CN116821591B - 高频电源放电工况实时监控方法及其系统 - Google Patents
高频电源放电工况实时监控方法及其系统 Download PDFInfo
- Publication number
- CN116821591B CN116821591B CN202310352782.4A CN202310352782A CN116821591B CN 116821591 B CN116821591 B CN 116821591B CN 202310352782 A CN202310352782 A CN 202310352782A CN 116821591 B CN116821591 B CN 116821591B
- Authority
- CN
- China
- Prior art keywords
- pulse
- matrix
- training
- frequency power
- power supply
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 66
- 239000011159 matrix material Substances 0.000 claims description 205
- 239000013598 vector Substances 0.000 claims description 134
- 230000000630 rising effect Effects 0.000 claims description 104
- 238000012549 training Methods 0.000 claims description 102
- 238000013527 convolutional neural network Methods 0.000 claims description 45
- 238000012545 processing Methods 0.000 claims description 23
- 238000010586 diagram Methods 0.000 claims description 18
- 238000007599 discharging Methods 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 13
- 230000001174 ascending effect Effects 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 8
- 238000012546 transfer Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 20
- 230000003746 surface roughness Effects 0.000 description 20
- 230000008569 process Effects 0.000 description 15
- 238000009826 distribution Methods 0.000 description 14
- 238000003860 storage Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 8
- 238000009825 accumulation Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000007792 addition Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000005065 mining Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000013016 damping Methods 0.000 description 3
- 238000003754 machining Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000005868 electrolysis reaction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009901 attention process Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000003058 natural language processing 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
- 239000004065 semiconductor Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Testing Relating To Insulation (AREA)
- Electrical Discharge Machining, Electrochemical Machining, And Combined Machining (AREA)
Abstract
本申请涉及智能监控领域，其具体地公开了一种高频电源放电工况实时监控方法及其系统，其通过采用基于深度学习的神经网络模型挖掘出高频电源的放电脉冲信号中的隐藏放电状况特征信息，以此来进行放电工况隐含特征的精准表达，从而实现改善加工件的表面粗糙度的技术目的。
Description
技术领域
本申请涉及智能监控领域，且更为具体地，涉及一种高频电源放电工况实时监控方法及其系统。
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。目前，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。
在高频电源的放电过程中，放电工况是影响加工件表面粗糙度的关键因素。但是，传统的放电检测装置仅依靠人工半自动化的方式来进行，对于放电过程的工况监测判断不够准确，从而影响加工效率和工件被加工面的粗糙度。
因此，期望一种优化的高频电源放电工况实时监控方案。
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高频电源放电工况实时监控方法及其系统，其通过采用基于深度学习的神经网络模型挖掘出高频电源的放电脉冲信号中的隐藏放电状况特征信息，以此来进行放电工况隐含特征的精准表达，从而实现改善加工件的表面粗糙度的技术目的。
根据本申请的一个方面，提供了一种高频电源放电工况实时监控方法，其包括：获取由待监控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通过作为过滤器的卷积神经网络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脉冲上升-下降关联特征矩阵；将所述脉冲上升-下降关联特征矩阵通过空间注意力模块以得到分类特征矩阵；以及将所述分类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监控高频电源的放电状况是否正常。
在上述高频电源放电工况实时监控方法中，将所述脉冲上升部分和所述脉冲下降部分通过作为过滤器的卷积神经网络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：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行局部基于特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络的最后一层的输出为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，所述作为过滤器的卷积神经网络的第一层的输入为所述脉冲上升部分和所述脉冲下降部分。
在上述高频电源放电工况实时监控方法中，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脉冲上升-下降关联特征矩阵，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脉冲上升-下降关联特征矩阵；其中，所述公式为：其中表示所述脉冲上升部分波形特征向量，/>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，/>表示所述脉冲上升-下降关联特征矩阵，/>表示向量相乘。
在上述高频电源放电工况实时监控方法中，将所述脉冲上升-下降关联特征矩阵通过空间注意力模块以得到分类特征矩阵，包括：将所述脉冲上升-下降关联特征矩阵通过所述空间注意力模块以得到权重得分矩阵；将所述权重得分矩阵输入Softmax激活函数以得到空间注意力权重特征矩阵；以及，计算所述空间注意力权重特征矩阵和所述脉冲上升-下降关联特征矩阵之间的按位置点乘以得到所述分类特征矩阵。
在上述高频电源放电工况实时监控方法中，还包括对所述作为过滤器的卷积神经网络模型、所述空间注意力模块和所述分类器进行训练；其中，对所述作为过滤器的卷积神经网络模型、所述空间注意力模块和所述分类器进行训练，包括：获取训练数据，所述训练数据包括由所述待监控高频电源提供的训练放电脉冲信号，以及，所述待监控高频电源的放电状况是否正常的真实值；对所述训练放电脉冲信号进行切分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通过所述作为过滤器的卷积神经网络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脉冲上升-下降关联特征矩阵；将所述训练脉冲上升-下降关联特征矩阵通过所述空间注意力模块以得到训练分类特征矩阵；将所述训练分类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方向传播来对所述作为过滤器的卷积神经网络模型、所述空间注意力模块和所述分类器进行训练，其中，在所述训练的每一轮迭代中，对所述分类器的权重矩阵进行权重矩阵的空间正则化约束迭代。
在上述高频电源放电工况实时监控方法中，将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值，包括：使用所述分类器以如下公式对所述训练分类特征矩阵进行处理以获得分类结果，其中，所述公式为：，其中/>表示将所述训练分类特征矩阵投影为向量，/>至/>为各层全连接层的权重矩阵，/>至/>表示各层全连接层的偏置向量。
在上述高频电源放电工况实时监控方法中，在所述训练的每一轮迭代中，以如下优化公式对所述分类器的权重矩阵进行权重矩阵的空间正则化约束迭代；其中，所述公式为：其中/>是所述分类器的权重矩阵，/>表示矩阵的Frobenius范数，/>是偏置矩阵，/>表示矩阵乘法，/>表示矩阵加法，/>表示按位置点乘，/>表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值，/>表示迭代后的所述分类器的权重矩阵。
根据本申请的另一方面，提供了一种高频电源放电工况实时监控系统，其包括：脉冲信号获取模块，用于获取由待监控高频电源提供的放电脉冲信号；切分模块，用于对所述放电脉冲信号进行切分得到脉冲上升部分和脉冲下降部分；卷积模块，用于将所述脉冲上升部分和所述脉冲下降部分通过作为过滤器的卷积神经网络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；关联编码模块，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脉冲上升-下降关联特征矩阵；空间注意力模块，用于将所述脉冲上升-下降关联特征矩阵通过空间注意力模块以得到分类特征矩阵；以及分类结果生成模块，用于将所述分类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监控高频电源的放电状况是否正常。
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高频电源放电工况实时监控方法。
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高频电源放电工况实时监控方法。
与现有技术相比，本申请提供的一种高频电源放电工况实时监控方法及其系统，其通过采用基于深度学习的神经网络模型挖掘出高频电源的放电脉冲信号中的隐藏放电状况特征信息，以此来进行放电工况隐含特征的精准表达，从而实现改善加工件的表面粗糙度的技术目的。
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高频电源放电工况实时监控方法中推断阶段的流程图。
图2为根据本申请实施例的高频电源放电工况实时监控方法中训练阶段的流程图。
图3为根据本申请实施例的高频电源放电工况实时监控方法中推断阶段的架构示意图。
图4为根据本申请实施例的高频电源放电工况实时监控方法中训练阶段的架构示意图。
图5为根据本申请实施例的高频电源放电工况实时监控方法中卷积神经网络编码的流程图。
图6为根据本申请实施例的高频电源放电工况实时监控方法中空间注意力作用的流程图。
图7为根据本申请实施例的高频电源放电工况实时监控系统的框图。
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。
场景概述:如前背景技术所言，在高频电源的放电过程中，放电工况是影响加工件表面粗糙度的关键因素。但是，传统的放电检测装置仅依靠人工半自动化的方式来进行，对于放电过程的工况监测判断不够准确，从而影响加工效率和工件被加工面的粗糙度。因此，期望一种优化的高频电源放电工况实时监控方案。
具体地，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100ns，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，为了改善加工件的表面粗糙度，对于高频放电工况进行实时监控尤为关键，并且，考虑到通过高频电源的所提供的放电脉冲的波形可对高频电源放电工况进行实时监控。因此，在本申请的技术方案中，期望基于对高频电源的放电脉冲信号进行分析来准确地进行高频电源的放电状况进行检测判断，从而避免工件表面的烧伤和积屑，且减小放电凹坑的尺寸，进而改善加工件的表面粗糙度。但是，由于所述高频电源的放电脉冲信号中存在有较多的信息量，而关于其放电工况的隐藏信息在实际信号中为小尺寸的信息，并不容易对其进行特征捕捉提取。因此，在此过程中，难点在于如何充分地挖掘出所述高频电源的放电脉冲信号中的隐藏放电状况特征信息，以此来进行放电工况隐含特征的精准表达，从而实现改善加工件的表面粗糙度的技术目的。
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煤所述高频电源的放电脉冲信号中的隐藏放电状况特征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，获取由待监控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得到脉冲上升部分和脉冲下降部分。
然后，考虑到由于所述放电脉冲信号的脉冲上升部分和脉冲下降部分都为波形图中的某段数据信息，因此，使用在图像的隐含特征提取方面具有优异表现的作为过滤器的卷积神经网络模型来分别进行所述脉冲上升部分和所述脉冲下降部分的特征挖掘，以分别提取出所述脉冲上升部分和所述脉冲下降部分中关于脉冲波形的隐含特征分布信息，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。接着，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，以此来融合所述放电脉冲信号的脉冲上升部分和脉冲下降部分中关于脉冲波形的上升沿和下降沿的隐藏特征，即所述放电脉冲信号的脉冲上升放电状况和脉冲下降放电状况的特征分布信息，从而得到脉冲上升-下降关联特征矩阵。
进一步地，考虑到在进行所述放电脉冲信号中关于高频电源的放电状况监测时，应更关注于空间位置上关于所述放电脉冲信号波形图中的上升沿和下降沿部分的波形图特征信息，若能够在进行放电状况特征挖掘时滤除其余无用的干扰特征显然能够提高监测的精准度。鉴于注意力机制能够选择聚焦位置，产生更具分辨性的特征表示，且加入注意力模块后的特征会随着网络的加深产生适应性的改变。因此，在本申请的技术方案中，将所述脉冲上升-下降关联特征矩阵通过空间注意力模块中进行空间注意力增强，以提取出所述放电脉冲信号中聚焦于其上升沿和下降沿部分的波形隐藏特征信息，即所述放电脉冲信号的上升沿和下降沿中关于高频电源的放电状况融合特征信息，从而得到分类特征矩阵。
然后，将所述分类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监控高频电源的放电状况是否正常。也就是，在本申请的技术方案中，所述分类器的标签包括待监控高频电源的放电状况正常(第一标签)，以及，待监控高频电源的放电状况异常(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矩阵属于哪个分类标签。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“待监控高频电源的放电状况是否正常”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，待监控高频电源的放电状况是否正常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“待监控高频电源的放电状况是否正常”的语言文本意义。应可以理解，在本申请的技术方案中，所述分类器的分类标签为所述待监控高频电源的放电状况是否正常的检测判断标签，因此，在得到所述分类结果后，可基于所述分类结果来对于高频电源的放电状况进行检测判断，从而避免工件表面的烧伤和积屑，且减小放电凹坑的尺寸，进而改善加工件的表面粗糙度。
特别地，在本申请的技术方案中，这里，在将所述脉冲上升-下降关联特征矩阵通过空间注意力模块得到所述分类特征矩阵时，考虑到所述脉冲上升-下降关联特征矩阵的每个位置的特征值表示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对应位置的一对特征值的关联度，而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由于分别表示所述脉冲上升部分和所述脉冲下降部分的波形图像语义，其特征值之间的关联度具有较大差异，这样，所述脉冲上升-下降关联特征矩阵的每个位置的特征值所表示的关联度间差异较大，这会由所述空间注意力模块进一步强化，在增强所述分类特征矩阵的特征表示的同时，使得所述分类特征矩阵的全局特征分布离散化，导致在训练过程中所述分类器的权重矩阵的收敛速度慢，影响了模型的整体训练速度。
因此，在本申请的技术方案中，本申请的申请人在每次分类器的权重矩阵的迭代时进行权重矩阵的空间正则化约束，表示为： 是分类器的权重矩阵，表示矩阵的Frobenius范数，/>是偏置矩阵，例如可以初始设置为单位矩阵。
所述权重矩阵的空间正则化约束在权重矩阵与其自身转置进行空间嵌入得到的内生相关性矩阵的基础上，对权重矩阵进行基于其欧式空间的内生相关分布的L2正则化，从而与待加权特征的数值分布和按位置数值大小无关地，反映出权重空间对于特征所表达的特定模式的语义依赖程度，从而使得权重空间反应出所提取的特征的内在本质知识的传递效果，加快权重矩阵的收敛，从而提升模型的整体训练速度。这样，能够实时准确地对于高频电源的放电状况进行监控，从而避免工件表面的烧伤和积屑，且减小放电凹坑的尺寸，进而改善加工件的表面粗糙度。
基于此，本申请提出了一种高频电源放电工况实时监控方法，其包括：获取由待监控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通过作为过滤器的卷积神经网络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脉冲上升-下降关联特征矩阵；将所述脉冲上升-下降关联特征矩阵通过空间注意力模块以得到分类特征矩阵；以及，将所述分类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监控高频电源的放电状况是否正常。
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1为根据本申请实施例的高频电源放电工况实时监控方法中推断阶段的流程图。如图1所示，根据本申请实施例的高频电源放电工况实时监控方法，包括：推断阶段，包括：S110，获取由待监控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通过作为过滤器的卷积神经网络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；S140，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脉冲上升-下降关联特征矩阵；S150，将所述脉冲上升-下降关联特征矩阵通过空间注意力模块以得到分类特征矩阵；以及，S160，将所述分类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监控高频电源的放电状况是否正常。
图3为根据本申请实施例的高频电源放电工况实时监控方法中推断阶段的架构示意图。如图3所示，在推断阶段中，在该网络结构中，首先，获取由待监控高频电源提供的放电脉冲信号；再对所述放电脉冲信号进行切分得到脉冲上升部分和脉冲下降部分；接着，将所述脉冲上升部分和所述脉冲下降部分通过作为过滤器的卷积神经网络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；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脉冲上升-下降关联特征矩阵；将所述脉冲上升-下降关联特征矩阵通过空间注意力模块以得到分类特征矩阵；进而，将所述分类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监控高频电源的放电状况是否正常。
具体地，在步骤S110中，获取由待监控高频电源提供的放电脉冲信号。应可以理解，在高频电源的放电过程中，放电工况是影响加工件表面粗糙度的关键因素。而在实际进行工件加工的过程中，为了改善加工件的表面粗糙度，对于高频放电工况进行实时监控尤为关键，并且，考虑到通过高频电源的所提供的放电脉冲的波形可对高频电源放电工况进行实时监控。因此，在本申请的一个具体示例中，首先，获取由待监控高频电源提供的放电脉冲信号。
具体地，在步骤S120中，对所述放电脉冲信号进行切分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得到脉冲上升部分和脉冲下降部分。
具体地，在步骤S130中，将所述脉冲上升部分和所述脉冲下降部分通过作为过滤器的卷积神经网络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。也就是，使用在图像的隐含特征提取方面具有优异表现的作为过滤器的卷积神经网络模型来分别进行所述脉冲上升部分和所述脉冲下降部分的特征挖掘，以分别提取出所述脉冲上升部分和所述脉冲下降部分中关于脉冲波形的隐含特征分布信息，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。在一个具体示例中，所述卷积神经网络包括相互级联的多个神经网络层，其中各个神经网络层包括卷积层、池化层和激活层。其中，在所述卷积神经网络的编码过程中，所述卷积神经网络的各层在层的正向传递过程中对输入数据使用所述卷积层进行基于卷积核的卷积处理、使用所述池化层对由所述卷积层输出的卷积特征图进行池化处理和使用所述激活层对由所述池化层输出的池化特征图进行激活处理。
图5为根据本申请实施例的高频电源放电工况实时监控方法中卷积神经网络编码的流程图。如图5所示，在所述卷积神经网络的编码过程中，包括：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：S210，对输入数据进行卷积处理以得到卷积特征图；S220，对所述卷积特征图进行局部基于特征矩阵的池化以得到池化特征图；以及，S230，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络的最后一层的输出为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，所述作为过滤器的卷积神经网络的第一层的输入为所述脉冲上升部分和所述脉冲下降部分。
具体地，在步骤S140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脉冲上升-下降关联特征矩阵。也就是，在得到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后，再对两者进行关联编码，以此来融合所述放电脉冲信号的脉冲上升部分和脉冲下降部分中关于脉冲波形的上升沿和下降沿的隐藏特征，即所述放电脉冲信号的脉冲上升放电状况和脉冲下降放电状况的特征分布信息，从而得到脉冲上升-下降关联特征矩阵。在本申请的一个具体示例中，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脉冲上升-下降关联特征矩阵；其中，所述公式为：其中/>表示所述脉冲上升部分波形特征向量，/>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，/>表示所述脉冲上升-下降关联特征矩阵，/>表示向量相乘。
具体地，在步骤S150中，将所述脉冲上升-下降关联特征矩阵通过空间注意力模块以得到分类特征矩阵。考虑到在进行所述放电脉冲信号中关于高频电源的放电状况监测时，应更关注于空间位置上关于所述放电脉冲信号波形图中的上升沿和下降沿部分的波形图特征信息，若能够在进行放电状况特征挖掘时滤除其余无用的干扰特征显然能够提高监测的精准度。鉴于注意力机制能够选择聚焦位置，产生更具分辨性的特征表示，且加入注意力模块后的特征会随着网络的加深产生适应性的改变。因此，在本申请的技术方案中，将所述脉冲上升-下降关联特征矩阵通过空间注意力模块中进行空间注意力增强，以提取出所述放电脉冲信号中聚焦于其上升沿和下降沿部分的波形隐藏特征信息，即所述放电脉冲信号的上升沿和下降沿中关于高频电源的放电状况融合特征信息，从而得到分类特征矩阵。
图6为根据本申请实施例的高频电源放电工况实时监控方法中空间注意力作用的流程图。如图6所示，在所述空间注意力作用过程中，包括：S310，将所述脉冲上升-下降关联特征矩阵通过所述空间注意力模块以得到权重得分矩阵；S320，将所述权重得分矩阵输入Softmax激活函数以得到空间注意力权重特征矩阵；以及，S330，计算所述空间注意力权重特征矩阵和所述脉冲上升-下降关联特征矩阵之间的按位置点乘以得到所述分类特征矩阵。
具体地，在步骤S160中，将所述分类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监控高频电源的放电状况是否正常。也就是，将所述分类特征矩阵通过分类器以得到用于表示待监控高频电源的放电状况是否正常的分类结果。具体地，使用所述分类器以如下公式对所述分类特征矩阵进行处理以获得分类结果，其中，所述公式为：，其中/>表示将所述训练分类特征矩阵投影为向量，/>至/>为各层全连接层的权重矩阵，/>至/>表示各层全连接层的偏置向量。具体地，所述分类器包括多个全连接层和与所述多个全连接层最后一个全连接层级联的Softmax层。其中，在所述分类器的分类处理中，首先将所述分类特征矩阵投影为向量，例如，在一个具体的示例中，将所述分类特征矩阵沿着行向量或者列向量进行展开为分类特征向量；然后，使用所述分类器的多个全连接层对所述分类特征向量进行多次全连接编码以得到编码分类特征向量；进而，将所述编码分类特征向量输入所述分类器的Softmax层，即，使用所述Softmax分类函数对所述编码分类特征向量进行分类处理以得到分类标签。在本申请的技术方案中，所述分类器的标签包括待监控高频电源的放电状况正常(第一标签)，以及，待监控高频电源的放电状况异常(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矩阵属于哪个分类标签。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“待监控高频电源的放电状况是否正常”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，待监控高频电源的放电状况是否正常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“待监控高频电源的放电状况是否正常”的语言文本意义。应可以理解，在本申请的技术方案中，所述分类器的分类标签为所述待监控高频电源的放电状况是否正常的检测判断标签，因此，在得到所述分类结果后，可基于所述分类结果来对于高频电源的放电状况进行检测判断，从而避免工件表面的烧伤和积屑，且减小放电凹坑的尺寸，进而改善加工件的表面粗糙度。
应可以理解，在利用上述神经网络模型进行推断之前，需要对所述作为过滤器的卷积神经网络模型、所述空间注意力模块和所述分类器进行训练。也就是说，在本申请的高频电源放电工况实时监控方法中，还包括训练模块，用于对所述作为过滤器的卷积神经网络模型、所述空间注意力模块和所述分类器进行训练。
图2为根据本申请实施例的高频电源放电工况实时监控方法中训练阶段的流程图。如图2所示，根据本申请实施例的高频电源放电工况实时监控方法，还包括训练阶段，包括步骤：S1110，获取训练数据，所述训练数据包括由所述待监控高频电源提供的训练放电脉冲信号，以及，所述待监控高频电源的放电状况是否正常的真实值；S1120，对所述训练放电脉冲信号进行切分得到训练脉冲上升部分和训练脉冲下降部分；S1130，将所述训练脉冲上升部分和所述训练脉冲下降部分通过所述作为过滤器的卷积神经网络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；S1140，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脉冲上升-下降关联特征矩阵；S1150，将所述训练脉冲上升-下降关联特征矩阵通过所述空间注意力模块以得到训练分类特征矩阵；S1160，将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值；以及，S1170，基于所述分类损失函数值并通过梯度下降的方向传播来对所述作为过滤器的卷积神经网络模型、所述空间注意力模块和所述分类器进行训练，其中，在所述训练的每一轮迭代中，对所述分类器的权重矩阵进行权重矩阵的空间正则化约束迭代。
图4为根据本申请实施例的高频电源放电工况实时监控方法中训练阶段的架构示意图。如图4所示，在所述高频电源放电工况实时监控方法中，在训练过程中，首先，获取训练数据，所述训练数据包括由所述待监控高频电源提供的训练放电脉冲信号，以及，所述待监控高频电源的放电状况是否正常的真实值；再对所述训练放电脉冲信号进行切分得到训练脉冲上升部分和训练脉冲下降部分；接着，将所述训练脉冲上升部分和所述训练脉冲下降部分通过所述作为过滤器的卷积神经网络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脉冲上升-下降关联特征矩阵；然后，将所述训练脉冲上升-下降关联特征矩阵通过所述空间注意力模块以得到训练分类特征矩阵；将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值；进而，基于所述分类损失函数值并通过梯度下降的方向传播来对所述作为过滤器的卷积神经网络模型、所述空间注意力模块和所述分类器进行训练，其中，在所述训练的每一轮迭代中，对所述分类器的权重矩阵进行权重矩阵的空间正则化约束迭代。
在本申请的技术方案中，这里，在将所述脉冲上升-下降关联特征矩阵通过空间注意力模块得到所述分类特征矩阵时，考虑到所述脉冲上升-下降关联特征矩阵的每个位置的特征值表示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对应位置的一对特征值的关联度，而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由于分别表示所述脉冲上升部分和所述脉冲下降部分的波形图像语义，其特征值之间的关联度具有较大差异，这样，所述脉冲上升-下降关联特征矩阵的每个位置的特征值所表示的关联度间差异较大，这会由所述空间注意力模块进一步强化，在增强所述分类特征矩阵的特征表示的同时，使得所述分类特征矩阵的全局特征分布离散化，导致在训练过程中所述分类器的权重矩阵的收敛速度慢，影响了模型的整体训练速度。因此，在本申请的技术方案中，本申请的申请人在每次分类器的权重矩阵的迭代时进行权重矩阵的空间正则化约束，表示为：其中/>是所述分类器的权重矩阵，/>表示矩阵的Frobenius范数，/>是偏置矩阵，/>表示矩阵乘法，/>表示矩阵加法，/>表示按位置点乘，/>表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值，/>表示迭代后的所述分类器的权重矩阵。所述权重矩阵的空间正则化约束在权重矩阵与其自身转置进行空间嵌入得到的内生相关性矩阵的基础上，对权重矩阵进行基于其欧式空间的内生相关分布的L2正则化，从而与待加权特征的数值分布和按位置数值大小无关地，反映出权重空间对于特征所表达的特定模式的语义依赖程度，从而使得权重空间反应出所提取的特征的内在本质知识的传递效果，加快权重矩阵的收敛，从而提升模型的整体训练速度。这样，能够实时准确地对于高频电源的放电状况进行监控，从而避免工件表面的烧伤和积屑，且减小放电凹坑的尺寸，进而改善加工件的表面粗糙度。
综上，根据本申请实施例的高频电源放电工况实时监控方法被阐明，其通过采用基于深度学习的神经网络模型挖掘出高频电源的放电脉冲信号中的隐藏放电状况特征信息，以此来进行放电工况隐含特征的精准表达，从而实现改善加工件的表面粗糙度的技术目的。
示例性系统:图7为根据本申请实施例的高频电源放电工况实时监控系统的框图。如图7所示，根据本申请实施例的高频电源放电工况实时监控系统300，包括：脉冲信号获取模块310；切分模块320；卷积模块330；关联编码模块340；空间注意力模块350；以及，分类结果生成模块360。
其中，所述脉冲信号获取模块310，用于获取由待监控高频电源提供的放电脉冲信号；所述切分模块320，用于对所述放电脉冲信号进行切分得到脉冲上升部分和脉冲下降部分；所述卷积模块330，用于将所述脉冲上升部分和所述脉冲下降部分通过作为过滤器的卷积神经网络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；所述关联编码模块340，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脉冲上升-下降关联特征矩阵；所述空间注意力模块350，用于将所述脉冲上升-下降关联特征矩阵通过空间注意力模块以得到分类特征矩阵；以及所述分类结果生成模块360，用于将所述分类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监控高频电源的放电状况是否正常。
在一个示例中，在上述高频电源放电工况实时监控系统300中，所述卷积模块330，用于：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行局部基于特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络的最后一层的输出为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，所述作为过滤器的卷积神经网络的第一层的输入为所述脉冲上升部分和所述脉冲下降部分。
在一个示例中，在上述高频电源放电工况实时监控系统300中，所述关联编码模块340，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脉冲上升-下降关联特征矩阵；其中，所述公式为：其中/>表示所述脉冲上升部分波形特征向量，/>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，/>表示所述脉冲上升-下降关联特征矩阵，/>表示向量相乘。
在一个示例中，在上述高频电源放电工况实时监控系统300中，所述空间注意力模块350，用于：将所述脉冲上升-下降关联特征矩阵通过所述空间注意力模块以得到权重得分矩阵；将所述权重得分矩阵输入Softmax激活函数以得到空间注意力权重特征矩阵；以及，计算所述空间注意力权重特征矩阵和所述脉冲上升-下降关联特征矩阵之间的按位置点乘以得到所述分类特征矩阵。
综上，根据本申请实施例的高频电源放电工况实时监控系统300被阐明，其通过采用基于深度学习的神经网络模型挖掘出高频电源的放电脉冲信号中的隐藏放电状况特征信息，以此来进行放电工况隐含特征的精准表达，从而实现改善加工件的表面粗糙度的技术目的。
如上所述，根据本申请实施例的高频电源放电工况实时监控系统可以实现在各种终端设备中。在一个示例中，根据本申请实施例的高频电源放电工况实时监控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，该高频电源放电工况实时监控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，该高频电源放电工况实时监控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，该高频电源放电工况实时监控系统与该终端设备也可以是分立的设备，并且该高频电源放电工况实时监控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。
示例性电子设备:下面，参考图8来描述根据本申请实施例的电子设备。
图8图示了根据本申请实施例的电子设备的框图。
如图8所示，电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元（CPU）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（RAM）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（ROM）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的高频电源放电工况实时监控方法中的功能以及/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脉冲上升-下降关联特征矩阵等各种内容。
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高频电源放电工况实时监控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高频电源放电工况实时监控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 (9)
1.一种高频电源放电工况实时监控方法，其特征在于，包括：
获取由待监控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通过作为过滤器的卷积神经网络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脉冲上升-下降关联特征矩阵；
将所述脉冲上升-下降关联特征矩阵通过空间注意力模块以得到分类特征矩阵；以及
将所述分类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监控高频电源的放电状况是否正常；
其中，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脉冲上升-下降关联特征矩阵，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脉冲上升-下降关联特征矩阵；
其中，所述公式为：
其中V1表示所述脉冲上升部分波形特征向量，表示所述脉冲上升部分波形特征向量的转置向量，V2表示所述脉冲下降部分波形特征向量，M表示所述脉冲上升-下降关联特征矩阵，/>表示向量相乘。
2.根据权利要求1所述的高频电源放电工况实时监控方法，其特征在于，将所述脉冲上升部分和所述脉冲下降部分通过作为过滤器的卷积神经网络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：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：
对输入数据进行卷积处理以得到卷积特征图；
对所述卷积特征图进行局部基于特征矩阵的池化以得到池化特征图；以及
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述作为过滤器的卷积神经网络的最后一层的输出为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，所述作为过滤器的卷积神经网络的第一层的输入为所述脉冲上升部分和所述脉冲下降部分。
3.根据权利要求2所述的高频电源放电工况实时监控方法，其特征在于，将所述脉冲上升-下降关联特征矩阵通过空间注意力模块以得到分类特征矩阵，包括：
将所述脉冲上升-下降关联特征矩阵通过所述空间注意力模块以得到权重得分矩阵；
将所述权重得分矩阵输入Softmax激活函数以得到空间注意力权重特征矩阵；以及
计算所述空间注意力权重特征矩阵和所述脉冲上升-下降关联特征矩阵之间的按位置点乘以得到所述分类特征矩阵。
4.根据权利要求3所述的高频电源放电工况实时监控方法，其特征在于，还包括对所述作为过滤器的卷积神经网络模型、所述空间注意力模块和所述分类器进行训练；
其中，对所述作为过滤器的卷积神经网络模型、所述空间注意力模块和所述分类器进行训练，包括：
获取训练数据，所述训练数据包括由所述待监控高频电源提供的训练放电脉冲信号，以及，所述待监控高频电源的放电状况是否正常的真实值；
对所述训练放电脉冲信号进行切分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通过所述作为过滤器的卷积神经网络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脉冲上升-下降关联特征矩阵；
将所述训练脉冲上升-下降关联特征矩阵通过所述空间注意力模块以得到训练分类特征矩阵；
将所述训练分类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方向传播来对所述作为过滤器的卷积神经网络模型、所述空间注意力模块和所述分类器进行训练，其中，在所述训练的每一轮迭代中，对所述分类器的权重矩阵进行权重矩阵的空间正则化约束迭代。
5.根据权利要求4所述的高频电源放电工况实时监控方法，其特征在于，将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值，包括：使用所述分类器以如下公式对所述训练分类特征矩阵进行处理以获得分类结果，其中，所述公式为：
O＝softmax{(Wn,Bn):…:(W1,B1)|Project(F)}，其中Project(F)表示将所述训练分类特征矩阵投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置向量。
6.根据权利要求5所述的高频电源放电工况实时监控方法，其特征在于，在所述训练的每一轮迭代中，以如下优化公式对所述分类器的权重矩阵进行权重矩阵的空间正则化约束迭代；
其中，所述公式为：
其中M是所述分类器的权重矩阵，||·||F表示矩阵的Frobenius范数，Mb是偏置矩阵，表示矩阵乘法，/>表示矩阵加法，⊙表示按位置点乘，exp(·)表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值，M'表示迭代后的所述分类器的权重矩阵。
7.一种高频电源放电工况实时监控系统，其特征在于，包括：
脉冲信号获取模块，用于获取由待监控高频电源提供的放电脉冲信号；
切分模块，用于对所述放电脉冲信号进行切分得到脉冲上升部分和脉冲下降部分；
卷积模块，用于将所述脉冲上升部分和所述脉冲下降部分通过作为过滤器的卷积神经网络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；
关联编码模块，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脉冲上升-下降关联特征矩阵；
空间注意力模块，用于将所述脉冲上升-下降关联特征矩阵通过空间注意力模块以得到分类特征矩阵；以及
分类结果生成模块，用于将所述分类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监控高频电源的放电状况是否正常；
其中，所述关联编码模块，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脉冲上升-下降关联特征矩阵；
其中，所述公式为：
其中V1表示所述脉冲上升部分波形特征向量，表示所述脉冲上升部分波形特征向量的转置向量，V2表示所述脉冲下降部分波形特征向量，M表示所述脉冲上升-下降关联特征矩阵，/>表示向量相乘。
8.根据权利要求7所述的一种高频电源放电工况实时监控系统，其特征在于，所述卷积模块，用于：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：
对输入数据进行卷积处理以得到卷积特征图；
对所述卷积特征图进行局部基于特征矩阵的池化以得到池化特征图；以及
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述作为过滤器的卷积神经网络的最后一层的输出为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，所述作为过滤器的卷积神经网络的第一层的输入为所述脉冲上升部分和所述脉冲下降部分。
9.根据权利要求8所述的一种高频电源放电工况实时监控系统，其特征在于，所述空间注意力模块，用于：
将所述脉冲上升-下降关联特征矩阵通过所述空间注意力模块以得到权重得分矩阵；
将所述权重得分矩阵输入Softmax激活函数以得到空间注意力权重特征矩阵；以及
计算所述空间注意力权重特征矩阵和所述脉冲上升-下降关联特征矩阵之间的按位置点乘以得到所述分类特征矩阵。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310352782.4A CN116821591B (zh) | 2023-04-04 | 2023-04-04 | 高频电源放电工况实时监控方法及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310352782.4A CN116821591B (zh) | 2023-04-04 | 2023-04-04 | 高频电源放电工况实时监控方法及其系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116821591A CN116821591A (zh) | 2023-09-29 |
| CN116821591B true CN116821591B (zh) | 2024-03-08 |
Family
ID=88115031
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310352782.4A Active CN116821591B (zh) | 2023-04-04 | 2023-04-04 | 高频电源放电工况实时监控方法及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116821591B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102944769A (zh) * | 2012-10-18 | 2013-02-27 | 上海市电力公司 | 基于极限学习机的电力变压器故障诊断方法 |
| CN104836549A (zh) * | 2015-04-23 | 2015-08-12 | 中国电子科技集团公司第四十一研究所 | 一种微放电效应检测顶底功率可调的脉冲调制信号产生装置与方法 |
| CN105264392A (zh) * | 2013-03-28 | 2016-01-20 | 伊莱克斯家用电器股份公司 | 用于确定在电器中电功率向地面分散的方法和电路 |
| CN106992697A (zh) * | 2017-05-09 | 2017-07-28 | 南阳理工学院 | 一种工业控制计算机开关电源的改进装置 |
| 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 |
| CN109683066A (zh) * | 2018-11-08 | 2019-04-26 | 山东康威通信技术股份有限公司 | 电力电缆典型缺陷局部放电信号识别方法 |
| CN113935475A (zh) * | 2021-12-16 | 2022-01-14 | 之江实验室 | 具有脉冲时刻偏移量的脉冲神经网络的仿真与训练方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102011082866A1 (de) * | 2011-09-16 | 2013-03-21 | Olaf Rudolph | Verfahren zum Erkennen einer oder meherer gleichzeitig auftretender Teilenladungs-Quellen |
-
2023
- 2023-04-04 CN CN202310352782.4A patent/CN116821591B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102944769A (zh) * | 2012-10-18 | 2013-02-27 | 上海市电力公司 | 基于极限学习机的电力变压器故障诊断方法 |
| CN105264392A (zh) * | 2013-03-28 | 2016-01-20 | 伊莱克斯家用电器股份公司 | 用于确定在电器中电功率向地面分散的方法和电路 |
| CN104836549A (zh) * | 2015-04-23 | 2015-08-12 | 中国电子科技集团公司第四十一研究所 | 一种微放电效应检测顶底功率可调的脉冲调制信号产生装置与方法 |
| CN106992697A (zh) * | 2017-05-09 | 2017-07-28 | 南阳理工学院 | 一种工业控制计算机开关电源的改进装置 |
| 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 |
| CN109683066A (zh) * | 2018-11-08 | 2019-04-26 | 山东康威通信技术股份有限公司 | 电力电缆典型缺陷局部放电信号识别方法 |
| CN113935475A (zh) * | 2021-12-16 | 2022-01-14 | 之江实验室 | 具有脉冲时刻偏移量的脉冲神经网络的仿真与训练方法 |
Non-Patent Citations (2)
| Title |
|---|
| Classification of Partial Discharge Images Using Deep Convolutional Neural Networks;Marek Florkowski;《enrgies》;全文 * |
| 基于改进深度信念网络的直流XLPE电缆局部放电模式识别;黄光磊;李喆;许永鹏;钱勇;盛戈皞;江秀臣;;高电压技术(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116821591A (zh) | 2023-09-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liao et al. | Real-time scene text detection with differentiable binarization and adaptive scale fusion | |
| CN110287328B (zh) | 一种文本分类方法、装置、设备及计算机可读存储介质 | |
| CN110825877A (zh) | 一种基于文本聚类的语义相似度分析方法 | |
| CN109948615A (zh) | 多语言文本检测识别系统 | |
| CN115761642A (zh) | 基于图像处理的破碎作业监控方法及其系统 | |
| CN112069831A (zh) | 基于bert模型和增强混合神经网络的不实信息检测方法 | |
| CN111160407A (zh) | 一种深度学习目标检测方法及系统 | |
| CN111488732B (zh) | 一种变形关键词检测方法、系统及相关设备 | |
| CN111079374B (zh) | 字体生成方法、装置和存储介质 | |
| CN116167989A (zh) | 铝杯的智能化生产方法及其系统 | |
| Gu et al. | An advanced deep learning approach for safety helmet wearing detection | |
| CN113947188A (zh) | 目标检测网络的训练方法和车辆检测方法 | |
| CN116247824A (zh) | 电力设备的控制方法及其系统 | |
| CN116168243A (zh) | 剃须刀的智能化生产系统及其方法 | |
| Shi et al. | A new multiface target detection algorithm for students in class based on bayesian optimized YOLOv3 model | |
| CN116821591B (zh) | 高频电源放电工况实时监控方法及其系统 | |
| CN116794553B (zh) | 用于高频电源的智能故障诊断方法及其系统 | |
| CN101901333B (zh) | 文本图像中切分词的方法及使用该方法的识别装置 | |
| CN116561320A (zh) | 一种汽车评论的分类方法、装置、设备及介质 | |
| CN116842515A (zh) | 一种源代码分类模型鲁棒性增强方法、系统及处理器 | |
| Zhou et al. | Morphological Feature Aware Multi-CNN Model for Multilingual Text Recognition. | |
| CN113434668B (zh) | 一种基于模型融合的深度学习文本分类方法及系统 | |
| CN115309895A (zh) | 基于研发项目文本描述的进度管理系统及其管理方法 | |
| CN114820885A (zh) | 图像编辑方法及其模型训练方法、装置、设备和介质 | |
| CN113361522A (zh) | 确定字符序列的方法、装置和电子设备 |
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 |