拉姆角和场图像块的序列和所述脉冲下降部分格拉姆角和场图像块的序列中各个图像块进行嵌入编码以得到脉冲上升部分图像块嵌入向量的序列和脉冲下降部分图像块嵌入向量的序列；将所述脉冲上升部分图像块嵌入向量的序列和所述脉冲下降部分图像块嵌入向量的序列分别输入所述ViT模型的转换器模块以得到多个上升图像块上下文特征向量和多个下降图像块上下文特征向量；以及，将所述多个上升图像块上下文特征向量进行级联以得到所述脉冲上升部分波形特征向量，将所述多个下降图像块上下文特征向量进行级联以得到所述脉冲下降部分波形特征向量。
在上述用于高频电源的智能故障诊断方法中，对所述脉冲上升部分波形特征向量和所述脉冲下降部分波形特征向量进行关联编码以得到全局特征矩阵，包括：以如下关联公式对所述脉冲上升部分波形特征向量和所述脉冲下降部分波形特征向量进行关联编码以得到全局特征矩阵；其中，所述关联公式为：其中/>表示所述脉冲上升部分波形特征向量的转置向量，/> 表示所述脉冲下降部分波形特征向量，/>表示所述全局特征矩阵，/>表示矩阵相乘。
在上述用于高频电源的智能故障诊断方法中，还包括对所述ViT模型和所述分类器进行训练；其中，对所述ViT模型和所述分类器进行训练，包括：获取训练数据，所述训练数据包括训练放电脉冲信号，以及，所述待诊断高频电源的故障类型的真实值；对所述训练放电脉冲信号进行切分以得到训练脉冲上升部分和训练脉冲下降部分；将所述训练脉冲上升部分和所述训练脉冲下降部分进行格拉姆角和场变换以得到训练脉冲上升部分格拉姆角和场图像和训练脉冲下降部分格拉姆角和场图像；将所述训练脉冲上升部分格拉姆角和场图像和所述训练脉冲下降部分格拉姆角和场图像分别通过所述ViT模型以得到训练脉冲上升部分波形特征向量和训练脉冲下降部分波形特征向量；对所述训练脉冲上升部分波形特征向量和所述训练脉冲下降部分波形特征向量进行关联编码以得到训练全局特征矩阵；对所述训练全局特征矩阵进行本征单位化的逐位位移关联匹配优化以得到优化训练全局特征矩阵；将所述优化训练全局特征矩阵通过所述分类器以得到分类损失函数值；以及，基于所述分类损失函数值并通过梯度下降的反向传播来对所述ViT模型和所述分类器进行训练。
在上述用于高频电源的智能故障诊断方法中，对所述训练全局特征矩阵进行本征单位化的逐位位移关联匹配优化以得到优化训练全局特征矩阵，包括：以如下强化公式对所述训练分类特征矩阵进行本征单位化的逐位位移关联匹配优化以得到所述优化训练分类特征矩阵；其中，所述强化公式为：其中/> 是所述训练全局特征矩阵， />到/>是所述训练全局特征矩阵进行本征分解后得到的/>个本征值，/>为所述/>个本征值沿对角线排列所得到的本征单位化矩阵，且/>与/>都为对角矩阵， />为所述本征单位化矩阵与所述训练全局特征矩阵之间的距离，/>表示矩阵乘法， />表示矩阵加法， />表示按位置点乘，/> 为所述优化训练全局特征矩阵。
在上述用于高频电源的智能故障诊断方法中，将所述优化训练全局特征矩阵通过所述分类器以得到分类损失函数值，包括：将所述优化训练全局特征矩阵按照行向量或者列向量展开为分类特征向量；将所述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特征向量归属于各个分类标签的概率值；将最大概率值对应的分类标签确定为训练分类结果；以及，计算所述训练分类结果与所述训练数据中所述待诊断高频电源的故障类型的真实值之间的交叉熵值作为所述分类损失函数值。
根据本申请的另一方面，提供了一种用于高频电源的智能故障诊断系统，包括：脉冲信号获取单元，用于获取由待诊断高频电源提供的放电脉冲信号；切分单元，用于对所述放电脉冲信号进行切分以得到脉冲上升部分和脉冲下降部分；域变换单元，用于将所述脉冲上升部分和所述脉冲下降部分进行格拉姆角和场变换以得到脉冲上升部分格拉姆角和场图像和脉冲下降部分格拉姆角和场图像；波形特征提取单元，用于将所述脉冲上升部分格拉姆角和场图像和所述脉冲下降部分进行格拉姆角和场图像分别通过ViT模型以得到脉冲上升部分波形特征向量和脉冲下降部分波形特征向量；关联编码单元，用于对所述脉冲上升部分波形特征向量和所述脉冲下降部分波形特征向量进行关联编码以得到全局特征矩阵；以及故障诊断单元，用于将所述全局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待诊断高频电源的故障类型。
在上述用于高频电源的智能故障诊断系统中，还包括用于对所述ViT模型和所述分类器进行训练的训练模块；其中，所述训练模块，包括：训练数据获取单元，用于获取训练数据，所述训练数据包括训练放电脉冲信号，以及，所述待诊断高频电源的故障类型的真实值；训练切分单元，用于对所述训练放电脉冲信号进行切分以得到训练脉冲上升部分和训练脉冲下降部分；训练域变换单元，用于将所述训练脉冲上升部分和所述训练脉冲下降部分进行格拉姆角和场变换以得到训练脉冲上升部分格拉姆角和场图像和训练脉冲下降部分格拉姆角和场图像；训练波形特征提取单元，用于将所述训练脉冲上升部分格拉姆角和场图像和所述训练脉冲下降部分格拉姆角和场图像分别通过所述ViT模型以得到训练脉冲上升部分波形特征向量和训练脉冲下降部分波形特征向量；训练关联编码单元，用于对所述训练脉冲上升部分波形特征向量和所述训练脉冲下降部分波形特征向量进行关联编码以得到训练全局特征矩阵；逐位位移关联匹配优化单元，用于对所述训练全局特征矩阵进行本征单位化的逐位位移关联匹配优化以得到优化训练全局特征矩阵；分类损失单元，用于将所述优化训练全局特征矩阵通过所述分类器以得到分类损失函数值；以及，模型训练单元，用于基于所述分类损失函数值并通过梯度下降的反向传播来对所述ViT模型和所述分类器进行训练。
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高频电源的智能故障诊断方法。
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高频电源的智能故障诊断方法。
与现有技术相比，本申请提供的用于高频电源的智能故障诊断方法及其系统，其利用基于深度学习的人工智能检测技术，以通过ViT模型来提取高频电源所提供的放电脉冲信号中关于高频电源故障的隐含特征分布信息，以此来实时精准地对于高频电源的故障类型进行检测判断，从而避免造成工件表面的烧伤和工件放电凹坑的尺寸变大，以改善工件表面的粗糙度。
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高频电源的智能故障诊断方法的应用场景图。
图2为根据本申请实施例的用于高频电源的智能故障诊断方法的流程图。
图3为根据本申请实施例的用于高频电源的智能故障诊断方法的架构图。
图4为根据本申请实施例的用于高频电源的智能故障诊断方法中得到脉冲上升部分波形特征向量和脉冲下降部分波形特征向量的流程图。
图5为根据本申请实施例的用于高频电源的智能故障诊断方法中对所述ViT模型和所述分类器进行训练的流程图。
图6为根据本申请实施例的用于高频电源的智能故障诊断系统的框图。
图7为根据本申请实施例的用于高频电源的智能故障诊断系统中训练模块的框图。
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:如上所述，目前在对于高频电源的故障进行诊断时具有延时性，也就是说，当因高频电源故障导致工件表面产生缺陷时，才会检测出高频电源发生了故障，造成工件的损坏和原料的浪费。并且，现有的方案中需要人工对于故障的类型进行分析判断，不仅需要专业的技术人员来进行，而且诊断的及时性和准确性有待提高。因此，期望一种优化的用于高频电源的智能故障诊断方案。
具体地，为了改善加工件的表面粗糙度，首先需避免工件表面的烧伤和积屑，其次是减小放电凹坑的尺寸。为避免工件表面的烧伤和积屑，需设定放电时的最小间隔实际加工时不能低于该值；加工效率非常高的情况下，易出现积屑和工件变色，此时必须要积极改善排屑，并结合实际加工结果，调校最小间隔的设定值。在同样脉宽放电的情况下采用多个小功率管并联，可显著改善工件的表面粗糙度。为便于调节粗糙度设备需脉宽可调且最小脉宽足够小。目前采用的脉宽是100 ns，且放电的峰值电流有四档可调。另外，放电波形的后沿陡峭可有效减小电解，使工件的变质层符合要求。
根据上述方案，形成了新一代的纳秒级高频电源的放电回路，但该回路为漏极输出，与常规的线切割高频电源有着极大的不同。采用该模式的设计目的，是尽最大可能提高电源的峰值电流，功放管源极采用的是浮动方式。为使波形上升沿平缓使用“电阻+电容”阻尼进行控制；为使下降沿陡峭，使用 MOS 管让电容放电防止电解在高端的地电位采用浮动方式的情况下。分别对加工信号的高端信号源和低端信号源进行隔离，最大程度上实现了理想的放电通道。
仅有放电回路远远不够，还应有控制回路予以匹配，高频电源方可正常工作。在高频被允许时，由信号产生火花脉冲，经功放推动管的脉冲，再由功放管产生加工脉冲，不断测量加工放电通道的间隙电压值，以此来控制放电脉冲的产生，从而形成一个电子的闭环控制回路。峰值调节则直接作用于放电回路。
相应地，在实际进行工件加工的过程中，为了避免高频电源的故障造成工件的损坏和凹坑尺寸变大，以优化高频电源的放电过程，需要对于高频电源进行实时地故障识别诊断。而考虑到由于所述高频电源的放电脉冲的波形反映了其放电过程，因此，在本申请的技术方案中，可以通过高频电源的所提供的放电脉冲的波形来对所述高频电源进行故障诊断，以此来检测出高频电源的故障类型，从而避免造成工件表面的烧伤和工件放电凹坑的尺寸变大，以改善工件表面的粗糙度。但是，由于所述高频电源的所提供的放电脉冲的波形中存在有大量的数据信息，其中的高频电源故障信息为小尺度的隐含特征信息，难以进行捕捉提取，进而降低了故障检测的精准度。因此，在此过程中，难点在于如何挖掘出所述高频电源的放电脉冲波形中关于高频电源故障的隐含特征分布信息，以此来实时精准地对于高频电源的故障类型进行检测判断，从而避免造成工件表面的烧伤和工件放电凹坑的尺寸变大，以改善工件表面的粗糙度。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为挖掘所述高频电源的放电脉冲波形中关于高频电源故障的隐含特征分布信息提供了新的解决思路和方案。
具体地，在本申请的技术方案中，首先，获取由待诊断高频电源提供的放电脉冲信号。接着，考虑到在实际进行高频电源放电工况的监控过程中，由于所述放电脉冲信号具有上升沿和下降沿，其上升沿和下降沿分别反映了该高频电源的不同放电工况，为使波形上升沿平缓使用“电阻+电容”阻尼进行控制，同时为使下降沿陡峭，以此来改善加工件的表面粗糙度，需要对于所述放电脉冲信号的脉冲上升部分和脉冲下降部分分别进行特征捕捉挖掘。因此，在本申请的技术方案中，进一步对所述放电脉冲信号进行切分以得到脉冲上升部分和脉冲下降部分。
应可以理解，由于格拉姆角场 ( Gramian angular field，GAF) 基于Gram原理，它可将经典笛卡尔坐标系下的时间序列迁移到极坐标系上进行表示，也就是说，所述格抟姆角场能够将时间序列数据转换为图像数据，既能保留信号完整的信息，也能够很好地保留着所述脉冲上升部分和所述脉冲下降部分对于时间的依赖性和相关性，具有和原始信号相似的时序特质。特别地，GAF 按照编码所用三角函数的不同可以得到格拉姆角和场(Gramian angular sum field，GASF ) 和格拉姆角差场 ( Gramian angular differencefield，GADF)，由于GADF 转换之后不可逆，因此，在本申请的技术方案中，选择可进行逆转换的 GASF 转换方式来进行所述脉冲上升部分和所述脉冲下降部分的编码。也就是，具体地，对所述脉冲上升部分和所述脉冲下降部分进行格拉姆角和场转化以得到脉冲上升部分格拉姆角和场图像和脉冲下降部分格拉姆角和场图像。相应地，在一个具体示例中，所述脉冲上升部分和所述脉冲下降部分到 GASF 图像的编码步骤如下所示：对于一个有C维度的时间序列= { Q1，Q2，…， QC }，其中每个维度都包含 n 个采样点 Qi = { qi1，qi2，…，qin } ，首先对每个维度的数据进行归一化操作。之后，将数据中的所有值整合到[-1,1]内，整合之后就用三角函数值Cos值代替归一化后的数值，用极坐标来代替笛卡尔坐标，从而保留序列的绝对时间关系。
然后，考虑到由于所述脉冲上升部分格拉姆角和场图像和所述脉冲下降部分格拉姆角和场图像中关于高频电源的故障隐含特征为小尺度的细微特征，为了能够提高所述脉冲上升部分格拉姆角和场图像和所述脉冲下降部分格拉姆角和场图像中关于高频电源的故障隐含特征的表达能力，以此来提高故障诊断的精度，在本申请的技术方案中，对所述脉冲上升部分格拉姆角和场图像和所述脉冲下降部分格拉姆角和场图像分别进行图像分块处理以得到脉冲上升部分格拉姆角和场图像块的序列和脉冲下降部分格拉姆角和场图像块的序列。应可以理解，所述脉冲上升部分格拉姆角和场图像块的序列和所述脉冲下降部分格拉姆角和场图像块的序列中的各个图像块的尺度相较于原图像被缩减，因此，所述脉冲上升部分格拉姆角和所述场图像和脉冲下降部分格拉姆角和场图像中关于小尺寸的高频电源的故障隐含特征在各个图像块中不再是小尺寸对象，以便于后续进行高频电源的故障类型诊断。
接着，将所述脉冲上升部分格拉姆角和场图像块的序列和所述脉冲下降部分格拉姆角和场图像块的序列分别输入嵌入层以得到脉冲上升部分图像块嵌入向量的序列和脉冲下降部分图像块嵌入向量的序列，特别地，这里，所述嵌入层通过可学习嵌入矩阵将所述脉冲上升部分图像块嵌入向量的序列和所述脉冲下降部分图像块嵌入向量的序列中各个图像块线性投影为一维嵌入向量。嵌入化的实现过程是先分别将各个所述图像块中所有像素位置的像素值排列为一维向量，然后使用全连接层对该一维向量进行全连接编码以实现嵌入化。
进一步地，考虑到由于所述各个图像块都为图像数据，并且所述各个图像块中关于高频电源的故障隐含特征信息间具有着关联关系，因此，使用在图像的隐含特征提取方面具有优异表现的卷积神经网络模型来进行所述各个图像块的特征挖掘，但是由于卷积运算的固有局限性，纯CNN的方法很难学习明确的全局和远程语义信息交互。因此，在本申请的技术方案中，将所述脉冲上升部分图像块嵌入向量的序列和所述脉冲下降部分图像块嵌入向量的序列通过ViT模型中进行编码，以提取出所述各个图像块中关于高频电源的故障隐含特征的上下文语义关联特征，从而得到脉冲上升部分波形特征向量和脉冲下降部分波形特征向量。应可以理解，ViT可以像Transformer一样直接通过自注意机制处理所述各个图像块，以此来分别提取出所述各个图像块中关于所述高频电源的故障隐含上下文语义关联特征信息。
然后，对所述脉冲上升部分波形特征向量和所述脉冲下降部分波形特征向量进行关联编码以得到全局特征矩阵，以此来表示所述放电脉冲信号中的脉冲上升部分和脉冲下降部分中关于所述高频电源故障特征的关联性特征分布信息，即所述脉冲上升部分和所述脉冲下降部分中分别关于故障隐含特征的融合特征信息。进一步地，以所述全局特征矩阵作为分类特征矩阵通过分类器中进行分类处理，以得到用于表示待诊断高频电源的故障类型的分类结果，以此来对于待诊断高频电源的故障类型进行诊断检测。也就是，在本申请的技术方案中，所述分类器的标签为待诊断高频电源的故障类型标签，其中，所述分类器通过软最大值函数来确定所述分类特征矩阵属于哪个分类标签，以此来对于高频电源的故障类型进行检测判断，从而实现改善工件表面的粗糙度的技术目的。
特别地，在本申请的技术方案中，这里，在对所述脉冲上升部分波形特征向量和所述脉冲下降部分波形特征向量进行关联编码以得到全局特征矩阵时，考虑到脉冲上升部分和脉冲下降部分各自的图像特征在通过ViT模型进行上下文图像语义编码之后，可能会导致所述脉冲上升部分波形特征向量和所述脉冲下降部分波形特征向量的逐位置特征值表示之间较大的差异，从而在进行关联编码时，由于关联程度的不同，关联度较小的特征值所得到的所述全局特征矩阵的特征值相对于关联度较大的特征值所得到的所述全局特征矩阵的特征值会偏离所述全局特征矩阵所表达的所述脉冲上升部分波形特征向量和所述脉冲下降部分波形特征向量之间向量级的全局分布，从而影响模型的训练效果。
因此，在本申请的技术方案中，优选地对所述全局特征矩阵进行本征单位化的逐位位移关联匹配优化，优化后的全局特征矩阵/>表示为： 到/>是所述全局特征矩阵/>进行本征分解后得到的/>个本征值，/>为所述/>个本征值沿对角线排列所得到的本征单位化矩阵，其也为对角矩阵，/>为所述本征单位化矩阵/>与所述全局特征矩阵/>之间的距离。
也就是，通过基于所述全局特征矩阵的本征分解获得的所述本征单位化矩阵来对所述全局特征矩阵/>进行逐位位移关联，并以所述全局特征矩阵/>相对本征单位化空间内的投影距离来进行特征关联关系的匹配，可以解决模型参数在反向传播中的由于特征的关联性分布弱而导致的优化方向的不匹配问题，避免优化后的全局特征矩阵/>的处于类目标域边缘的特征值被失配地约束在相反的优化方向，导致训练效果变差。这样，能够实时精准地对于高频电源的故障类型进行检测判断，从而避免造成工件表面的烧伤和工件放电凹坑的尺寸变大，以改善工件表面的粗糙度。
图1为根据本申请实施例的用于高频电源的智能故障诊断方法的应用场景图。如图1所示，在该应用场景中，首先，获取由高频脉冲测量仪（例如，如图1中所示意的M）采集的由待诊断高频电源（例如，如图1中所示意的So）提供的放电脉冲信号（例如，如图1中所示意的Si）。进而，将所述放电脉冲信号输入至部署有用于高频电源的智能故障诊断算法的服务器（例如，如图1所示意的S）中，其中，所述服务器能够基于所述用于高频电源的智能故障诊断算法对所述放电脉冲信号进行处理，以得到用于表示待诊断高频电源的故障类型的分类结果。
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为根据本申请实施例的用于高频电源的智能故障诊断方法的流程图。如图2所示，根据本申请实施例的用于高频电源的智能故障诊断方法，包括：S110，获取由待诊断高频电源提供的放电脉冲信号；S120，对所述放电脉冲信号进行切分以得到脉冲上升部分和脉冲下降部分；S130，将所述脉冲上升部分和所述脉冲下降部分进行格拉姆角和场变换以得到脉冲上升部分格拉姆角和场图像和脉冲下降部分格拉姆角和场图像；S140，将所述脉冲上升部分格拉姆角和场图像和所述脉冲下降部分进行格拉姆角和场图像分别通过ViT模型以得到脉冲上升部分波形特征向量和脉冲下降部分波形特征向量；S150，对所述脉冲上升部分波形特征向量和所述脉冲下降部分波形特征向量进行关联编码以得到全局特征矩阵；以及，S160，将所述全局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待诊断高频电源的故障类型。
图3为根据本申请实施例的用于高频电源的智能故障诊断方法的架构图。如图3所示，在该架构中，首先，获取由待诊断高频电源提供的放电脉冲信号；接着，对所述放电脉冲信号进行切分以得到脉冲上升部分和脉冲下降部分；然后，将所述脉冲上升部分和所述脉冲下降部分进行格拉姆角和场变换以得到脉冲上升部分格拉姆角和场图像和脉冲下降部分格拉姆角和场图像；继而，将所述脉冲上升部分格拉姆角和场图像和所述脉冲下降部分进行格拉姆角和场图像分别通过ViT模型以得到脉冲上升部分波形特征向量和脉冲下降部分波形特征向量；再对所述脉冲上升部分波形特征向量和所述脉冲下降部分波形特征向量进行关联编码以得到全局特征矩阵；最终，将所述全局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待诊断高频电源的故障类型。
如上所述，目前在对于高频电源的故障进行诊断时具有延时性，也就是说，当因高频电源故障导致工件表面产生缺陷时，才会检测出高频电源发生了故障，造成工件的损坏和原料的浪费。并且，现有的方案中需要人工对于故障的类型进行分析判断，不仅需要专业的技术人员来进行，而且诊断的及时性和准确性有待提高。因此，期望一种优化的用于高频电源的智能故障诊断方案。
具体地，为了改善加工件的表面粗糙度，首先需避免工件表面的烧伤和积屑，其次是减小放电凹坑的尺寸。为避免工件表面的烧伤和积屑，需设定放电时的最小间隔实际加工时不能低于该值；加工效率非常高的情况下，易出现积屑和工件变色，此时必须要积极改善排屑，并结合实际加工结果，调校最小间隔的设定值。在同样脉宽放电的情况下采用多个小功率管并联，可显著改善工件的表面粗糙度。为便于调节粗糙度设备需脉宽可调且最小脉宽足够小。目前采用的脉宽是100 ns，且放电的峰值电流有四档可调。另外，放电波形的后沿陡峭可有效减小电解，使工件的变质层符合要求。
根据上述方案，形成了新一代的纳秒级高频电源的放电回路，但该回路为漏极输出，与常规的线切割高频电源有着极大的不同。采用该模式的设计目的，是尽最大可能提高电源的峰值电流，功放管源极采用的是浮动方式。为使波形上升沿平缓使用“电阻+电容”阻尼进行控制；为使下降沿陡峭，使用 MOS 管让电容放电防止电解在高端的地电位采用浮动方式的情况下。分别对加工信号的高端信号源和低端信号源进行隔离，最大程度上实现了理想的放电通道。
仅有放电回路远远不够，还应有控制回路予以匹配，高频电源方可正常工作。在高频被允许时，由信号产生火花脉冲，经功放推动管的脉冲，再由功放管产生加工脉冲，不断测量加工放电通道的间隙电压值，以此来控制放电脉冲的产生，从而形成一个电子的闭环控制回路。峰值调节则直接作用于放电回路。
相应地，在实际进行工件加工的过程中，为了避免高频电源的故障造成工件的损坏和凹坑尺寸变大，以优化高频电源的放电过程，需要对于高频电源进行实时地故障识别诊断。而考虑到由于所述高频电源的放电脉冲的波形反映了其放电过程，因此，在本申请的技术方案中，可以通过高频电源的所提供的放电脉冲的波形来对所述高频电源进行故障诊断，以此来检测出高频电源的故障类型，从而避免造成工件表面的烧伤和工件放电凹坑的尺寸变大，以改善工件表面的粗糙度。但是，由于所述高频电源的所提供的放电脉冲的波形中存在有大量的数据信息，其中的高频电源故障信息为小尺度的隐含特征信息，难以进行捕捉提取，进而降低了故障检测的精准度。因此，在此过程中，难点在于如何挖掘出所述高频电源的放电脉冲波形中关于高频电源故障的隐含特征分布信息，以此来实时精准地对于高频电源的故障类型进行检测判断，从而避免造成工件表面的烧伤和工件放电凹坑的尺寸变大，以改善工件表面的粗糙度。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为挖掘所述高频电源的放电脉冲波形中关于高频电源故障的隐含特征分布信息提供了新的解决思路和方案。
在步骤S110中，获取由待诊断高频电源提供的放电脉冲信号。所述放点脉冲信号可以由高频脉冲测量仪来采集。
在步骤S120中，对所述放电脉冲信号进行切分以得到脉冲上升部分和脉冲下降部分。考虑到在实际进行高频电源放电工况的监控过程中，由于所述放电脉冲信号具有上升沿和下降沿，其上升沿和下降沿分别反映了该高频电源的不同放电工况，为使波形上升沿平缓使用“电阻+电容”阻尼进行控制，同时为使下降沿陡峭，以此来改善加工件的表面粗糙度，需要对于所述放电脉冲信号的脉冲上升部分和脉冲下降部分分别进行特征捕捉挖掘。因此，在本申请的技术方案中，进一步对所述放电脉冲信号进行切分以得到脉冲上升部分和脉冲下降部分。
在步骤S130中，将所述脉冲上升部分和所述脉冲下降部分进行格拉姆角和场变换以得到脉冲上升部分格拉姆角和场图像和脉冲下降部分格拉姆角和场图像。应可以理解，由于格拉姆角场 ( Gramian angular field，GAF) 基于Gram原理，它可将经典笛卡尔坐标系下的时间序列迁移到极坐标系上进行表示，也就是说，所述格抟姆角场能够将时间序列数据转换为图像数据，既能保留信号完整的信息，也能够很好地保留着所述脉冲上升部分和所述脉冲下降部分对于时间的依赖性和相关性，具有和原始信号相似的时序特质。特别地，GAF 按照编码所用三角函数的不同可以得到格拉姆角和场( Gramian angular sumfield，GASF ) 和格拉姆角差场 ( Gramian angular difference field，GADF)，由于GADF转换之后不可逆，因此，在本申请的技术方案中，选择可进行逆转换的 GASF 转换方式来进行所述脉冲上升部分和所述脉冲下降部分的编码。也就是，具体地，对所述脉冲上升部分和所述脉冲下降部分进行格拉姆角和场转化以得到脉冲上升部分格拉姆角和场图像和脉冲下降部分格拉姆角和场图像。相应地，在一个具体示例中，所述脉冲上升部分和所述脉冲下降部分到 GASF 图像的编码步骤如下所示：对于一个有C维度的时间序列= { Q1，Q2，…，QC }，其中每个维度都包含 n 个采样点 Qi = { qi1，qi2，…，qin } ，首先对每个维度的数据进行归一化操作。之后，将数据中的所有值整合到[-1,1]内，整合之后就用三角函数值Cos值代替归一化后的数值，用极坐标来代替笛卡尔坐标，从而保留序列的绝对时间关系。
在步骤S140中，将所述脉冲上升部分格拉姆角和场图像和所述脉冲下降部分进行格拉姆角和场图像分别通过ViT模型以得到脉冲上升部分波形特征向量和脉冲下降部分波形特征向量。考虑到由于所述脉冲上升部分格拉姆角和场图像和所述脉冲下降部分格拉姆角和场图像中关于高频电源的故障隐含特征为小尺度的细微特征，为了能够提高所述脉冲上升部分格拉姆角和场图像和所述脉冲下降部分格拉姆角和场图像中关于高频电源的故障隐含特征的表达能力，以此来提高故障诊断的精度，在本申请的技术方案中，对所述脉冲上升部分格拉姆角和场图像和所述脉冲下降部分格拉姆角和场图像分别进行图像分块处理以得到脉冲上升部分格拉姆角和场图像块的序列和脉冲下降部分格拉姆角和场图像块的序列。应可以理解，所述脉冲上升部分格拉姆角和场图像块的序列和所述脉冲下降部分格拉姆角和场图像块的序列中的各个图像块的尺度相较于原图像被缩减，因此，所述脉冲上升部分格拉姆角和所述场图像和脉冲下降部分格拉姆角和场图像中关于小尺寸的高频电源的故障隐含特征在各个图像块中不再是小尺寸对象，以便于后续进行高频电源的故障类型诊断。
接着，将所述脉冲上升部分格拉姆角和场图像块的序列和所述脉冲下降部分格拉姆角和场图像块的序列分别输入嵌入层以得到脉冲上升部分图像块嵌入向量的序列和脉冲下降部分图像块嵌入向量的序列，特别地，这里，所述嵌入层通过可学习嵌入矩阵将所述脉冲上升部分图像块嵌入向量的序列和所述脉冲下降部分图像块嵌入向量的序列中各个图像块线性投影为一维嵌入向量。嵌入化的实现过程是先分别将各个所述图像块中所有像素位置的像素值排列为一维向量，然后使用全连接层对该一维向量进行全连接编码以实现嵌入化。
进一步地，考虑到由于所述各个图像块都为图像数据，并且所述各个图像块中关于高频电源的故障隐含特征信息间具有着关联关系，因此，使用在图像的隐含特征提取方面具有优异表现的卷积神经网络模型来进行所述各个图像块的特征挖掘，但是由于卷积运算的固有局限性，纯CNN的方法很难学习明确的全局和远程语义信息交互。因此，在本申请的技术方案中，将所述脉冲上升部分图像块嵌入向量的序列和所述脉冲下降部分图像块嵌入向量的序列通过ViT模型中进行编码，以提取出所述各个图像块中关于高频电源的故障隐含特征的上下文语义关联特征，从而得到脉冲上升部分波形特征向量和脉冲下降部分波形特征向量。应可以理解，ViT可以像Transformer一样直接通过自注意机制处理所述各个图像块，以此来分别提取出所述各个图像块中关于所述高频电源的故障隐含上下文语义关联特征信息。
图4为根据本申请实施例的用于高频电源的智能故障诊断方法中得到脉冲上升部分波形特征向量和脉冲下降部分波形特征向量的流程图。如图4所示，将所述脉冲上升部分格拉姆角和场图像和所述脉冲下降部分格拉姆角和场图像分别通过ViT模型以得到脉冲上升部分波形特征向量和脉冲下降部分波形特征向量，包括步骤：S210，对所述脉冲上升部分格拉姆角和场图像和所述脉冲下降部分格拉姆角和场图像分别进行图像分块处理以得到脉冲上升部分格拉姆角和场图像块的序列和脉冲下降部分格拉姆角和场图像块的序列；S220，使用所述ViT模型的嵌入层分别对所述脉冲上升部分格拉姆角和场图像块的序列和所述脉冲下降部分格拉姆角和场图像块的序列中各个图像块进行嵌入编码以得到脉冲上升部分图像块嵌入向量的序列和脉冲下降部分图像块嵌入向量的序列；S230，将所述脉冲上升部分图像块嵌入向量的序列和所述脉冲下降部分图像块嵌入向量的序列分别输入所述ViT模型的转换器模块以得到多个上升图像块上下文特征向量和多个下降图像块上下文特征向量；以及，S240，将所述多个上升图像块上下文特征向量进行级联以得到所述脉冲上升部分波形特征向量，将所述多个下降图像块上下文特征向量进行级联以得到所述脉冲下降部分波形特征向量。
在步骤S150中，对所述脉冲上升部分波形特征向量和所述脉冲下降部分波形特征向量进行关联编码以得到全局特征矩阵。也就是，以所述全局特征矩阵来表示所述放电脉冲信号中的脉冲上升部分和脉冲下降部分中关于所述高频电源故障特征的关联性特征分布信息，即所述脉冲上升部分和所述脉冲下降部分中分别关于故障隐含特征的融合特征信息。
具体地，在本申请实施例中，以如下关联公式对所述脉冲上升部分波形特征向量和所述脉冲下降部分波形特征向量进行关联编码以得到全局特征矩阵；其中，所述关联公式为：其中/>表示所述脉冲上升部分波形特征向量的转置向量，/> 表示所述脉冲下降部分波形特征向量，/>表示所述全局特征矩阵，/>表示矩阵相乘。
在步骤S160中，将所述全局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待诊断高频电源的故障类型。也就是，以所述全局特征矩阵作为分类特征矩阵通过分类器中进行分类处理，以得到用于表示待诊断高频电源的故障类型的分类结果，以此来对于待诊断高频电源的故障类型进行诊断检测。在本申请的技术方案中，所述分类器的标签为待诊断高频电源的故障类型标签，其中，所述分类器通过软最大值函数来确定所述分类特征矩阵属于哪个分类标签，以此来对于高频电源的故障类型进行检测判断，从而实现改善工件表面的粗糙度的技术目的。
在上述用于高频电源的智能故障诊断方法中，还包括对所述ViT模型和所述分类器进行训练。
图5为根据本申请实施例的用于高频电源的智能故障诊断方法中对所述ViT模型和所述分类器进行训练的流程图。如图5所示，对所述ViT模型和所述分类器进行训练，包括步骤：S310，获取训练数据，所述训练数据包括训练放电脉冲信号，以及，所述待诊断高频电源的故障类型的真实值；S320，对所述训练放电脉冲信号进行切分以得到训练脉冲上升部分和训练脉冲下降部分；S330，将所述训练脉冲上升部分和所述训练脉冲下降部分进行格拉姆角和场变换以得到训练脉冲上升部分格拉姆角和场图像和训练脉冲下降部分格拉姆角和场图像；S340，将所述训练脉冲上升部分格拉姆角和场图像和所述训练脉冲下降部分格拉姆角和场图像分别通过所述ViT模型以得到训练脉冲上升部分波形特征向量和训练脉冲下降部分波形特征向量；S350，对所述训练脉冲上升部分波形特征向量和所述训练脉冲下降部分波形特征向量进行关联编码以得到训练全局特征矩阵；S360，对所述训练全局特征矩阵进行本征单位化的逐位位移关联匹配优化以得到优化训练全局特征矩阵；S370，将所述优化训练全局特征矩阵通过所述分类器以得到分类损失函数值；以及，S380，基于所述分类损失函数值并通过梯度下降的反向传播来对所述ViT模型和所述分类器进行训练。
特别地，在本申请的技术方案中，这里，在对所述脉冲上升部分波形特征向量和所述脉冲下降部分波形特征向量进行关联编码以得到全局特征矩阵时，考虑到脉冲上升部分和脉冲下降部分各自的图像特征在通过ViT模型进行上下文图像语义编码之后，可能会导致所述脉冲上升部分波形特征向量和所述脉冲下降部分波形特征向量的逐位置特征值表示之间较大的差异，从而在进行关联编码时，由于关联程度的不同，关联度较小的特征值所得到的所述全局特征矩阵的特征值相对于关联度较大的特征值所得到的所述全局特征矩阵的特征值会偏离所述全局特征矩阵所表达的所述脉冲上升部分波形特征向量和所述脉冲下降部分波形特征向量之间向量级的全局分布，从而影响模型的训练效果。
因此，在本申请的技术方案中，优选地对所述全局特征矩阵进行本征单位化的逐位位移关联匹配优化，优化后的全局特征矩阵/>表示为：其中/> 是所述训练全局特征矩阵， />到/>是所述训练全局特征矩阵进行本征分解后得到的/>个本征值，/>为所述/>个本征值沿对角线排列所得到的本征单位化矩阵，且/>与/>都为对角矩阵， />为所述本征单位化矩阵与所述训练全局特征矩阵之间的距离，/>表示矩阵乘法， />表示矩阵加法， />表示按位置点乘，/> 为所述优化训练全局特征矩阵。
也就是，通过基于所述全局特征矩阵的本征分解获得的所述本征单位化矩阵来对所述全局特征矩阵/>进行逐位位移关联，并以所述全局特征矩阵/>相对本征单位化空间内的投影距离来进行特征关联关系的匹配，可以解决模型参数在反向传播中的由于特征的关联性分布弱而导致的优化方向的不匹配问题，避免优化后的全局特征矩阵/>的处于类目标域边缘的特征值被失配地约束在相反的优化方向，导致训练效果变差。这样，能够实时精准地对于高频电源的故障类型进行检测判断，从而避免造成工件表面的烧伤和工件放电凹坑的尺寸变大，以改善工件表面的粗糙度。
具体地，在本申请实施例中，将所述优化训练全局特征矩阵通过所述分类器以得到分类损失函数值的编码过程，包括：首先，将所述优化训练全局特征矩阵按照行向量或者列向量展开为分类特征向量；接着，将所述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特征向量归属于各个分类标签的概率值；然后，将最大概率值对应的分类标签确定为训练分类结果；继而，计算所述训练分类结果与所述训练数据中所述待诊断高频电源的故障类型的真实值之间的交叉熵值作为所述分类损失函数值。
综上，基于本申请实施例的用于高频电源的智能故障诊断方法被阐明，其利用基于深度学习的人工智能检测技术，以通过ViT模型来提取高频电源所提供的放电脉冲信号中关于高频电源故障的隐含特征分布信息，以此来实时精准地对于高频电源的故障类型进行检测判断，从而避免造成工件表面的烧伤和工件放电凹坑的尺寸变大，以改善工件表面的粗糙度。
示例性系统:图6为根据本申请实施例的用于高频电源的智能故障诊断系统的框图。如图6所示，根据本申请实施例的用于高频电源的智能故障诊断系统100，包括：脉冲信号获取单元110，用于获取由待诊断高频电源提供的放电脉冲信号；切分单元120，用于对所述放电脉冲信号进行切分以得到脉冲上升部分和脉冲下降部分；域变换单元130，用于将所述脉冲上升部分和所述脉冲下降部分进行格拉姆角和场变换以得到脉冲上升部分格拉姆角和场图像和脉冲下降部分格拉姆角和场图像；波形特征提取单元140，用于将所述脉冲上升部分格拉姆角和场图像和所述脉冲下降部分进行格拉姆角和场图像分别通过ViT模型以得到脉冲上升部分波形特征向量和脉冲下降部分波形特征向量；关联编码单元150，用于对所述脉冲上升部分波形特征向量和所述脉冲下降部分波形特征向量进行关联编码以得到全局特征矩阵；以及，故障诊断单元160，用于将所述全局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待诊断高频电源的故障类型。
图7为根据本申请实施例的用于高频电源的智能故障诊断系统中训练模块的框图。如图7所示，所述训练模块200，包括：训练数据获取单元210，用于获取训练数据，所述训练数据包括训练放电脉冲信号，以及，所述待诊断高频电源的故障类型的真实值；训练切分单元220，用于对所述训练放电脉冲信号进行切分以得到训练脉冲上升部分和训练脉冲下降部分；训练域变换单元230，用于将所述训练脉冲上升部分和所述训练脉冲下降部分进行格拉姆角和场变换以得到训练脉冲上升部分格拉姆角和场图像和训练脉冲下降部分格拉姆角和场图像；训练波形特征提取单元240，用于将所述训练脉冲上升部分格拉姆角和场图像和所述训练脉冲下降部分格拉姆角和场图像分别通过所述ViT模型以得到训练脉冲上升部分波形特征向量和训练脉冲下降部分波形特征向量；训练关联编码单元250，用于对所述训练脉冲上升部分波形特征向量和所述训练脉冲下降部分波形特征向量进行关联编码以得到训练全局特征矩阵；逐位位移关联匹配优化单元260，用于对所述训练全局特征矩阵进行本征单位化的逐位位移关联匹配优化以得到优化训练全局特征矩阵；分类损失单元270，用于将所述优化训练全局特征矩阵通过所述分类器以得到分类损失函数值；以及，模型训练单元280，用于基于所述分类损失函数值并通过梯度下降的反向传播来对所述ViT模型和所述分类器进行训练。
这里，本领域技术人员可以理解，上述用于高频电源的智能故障诊断系统 100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的用于高频电源的智能故障诊断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用于高频电源的智能故障诊断系统 100可以实现在各种终端设备中，例如用于高频电源的智能故障诊断的服务器等。在一个示例中，根据本申请实施例的用于高频电源的智能故障诊断系统 100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，该用于高频电源的智能故障诊断系统100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，该用于高频电源的智能故障诊断系统 100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，该用于高频电源的智能故障诊断系统 100与该终端设备也可以是分立的设备，并且该用于高频电源的智能故障诊断系统 100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为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用于高频电源的智能故障诊断方法中的功能以及/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放电脉冲信号等各种内容。
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“示例性方法”部分中描述的根据本申请各种实施例的用于高频电源的智能故障诊断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“示例性方法”部分中描述的根据本申请各种实施例的用于高频电源的智能故障诊断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)
1.一种用于高频电源的智能故障诊断方法，其特征在于，包括：获取由待诊断高频电源提供的放电脉冲信号；对所述放电脉冲信号进行切分以得到脉冲上升部分和脉冲下降部分；将所述脉冲上升部分和所述脉冲下降部分进行格拉姆角和场变换以得到脉冲上升部分格拉姆角和场图像和脉冲下降部分格拉姆角和场图像；将所述脉冲上升部分格拉姆角和场图像和所述脉冲下降部分进行格拉姆角和场图像分别通过ViT模型以得到脉冲上升部分波形特征向量和脉冲下降部分波形特征向量；对所述脉冲上升部分波形特征向量和所述脉冲下降部分波形特征向量进行关联编码以得到全局特征矩阵；以及将所述全局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待诊断高频电源的故障类型。
2.根据权利要求1所述的用于高频电源的智能故障诊断方法，其特征在于，将所述脉冲上升部分格拉姆角和场图像和所述脉冲下降部分格拉姆角和场图像分别通过ViT模型以得到脉冲上升部分波形特征向量和脉冲下降部分波形特征向量，包括：对所述脉冲上升部分格拉姆角和场图像和所述脉冲下降部分格拉姆角和场图像分别进行图像分块处理以得到脉冲上升部分格拉姆角和场图像块的序列和脉冲下降部分格拉姆角和场图像块的序列；使用所述ViT模型的嵌入层分别对所述脉冲上升部分格拉姆角和场图像块的序列和所述脉冲下降部分格拉姆角和场图像块的序列中各个图像块进行嵌入编码以得到脉冲上升部分图像块嵌入向量的序列和脉冲下降部分图像块嵌入向量的序列；将所述脉冲上升部分图像块嵌入向量的序列和所述脉冲下降部分图像块嵌入向量的序列分别输入所述ViT模型的转换器模块以得到多个上升图像块上下文特征向量和多个下降图像块上下文特征向量；以及将所述多个上升图像块上下文特征向量进行级联以得到所述脉冲上升部分波形特征向量，将所述多个下降图像块上下文特征向量进行级联以得到所述脉冲下降部分波形特征向量。
3.根据权利要求2所述的用于高频电源的智能故障诊断方法，其特征在于，对所述脉冲上升部分波形特征向量和所述脉冲下降部分波形特征向量进行关联编码以得到全局特征矩阵，包括：以如下关联公式对所述脉冲上升部分波形特征向量和所述脉冲下降部分波形特征向量进行关联编码以得到全局特征矩阵；其中，所述关联公式为：其中/>表示所述脉冲上升部分波形特征向量的转置向量，/> 表示所述脉冲下降部分波形特征向量，/>表示所述全局特征矩阵，/>表示矩阵相乘。
4.根据权利要求3所述的用于高频电源的智能故障诊断方法，其特征在于，还包括对所述ViT模型和所述分类器进行训练；其中，对所述ViT模型和所述分类器进行训练，包括：获取训练数据，所述训练数据包括训练放电脉冲信号，以及，所述待诊断高频电源的故障类型的真实值；对所述训练放电脉冲信号进行切分以得到训练脉冲上升部分和训练脉冲下降部分；将所述训练脉冲上升部分和所述训练脉冲下降部分进行格拉姆角和场变换以得到训练脉冲上升部分格拉姆角和场图像和训练脉冲下降部分格拉姆角和场图像；将所述训练脉冲上升部分格拉姆角和场图像和所述训练脉冲下降部分格拉姆角和场图像分别通过所述ViT模型以得到训练脉冲上升部分波形特征向量和训练脉冲下降部分波形特征向量；对所述训练脉冲上升部分波形特征向量和所述训练脉冲下降部分波形特征向量进行关联编码以得到训练全局特征矩阵；对所述训练全局特征矩阵进行本征单位化的逐位位移关联匹配优化以得到优化训练全局特征矩阵；将所述优化训练全局特征矩阵通过所述分类器以得到分类损失函数值；以及基于所述分类损失函数值并通过梯度下降的反向传播来对所述ViT模型和所述分类器进行训练。
5.根据权利要求4所述的用于高频电源的智能故障诊断方法，其特征在于，对所述训练全局特征矩阵进行本征单位化的逐位位移关联匹配优化以得到优化训练全局特征矩阵，包括：以如下强化公式对所述训练分类特征矩阵进行本征单位化的逐位位移关联匹配优化以得到所述优化训练分类特征矩阵；其中，所述强化公式为：其中/>是所述训练全局特征矩阵， />到/>是所述训练全局特征矩阵进行本征分解后得到的/>个本征值，/>为所述/>个本征值沿对角线排列所得到的本征单位化矩阵，且/>与/>都为对角矩阵， />为所述本征单位化矩阵与所述训练全局特征矩阵之间的距离，/>表示矩阵乘法， />表示矩阵加法， />表示按位置点乘，/>为所述优化训练全局特征矩阵。
6.根据权利要求5所述的用于高频电源的智能故障诊断方法，其特征在于，将所述优化训练全局特征矩阵通过所述分类器以得到分类损失函数值，包括：将所述优化训练全局特征矩阵按照行向量或者列向量展开为分类特征向量；将所述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特征向量归属于各个分类标签的概率值；将最大概率值对应的分类标签确定为训练分类结果；以及计算所述训练分类结果与所述训练数据中所述待诊断高频电源的故障类型的真实值之间的交叉熵值作为所述分类损失函数值。
7.一种用于高频电源的智能故障诊断系统，其特征在于，包括：脉冲信号获取单元，用于获取由待诊断高频电源提供的放电脉冲信号；切分单元，用于对所述放电脉冲信号进行切分以得到脉冲上升部分和脉冲下降部分；域变换单元，用于将所述脉冲上升部分和所述脉冲下降部分进行格拉姆角和场变换以得到脉冲上升部分格拉姆角和场图像和脉冲下降部分格拉姆角和场图像；波形特征提取单元，用于将所述脉冲上升部分格拉姆角和场图像和所述脉冲下降部分进行格拉姆角和场图像分别通过ViT模型以得到脉冲上升部分波形特征向量和脉冲下降部分波形特征向量；关联编码单元，用于对所述脉冲上升部分波形特征向量和所述脉冲下降部分波形特征向量进行关联编码以得到全局特征矩阵；以及故障诊断单元，用于将所述全局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待诊断高频电源的故障类型。
8.根据权利要求7所述的用于高频电源的智能故障诊断系统，其特征在于，所述关联编码单元，进一步用于：以如下关联公式对所述脉冲上升部分波形特征向量和所述脉冲下降部分波形特征向量进行关联编码以得到全局特征矩阵；其中，所述关联公式为：其中/>表示所述脉冲上升部分波形特征向量的转置向量，/>表示所述脉冲下降部分波形特征向量，/>表示所述全局特征矩阵，/>表示矩阵相乘。
9.根据权利要求8所述的用于高频电源的智能故障诊断系统，其特征在于，还包括用于对所述ViT模型和所述分类器进行训练的训练模块；其中，所述训练模块，包括：训练数据获取单元，用于获取训练数据，所述训练数据包括训练放电脉冲信号，以及，所述待诊断高频电源的故障类型的真实值；训练切分单元，用于对所述训练放电脉冲信号进行切分以得到训练脉冲上升部分和训练脉冲下降部分；训练域变换单元，用于将所述训练脉冲上升部分和所述训练脉冲下降部分进行格拉姆角和场变换以得到训练脉冲上升部分格拉姆角和场图像和训练脉冲下降部分格拉姆角和场图像；训练波形特征提取单元，用于将所述训练脉冲上升部分格拉姆角和场图像和所述训练脉冲下降部分格拉姆角和场图像分别通过所述ViT模型以得到训练脉冲上升部分波形特征向量和训练脉冲下降部分波形特征向量；训练关联编码单元，用于对所述训练脉冲上升部分波形特征向量和所述训练脉冲下降部分波形特征向量进行关联编码以得到训练全局特征矩阵；逐位位移关联匹配优化单元，用于对所述训练全局特征矩阵进行本征单位化的逐位位移关联匹配优化以得到优化训练全局特征矩阵；分类损失单元，用于将所述优化训练全局特征矩阵通过所述分类器以得到分类损失函数值；以及模型训练单元，用于基于所述分类损失函数值并通过梯度下降的反向传播来对所述ViT模型和所述分类器进行训练。
10.根据权利要求9所述的用于高频电源的智能故障诊断系统，其特征在于，所述逐位位移关联匹配优化单元，进一步用于：以如下强化公式对所述训练分类特征矩阵进行本征单位化的逐位位移关联匹配优化以得到所述优化训练分类特征矩阵；其中，所述强化公式为：其中/>是所述训练全局特征矩阵，/>到/>是所述训练全局特征矩阵进行本征分解后得到的/>个本征值，/>为所述/>个本征值沿对角线排列所得到的本征单位化矩阵，且/>与/>都为对角矩阵，/>为所述本征单位化矩阵与所述训练全局特征矩阵之间的距离，/>表示矩阵乘法，/>表示矩阵加法，/>表示按位置点乘，/>为所述优化训练全局特征矩阵。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310361988.3A CN116794553B (zh) | 2023-04-07 | 2023-04-07 | 用于高频电源的智能故障诊断方法及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310361988.3A CN116794553B (zh) | 2023-04-07 | 2023-04-07 | 用于高频电源的智能故障诊断方法及其系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116794553A true CN116794553A (zh) | 2023-09-22 |
| CN116794553B CN116794553B (zh) | 2024-03-08 |
Family
ID=88045323
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310361988.3A Active CN116794553B (zh) | 2023-04-07 | 2023-04-07 | 用于高频电源的智能故障诊断方法及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116794553B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117764995A (zh) * | 2024-02-22 | 2024-03-26 | 浙江首鼎视介科技有限公司 | 基于深度神经网络算法的胆胰成像系统及方法 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6590606B1 (en) * | 1997-08-27 | 2003-07-08 | Ldt Gmbh & Co. Laser-Display-Technology Kg | Method for the compensating of geometric images and an arrangement for carrying out the method |
| US20090216535A1 (en) * | 2008-02-22 | 2009-08-27 | Avraham Entlis | Engine For Speech Recognition |
| CN102946548A (zh) * | 2012-11-27 | 2013-02-27 | 西安电子科技大学 | 基于3维Log-Gabor变换的视频图像融合性能评价方法 |
| CN106500593A (zh) * | 2016-10-31 | 2017-03-15 | 哈尔滨工业大学 | 航空电连接器插针位置偏差检测方法 |
| CN108761287A (zh) * | 2018-05-28 | 2018-11-06 | 深圳供电局有限公司 | 一种变压器局部放电类型识别方法 |
| CN109163911A (zh) * | 2018-09-21 | 2019-01-08 | 昆明理工大学 | 一种基于改进的蝙蝠算法优化elm的发动机燃油系统故障诊断方法 |
| JP2019161920A (ja) * | 2018-03-14 | 2019-09-19 | 新電元工業株式会社 | 半導体スイッチ制御回路、インテリジェントパワーモジュール、スイッチング電源装置及び半導体スイッチの制御方法 |
| CN112475498A (zh) * | 2020-11-20 | 2021-03-12 | 浙江万能精机有限公司 | 一种纯水线切割加工工艺 |
| CN114204795A (zh) * | 2021-12-14 | 2022-03-18 | 杭州优特电源有限公司 | 一种无桥功率因素校正控制电路 |
| CN114818826A (zh) * | 2022-05-19 | 2022-07-29 | 石家庄铁道大学 | 基于轻量级Vision Transformer模块的故障诊断方法 |
| CN114993710A (zh) * | 2022-06-02 | 2022-09-02 | 浙江加力仓储设备股份有限公司 | 遥控式电驱折叠叉车轮毂快速维修装置及其方法 |
| CN115526202A (zh) * | 2022-08-07 | 2022-12-27 | 北京华能新锐控制技术有限公司 | 基于数据驱动的海上风机故障诊断系统及其诊断方法 |
| CN115810013A (zh) * | 2023-02-07 | 2023-03-17 | 苏芯物联技术(南京)有限公司 | 一种融合vit和gan的焊接异常检测方法 |
-
2023
- 2023-04-07 CN CN202310361988.3A patent/CN116794553B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6590606B1 (en) * | 1997-08-27 | 2003-07-08 | Ldt Gmbh & Co. Laser-Display-Technology Kg | Method for the compensating of geometric images and an arrangement for carrying out the method |
| US20090216535A1 (en) * | 2008-02-22 | 2009-08-27 | Avraham Entlis | Engine For Speech Recognition |
| CN102946548A (zh) * | 2012-11-27 | 2013-02-27 | 西安电子科技大学 | 基于3维Log-Gabor变换的视频图像融合性能评价方法 |
| CN106500593A (zh) * | 2016-10-31 | 2017-03-15 | 哈尔滨工业大学 | 航空电连接器插针位置偏差检测方法 |
| JP2019161920A (ja) * | 2018-03-14 | 2019-09-19 | 新電元工業株式会社 | 半導体スイッチ制御回路、インテリジェントパワーモジュール、スイッチング電源装置及び半導体スイッチの制御方法 |
| CN108761287A (zh) * | 2018-05-28 | 2018-11-06 | 深圳供电局有限公司 | 一种变压器局部放电类型识别方法 |
| CN109163911A (zh) * | 2018-09-21 | 2019-01-08 | 昆明理工大学 | 一种基于改进的蝙蝠算法优化elm的发动机燃油系统故障诊断方法 |
| CN112475498A (zh) * | 2020-11-20 | 2021-03-12 | 浙江万能精机有限公司 | 一种纯水线切割加工工艺 |
| CN114204795A (zh) * | 2021-12-14 | 2022-03-18 | 杭州优特电源有限公司 | 一种无桥功率因素校正控制电路 |
| CN114818826A (zh) * | 2022-05-19 | 2022-07-29 | 石家庄铁道大学 | 基于轻量级Vision Transformer模块的故障诊断方法 |
| CN114993710A (zh) * | 2022-06-02 | 2022-09-02 | 浙江加力仓储设备股份有限公司 | 遥控式电驱折叠叉车轮毂快速维修装置及其方法 |
| CN115526202A (zh) * | 2022-08-07 | 2022-12-27 | 北京华能新锐控制技术有限公司 | 基于数据驱动的海上风机故障诊断系统及其诊断方法 |
| CN115810013A (zh) * | 2023-02-07 | 2023-03-17 | 苏芯物联技术(南京)有限公司 | 一种融合vit和gan的焊接异常检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 林子彬;蔡延光;: "求解TSP的变邻域量子蝙蝠算法", 电子世界, no. 09 * |
| 樊浩;李兴文;苏海博;陈立;史宗谦;: "基于主成分分析――支持向量机优化模型的断路器故障诊断方法研究", 高压电器, no. 06 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117764995A (zh) * | 2024-02-22 | 2024-03-26 | 浙江首鼎视介科技有限公司 | 基于深度神经网络算法的胆胰成像系统及方法 |
| CN117764995B (zh) * | 2024-02-22 | 2024-05-07 | 浙江首鼎视介科技有限公司 | 基于深度神经网络算法的胆胰成像系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116794553B (zh) | 2024-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2019214268A1 (zh) | 一种基于复合信息的光伏阵列故障诊断方法 | |
| Huang et al. | A YOLO-based table detection method | |
| Yi et al. | CNN based page object detection in document images | |
| CN109815956B (zh) | 一种基于自适应位置分割的车牌字符识别方法 | |
| CN109145961B (zh) | 一种非结构化局部放电数据的模式识别方法及系统 | |
| Das et al. | A fast algorithm for skew detection of document images using morphology | |
| CN110032969B (zh) | 用于检测图像中的文本区域的方法、装置、设备以及介质 | |
| CN116794553B (zh) | 用于高频电源的智能故障诊断方法及其系统 | |
| CN111259940A (zh) | 一种基于空间注意力地图的目标检测方法 | |
| CN115857614B (zh) | 多路光伏mppt交错式boost控制方法及其系统 | |
| Thanikkal et al. | Advanced plant leaf classification through image enhancement and canny edge detection | |
| CN110726898A (zh) | 一种配电网故障类型识别方法 | |
| JP2019153293A (ja) | 人工ニューラルネットワークを用いたｏｃｒシステムのための、線認識最大−最小プーリングを用いたテキスト画像の処理 | |
| CN111539417B (zh) | 一种基于深度神经网络的文本识别训练优化方法 | |
| CN114723010B (zh) | 一种异步事件数据的自动学习增强方法及系统 | |
| Ning et al. | MT-YOLOv5: Mobile terminal table detection model based on YOLOv5 | |
| Hemanth et al. | CNN-RNN BASED HANDWRITTEN TEXT RECOGNITION. | |
| JP5211449B2 (ja) | 認識距離を調整するプログラム、装置および方法、ならびに文字列を認識するプログラム | |
| CN101901333A (zh) | 文本图像中切分词的方法及使用该方法的识别装置 | |
| CN113610088A (zh) | 一种基于自注意力的车牌字符识别方法 | |
| Sun et al. | Retracted: A Review: Text Detection in Natural Scene Image | |
| CN116821591B (zh) | 高频电源放电工况实时监控方法及其系统 | |
| KR20210123674A (ko) | Tta를 이용한 분포 외 데이터 검출 방법 및 이를 수행하는 장치 | |
| CN117710755B (zh) | 一种基于深度学习的车辆属性识别系统及方法 | |
| Wei et al. | Insulator defect detection based on improved Yolov5s |
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 |