CN116821666A - 一种高能离子束流高压放大器功率数据实时监测方法 - Google Patents
一种高能离子束流高压放大器功率数据实时监测方法 Download PDFInfo
- Publication number
- CN116821666A CN116821666A CN202311108629.3A CN202311108629A CN116821666A CN 116821666 A CN116821666 A CN 116821666A CN 202311108629 A CN202311108629 A CN 202311108629A CN 116821666 A CN116821666 A CN 116821666A
- Authority
- CN
- China
- Prior art keywords
- data
- matrix
- power
- degree
- abnormal
- 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
- 238000010884 ion-beam technique Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012544 monitoring process Methods 0.000 title claims abstract description 39
- 239000011159 matrix material Substances 0.000 claims abstract description 243
- 239000013598 vector Substances 0.000 claims abstract description 119
- 230000002159 abnormal effect Effects 0.000 claims abstract description 90
- 230000005856 abnormality Effects 0.000 claims abstract description 64
- 238000012937 correction Methods 0.000 claims abstract description 27
- 238000012216 screening Methods 0.000 claims abstract description 9
- 230000011218 segmentation Effects 0.000 claims description 29
- 238000000354 decomposition reaction Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000010894 electron beam technology Methods 0.000 description 4
- 230000014759 maintenance of location Effects 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 230000000717 retained effect Effects 0.000 description 4
- 230000033228 biological regulation Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000003913 materials processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Landscapes
- Measurement Of Radiation (AREA)
Abstract
本发明涉及功率监测技术领域,具体涉及一种高能离子束流高压放大器功率数据实时监测方法。获取高能离子束流的高压放大器的功率影响数据和对应的数据矩阵;确定功率影响数据的异常程度,并构建异常程度矩阵;分解数据矩阵,得到特征向量;重建每个特征向量,得到对应的重建数据矩阵;基于异常程度矩阵和每个重建数据矩阵中数据的位置,匹配异常程度矩阵和每个重建数据矩阵,筛选出最佳重建数据矩阵对应的特征向量,作为投影向量;结合投影向量,校正功率影响数据,得到功率校正数据,以实现对高能离子束流的高压放大器的功率数据进行更精准的实时监测。本发明提高了对产生高能离子束的高压放大器的功率数据监测的时效性和准确性。
Description
技术领域
本发明涉及功率监测技术领域,具体涉及一种高能离子束流高压放大器功率数据实时监测方法。
背景技术
在粒子加速器中,高压放大器通常被用来产生高能电子束。当电子枪发射出的电子流经过高压放大器时,高压放大器会将低电压、大电流信号放大至足够高的电压和电流水平,以便于产生高能电子束。同时,高压放大器还可以实现对电子束的能量和强度进行精细控制,从而满足不同的实验需求。
除了产生高能电子束外,高压放大器还可以用于产生重离子束和质子束等其他类型的粒子束。这些粒子束在科学研究和工业生产中都有广泛的应用,如材料加工、医学诊断、环境保护等。
在粒子加速器中使用高压放大器时需要特别注意安全性问题。由于高压放大器的输出电压和电流较大,一旦发生故障或失控,可能会对人体造成严重的伤害甚至危及生命安全。因此,在使用高压放大器时需要严格遵守相关的安全规定和操作规程,确保人员和设备的安全。故对产生高能离子束的高压放大器的功率进行实时监测是至关重要的。
对产生高能离子束流的高压放大器的功率数据在进行异常检测时,容易由于单种数据的局限,以及数据之间的相互影响,导致对高压放大器的功率数据进行异常程度检测精度较低,因此目前常见的方法为,通过多种能反映高压放大器的功率的数据,对高压放大器进行异常检测,即利用高维数据进行异常检测,常见的多种能反映高压放大器的功率的数据,包括:电流、电压、功率等数据。但是由于数据维数较高,导致对产生高能离子束流的高压放大器的功率进行异常监测时的计算量较大,进而会导致实时异常检测的时效性较差。
发明内容
为了解决基于高维数据对产生高能离子束流的高压放大器的功率进行异常监测时的计算量较大,导致实时异常检测的时效性较差的技术问题,本发明的目的在于提供一种高能离子束流高压放大器功率数据实时监测方法,所采用的技术方案具体如下:
获取高能离子束流的高压放大器的功率影响数据;由功率影响数据构建数据矩阵;
分解所述数据矩阵,得到特征向量;重建每个所述特征向量,得到对应的重建数据矩阵;
根据功率影响数据对应的正常范围,确定功率影响数据的异常程度;由每个功率影响数据的异常程度,构建异常程度矩阵;
基于异常程度矩阵和每个重建数据矩阵中数据的位置,匹配异常程度矩阵和每个重建数据矩阵,筛选出最佳重建数据矩阵对应的特征向量,作为投影向量;
结合投影向量,对功率影响数据进行校正,得到高能离子束流的高压放大器的功率校正数据。
优选的,所述基于异常程度矩阵和每个重建数据矩阵中数据的位置,匹配异常程度矩阵和每个重建数据矩阵,筛选出最佳重建数据矩阵对应的特征向量,作为投影向量,包括:
对异常程度矩阵中的数据进行依次排列,得到规整序列;分割所述规整序列,得到分割类别;由所述分割类别中数据的位置二元组,构建每个分割类别的异常二元组序列;
对每个重建数据矩阵中的数据进行依次排列,得到排序序列;分割所述排序序列,得到划分类别;由所述划分类别中数据的位置二元组,构建每个划分类别的重建二元组序列;
计算异常程度矩阵对应的异常二元组序列和重建数据矩阵对应的重建二元组序列的匹配程度;
将匹配程度最大的重建数据矩阵,作为最佳重建数据矩阵;最佳重建数据矩阵对应的特征向量为投影向量。
优选的,计算异常程度矩阵对应的异常二元组序列和重建数据矩阵对应的重建二元组序列的匹配程度之前,还包括:
对于任意重建数据矩阵,基于异常程度矩阵对应的异常二元组序列和该重建数据矩阵对应的重建二元组序列的重合情况,将异常程度矩阵对应的多个异常二元组序列和该重建数据矩阵中多个重建二元组序列,进行匹配,得到多个匹配对。
优选的,所述匹配程度的计算公式为:
其中,p为匹配程度;m为分割类别的数量和划分类别的数量中的最小值;n为分割类别的数量和划分类别的数量中的最大值;c为异常程度矩阵和重建数据矩阵中异常二元组序列和重建二元组序列的匹配边权值之和;a为异常程度矩阵中分割类别的类别代表值的最大值;为异常程度矩阵中第i个匹配对中异常二元组序列对应的分割类别的类别代表值;b为重建数据矩阵中划分类别的类别代表值的最大值;/>为重建数据矩阵中第i个匹配对中重建二元组序列对应的划分类别的类别代表值。
优选的,所述类别代表值的获取方法为:
对于任意分割类别中的任意数据,比较该数据与该分割类别中其他数据的大小,将大于该数据的该分割类别中的其他数据,作为第一数据;将小于或等于该数据的该分割类别中的其他数据,作为第二数据;
将该数据与第一数据的比值,作为第一比值;将第二数据与该数据的比值,作为第二比值;将该数据所有的第一比值和第二比值的和值作为该数据的数据代表值;
将最大的数据代表值作为该分割类别的类别代表值。
优选的,所述分解所述数据矩阵,得到特征向量,包括:
利用奇异值分解算法,对数据矩阵进行分解,得到奇异值矩阵、左奇异向量矩阵和右奇异向量矩阵;其中,将左奇异向量矩阵和右奇异向量矩阵中每个列向量作为特征向量。
优选的,所述重建每个所述特征向量,得到对应的重建数据矩阵,包括:
对于任意特征向量,基于该特征向量对奇异值矩阵进行调整;将左奇异向量矩阵对应的转置矩阵和调整后的奇异值矩阵相乘,得到重建数据矩阵。
优选的,所述结合投影向量,对功率影响数据进行校正,得到高能离子束流的高压放大器的功率校正数据,包括:
由每个时刻的不同种类的功率影响数据构成数据特征向量;
计算每条数据特征向量与投影向量的点积,作为高能离子束流的高压放大器的功率校正数据。
优选的,所述根据功率影响数据对应的正常范围,确定功率影响数据的异常程度,包括:
当功率影响数据没有位于所对应的正常范围内时,计算功率影响数据和所对应的正常范围的上限值的差异,作为上限差异;计算功率影响数据和正常范围的下限值的差异,作为下限差异;将上限差异和下限差异中的最小值和最大值的比值作为功率影响数据的异常程度;
当功率影响数据位于所对应的正常范围内时,将功率影响数据的异常程度设置为预设非异常值。
优选的,所述由功率影响数据构建数据矩阵,包括:
将每个时刻的不同种类的功率影响数据作为数据矩阵中的一行;不同时刻的功率影响数据对应数据矩阵中的不同行。
本发明实施例至少具有如下有益效果:
本发明涉及功率监测技术领域。该方法首先获取高能离子束流的高压放大器的功率影响数据和对应的数据矩阵;每个功率影响数据都有各自对应的正常范围,故可根据功率影响数据对应的正常范围,确定功率影响数据的异常程度,当功率影响数据越偏离其对应的正常范围时,则该功率影响数据的异常程度应该越大;分解数据矩阵,得到特征向量,其中分解得到的每个特征向量可以表示数据矩阵中功率影响数据的一种特征;进一步的,重建每个特征向量,得到对应的重建数据矩阵;匹配异常程度矩阵和每个重建数据矩阵,筛选出最佳重建数据矩阵对应的特征向量,作为投影向量,匹配异常程度矩阵和重建数据矩阵是为了看数据投影到哪个投影面中,其保留的整体数据的异常程度信息更完整,从中筛选出保留整体数据最完整的异常程度信息的重建数据矩阵,以实现降维减少数据量的目的,并使得降维后数据的异常程度信息得到了较好的保留;进一步的,结合投影向量,对功率影响数据进行校正,得到功率校正数据。本发明通过将功率影响数据投影到一个能保留整体数据的异常程度信息的投影面上,得到投影向量,达到了降维的目的,减少了数据量,有助于达到实时监测的效果,提高了对产生高能离子束的高压放大器的功率数据监测的时效性,且降维后数据的异常程度信息得到了较好的保留,有助于后续的异常监测,提高对高能离子束流的高压放大器功率数据的实时监测的准确性和时效性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,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的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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它附图。
图1为本发明一个实施例所提供的一种高能离子束流高压放大器功率数据实时监测方法的方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种高能离子束流高压放大器功率数据实时监测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明实施例提供了一种高能离子束流高压放大器功率数据实时监测方法的具体实施方法,该方法适用于对高能离子束的高压放大器的功率进行监测的场景。该场景下对功率影响数据进行分析,以实现基于高维数据对高压放大器的功率进行监测时,减小高维数据导致的计算量,实现对功率数据的校正。为了解决基于高维数据对产生高能离子束流的高压放大器的功率进行异常监测时的计算量较大,导致实时异常检测的时效性较差的技术问题。本发明通过将功率影响数据投影到一个能保留整体数据的异常程度信息的投影面上,得到投影向量,达到了降维的目的,减少了数据量,有助于达到实时监测的效果,提高了对产生高能离子束的高压放大器的功率数据监测的时效性,且降维后数据的异常程度信息得到了较好的保留,有助于后续的异常监测,提高对高能离子束流的高压放大器功率数据的实时监测的准确性和时效性。
下面结合附图具体的说明本发明所提供的一种高能离子束流高压放大器功率数据实时监测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种高能离子束流高压放大器功率数据实时监测方法的步骤流程图,该方法包括以下步骤:
步骤S100,获取高能离子束流的高压放大器的功率影响数据;由功率影响数据构建数据矩阵。
获取每个时刻采集得到的高能离子束流的高压放大器的多种功率影响数据,功率影响数据包括:电流、电压、功率等数据。每个时刻的多种功率影响数据形成一个高维向量,也即对于电流、电压、功率等数据来说,每个时刻的这些数据形成了一个高维向量。
将每个时刻的不同种类的功率影响数据作为数据矩阵中的一行;不同时刻的功率影响数据对应数据矩阵中的不同行。对于高维向量来说,即为每个时刻对应的高维向量作为数据矩阵中的一行;不同时刻的高维向量对应数据矩阵中的不同行。
步骤S200,分解所述数据矩阵,得到特征向量;重建每个所述特征向量,得到对应的重建数据矩阵。
对数据矩阵进行SVD分解,得到多个特征向量,通过每个特征向量得到对应的单一重建数据矩阵。
奇异值分解算法(Singular Value Decomposition,SVD)是一种对矩阵进行分解,得到多个特征向量的方法,所述每个特征向量表示的是该矩阵中元素值的一种特征,哪种特征中包含了较多的数据异常程度分布信息,则将所述特征向量作为投影向量,将矩阵中的数据通过投影向量投影到对应子空间中,一方面达到了降维的目的,另一方面降维后数据的异常程度信息的保留程度信息的总体分布情况变化最小。
首先对数据矩阵进行SVD分解,得到多个特征向量,然后可以得到每个特征向量和对应的特征值,然后通过每个特征向量得到对应的重建数据矩阵,即只通过该特征向量重建得到的矩阵,要使用特定的特征向量重建数据矩阵。需要说明的是,重建矩阵为本领域技术人员的公知技术,在此不再进行赘述,具体可以按照以下步骤进行:
(1)分解所述数据矩阵。
利用奇异值分解算法,对数据矩阵进行分解,得到奇异值矩阵、左奇异向量矩阵和右奇异向量矩阵。也即对数据矩阵进行SVD分解,得到奇异值矩阵Σ、左奇异向量矩阵U和右奇异向量矩阵V。
(2)得到特征向量。
其中,将左奇异向量矩阵和右奇异向量矩阵中每个列向量作为特征向量。选择要进行重建的特征向量,这可以是左奇异向量矩阵U或右奇异向量矩阵V的列向量之一。
(3)重建每个所述特征向量,得到对应的重建数据矩阵,包括:
对于任意特征向量,选择该特征向量作为重建方向;基于该特征向量对奇异值矩阵进行调整;将左奇异向量矩阵对应的转置矩阵和调整后的奇异值矩阵相乘,得到重建数据矩阵。假设选择了左奇异向量矩阵U的第k个列向量作为重建方向。使用选定的特征向量对奇异值矩阵Σ进行调整。只保留对应于选定特征向量的列,并将其他列都设置为零。通过乘法运算重建数据矩阵,使用调整后的奇异值矩阵Σ和左奇异向量矩阵U与右奇异向量矩阵V的转置相乘,得到特征向量对应的重建数据矩阵。
得到每个特征向量对应的单一重建矩阵。
步骤S300,根据功率影响数据对应的正常范围,确定功率影响数据的异常程度;由每个功率影响数据的异常程度,构建异常程度矩阵。
监测这些数据的目的是想要从这些功率影响数据中提取异常数据,为了减少数据量,通过降维,即使得每个高维向量变为标量,以实现在减小计算量的同时,使降维后数据的异常程度信息的保留程度信息的总体分布情况不变,为了达到这个目的,首先需要得到每个数据的异常程度。
首先根据历史数据,可以得到每种数据的正常波动的数值范围,也即分析历史数据,可以得到每种数据的正常范围。对于超过该正常范围的某个数据,根据超出范围的多少,可以得到异常程度。
进一步的,根据功率影响数据对应的正常范围,确定功率影响数据的异常程度,包括:
当功率影响数据没有位于所对应的正常范围内时,计算功率影响数据和所对应的正常范围的上限值的差异,作为上限差异;计算功率影响数据和正常范围的下限值的差异,作为下限差异;将上限差异和下限差异中的最小值和最大值的比值作为功率影响数据的异常程度。
当功率影响数据位于所对应的正常范围内时,将功率影响数据的异常程度设置为预设非异常值。在本发明实施例中,预设非异常值的取值为0,在其他实施例中由实施者根据实际情况调整该取值。
当功率影响数据没有位于所对应的正常范围内时,功率影响数据的异常程度的计算公式为:
其中,为异常程度;min为取最小值函数;max为取最大值函数;/>为功率影响数据;/>为功率影响数据x所对应的正常范围上限值;/>为功率影响数据x所对应的正常范围下限值;/>为功率影响数据x所对应的上限差异;/>为功率影响数据x所对应的下限差异。
功率影响数据的异常程度反映了该功率影响数据偏离对应种类数据的程度,该偏离程度是根据该数据与正常范围两个端点的偏离距离的比值来计算的,也即该偏离程度是根据该数据与正常范围的上下限值的偏离距离的比值来计算的。功率影响数据与正常范围的上下限值的差异越大,则对应的异常程度越大。
将每个功率影响数据的异常程度,代替数据矩阵中的每个数据值,得到异常程度矩阵。异常程度矩阵中每个值表示的是该位置原始的功率影响数据的偏离正常范围的程度。
步骤S400,基于异常程度矩阵和每个重建数据矩阵中数据的位置,匹配异常程度矩阵和每个重建数据矩阵,筛选出最佳重建数据矩阵对应的特征向量,作为投影向量。
对数据矩阵进行SVD分解,得到多个特征向量,通过每个特征向量得到对应的单一重建数据矩阵之后,计算得到异常程度矩阵与单一的重建数据矩阵的聚类对应区域,结合类别排序差异,得到每个特征向量对应的异常程度信息保留程度,进而得到投影向量。
异常程度矩阵与每个重建数据矩阵的分布情况的一致性,可以通过聚类结果的一致性来得到,但是分布一致性同时也包含数值大小关系,因此通过聚类结果,结合聚类后得到类别的类别代表值的排序一致性来得到分布情况的一致性。
其中,类别代表值的获取方法为:
对于任意分割类别中的任意数据,比较该数据与该分割类别中其他数据的大小,将大于该数据的该分割类别中的其他数据,作为第一数据;将小于或等于该数据的该分割类别中的其他数据,作为第二数据;
将该数据与第一数据的比值,作为第一比值;将第二数据与该数据的比值,作为第二比值;将该数据所有的第一比值和第二比值的和值作为该数据的数据代表值;
将最大的数据代表值作为该分割类别的类别代表值。即可得到每个分割类别的类别代表值。
对于任意划分类别,获取划分类别的类别代表值的方法和获取分割类别的类别代表值的方法相同。
具体的:对于任意划分类别中的任意数据,比较该数据与该划分类别中其他数据的大小,将大于该数据的该划分类别中的其他数据,作为第三数据;将小于或等于该数据的该划分类别中的其他数据,作为第四数据;
将该数据与第四数据的比值,作为第三比值;将第三数据与该数据的比值,作为第四比值;将该数据所有的第三比值和第四比值的和值作为该数据的数据代表值;
将最大的数据代表值作为该划分类别的类别代表值。即可得到每个划分类别的类别代表值。
在得到每个类别的类别代表值后,基于异常程度矩阵和每个重建数据矩阵中数据的位置,匹配异常程度矩阵和每个重建数据矩阵,筛选出最佳重建数据矩阵对应的特征向量,作为投影向量,包括:
步骤一,对异常程度矩阵中的数据进行依次排列,得到规整序列;分割所述规整序列,得到分割类别;由所述分割类别中数据的位置二元组,构建每个分割类别的异常二元组序列;
其中,对异常程度矩阵中的所有元素,按照从小到大的顺序排列,得到规整序列。对所述规整序列,通过最大类间方差阈值分割算法(OTSU)进行分割,得到多个分割类别。同一个类别中的元素值相近,不同类别的元素值相差较大,进而得到了异常程度矩阵中的元素类别。
获取分割类别中每个数据值在异常程度矩阵中的位置二元组,所述位置二元组中的元素分别为数据值在异常程度矩阵中的所属行的序列和所属列的序列。
将同一个分割类别中的数据值,用该数据值对应的位置二元组代替,得到每个类别对应的二元组序列,将每个序列称之为异常二元组序列。
步骤二,对每个重建数据矩阵中的数据进行依次排列,得到排序序列;分割所述排序序列,得到划分类别;由所述划分类别中数据的位置二元组,构建每个划分类别的重建二元组序列。
其中,对重建数据矩阵中的所有元素,按照从小到大的顺序排列,得到排序序列。对所述排序序列,通过最大类间方差阈值分割算法(OTSU)进行分割,得到多个划分类别。同一个类别中的元素值相近,不同类别的元素值相差较大,进而得到了重建数据矩阵中的元素类别。
获取划分类别中每个数据值在重建数据矩阵中的位置二元组,该位置二元组中的元素分别为数据值在重建数据矩阵中的所属行的序列和所属列的序列。
将同一个划分类别中的数据值,用该数据值对应的位置二元组代替,得到每个类别对应的二元组序列,将每个序列称之为重建二元组序列。
步骤三,计算异常程度矩阵对应的异常二元组序列和重建数据矩阵对应的重建二元组序列的匹配程度。
对于任意重建数据矩阵,基于异常程度矩阵对应的异常二元组序列和该重建数据矩阵对应的重建二元组序列的重合情况,将异常程度矩阵对应的多个异常二元组序列和该重建数据矩阵中多个重建二元组序列,进行匹配,得到多个匹配对。具体的:
对异常程度矩阵中多个异常二元组序列与每个重建数据矩阵中多个重建二元组序列,通过最优匹配算法(KM)进行匹配,得到多个匹配对,每个匹配对中有一个异常二元组序列和一个重建二元组序列。其中,左侧节点为:异常程度矩阵中的多个异常二元组序列,右侧节点为:重建数据矩阵中的多个重建二元组序列。左侧每个基点与右侧所有节点都有边权值,该边权值为两个节点对应序列中位置二元组的交并比,该位置二元组的交并比即为异常程度矩阵对应。通过最大匹配原则,得到左侧节点和右侧节点一一对应的关系。将异常程度矩阵和重建数据矩阵中,匹配成功的匹配对中的异常二元组序列和重建二元组序列的边权值之和,记为异常程度矩阵和重建数据矩阵中异常二元组序列和重建二元组序列的匹配边权值之和。
进一步,计算异常程度矩阵对应的异常二元组序列和重建数据矩阵对应的重建二元组序列的匹配程度。
该匹配程度的计算公式为:
其中,p为匹配程度;m为分割类别的数量和划分类别的数量中的最小值;n为分割类别的数量和划分类别的数量中的最大值;c为异常程度矩阵和重建数据矩阵中异常二元组序列和重建二元组序列的匹配边权值之和;a为异常程度矩阵中分割类别的类别代表值的最大值;为异常程度矩阵中第i个匹配对中异常二元组序列对应的分割类别的类别代表值;b为重建数据矩阵中划分类别的类别代表值的最大值;/>为重建数据矩阵中第i个匹配对中重建二元组序列对应的划分类别的类别代表值。
其中,匹配程度的计算公式中是对应的异常程度矩阵和重建数据矩阵中的类别数量的比值,该类别数量越相近,则两个矩阵的匹配程度越大;反之,类别数量差异越大,则两个矩阵的匹配程度越小。/>反映的是异常程度矩阵中第i个匹配对中异常二元组序列对应的类别代表值与最大类别代表值的比值;/>反映的是异常程度矩阵中第i个匹配对中重建数据组序列对应的类别代表值与最大类别代表值的比值,这两个比值反映的是次序值的差异,即异常程度矩阵中第i个匹配对对应的类别处于哪个值等级,第i个匹配对对应的重建数据矩阵中的对应类别是否也处于相同值等级。
基于此,获取异常程度矩阵和每个重建数据矩阵的匹配程度。需要说明的是,每个重建数据矩阵均有各自对应的匹配程度。
步骤四,将匹配程度最大的重建数据矩阵,作为最佳重建数据矩阵;最佳重建数据矩阵对应的特征向量为投影向量。
匹配程度最大的重建数据矩阵,说明对应的特征向量的异常程度信息保留程度越大,将匹配程度最大值对应的特征向量作为投影向量,投影后的数据,一方面实现了降维,另一方面最大程度保留了所需要的信息。
步骤S500,结合投影向量,对功率影响数据进行校正,得到高能离子束流的高压放大器的功率校正数据。
结合投影向量,对功率影响数据进行校正,得到高能离子束流的高压放大器的功率校正数据,包括:
由功率影响数据构建数据特征向量;即一条数据特征向量即为数据矩阵中的一行,也即数据矩阵的每行对应一条数据特征向量。也即由每个时刻的不同种类的功率影响数据构成数据特征向量。
计算每条数据特征向量与投影向量的点积,作为高能离子束流的高压放大器的功率校正数据。按照时间顺序将所有功率校正数据构成的序列作为降维后的校正序列,对校正序列中的功率校正数据进行实时监测,该功率校正数据相对于直接获取的功率影响数据,在减少数据量的基础上,使数据的异常程度信息得到了较好的保留。
对高能离子束流的高压放大器的功率校正数据进行实时监测,以实现对高能离子束流的高压放大器的功率数据的更精准的实时监测。作为本发明的一个实施例,可以将功率校正数据输入训练好的神经网络中,当判断出功率校正数据异常时,及时提醒监管人员。作为本发明的另一个实施例,还可以将功率校正数据直接传输给监管人员,由监管人员判断功率校正数据的异常情况。作为本发明的另一个实施,还可以直接判断功率校正数据是否处理对应的功率影响数据的正常范围,当功率校正数据的未处于对应的功率影响数据的正常范围时,认为功率校正数据出现了异常。
综上所述,本发明涉及功率监测技术领域。该方法首先获取高能离子束流的高压放大器的功率影响数据;由功率影响数据构建数据矩阵;根据功率影响数据对应的正常范围,确定功率影响数据的异常程度;由每个功率影响数据的异常程度,构建异常程度矩阵;分解所述数据矩阵,得到特征向量;重建每个所述特征向量,得到对应的重建数据矩阵;基于异常程度矩阵和每个重建数据矩阵中数据的位置,匹配异常程度矩阵和每个重建数据矩阵,筛选出最佳重建数据矩阵对应的特征向量,作为投影向量;结合投影向量,对功率影响数据进行校正,得到功率校正数据,实现对功率数据进行更精准的实时监测。本发明通过将功率影响数据投影到一个能保留整体数据的异常程度信息的投影面上,得到投影向量,一方面达到了降维的目的,减少了数据量,有助于达到实时监测的效果,另一方面降维后数据的异常程度信息得到了较好的保留,有助于后续的异常监测。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (10)
1.一种高能离子束流高压放大器功率数据实时监测方法,其特征在于,该方法包括以下步骤:
获取高能离子束流的高压放大器的功率影响数据;由功率影响数据构建数据矩阵;
分解所述数据矩阵,得到特征向量;重建每个所述特征向量,得到对应的重建数据矩阵;
根据功率影响数据对应的正常范围,确定功率影响数据的异常程度;由每个功率影响数据的异常程度,构建异常程度矩阵;
基于异常程度矩阵和每个重建数据矩阵中数据的位置,匹配异常程度矩阵和每个重建数据矩阵,筛选出最佳重建数据矩阵对应的特征向量,作为投影向量;
结合投影向量,对功率影响数据进行校正,得到高能离子束流的高压放大器的功率校正数据。
2.根据权利要求1所述的一种高能离子束流高压放大器功率数据实时监测方法,其特征在于,所述基于异常程度矩阵和每个重建数据矩阵中数据的位置,匹配异常程度矩阵和每个重建数据矩阵,筛选出最佳重建数据矩阵对应的特征向量,作为投影向量,包括:
对异常程度矩阵中的数据进行依次排列,得到规整序列;分割所述规整序列,得到分割类别;由所述分割类别中数据的位置二元组,构建每个分割类别的异常二元组序列;
对每个重建数据矩阵中的数据进行依次排列,得到排序序列;分割所述排序序列,得到划分类别;由所述划分类别中数据的位置二元组,构建每个划分类别的重建二元组序列;
计算异常程度矩阵对应的异常二元组序列和重建数据矩阵对应的重建二元组序列的匹配程度;
将匹配程度最大的重建数据矩阵,作为最佳重建数据矩阵;最佳重建数据矩阵对应的特征向量为投影向量。
3.根据权利要求2所述的一种高能离子束流高压放大器功率数据实时监测方法,其特征在于,计算异常程度矩阵对应的异常二元组序列和重建数据矩阵对应的重建二元组序列的匹配程度之前,还包括:
对于任意重建数据矩阵,基于异常程度矩阵对应的异常二元组序列和该重建数据矩阵对应的重建二元组序列的重合情况,将异常程度矩阵对应的多个异常二元组序列和该重建数据矩阵中多个重建二元组序列,进行匹配,得到多个匹配对。
4.根据权利要求3所述的一种高能离子束流高压放大器功率数据实时监测方法,其特征在于,所述匹配程度的计算公式为:
其中,p为匹配程度;m为分割类别的数量和划分类别的数量中的最小值;n为分割类别的数量和划分类别的数量中的最大值;c为异常程度矩阵和重建数据矩阵中异常二元组序列和重建二元组序列的匹配边权值之和;a为异常程度矩阵中分割类别的类别代表值的最大值;为异常程度矩阵中第i个匹配对中异常二元组序列对应的分割类别的类别代表值;b为重建数据矩阵中划分类别的类别代表值的最大值;/>为重建数据矩阵中第i个匹配对中重建二元组序列对应的划分类别的类别代表值。
5.根据权利要求2所述的一种高能离子束流高压放大器功率数据实时监测方法,其特征在于,所述类别代表值的获取方法为:
对于任意分割类别中的任意数据,比较该数据与该分割类别中其他数据的大小,将大于该数据的该分割类别中的其他数据,作为第一数据;将小于或等于该数据的该分割类别中的其他数据,作为第二数据;
将该数据与第一数据的比值,作为第一比值;将第二数据与该数据的比值,作为第二比值;将该数据所有的第一比值和第二比值的和值作为该数据的数据代表值;
将最大的数据代表值作为该分割类别的类别代表值。
6.根据权利要求1所述的一种高能离子束流高压放大器功率数据实时监测方法,其特征在于,所述分解所述数据矩阵,得到特征向量,包括:
利用奇异值分解算法,对数据矩阵进行分解,得到奇异值矩阵、左奇异向量矩阵和右奇异向量矩阵;其中,将左奇异向量矩阵和右奇异向量矩阵中每个列向量作为特征向量。
7.根据权利要求6所述的一种高能离子束流高压放大器功率数据实时监测方法,其特征在于,所述重建每个所述特征向量,得到对应的重建数据矩阵,包括:
对于任意特征向量,基于该特征向量对奇异值矩阵进行调整;将左奇异向量矩阵对应的转置矩阵和调整后的奇异值矩阵相乘,得到重建数据矩阵。
8.根据权利要求1所述的一种高能离子束流高压放大器功率数据实时监测方法,其特征在于,所述结合投影向量,对功率影响数据进行校正,得到高能离子束流的高压放大器的功率校正数据,包括:
由每个时刻的不同种类的功率影响数据构成数据特征向量;
计算每条数据特征向量与投影向量的点积,作为高能离子束流的高压放大器的功率校正数据。
9.根据权利要求1所述的一种高能离子束流高压放大器功率数据实时监测方法,其特征在于,所述根据功率影响数据对应的正常范围,确定功率影响数据的异常程度,包括:
当功率影响数据没有位于所对应的正常范围内时,计算功率影响数据和所对应的正常范围的上限值的差异,作为上限差异;计算功率影响数据和正常范围的下限值的差异,作为下限差异;将上限差异和下限差异中的最小值和最大值的比值作为功率影响数据的异常程度;
当功率影响数据位于所对应的正常范围内时,将功率影响数据的异常程度设置为预设非异常值。
10.根据权利要求1所述的一种高能离子束流高压放大器功率数据实时监测方法,其特征在于,所述由功率影响数据构建数据矩阵,包括:
将每个时刻的不同种类的功率影响数据作为数据矩阵中的一行;不同时刻的功率影响数据对应数据矩阵中的不同行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311108629.3A CN116821666B (zh) | 2023-08-31 | 2023-08-31 | 一种高能离子束流高压放大器功率数据实时监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311108629.3A CN116821666B (zh) | 2023-08-31 | 2023-08-31 | 一种高能离子束流高压放大器功率数据实时监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116821666A true CN116821666A (zh) | 2023-09-29 |
CN116821666B CN116821666B (zh) | 2023-11-03 |
Family
ID=88114953
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311108629.3A Active CN116821666B (zh) | 2023-08-31 | 2023-08-31 | 一种高能离子束流高压放大器功率数据实时监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116821666B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117076868A (zh) * | 2023-10-12 | 2023-11-17 | 万链指数(青岛)信息科技有限公司 | 一种持久化数据模型建模方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103777159A (zh) * | 2012-10-18 | 2014-05-07 | 西门子公司 | 磁共振断层成像系统的高频发射装置的控制方法 |
CN104377540A (zh) * | 2014-12-14 | 2015-02-25 | 中国科学技术大学 | 一种自动优化输出功率的高功率固体激光器谐振腔系统 |
CN105956722A (zh) * | 2016-06-22 | 2016-09-21 | 广东工业大学 | 一种短期风电功率的预测方法及装置 |
CN108742603A (zh) * | 2018-04-03 | 2018-11-06 | 山东大学 | 一种利用核函数和字典对学习模型的脑电检测方法和装置 |
CN112837293A (zh) * | 2021-02-05 | 2021-05-25 | 中国科学院西安光学精密机械研究所 | 基于高斯函数典型关联分析的高光谱图像变化检测方法 |
CN113107785A (zh) * | 2021-05-12 | 2021-07-13 | 浙江浙能技术研究院有限公司 | 一种风电机组功率性能异常的实时监测方法及装置 |
CN113468760A (zh) * | 2021-07-21 | 2021-10-01 | 中南大学 | 基于字典学习的电机微弱故障检测方法及系统 |
JP2021186430A (ja) * | 2020-06-03 | 2021-12-13 | 株式会社日立製作所 | 画像処理装置及び画像処理方法。 |
CN115769160A (zh) * | 2020-06-15 | 2023-03-07 | Abb瑞士股份有限公司 | 监测电机的方法 |
CN116292130A (zh) * | 2022-09-07 | 2023-06-23 | 华能新能源股份有限公司 | 基于协整分析的风力发电机状态监测系统及其方法 |
CN116539167A (zh) * | 2023-07-04 | 2023-08-04 | 陕西威思曼高压电源股份有限公司 | 一种高压电源工作温度分布数据分析方法 |
-
2023
- 2023-08-31 CN CN202311108629.3A patent/CN116821666B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103777159A (zh) * | 2012-10-18 | 2014-05-07 | 西门子公司 | 磁共振断层成像系统的高频发射装置的控制方法 |
CN104377540A (zh) * | 2014-12-14 | 2015-02-25 | 中国科学技术大学 | 一种自动优化输出功率的高功率固体激光器谐振腔系统 |
CN105956722A (zh) * | 2016-06-22 | 2016-09-21 | 广东工业大学 | 一种短期风电功率的预测方法及装置 |
CN108742603A (zh) * | 2018-04-03 | 2018-11-06 | 山东大学 | 一种利用核函数和字典对学习模型的脑电检测方法和装置 |
JP2021186430A (ja) * | 2020-06-03 | 2021-12-13 | 株式会社日立製作所 | 画像処理装置及び画像処理方法。 |
CN115769160A (zh) * | 2020-06-15 | 2023-03-07 | Abb瑞士股份有限公司 | 监测电机的方法 |
CN112837293A (zh) * | 2021-02-05 | 2021-05-25 | 中国科学院西安光学精密机械研究所 | 基于高斯函数典型关联分析的高光谱图像变化检测方法 |
CN113107785A (zh) * | 2021-05-12 | 2021-07-13 | 浙江浙能技术研究院有限公司 | 一种风电机组功率性能异常的实时监测方法及装置 |
CN113468760A (zh) * | 2021-07-21 | 2021-10-01 | 中南大学 | 基于字典学习的电机微弱故障检测方法及系统 |
CN116292130A (zh) * | 2022-09-07 | 2023-06-23 | 华能新能源股份有限公司 | 基于协整分析的风力发电机状态监测系统及其方法 |
CN116539167A (zh) * | 2023-07-04 | 2023-08-04 | 陕西威思曼高压电源股份有限公司 | 一种高压电源工作温度分布数据分析方法 |
Non-Patent Citations (2)
Title |
---|
GU XIAOHE,GUO WEI: "Dynamic monitoring and driving power analysis of LUCC based on remote sensing in Beijing in recent thirty years", 《HUAZHONG UNIV. OF SCIENCE AND TECHNOLOGY》, pages 1 - 9 * |
付德义孔令行: "风电机组功率特性劣化监测技术研究", 《兵器装备工程学报》, pages 215 - 221 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117076868A (zh) * | 2023-10-12 | 2023-11-17 | 万链指数(青岛)信息科技有限公司 | 一种持久化数据模型建模方法 |
CN117076868B (zh) * | 2023-10-12 | 2024-01-26 | 万链指数(青岛)信息科技有限公司 | 一种持久化数据模型建模方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116821666B (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116821666B (zh) | 一种高能离子束流高压放大器功率数据实时监测方法 | |
EP0720004B1 (de) | FDIC-Verfahren zur Minimierung von Messfehlern in einer Messanordnung von redundanten Sensoren | |
Dragt et al. | General moment invariants for linear Hamiltonian systems | |
DE69333664T2 (de) | Verfahren und Gerät zur Einstellung eines Neurons | |
CN111311400A (zh) | 基于gbdt算法的评分卡模型的建模方法及其系统 | |
CN109495296A (zh) | 基于聚类与神经网络的智能变电站通信网络状态评价方法 | |
Bashkirtseva et al. | Noise-induced chaos and backward stochastic bifurcations in the Lorenz model | |
Bossel | Viability and sustainability: Matching development goals to resource constraints | |
Funkhouser et al. | Analyzing coding reliability: the random-systematic-error coefficient | |
US20030101149A1 (en) | Method and system for the quantum mechanical representation and processing of fuzzy information | |
Botha et al. | Uniform indices-of-fit for factor analysis models | |
Kuravsky et al. | Evaluating the Contribution of Human Factor to Performance Characteristics of Complex Technical Systems | |
CN104777607B (zh) | 一种基于模式分解的自适应光学控制方法 | |
Mustafidah et al. | The most optimal performance of the Levenberg-Marquardt algorithm based on neurons in the hidden layer | |
De Biase et al. | Detection of diffuse clusters in noise background | |
Kerschen et al. | Sensor validation for on-line vibration monitoring | |
Güler | Reduction of the diffusion equations of ion channel clusters with virtually no increase in the error bound | |
CN116187745B (zh) | 一种基于态势感知的电网风险评估方法 | |
Bernardini et al. | Distorted stability pattern and chaotic features for quantized prey-predator-like dynamics | |
Delgado et al. | Local and global estimation of Takagi-Sugeno consequent parameters in genetic fuzzy systems | |
Avanesov | Dynamics of high-dimensional covariance matrices | |
Sung et al. | A New Fit Assessment Framework for Common Factor Models Using Generalized Residuals | |
Sivákováa et al. | Further Analysis on Cumulative and Synergic Effect of Risks and Hazards on Selected Protected Object | |
Borden et al. | Evaluation of a Classification Algorithm by Simulation | |
Sang et al. | A Fault Detection Method Based on Oriental Hyper-bounding Box |
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 |