CN117454301B - 一种用于展示核聚变试验跟踪pv值变化的方法及系统 - Google Patents
一种用于展示核聚变试验跟踪pv值变化的方法及系统 Download PDFInfo
- Publication number
- CN117454301B CN117454301B CN202311775587.9A CN202311775587A CN117454301B CN 117454301 B CN117454301 B CN 117454301B CN 202311775587 A CN202311775587 A CN 202311775587A CN 117454301 B CN117454301 B CN 117454301B
- Authority
- CN
- China
- Prior art keywords
- value
- sequence
- feature
- time sequence
- value local
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 73
- 238000012360 testing method Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000008859 change Effects 0.000 title claims abstract description 33
- 238000004458 analytical method Methods 0.000 claims abstract description 65
- 230000002159 abnormal effect Effects 0.000 claims abstract description 34
- 238000001514 detection method Methods 0.000 claims abstract description 15
- 239000013598 vector Substances 0.000 claims description 182
- 239000011159 matrix material Substances 0.000 claims description 45
- 238000013527 convolutional neural network Methods 0.000 claims description 17
- 230000001747 exhibiting effect Effects 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 10
- 238000002474 experimental method Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000000844 transformation Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 14
- 238000012545 processing Methods 0.000 abstract description 9
- 238000010223 real-time analysis Methods 0.000 abstract description 6
- 238000012300 Sequence Analysis Methods 0.000 abstract description 4
- 238000011176 pooling Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 12
- 230000004913 activation Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 239000000306 component Substances 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000007794 visualization technique Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
- G21B—FUSION REACTORS
- G21B1/00—Thermonuclear fusion reactors
- G21B1/25—Maintenance, e.g. repair or remote inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E30/00—Energy generation of nuclear origin
- Y02E30/10—Nuclear fusion reactors
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Plasma & Fusion (AREA)
- High Energy & Nuclear Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及智能检测领域，公开了一种用于展示核聚变试验跟踪PV值变化的方法及系统，其通过在采集到多个预定时间点的PV值数据后，在后端引入数据处理和分析算法来进行该PV值的时序分析以得到分析结果，该分析结果可以用于判断是否存在异常PV值波动。这样，可以实时监测和跟踪PV值的变化，从而为操作人员提供核聚变试验的实时分析结果，并且，能够在检测到存在异常PV值波动的情况下及时采取相应措施来优化核聚变试验过程，确保核聚变试验的安全性和稳定性。
Description
技术领域
本申请涉及智能检测领域，且更为具体地，涉及一种用于展示核聚变试验跟踪PV值变化的方法及系统。
背景技术
核聚变是一种利用轻元素的核反应释放巨大能量的过程，其是一种清洁、安全、可持续的能源技术。核聚变试验是为了探索核聚变的可行性和效率，以及解决核聚变反应过程中的各种技术难题。核聚变试验中，等离子体是核聚变反应的主要介质，其压力和体积的乘积（PV值）是反映等离子体状态和性能的重要参数。因此，对PV值的实时监测和分析是核聚变试验的关键环节之一。
在核聚变试验过程中，PV值的异常波动可能意味着等离子体出现不稳定或失控，对核聚变试验造成严重的影响。因此，展示核聚变试验过程中的PV值变化和波动情况对于分析和优化核聚变试验过程具有重要意义。然而，PV值数据具有高维、高频、非线性和非平稳等特点，导致传统的数据分析方法难以有效地提取PV值数据中的时序特征和模式特征，从而难以准确地判断PV值是否存在异常波动。
因此，期望一种优化的展示核聚变试验跟踪PV值变化的方案。
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展示核聚变试验跟踪PV值变化的方法及系统，其通过在采集到多个预定时间点的PV值数据后，在后端引入数据处理和分析算法来进行该PV值的时序分析以得到分析结果，该分析结果可以用于判断是否存在异常PV值波动。这样，可以实时监测和跟踪PV值的变化，从而为操作人员提供核聚变试验的实时分析结果，并且，能够在检测到存在异常PV值波动的情况下及时采取相应措施来优化核聚变试验过程，确保核聚变试验的安全性和稳定性。
根据本申请的一个方面，提供了一种用于展示核聚变试验跟踪PV值变化的方法，其包括：
接收来自核聚变试验设备的预定时间段内多个预定时间点的PV值，其中所述PV值表示等离子体的压力和体积的乘积；
基于所述多个预定时间点的PV值，在屏幕显示PV值实时曲线；
对所述多个预定时间点的PV值进行分析以得到分析结果，所述分析结果用于表示是否存在PV值异常波动；以及
在所述屏幕显示所述分析结果。
根据本申请的另一个方面，提供了一种用于展示核聚变试验跟踪PV值变化的系统，其包括：
PV值排列模块，用于将所述多个预定时间点的PV值按照时间维度排列为PV值时序输入向量；
局部时序特征分析模块，用于对所述PV值时序输入向量进行局部时序特征分析以得到PV值局部时序特征向量的序列；
相关度拓扑分析模块，用于对所述PV值局部时序特征向量的序列中任意两个PV值局部时序特征向量进行相关度拓扑分析以得到PV值局部时序模式特征拓扑特征矩阵；
图神经网络模块，用于将所述PV值局部时序特征向量的序列和所述PV值局部时序模式特征拓扑特征矩阵通过图神经网络模型以得到拓扑上下文PV值局部时序特征向量的序列；
PV值异常波动检测模块，用于将所述拓扑上下文PV值局部时序特征向量的序列拼接为特征向量后进行PV值异常波动检测以得到所述分析结果。
与现有技术相比，本申请提供的一种用于展示核聚变试验跟踪PV值变化的方法及系统，其通过在采集到多个预定时间点的PV值数据后，在后端引入数据处理和分析算法来进行该PV值的时序分析以得到分析结果，该分析结果可以用于判断是否存在异常PV值波动。这样，可以实时监测和跟踪PV值的变化，从而为操作人员提供核聚变试验的实时分析结果，并且，能够在检测到存在异常PV值波动的情况下及时采取相应措施来优化核聚变试验过程，确保核聚变试验的安全性和稳定性。
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展示核聚变试验跟踪PV值变化的方法的流程图；
图2为根据本申请实施例的用于展示核聚变试验跟踪PV值变化的方法的系统架构图；
图3为根据本申请实施例的用于展示核聚变试验跟踪PV值变化的方法的子步骤S3的流程图；
图4为根据本申请实施例的用于展示核聚变试验跟踪PV值变化的方法的子步骤S32的流程图；
图5为根据本申请实施例的用于展示核聚变试验跟踪PV值变化的方法的子步骤S33的流程图；
图6为根据本申请实施例的用于展示核聚变试验跟踪PV值变化的系统的框图。
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。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
在核聚变试验过程中，PV值的异常波动可能意味着等离子体出现不稳定或失控，对核聚变试验造成严重的影响。因此，展示核聚变试验过程中的PV值变化和波动情况对于分析和优化核聚变试验过程具有重要意义。然而，PV值数据具有高维、高频、非线性和非平稳等特点，导致传统的数据分析方法难以有效地提取PV值数据中的时序特征和模式特征，从而难以准确地判断PV值是否存在异常波动。因此，期望一种优化的展示核聚变试验跟踪PV值变化的方案。
在本申请的技术方案中，提出了一种用于展示核聚变试验跟踪PV值变化的方法。图1为根据本申请实施例的用于展示核聚变试验跟踪PV值变化的方法的流程图。图2为根据本申请实施例的用于展示核聚变试验跟踪PV值变化的方法的系统架构图。如图1和图2所示，根据本申请的实施例的用于展示核聚变试验跟踪PV值变化的方法，包括步骤：S1，接收来自核聚变试验设备的预定时间段内多个预定时间点的PV值，其中所述PV值表示等离子体的压力和体积的乘积；S2，基于所述多个预定时间点的PV值，在屏幕显示PV值实时曲线；S3，对所述多个预定时间点的PV值进行分析以得到分析结果，所述分析结果用于表示是否存在PV值异常波动；以及，S4，在所述屏幕显示所述分析结果。
特别地，所述S1，接收来自核聚变试验设备的预定时间段内多个预定时间点的PV值，其中所述PV值表示等离子体的压力和体积的乘积。应可以理解，PV 值可以提供有关等离子体压力和体积变化的实时信息。通过接收和监测 PV 值，可以了解等离子体在核聚变试验过程中的演化情况。这有助于及时发现异常情况。
特别地，所述S2，基于所述多个预定时间点的PV值，在屏幕显示PV值实时曲线。其中，PV 值实时曲线是指根据接收到的 PV 值数据绘制的动态曲线图。该曲线图显示了等离子体的压力和体积乘积随时间的变化情况。通过观察曲线的趋势、波动性和突变情况，可以获得关于等离子体性能、稳定性和控制的信息。
特别地，所述S3，对所述多个预定时间点的PV值进行分析以得到分析结果，所述分析结果用于表示是否存在PV值异常波动。特别地，在本申请的一个具体示例中，如图3所示，所述S3，包括：S31，将所述多个预定时间点的PV值按照时间维度排列为PV值时序输入向量；S32，对所述PV值时序输入向量进行局部时序特征分析以得到PV值局部时序特征向量的序列；S33，对所述PV值局部时序特征向量的序列中任意两个PV值局部时序特征向量进行相关度拓扑分析以得到PV值局部时序模式特征拓扑特征矩阵；S34，将所述PV值局部时序特征向量的序列和所述PV值局部时序模式特征拓扑特征矩阵通过图神经网络模型以得到拓扑上下文PV值局部时序特征向量的序列；S35，将所述拓扑上下文PV值局部时序特征向量的序列拼接为特征向量后进行PV值异常波动检测以得到所述分析结果。
具体地，所述S31，将所述多个预定时间点的PV值按照时间维度排列为PV值时序输入向量。也就是，在本申请的技术方案中，在对所述多个预定时间点的PV值进行分析以得到分析结果的过程中，在采集到所述多个预定时间点的PV值后，将所述多个预定时间点的PV值按照时间维度排列为PV值时序输入向量，以此来整合所述PV值在时间维度上的时序分布信息，以便于后续能够进行PV值数据序列的时序分析，以此来进行PV值的波动检测。
具体地，所述S32，对所述PV值时序输入向量进行局部时序特征分析以得到PV值局部时序特征向量的序列。特别地，在本申请的一个具体示例中，如图4所示，所述S32，包括：S321，对所述PV值时序输入向量进行向量切分以得到PV值局部时序输入向量的序列；S322，将所述PV值局部时序输入向量的序列通过基于一维卷积层的时序特征提取器以得到所述PV值局部时序特征向量的序列。
更具体地，所述S321，对所述PV值时序输入向量进行向量切分以得到PV值局部时序输入向量的序列。应可以理解，核聚变试验中的PV值通常是随时间变化的连续数据，而PV值的波动情况一般发生在局部时间段中，是一种微弱的信号特征。因此，在本申请的技术方案中，为了能够更为充分和准确地进行PV值的异常波动分析和特征刻画，需要对所述PV值时序输入向量进行向量切分以得到PV值局部时序输入向量的序列。通过将所述PV值时序输入向量进行向量切分，可以将连续的PV值序列划分为多个局部时序输入向量，每个局部时序输入向量代表一段时间内的PV值数据变化。
更具体地，所述S322，将所述PV值局部时序输入向量的序列通过基于一维卷积层的时序特征提取器以得到所述PV值局部时序特征向量的序列。也就是，在本申请的技术方案中，将所述PV值局部时序输入向量的序列通过基于一维卷积层的时序特征提取器中进行特征挖掘，以分别提取出所述PV值在各个时间片段中的局部时序变化特征信息，从而得到PV值局部时序特征向量的序列。通过对各个所述PV值局部时序输入向量进行分析和特征提取，可以更加准确地捕捉到PV值的时序模式特征和波动情况。具体地，将所述PV值局部时序输入向量的序列通过基于一维卷积层的时序特征提取器中进行特征挖掘以得到所述PV值局部时序特征向量的序列，包括：使用所述基于一维卷积层的时序特征提取器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，所述基于一维卷积层的时序特征提取器的最后一层的输出为所述PV值局部时序特征向量的序列，所述基于一维卷积层的时序特征提取器的第一层的输入为所述PV值局部时序输入向量的序列。
值得注意的是，一维卷积层（1D Convolutional Layer）是卷积神经网络中常用的一种层类型，用于处理具有时序关联性的数据。一维卷积层的主要组成部分包括以下几个要素：卷积核：卷积核是一维卷积层的参数，用于提取输入数据中的特征；激活函数：一维卷积层通常在卷积操作之后应用激活函数，以引入非线性特征。常用的激活函数包括ReLU、Sigmoid、Tanh等。一维卷积层通过将卷积核在输入数据上滑动并进行卷积操作，计算得到输出数据。
值得一提的是，在本申请的其他具体示例中，还可以通过其他方式对所述PV值时序输入向量进行局部时序特征分析以得到PV值局部时序特征向量的序列，例如：输入所述PV值时序输入向量；将PV值序列划分为多个窗口，每个窗口包含一定数量的连续时间步；对于每个窗口，计算窗口内PV值的统计特征；将窗口内的PV值序列进行傅里叶变换或小波变换，提取频域特征，如频谱能量、频谱峰值等；应用时间序列模型（如ARIMA、LSTM等）对窗口内的PV值序列进行建模，提取模型的参数或状态作为特征；将每个窗口提取得到的局部时序特征组合成所述PV值局部时序特征向量的序列。
具体地，所述S33，对所述PV值局部时序特征向量的序列中任意两个PV值局部时序特征向量进行相关度拓扑分析以得到PV值局部时序模式特征拓扑特征矩阵。特别地，在本申请的一个具体示例中，如图5所示，所述S33，包括：S331，计算所述PV值局部时序特征向量的序列中任意两个PV值局部时序特征向量之间的相关度以得到PV值局部时序模式特征拓扑矩阵；S332，将所述PV值局部时序模式特征拓扑矩阵通过基于卷积神经网络模型的拓扑特征提取器以得到所述PV值局部时序模式特征拓扑特征矩阵。
更具体地，所述S331，计算所述PV值局部时序特征向量的序列中任意两个PV值局部时序特征向量之间的相关度以得到PV值局部时序模式特征拓扑矩阵。考虑到所述PV值的局部时序特征向量序列中的各个PV值的局部时序特征向量表示PV值在各个时间片段中的局部时序特征信息，在正常的核聚变过程中，PV值的各个局部时序变化特征之间会存在较高的相似性，而若PV值的时序变化存在异常波动时，则该时间段中的PV值局部时序变化特征会与其他时间片段中的局部时序变化特征之间存在较大的差异性。基于此，在本申请的技术方案中，为了能够进一步提高所述PV值的时序异常波动检测的精准度，需要进一步计算所述PV值局部时序特征向量的序列中任意两个PV值局部时序特征向量之间的相关度以得到PV值局部时序模式特征拓扑矩阵。具体地，计算所述PV值局部时序特征向量的序列中任意两个PV值局部时序特征向量之间的相关度以得到PV值局部时序模式特征拓扑矩阵，包括：以如下相关度公式计算所述PV值局部时序特征向量的序列中任意两个PV值局部时序特征向量之间的相关度以得到多个相关度；其中，所述相关度公式为：
；
其中和/>为两种不同的线性变换；以及，将所述多个相关度进行二维排列以得到所述PV值局部时序模式特征拓扑矩阵。
更具体地，所述S332，将所述PV值局部时序模式特征拓扑矩阵通过基于卷积神经网络模型的拓扑特征提取器以得到所述PV值局部时序模式特征拓扑特征矩阵。也就是，在本申请的技术方案中，将所述PV值局部时序模式特征拓扑矩阵通过基于卷积神经网络模型的拓扑特征提取器中进行特征挖掘，以提取出所述PV值的各个局部时序特征之间的局部时序模式相似拓扑关联特征信息，从而得到PV值局部时序模式特征拓扑特征矩阵。具体地，使用所述基于卷积神经网络模型的拓扑特征提取器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基于沿通道维度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，所述基于卷积神经网络模型的拓扑特征提取器的最后一层的输出为所述PV值局部时序模式特征拓扑特征矩阵，所述基于卷积神经网络模型的拓扑特征提取器的第一层的输入为所述PV值局部时序模式特征拓扑矩阵。
值得注意的是，卷积神经网络（Convolutional Neural Network，CNN）是一种广泛应用于计算机视觉领域的深度学习模型。CNN的核心思想是利用卷积层、池化层和全连接层等组件来构建网络结构，通过多层的卷积和池化操作来提取输入数据的特征，并通过全连接层进行分类或回归任务。下面是CNN的一般步骤：输入层：接收输入数据，通常是图像数据；卷积层：卷积层是CNN的核心组件之一。它使用一组可学习的卷积核（滤波器）对输入数据进行卷积操作，以提取图像中的局部特征。卷积操作通过滑动卷积核在输入数据上进行计算，生成特征图。每个卷积核可以学习不同的特征，如边缘、纹理等；激活函数：对卷积层的输出进行非线性变换，引入非线性特性。常用的激活函数有ReLU、Sigmoid、Tanh等；池化层：池化层用于减小特征图的空间尺寸，同时保留重要的特征。最常见的池化操作是最大池化，它在每个池化窗口中选择最大值作为池化结果；重复卷积和池化操作：通常，在CNN中会多次堆叠卷积层和池化层，以逐渐提取更高级别的特征；全连接层：在经过多次卷积和池化操作后，将得到的特征图展平为一维向量，并连接到全连接层中。全连接层的神经元与前一层的所有神经元相连，通常用于最终的分类或回归任务；输出层：根据具体任务，输出层可以采用不同的激活函数和损失函数。例如，对于分类任务，可以使用Softmax激活函数和交叉熵损失函数；反向传播：通过反向传播算法，根据损失函数计算梯度，并利用梯度下降法更新网络参数，以最小化损失函数。通过以上步骤，CNN能够从输入数据中学习到逐渐抽象和高级的特征表示，从而在图像分类、目标检测、图像分割等计算机视觉任务中取得优秀的性能。
值得一提的是，在本申请的其他具体示例中，还可以通过其他方式对所述PV值局部时序特征向量的序列中任意两个PV值局部时序特征向量进行相关度拓扑分析以得到PV值局部时序模式特征拓扑特征矩阵，例如：对所述PV值局部时序特征向量的序列中任意两个特征向量，计算它们之间的相关度。常用的相关度计算方法包括皮尔逊相关系数、欧氏距离、余弦相似度等；构建拓扑特征矩阵。拓扑特征矩阵是一个二维矩阵，表示特征向量之间的拓扑关系。可以使用0和1表示拓扑关系，其中1表示两个特征向量之间存在相关度超过阈值的连接，0表示没有连接；可以将拓扑特征矩阵可视化成图形，以便更直观地观察PV值局部时序模式的拓扑结构。常用的可视化方法包括网络图、热力图等。
具体地，所述S34，将所述PV值局部时序特征向量的序列和所述PV值局部时序模式特征拓扑特征矩阵通过图神经网络模型以得到拓扑上下文PV值局部时序特征向量的序列。也就是，以所述PV值局部时序特征向量的序列中的各个PV值局部时序特征向量作为节点的特征表示，而以所述PV值局部时序模式特征拓扑特征矩阵作为节点与节点之间的边的特征表示，将由多个所述PV值局部时序特征向量经二维排列得到的PV值全局时序特征矩阵和所述PV值局部时序模式特征拓扑特征矩阵通过图神经网络模型以得到拓扑上下文PV值局部时序特征向量的序列。具体地，所述图神经网络模型通过可学习的神经网络参数对所述PV值全局时序特征矩阵和所述PV值局部时序模式特征拓扑特征矩阵进行图结构数据编码以得到包含不规则的局部时序模式相似拓扑关联特征和PV值的各个局部时序特征信息的所述拓扑上下文PV值局部时序特征向量的序列。
值得注意的是，图神经网络（Graph Neural Network，简称GNN）是一种用于处理图数据的深度学习模型。它通过学习节点之间的关系和图的拓扑结构来进行节点或图级别的预测、分类、聚类等任务。图神经网络模型的关键思想是通过迭代更新节点特征来捕捉节点之间的关系和图的拓扑结构。
具体地，所述S35，将所述拓扑上下文PV值局部时序特征向量的序列拼接为特征向量后进行PV值异常波动检测以得到所述分析结果。也就是，在本申请的技术方案中，基于所述PV值局部时序特征向量的序列中的每个PV值局部时序特征向量对所述拓扑上下文PV值局部时序特征向量的序列中的相应的拓扑上下文PV值局部时序特征向量进行优化以得到优化后拓扑上下文PV值局部时序特征向量的序列；以及， 将所述优化后拓扑上下文PV值局部时序特征向量的序列拼接为特征向量后通过分类器以得到所述分析结果。特别地，在本申请的技术方案中，这里，所述PV值局部时序特征向量的序列中的每个PV值局部时序特征向量表达所述PV值在全局时域经由向量切分确定的局部时域下的局部时域内时序关联特征，而将所述PV值局部时序特征向量的序列和所述PV值局部时序模式特征拓扑特征矩阵通过图神经网络模型，可以进一步提取局部时域内时序关联特征在全局时域下的局部时域间时序关联特征分布相关度拓扑下的拓扑关联，也就是，所述拓扑上下文PV值局部时序特征向量的序列实质上是所述PV值局部时序特征向量的序列的插值式全局时域拓扑关联特征混合。因此，如果能够提升所述拓扑上下文PV值局部时序特征向量的序列和所述PV值局部时序特征向量的序列在全局时域空间下的局部时域内-局部时域间表达一致性基础上的时序关联特征全局时域拓扑关联强化表达效果，则能够提升所述拓扑上下文PV值局部时序特征向量的序列的表达效果，基于此，本申请的申请人基于所述PV值局部时序特征向量的序列中的每个PV值局部时序特征向量对所述拓扑上下文PV值局部时序特征向量的序列中的相应的拓扑上下文PV值局部时序特征向量进行优化，以获得优化后的拓扑上下文PV值局部时序特征向量,表示为：
；
其中，是所述每个PV值局部时序特征向量，/>是所述相应的拓扑上下文PV值局部时序特征向量，/>和/>分别表示特征向量/>和/>的全局最大值的倒数，/>是单位向量，且/>表示对特征向量/>的逐位置特征值取倒数，/>是所述优化后的拓扑上下文PV值局部时序特征向量，/>表示按位置点乘，/>表示按位置作差，/>表示按位置相加。具体地，针对在特征提取过程中对于分类回归目标的插值式全局时域拓扑关联特征混合，基于插值正则化的思想，通过将离群特征的特征映射解除混合，使得高维特征流形基于归纳偏差而恢复到以弱增强为基础的流形几何形状，实现基于特征提取的插值样本和插值预测的一致性特征增强映射，以在保持所述拓扑上下文PV值局部时序特征向量的序列和所述PV值局部时序特征向量的序列的特征一致性的同时获得插值式全局时域拓扑关联强化效果，这样，就能够提升所述拓扑上下文PV值局部时序特征向量的序列拼接得到的特征向量的表达效果，从而改进其通过分类器得到的分类结果的准确性。这样，能够实时监测和跟踪核聚变过程中的PV值变化和异常波动，从而为操作人员提供核聚变试验的实时分析结果，并且在检测到存在PV值异常波动时及时采取相应措施来优化核聚变试验过程，通过这样的方式，能够实时地展示核聚变试验跟踪PV值变化的情况，方便用户对核聚变试验进行监控和优化，从而提高核聚变试验的安全性和稳定性。继而，再将所述优化后拓扑上下文PV值局部时序特征向量的序列拼接为特征向量后通过分类器以得到所述分析结果。也就是说，利用所述PV值的各个局部时序特征和局部时序模式相似拓扑关联特征之间基于图结构的关联特征信息来进行分类处理，以此来判断是否存在异常PV值波动，并生成分析结果。这样，可以实时监测和跟踪PV值的变化，从而为操作人员提供核聚变试验的实时分析结果，并在检测到存在异常PV值波动的情况下及时采取相应措施来优化核聚变试验过程，确保核聚变试验的安全性和稳定性。更具体地，将所述优化后拓扑上下文PV值局部时序特征向量的序列拼接为特征向量后通过分类器以得到所述分析结果，包括：使用所述分类器的多个全连接层对所特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
特别地，所述S4，在所述屏幕显示所述分析结果。也就是，通过屏幕显示分析结果，以更直观地展示模型对图数据的分析结果。
综上，根据本申请实施例的用于展示核聚变试验跟踪PV值变化的方法被阐明，其通过在采集到多个预定时间点的PV值数据后，在后端引入数据处理和分析算法来进行该PV值的时序分析以得到分析结果，该分析结果可以用于判断是否存在异常PV值波动。这样，可以实时监测和跟踪PV值的变化，从而为操作人员提供核聚变试验的实时分析结果，并且，能够在检测到存在异常PV值波动的情况下及时采取相应措施来优化核聚变试验过程，确保核聚变试验的安全性和稳定性。
进一步地，还提供一种用于展示核聚变试验跟踪PV值变化的系统。
图6为根据本申请实施例的用于展示核聚变试验跟踪PV值变化的系统的框图。如图6所示，根据本申请实施例的用于展示核聚变试验跟踪PV值变化的系统300，包括：PV值排列模块310，用于将所述多个预定时间点的PV值按照时间维度排列为PV值时序输入向量；局部时序特征分析模块320，用于对所述PV值时序输入向量进行局部时序特征分析以得到PV值局部时序特征向量的序列；相关度拓扑分析模块330，用于对所述PV值局部时序特征向量的序列中任意两个PV值局部时序特征向量进行相关度拓扑分析以得到PV值局部时序模式特征拓扑特征矩阵；图神经网络模块340，用于将所述PV值局部时序特征向量的序列和所述PV值局部时序模式特征拓扑特征矩阵通过图神经网络模型以得到拓扑上下文PV值局部时序特征向量的序列；PV值异常波动检测模块350，用于将所述拓扑上下文PV值局部时序特征向量的序列拼接为特征向量后进行PV值异常波动检测以得到所述分析结果。
如上所述，根据本申请实施例的用于展示核聚变试验跟踪PV值变化的系统300可以实现在各种无线终端中，例如具有用于展示核聚变试验跟踪PV值变化的算法的服务器等。在一种可能的实现方式中，根据本申请实施例的用于展示核聚变试验跟踪PV值变化的系统300可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该用于展示核聚变试验跟踪PV值变化的系统300可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该用于展示核聚变试验跟踪PV值变化的系统300同样可以是该无线终端的众多硬件模块之一。
替换地，在另一示例中，该用于展示核聚变试验跟踪PV值变化的系统300与该无线终端也可以是分立的设备，并且该用于展示核聚变试验跟踪PV值变化的系统300可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (3)
1.一种用于展示核聚变试验跟踪PV值变化的方法，其特征在于，包括：
接收来自核聚变试验设备的预定时间段内多个预定时间点的PV值，其中所述PV值表示等离子体的压力和体积的乘积；
基于所述多个预定时间点的PV值，在屏幕显示PV值实时曲线；
对所述多个预定时间点的PV值进行分析以得到分析结果，所述分析结果用于表示是否存在PV值异常波动；以及
在所述屏幕显示所述分析结果；
对所述多个预定时间点的PV值进行分析以得到分析结果，所述分析结果用于表示是否存在PV值异常波动，包括：
将所述多个预定时间点的PV值按照时间维度排列为PV值时序输入向量；
对所述PV值时序输入向量进行局部时序特征分析以得到PV值局部时序特征向量的序列；
对所述PV值局部时序特征向量的序列中任意两个PV值局部时序特征向量进行相关度拓扑分析以得到PV值局部时序模式特征拓扑特征矩阵；
将所述PV值局部时序特征向量的序列和所述PV值局部时序模式特征拓扑特征矩阵通过图神经网络模型以得到拓扑上下文PV值局部时序特征向量的序列；
将所述拓扑上下文PV值局部时序特征向量的序列拼接为特征向量后进行PV值异常波动检测以得到所述分析结果；
对所述PV值时序输入向量进行局部时序特征分析以得到PV值局部时序特征向量的序列，包括：
对所述PV值时序输入向量进行向量切分以得到PV值局部时序输入向量的序列；
将所述PV值局部时序输入向量的序列通过基于一维卷积层的时序特征提取器以得到所述PV值局部时序特征向量的序列；
对所述PV值局部时序特征向量的序列中任意两个PV值局部时序特征向量进行相关度拓扑分析以得到PV值局部时序模式特征拓扑特征矩阵，包括：
计算所述PV值局部时序特征向量的序列中任意两个PV值局部时序特征向量之间的相关度以得到PV值局部时序模式特征拓扑矩阵；
将所述PV值局部时序模式特征拓扑矩阵通过基于卷积神经网络模型的拓扑特征提取器以得到所述PV值局部时序模式特征拓扑特征矩阵；
计算所述PV值局部时序特征向量的序列中任意两个PV值局部时序特征向量之间的相关度以得到PV值局部时序模式特征拓扑矩阵，包括：以如下相关度公式计算所述PV值局部时序特征向量的序列中任意两个PV值局部时序特征向量之间的相关度以得到多个相关度；
其中，所述相关度公式为：
；
其中和/>为两种不同的线性变换，/>和/>分别为所述PV值局部时序特征向量的序列中任意两个PV值局部时序特征向量；以及
将所述多个相关度进行二维排列以得到所述PV值局部时序模式特征拓扑矩阵；
将所述拓扑上下文PV值局部时序特征向量的序列拼接为特征向量后进行PV值异常波动检测以得到所述分析结果，包括：
基于所述PV值局部时序特征向量的序列中的每个PV值局部时序特征向量对所述拓扑上下文PV值局部时序特征向量的序列中的相应的拓扑上下文PV值局部时序特征向量进行优化以得到优化后拓扑上下文PV值局部时序特征向量的序列；
将所述优化后拓扑上下文PV值局部时序特征向量的序列拼接为特征向量后通过分类器以得到所述分析结果。
2.根据权利要求1所述的用于展示核聚变试验跟踪PV值变化的方法，其特征在于，将所述优化后拓扑上下文PV值局部时序特征向量的序列拼接为特征向量后通过分类器以得到所述分析结果，包括：
使用所述分类器的多个全连接层对所特征向量进行全连接编码以得到编码分类特征向量；以及
将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
3.一种用于展示核聚变试验跟踪PV值变化的系统，其特征在于，所述系统接收来自核聚变试验设备的预定时间段内多个预定时间点的PV值，其中所述PV值表示等离子体的压力和体积的乘积，所述系统包括：
PV值排列模块，用于将多个预定时间点的PV值按照时间维度排列为PV值时序输入向量；
局部时序特征分析模块，用于对所述PV值时序输入向量进行局部时序特征分析以得到PV值局部时序特征向量的序列；
相关度拓扑分析模块，用于对所述PV值局部时序特征向量的序列中任意两个PV值局部时序特征向量进行相关度拓扑分析以得到PV值局部时序模式特征拓扑特征矩阵；
图神经网络模块，用于将所述PV值局部时序特征向量的序列和所述PV值局部时序模式特征拓扑特征矩阵通过图神经网络模型以得到拓扑上下文PV值局部时序特征向量的序列；
PV值异常波动检测模块，用于将所述拓扑上下文PV值局部时序特征向量的序列拼接为特征向量后进行PV值异常波动检测以得到分析结果；
局部时序特征分析模块，用于：
对所述PV值时序输入向量进行向量切分以得到PV值局部时序输入向量的序列；
将所述PV值局部时序输入向量的序列通过基于一维卷积层的时序特征提取器以得到所述PV值局部时序特征向量的序列；
相关度拓扑分析模块，用于：
计算所述PV值局部时序特征向量的序列中任意两个PV值局部时序特征向量之间的相关度以得到PV值局部时序模式特征拓扑矩阵；
将所述PV值局部时序模式特征拓扑矩阵通过基于卷积神经网络模型的拓扑特征提取器以得到所述PV值局部时序模式特征拓扑特征矩阵；
以如下相关度公式计算所述PV值局部时序特征向量的序列中任意两个PV值局部时序特征向量之间的相关度以得到多个相关度；
其中，所述相关度公式为：
；
其中和/>为两种不同的线性变换，/>和/>分别为所述PV值局部时序特征向量的序列中任意两个PV值局部时序特征向量；以及
将所述多个相关度进行二维排列以得到所述PV值局部时序模式特征拓扑矩阵；
PV值异常波动检测模块，用于：
基于所述PV值局部时序特征向量的序列中的每个PV值局部时序特征向量对所述拓扑上下文PV值局部时序特征向量的序列中的相应的拓扑上下文PV值局部时序特征向量进行优化以得到优化后拓扑上下文PV值局部时序特征向量的序列；
将所述优化后拓扑上下文PV值局部时序特征向量的序列拼接为特征向量后通过分类器以得到所述分析结果；
所述系统在屏幕显示所述分析结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311775587.9A CN117454301B (zh) | 2023-12-22 | 2023-12-22 | 一种用于展示核聚变试验跟踪pv值变化的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311775587.9A CN117454301B (zh) | 2023-12-22 | 2023-12-22 | 一种用于展示核聚变试验跟踪pv值变化的方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117454301A CN117454301A (zh) | 2024-01-26 |
| CN117454301B true CN117454301B (zh) | 2024-04-16 |
Family
ID=89591495
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311775587.9A Active CN117454301B (zh) | 2023-12-22 | 2023-12-22 | 一种用于展示核聚变试验跟踪pv值变化的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117454301B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118210664B (zh) * | 2024-05-20 | 2024-08-23 | 深圳市联润丰电子科技有限公司 | 芯片测试设备及芯片测试设备的控制方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06308265A (ja) * | 1993-04-23 | 1994-11-04 | Hitachi Ltd | 核融合装置及びその運転方法 |
| CN113901113A (zh) * | 2021-08-26 | 2022-01-07 | 核工业西南物理研究院 | 一种核聚变试验跟踪pv值变化的展示系统及方法 |
| WO2023203472A2 (en) * | 2022-04-18 | 2023-10-26 | Brilliant Light Power, Inc. | Infrared plasma light recycling thermophotovoltaic hydrogen electrical power generator |
| CN117061322A (zh) * | 2023-09-27 | 2023-11-14 | 广东云百科技有限公司 | 物联网流量池管理方法及系统 |
| CN117156442A (zh) * | 2023-10-31 | 2023-12-01 | 深圳市中科鼎创科技股份有限公司 | 基于5g网络的云数据安全保护方法及系统 |
-
2023
- 2023-12-22 CN CN202311775587.9A patent/CN117454301B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06308265A (ja) * | 1993-04-23 | 1994-11-04 | Hitachi Ltd | 核融合装置及びその運転方法 |
| CN113901113A (zh) * | 2021-08-26 | 2022-01-07 | 核工业西南物理研究院 | 一种核聚变试验跟踪pv值变化的展示系统及方法 |
| WO2023203472A2 (en) * | 2022-04-18 | 2023-10-26 | Brilliant Light Power, Inc. | Infrared plasma light recycling thermophotovoltaic hydrogen electrical power generator |
| CN117061322A (zh) * | 2023-09-27 | 2023-11-14 | 广东云百科技有限公司 | 物联网流量池管理方法及系统 |
| CN117156442A (zh) * | 2023-10-31 | 2023-12-01 | 深圳市中科鼎创科技股份有限公司 | 基于5g网络的云数据安全保护方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| A new electromagnetic probe array diagnostic for analyzing electrostatic and magnetic fluctuations in EAST plasmas;Heng LAN et al.;Plasma Science and Technology;20230405;第1-12页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117454301A (zh) | 2024-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Che et al. | Hybrid multimodal fusion with deep learning for rolling bearing fault diagnosis | |
| CN117454301B (zh) | 一种用于展示核聚变试验跟踪pv值变化的方法及系统 | |
| Sojoudi | Equivalence of graphical lasso and thresholding for sparse graphs | |
| CN116776273B (zh) | 物联网设备的运行状态监测方法及系统 | |
| CN117156442B (zh) | 基于5g网络的云数据安全保护方法及系统 | |
| WO2018037388A1 (en) | Method and system for performing real-time analytics on a plurality of data streams | |
| CN117419828B (zh) | 基于光纤传感器的新能源电池温度监测方法 | |
| CN105654110A (zh) | 一种张量模式下的有监督学习优化方法及系统 | |
| CN116557787B (zh) | 管网状态智能评估系统及其方法 | |
| CN114500004A (zh) | 一种基于条件扩散概率生成模型的异常检测方法 | |
| Zhang et al. | Tensor graph convolutional neural network | |
| CN117319223A (zh) | 一种基于数字孪生技术的领导驾驶舱可视化方法及系统 | |
| CN117854008A (zh) | 基于数字孪生的智慧运动场馆管理系统 | |
| CN117404853B (zh) | 隧道掘进机外用循环水冷却系统及方法 | |
| Wang et al. | DVGTformer: A dual-view graph Transformer to fuse multi-sensor signals for remaining useful life prediction | |
| Patra et al. | Anomaly detection in rotating machinery using autoencoders based on bidirectional LSTM and GRU neural networks | |
| Yang et al. | A semi-supervised feature contrast convolutional neural network for processes fault diagnosis | |
| CN108009586B (zh) | 封顶概念分解方法及图像聚类方法 | |
| Kiritoshi et al. | L1-Norm Gradient Penalty for Noise Reduction of Attribution Maps. | |
| Xu et al. | Graph-Regularized Tensor Regression: A Domain-Aware Framework for Interpretable Modeling of Multiway Data on Graphs | |
| JP7151604B2 (ja) | モデル学習装置、データ分析装置、モデル学習方法、及びプログラム | |
| Jo et al. | Edge Conditional Node Update Graph Neural Network for Multi-variate Time Series Anomaly Detection | |
| Hu et al. | Personalized Tucker Decomposition: Modeling Commonality and Peculiarity on Tensor Data | |
| Xarez et al. | Extracting control variables of casting processes with NMF and rule extraction | |
| CN118395100A (zh) | 多维时间序列数据诊断与补全方法、装置、系统与介质 |
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 |