CN117537951B - 一种基于深度学习的超导悬浮器内部温升检测方法及装置 - Google Patents

一种基于深度学习的超导悬浮器内部温升检测方法及装置 Download PDF

Info

Publication number
CN117537951B
CN117537951B CN202410033606.9A CN202410033606A CN117537951B CN 117537951 B CN117537951 B CN 117537951B CN 202410033606 A CN202410033606 A CN 202410033606A CN 117537951 B CN117537951 B CN 117537951B
Authority
CN
China
Prior art keywords
wavelet
information
characteristic parameter
temperature rise
representing
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
Application number
CN202410033606.9A
Other languages
English (en)
Other versions
CN117537951A (zh
Inventor
郑珺
庞鹏
王子涵
先晨灵
赵伯毅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN202410033606.9A priority Critical patent/CN117537951B/zh
Publication of CN117537951A publication Critical patent/CN117537951A/zh
Application granted granted Critical
Publication of CN117537951B publication Critical patent/CN117537951B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K13/00—Thermometers specially adapted for specific purposes
    • 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
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明提供了一种基于深度学习的超导悬浮器内部温升检测方法及装置，涉及超导悬浮器内部温升检测领域，本方法包括：获取超导悬浮器的初始振动加速度信息、初始温升信息以及超导悬浮器振动加速度的检测信息；对初始振动加速度信息进行特征提取，得到高频特征参量集和低频特征参量集；对高频特征参量集和低频特征参量集进行计算，得到小波频带能量信息；将小波频带能量信息和超导悬浮器内超导体的初始温升信息输入至预设的深度学习网络中进行训练；将超导悬浮器振动加速度的检测信息输入至超导悬浮器内部温升检测模型中，得到超导悬浮器内部温升预测信息。本方法一方面不会影响超导体的悬浮性能，另一方面保证了温升的检测精度。

Description

一种基于深度学习的超导悬浮器内部温升检测方法及装置
技术领域
本发明涉及超导悬浮器内部温升检测领域，具体而言，涉及一种基于深度学习的超导悬浮器内部温升检测方法及装置。
背景技术
在高温超导钉扎磁浮列车的运行过程中，由于永磁轨道磁场不平顺、磁体随机退磁以及列车振动等因素，导致超导体内部产生交流损耗，进而产生温升，而超导悬浮器内部超导体的温升是反映超导悬浮器悬浮状态的重要参量。因此，在高温超导钉扎磁浮列车的运行过程中，需要及时对超导体的内部温升进行实时检测，以免列车发生失超运行。目前针对超导悬浮器内部超导体温升的检测方法主要是通过在超导体内部打孔后放入温度传感器，进而实现对超导体内部温升的直接检测。然而此方法会破坏超导体的结构，一方面会影响超导体的悬浮性能；另一方面由于现有测量超导体内部温升多采用铂电阻，受磁场波动影响较大，导致最终的温升测量结果误差较大。因此亟需一种超导悬浮器内部温升检测方法，一方面不会影响超导体的悬浮性能，另一方面需保证温升的检测精度。
发明内容
本发明的目的在于提供一种基于深度学习的超导悬浮器内部温升检测方法及装置，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：
第一方面，本申请提供了一种基于深度学习的超导悬浮器内部温升检测方法，所述方法包括：
获取超导悬浮器的初始振动加速度信息、超导悬浮器内超导体的初始温升信息以及超导悬浮器振动加速度的检测信息；
对所述超导悬浮器的初始振动加速度信息进行特征提取，得到初始振动加速度信息所对应的高频特征参量集和低频特征参量集；
对所述高频特征参量集和所述低频特征参量集进行小波频带能量计算，得到小波频带能量信息；
将所述小波频带能量信息和所述超导悬浮器内超导体的初始温升信息输入至预设的深度学习网络中进行训练，得到超导悬浮器内部温升检测模型；
将所述超导悬浮器振动加速度的检测信息输入至所述超导悬浮器内部温升检测模型中，得到超导悬浮器内部温升预测信息，所述超导悬浮器内部温升预测信息用于反映超导悬浮器内部超导体的实时温升。
第二方面，本申请还提供了一种基于深度学习的超导悬浮器内部温升检测装置，所述装置包括：
获取模块，用于获取超导悬浮器的初始振动加速度信息、超导悬浮器内超导体的初始温升信息以及超导悬浮器振动加速度的检测信息；
第一处理模块，用于对所述超导悬浮器的初始振动加速度信息进行特征提取，得到初始振动加速度信息所对应的高频特征参量集和低频特征参量集；
第二处理模块，用于对所述高频特征参量集和所述低频特征参量集进行小波频带能量计算，得到小波频带能量信息；
第三处理模块，用于将所述小波频带能量信息和所述超导悬浮器内超导体的初始温升信息输入至预设的深度学习网络中进行训练，得到超导悬浮器内部温升检测模型；
预测模块，用于将所述超导悬浮器振动加速度的检测信息输入至所述超导悬浮器内部温升检测模型中，得到超导悬浮器内部温升预测信息，所述超导悬浮器内部温升预测信息用于反映超导悬浮器内部超导体的实时温升。
本发明的有益效果为：
本发明引入基于深度学习后的超导悬浮器内部温升检测模型，其采用提取超导悬浮器的初始振动加速度信息的方式，通过探究超导悬浮器内部超导体的温升与振动加速度时频域特征的非线性映射关系，提出一种无接触式的超导悬浮器内部温升检测方法，不会影响超导体的悬浮性能，另一方面基于深度学习后，能够保证超导悬浮器内部超导体温升的检测精度，避免引入温度检测传感器，且无需设置温度检测传感器所对应的特定安装空间。
本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明实施例中所述的基于深度学习的超导悬浮器内部温升检测方法流程示意图;
图2为本发明实施例中所述的基于深度学习的超导悬浮器内部温升检测装置结构示意图；
图3为本发明实施例中所述的基于深度学习的超导悬浮器内部温升检测设备结构示意图；
图4为本发明中超导悬浮器内部温升检测模型的结构示意图。
图中标记：
1、获取模块；2、第一处理模块；3、第二处理模块；4、第三处理模块；5、预测模块；800、基于深度学习的超导悬浮器内部温升检测设备；801、处理器；802、存储器；803、多媒体组件；804、I/O接口；805、通信组件。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例1：
本实施例提供了一种基于深度学习的超导悬浮器内部温升检测方法。
参见图1，图中示出了本方法包括步骤S1至S5，具体有：
S1:获取超导悬浮器的初始振动加速度信息、超导悬浮器内超导体的初始温升信息以及超导悬浮器振动加速度的检测信息；
在步骤S1中，初始振动加速度信息和超导悬浮器振动加速度的检测信息均可以根据振动加速度传感器进行收集，由于超导体是一种临界温度低于93 K的高温超导材质，可以通过液氮冷却，当其一旦处于超导状态，超导体内的钉扎中心可以捕获永磁轨道上方的磁通线，从而提供自稳定。本方法中的初始振动加速度信息用于反映液氮温度到失超温度范围内的振动加速度值。所述超导悬浮器振动加速度的检测信息用于反应当前超导悬浮器的实时振动加速度。
所述超导悬浮器内超导体的初始温升信息通过温度传感器进行温度的收集，以方便后期进行数据训练。
S2:对所述超导悬浮器的初始振动加速度信息进行特征提取，得到初始振动加速度信息所对应的高频特征参量集和低频特征参量集；
在步骤S2中，为明确特征提取的具体过程，步骤S2包括S21至S23，具体有：
S21:获取小波变换的比例因子和小波变换的平移因子；
S22:对所述比例因子、所述平移因子以及所述超导悬浮器的初始振动加速度信息通过预设的小波分解模型进行分解，得到多个分解特征参量；
在步骤S22中，小波分解模型为：（1）；
上式（1）中，表示当小波变换的比例因子为/>且小波变换的平移因子为/>时的单个分解特征参量，/>表示小波变换的比例因子，/>表示小波变换的平移因子，表示超导悬浮器的初始振动加速度信息，/>表示/>的复共轭，/>表示预设的基本小波，/>表示时间变量。
S23:对多个所述分解特征参量依次进行排序，得到高频特征参量集和低频特征参量集。
在步骤S23中，为明确对多个分解特征参量依次进行排序的具体过程，步骤S23包括S231至S235，具体有：
S231:获取完全二叉树中的分叉个数和分叉层级数；
S232:将多个所述分解特征参量中的第一个分解特征参量构建为堆顶；
在步骤S22中，堆的作用是将分解特征参量通过数组形式来进行表达，而堆顶设定后，方便其余分解特征参量依次进行插入，以对每一个分解特征参量通过二叉树中的节点位置进行关联。
S233:根据所述分叉个数和所述分叉层级数将其余所述分解特征参量依次对应进行插入，得到未排序的分解特征参量堆；
在步骤S233中，仅是将所有分解特征参量进行对应插入，以得到未排序的分解特征参量堆。
S234:对所述未排序的分解特征参量堆根据预设的最小堆模型进行排序，得到排序的分解特征参量堆；
在步骤S234中，预设的最小堆模型为：①最小堆中的最小元素值出现在根结点，即排序后的最小的低频特征参量出现在堆顶位置；②、堆中的每个父节点的元素值都小于子节点的元素值。
在进行排序时，可按照现有的堆排序算法进行排序，以得到排序的分解特征参量堆。
S235:对所述排序的分解特征参量堆根据预设的频阈值进行划分，得到高频特征参量集和低频特征参量集。
在步骤S235中，根据预设的频阈值进行划分，当该特征参量对应的元素值大于预设的频阈值后，将其保存于高频特征参量集中；当该特征参量对应的元素值小于预设的频阈值后，将其保存于低频特征参量集中。
S3:对所述高频特征参量集和所述低频特征参量集进行小波频带能量计算，得到小波频带能量信息；
在步骤S3中，小波频带能量的具体计算过程包括步骤S31至S35，具体有：
S31:对所述高频特征参量集中的每个高频特征参量通过预设的小波基函数进行求解，得到每个高频特征参量所对应的第一小波基点；
在步骤S31中，所述小波基函数为现有方法，其目的在于将每个输入的高频特征参量分解为对应的小波基点坐标。
S32:对每个所述第一小波基点进行计算，得到高频频带能量集；
在步骤S32中，计算公式有：（2）；
上式（2）中，表示高频频带能量集；/>表示高频特征参量所对应的第一小波基点。
特征参量所对应的第一小波基点。
S33:对所述低频特征参量集中的每个低频特征参量通过预设的小波基函数进行求解，得到每个低频特征参量所对应的第二小波基点；
在步骤S33中，所述小波基函数为现有方法，其目的也在于将每个输入的低频特征参量分解为对应的小波基点坐标。
S34:对每个所述第二小波基点进行计算，得到低频频带能量集；
在步骤S34中，计算公式有：（3）；
上式（3）中，表示低频频带能量集；/>表示低频特征参量所对应的第二小波基点。
S35:对所述高频频带能量集和所述低频频带能量集通过预设的归一化模型进行求解，得到小波频带能量信息。
在步骤S35中，所述归一化模型为：（4）；
上式（4）中，表示n个特征参量所对应的小波频带能量信息；/>表示低频频带能量集；/>表示高频频带能量集；/>表示n个特征参量对应的频带能量。
S4:将所述小波频带能量信息和所述超导悬浮器内超导体的初始温升信息输入至预设的深度学习网络中进行训练，得到超导悬浮器内部温升检测模型；
如图4所示，在步骤S4中，预设的深度学习网络为误差反向传播神经网络，步骤S4包括S41至S44，具体有：
S41:获取输入层的神经元数、隐藏层的神经元数以及输出层的神经元数；
S42:根据所述输入层的神经元数和所述隐藏层的神经元数通过预设的隐藏层输出模型进行构建，得到隐藏层神经元的输出信息；
在步骤S42中，隐藏层输出模型为：
（5）；
上式（5）中，表示隐藏层中神经元j的输出信息；/>表示隐藏层神经元的激活函数；/>表示输入层的神经元数；q表示隐藏层的神经元数；/>表示输入层的第/>个神经元和隐藏层的第j个神经元之间的连接权重；/>表示输入层的第/>个神经元；/>为隐藏层中第j个神经元的偏移。
S43:根据所述隐藏层的神经元数和所述输出层的神经元数通过预设的输出层输出模型进行构建，得到输出层神经元的输出信息。
在步骤S43中，输出层输出模型为：
（6）；
上式（6）中，表示输出层中神经元/>的输出信息；/>表示输出层神经元的激活函数；/> 表示隐藏层的神经元数的取值范围；q表示隐藏层的神经元数；/>表示输出层的神经元数的取值范围；/>表示输出层的神经元数；/>表示隐藏层的第j个神经元和输出层的第k个神经元之间的连接权重；/>表示隐藏层中神经元j的输出信息；/>表示输出层中第k个神经元的偏移；/>表示输出层神经元的输出信息;/>表示输出层的第k个神经元的输出信息。
在本方法中，误差反向传播神经网络的训练参数为：隐藏层神经元数为5，输入层神经元数为5，学习率系数为0.001，训练频率1000，训练目标的最小误差为。
在本方法中，为克服误差反向传播神经网络泛化能力较差，鲁棒性差的问题，预设的深度学习网络为误差反向传播神经网络，且所述误差反向传播神经网络为多个，包括步骤S44至S46，具体有：
S44:对每个所述误差反向传播神经网络进行训练，得到预测误差信息；
在步骤S44中，预测误差信息的计算公式为：（7）；
上式（7）中，表示预测误差信息；/>表示第/>个误差反向传播神经网络的输出信息的输出误差；/>的取值范围为2至/>个。
S45:对所述预测误差信息通过预设的权重预测模型进行计算，得到预测误差信息所对应的预测序列权重信息；
在步骤S45中，权重预测模型为：（8）；
上式（8）中，表示预测误差信息所对应的预测序列权重信息；/>表示预测误差信息。
S46:根据多个所述误差反向传播神经网络和所述预测序列权重信息进行构建，得到超导悬浮器内部温升检测模型中的强分类模型，所述强分类模型用于进行补充预测。
在步骤S46中，所述强分类模型为：（9）；
上式（9）中，表示强分类模型用于进行补充预测后的输出信息；/>表示训练轮数，其范围为1至/>；/>表示预测误差信息所对应的预测序列权重信息；/>表示每一轮训练中误差反向传播神经网络的预设训练函数。
S5:将所述超导悬浮器振动加速度的检测信息输入至所述超导悬浮器内部温升检测模型中，得到超导悬浮器内部温升预测信息，所述超导悬浮器内部温升预测信息用于反映超导悬浮器内部超导体的实时温升。
由于超导悬浮器内部温升检测模型能够反映超导悬浮器内部超导体的温升与振动加速度时频域特征的非线性映射关系，此时当获取得到超导悬浮器振动加速度的检测信息时，便可将其输入至检测模型中，以得到超导悬浮器内部温升预测信息。本方法是一种无接触式的超导悬浮器内部温升检测方法，不会影响超导体的悬浮性能，另一方面基于深度学习后，能够保证超导悬浮器内部超导体温升的检测精度，避免引入温度检测传感器，且无需设置温度检测传感器所对应的特定安装空间。
实施例2：
如图2所示，本实施例提供了一种基于深度学习的超导悬浮器内部温升检测装置，所述装置包括：
获取模块1，用于获取超导悬浮器的初始振动加速度信息、超导悬浮器内超导体的初始温升信息以及超导悬浮器振动加速度的检测信息；
第一处理模块2，用于对所述超导悬浮器的初始振动加速度信息进行特征提取，得到初始振动加速度信息所对应的高频特征参量集和低频特征参量集；
第二处理模块3，用于对所述高频特征参量集和所述低频特征参量集进行小波频带能量计算，得到小波频带能量信息；
第三处理模块4，用于将所述小波频带能量信息和所述超导悬浮器内超导体的初始温升信息输入至预设的深度学习网络中进行训练，得到超导悬浮器内部温升检测模型；
预测模块5，用于将所述超导悬浮器振动加速度的检测信息输入至所述超导悬浮器内部温升检测模型中，得到超导悬浮器内部温升预测信息，所述超导悬浮器内部温升预测信息用于反映超导悬浮器内部超导体的实时温升。
需要说明的是，关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
实施例3：
相应于上面的方法实施例，本实施例中还提供了一种基于深度学习的超导悬浮器内部温升检测设备，下文描述的一种基于深度学习的超导悬浮器内部温升检测设备与上文描述的一种基于深度学习的超导悬浮器内部温升检测方法可相互对应参照。
图3是根据示例性实施例示出的一种基于深度学习的超导悬浮器内部温升检测设备800的框图。如图3所示，该基于深度学习的超导悬浮器内部温升检测设备800可以包括：处理器801，存储器802。该基于深度学习的超导悬浮器内部温升检测设备800还可以包括多媒体组件803，I/O接口804，以及通信组件805中的一者或多者。
其中，处理器801用于控制该基于深度学习的超导悬浮器内部温升检测设备800的整体操作，以完成上述的基于深度学习的超导悬浮器内部温升检测方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该基于深度学习的超导悬浮器内部温升检测设备800的操作，这些数据例如可以包括用于在该基于深度学习的超导悬浮器内部温升检测设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random AccessMemory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable ProgrammableRead-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable ProgrammableRead-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该基于深度学习的超导悬浮器内部温升检测设备800与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near Field Communication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件805可以包括：Wi-Fi模块，蓝牙模块，NFC模块。
在一示例性实施例中，基于深度学习的超导悬浮器内部温升检测设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(Digital Signal Processor，简称DSP)、数字信号处理设备(DigitalSignal Processing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的基于深度学习的超导悬浮器内部温升检测方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的基于深度学习的超导悬浮器内部温升检测方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由基于深度学习的超导悬浮器内部温升检测设备800的处理器801执行以完成上述的基于深度学习的超导悬浮器内部温升检测方法。
实施例4：
相应于上面的方法实施例，本实施例中还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种基于深度学习的超导悬浮器内部温升检测方法可相互对应参照。
一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的基于深度学习的超导悬浮器内部温升检测方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (6)

1.一种基于深度学习的超导悬浮器内部温升检测方法，其特征在于，包括：
获取超导悬浮器的初始振动加速度信息、超导悬浮器内超导体的初始温升信息以及超导悬浮器振动加速度的检测信息；
对所述超导悬浮器的初始振动加速度信息进行特征提取，得到初始振动加速度信息所对应的高频特征参量集和低频特征参量集；其中，包括：
获取小波变换的比例因子和小波变换的平移因子；
对所述比例因子、所述平移因子以及所述超导悬浮器的初始振动加速度信息通过预设的小波分解模型进行分解，得到多个分解特征参量；所述小波分解模型为：
上式中，wf(a,b)表示当小波变换的比例因子为a且小波变换的平移因子为b时的单个分解特征参量，a表示小波变换的比例因子，b表示小波变换的平移因子，f(t)表示超导悬浮器的初始振动加速度信息，表示ψ的复共轭，ψ表示预设的基本小波，t表示时间变量；
对多个所述分解特征参量依次进行排序，得到高频特征参量集和低频特征参量集，其中，包括：
获取完全二叉树中的分叉个数和分叉层级数；
将多个所述分解特征参量中的第一个分解特征参量构建为堆顶；
根据所述分叉个数和所述分叉层级数将其余所述分解特征参量依次对应进行插入，得到未排序的分解特征参量堆；
对所述未排序的分解特征参量堆根据预设的最小堆模型进行排序，得到排序的分解特征参量堆；
对所述排序的分解特征参量堆根据预设的频阈值进行划分，得到高频特征参量集和低频特征参量集；
对所述高频特征参量集和所述低频特征参量集进行小波频带能量计算，得到小波频带能量信息；其中，包括：
对所述高频特征参量集中的每个高频特征参量通过预设的小波基函数进行求解，得到每个高频特征参量所对应的第一小波基点；
对每个所述第一小波基点进行计算，得到高频频带能量集；其中，计算公式为：
EH＝{b1 2+b2 2+…+br 2}；
上式中，EH表示高频频带能量集；{b1,b2,…,br}表示高频特征参量所对应的第一小波基点；
对所述低频特征参量集中的每个低频特征参量通过预设的小波基函数进行求解，得到每个低频特征参量所对应的第二小波基点；
对每个所述第二小波基点进行计算，得到低频频带能量集；其中，计算公式为：
EL＝{a1 2+a2 2+…+as 2}；
上式中，EL表示低频频带能量集；{a1,a2,…,as}表示低频特征参量所对应的第二小波基点；
对所述高频频带能量集和所述低频频带能量集通过预设的归一化模型进行求解，得到小波频带能量信息；其中，所述归一化模型为：
上式中，An表示n个特征参量所对应的小波频带能量信息；EL表示低频频带能量集；EH表示高频频带能量集；En 2表示n个特征参量对应的频带能量；
将所述小波频带能量信息和所述超导悬浮器内超导体的初始温升信息输入至预设的深度学习网络中进行训练，得到超导悬浮器内部温升检测模型；
将所述超导悬浮器振动加速度的检测信息输入至所述超导悬浮器内部温升检测模型中，得到超导悬浮器内部温升预测信息，所述超导悬浮器内部温升预测信息用于反映超导悬浮器内部超导体的实时温升。
2.根据权利要求1所述的基于深度学习的超导悬浮器内部温升检测方法，其特征在于，将所述小波频带能量信息和所述超导悬浮器内超导体的初始温升信息输入至预设的深度学习网络中进行训练，得到超导悬浮器内部温升检测模型，其中，预设的深度学习网络为误差反向传播神经网络，包括：
获取输入层的神经元数、隐藏层的神经元数以及输出层的神经元数；
根据所述输入层的神经元数和所述隐藏层的神经元数通过预设的隐藏层输出模型进行构建，得到隐藏层神经元的输出信息；
根据所述隐藏层的神经元数和所述输出层的神经元数通过预设的输出层输出模型进行构建，得到输出层神经元的输出信息。
3.根据权利要求2所述的基于深度学习的超导悬浮器内部温升检测方法，其特征在于，所述隐藏层输出模型为：
上式中，表示隐藏层中神经元j的输出信息；σh表示隐藏层神经元的激活函数；m表示输入层的神经元数；q表示隐藏层的神经元数；/>表示输入层的第i个神经元和隐藏层的第j个神经元之间的连接权重；xi表示输入层的第i个神经元；/>为隐藏层中第j个神经元的偏移。
4.根据权利要求2所述的基于深度学习的超导悬浮器内部温升检测方法，其特征在于，所述输出层输出模型为：
上式中，yk表示输出层中神经元k的输出信息；σ0表示输出层神经元的激活函数；j表示隐藏层的神经元数的取值范围；q表示隐藏层的神经元数；k表示输出层的神经元数的取值范围；n表示输出层的神经元数；表示隐藏层的第j个神经元和输出层的第k个神经元之间的连接权重；/>表示隐藏层中神经元j的输出信息；/>表示输出层中第k个神经元的偏移；yA表示输出层神经元的输出信息；/>表示输出层的第k个神经元的输出信息。
5.根据权利要求2所述的基于深度学习的超导悬浮器内部温升检测方法，其特征在于，所述误差反向传播神经网络的训练参数为：隐藏层神经元数为5，输入层神经元数为5，学习率系数为0.001，训练频率1000，训练目标的最小误差为10-6。
6.一种基于深度学习的超导悬浮器内部温升检测装置，其特征在于，包括：
获取模块，用于获取超导悬浮器的初始振动加速度信息、超导悬浮器内超导体的初始温升信息以及超导悬浮器振动加速度的检测信息；
第一处理模块，用于对所述超导悬浮器的初始振动加速度信息进行特征提取，得到初始振动加速度信息所对应的高频特征参量集和低频特征参量集；其中，包括：
获取小波变换的比例因子和小波变换的平移因子；
对所述比例因子、所述平移因子以及所述超导悬浮器的初始振动加速度信息通过预设的小波分解模型进行分解，得到多个分解特征参量；所述小波分解模型为：
上式中，wf(a,b)表示当小波变换的比例因子为a且小波变换的平移因子为b时的单个分解特征参量，a表示小波变换的比例因子，b表示小波变换的平移因子，f(t)表示超导悬浮器的初始振动加速度信息，表示ψ的复共轭，ψ表示预设的基本小波，t表示时间变量；
对多个所述分解特征参量依次进行排序，得到高频特征参量集和低频特征参量集，其中，包括：
获取完全二叉树中的分叉个数和分叉层级数；
将多个所述分解特征参量中的第一个分解特征参量构建为堆顶；
根据所述分叉个数和所述分叉层级数将其余所述分解特征参量依次对应进行插入，得到未排序的分解特征参量堆；
对所述未排序的分解特征参量堆根据预设的最小堆模型进行排序，得到排序的分解特征参量堆；
对所述排序的分解特征参量堆根据预设的频阈值进行划分，得到高频特征参量集和低频特征参量集；
第二处理模块，用于对所述高频特征参量集和所述低频特征参量集进行小波频带能量计算，得到小波频带能量信息；其中，包括：
对所述高频特征参量集中的每个高频特征参量通过预设的小波基函数进行求解，得到每个高频特征参量所对应的第一小波基点；
对每个所述第一小波基点进行计算，得到高频频带能量集；其中，计算公式为：
EH＝{b1 2+b2 2+…+br 2}；
上式中，EH表示高频频带能量集；{b1,b2,…,br}表示高频特征参量所对应的第一小波基点；
对所述低频特征参量集中的每个低频特征参量通过预设的小波基函数进行求解，得到每个低频特征参量所对应的第二小波基点；
对每个所述第二小波基点进行计算，得到低频频带能量集；其中，计算公式为：
EL＝{a1 2+a2 2+…+as 2}；
上式中，EL表示低频频带能量集；{a1,a2,…,as}表示低频特征参量所对应的第二小波基点；
对所述高频频带能量集和所述低频频带能量集通过预设的归一化模型进行求解，得到小波频带能量信息；其中，所述归一化模型为：
上式中，An表示n个特征参量所对应的小波频带能量信息；EL表示低频频带能量集；EH表示高频频带能量集；En 2表示n个特征参量对应的频带能量；
第三处理模块，用于将所述小波频带能量信息和所述超导悬浮器内超导体的初始温升信息输入至预设的深度学习网络中进行训练，得到超导悬浮器内部温升检测模型；
预测模块，用于将所述超导悬浮器振动加速度的检测信息输入至所述超导悬浮器内部温升检测模型中，得到超导悬浮器内部温升预测信息，所述超导悬浮器内部温升预测信息用于反映超导悬浮器内部超导体的实时温升。
CN202410033606.9A 2024-01-10 2024-01-10 一种基于深度学习的超导悬浮器内部温升检测方法及装置 Active CN117537951B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410033606.9A CN117537951B (zh) 2024-01-10 2024-01-10 一种基于深度学习的超导悬浮器内部温升检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410033606.9A CN117537951B (zh) 2024-01-10 2024-01-10 一种基于深度学习的超导悬浮器内部温升检测方法及装置

Publications (2)

Publication Number Publication Date
CN117537951A CN117537951A (zh) 2024-02-09
CN117537951B true CN117537951B (zh) 2024-03-26

Family

ID=89792337

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410033606.9A Active CN117537951B (zh) 2024-01-10 2024-01-10 一种基于深度学习的超导悬浮器内部温升检测方法及装置

Country Status (1)

Country Link
CN (1) CN117537951B (zh)

Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006118899A1 (en) * 2005-05-04 2006-11-09 Ami Semiconductor, Inc. Providing nonlinear temperature compensation for sensing means by use of padé approximant function emulators
CN104102838A (zh) * 2014-07-14 2014-10-15 河海大学 一种基于小波神经网络和小波技术的变压器噪声预测方法
CN109033632A (zh) * 2018-07-26 2018-12-18 北京航空航天大学 一种基于深度量子神经网络的趋势预测方法
WO2020028313A1 (en) * 2018-07-31 2020-02-06 The Regents Of The University Of Colorado A Body Corporate Systems and methods for applying machine learning to analyze microcopy images in high-throughput systems
WO2020095321A2 (en) * 2018-11-06 2020-05-14 Vishwajeet Singh Thakur Dynamic structure neural machine for solving prediction problems with uses in machine learning
CN111811683A (zh) * 2020-06-22 2020-10-23 西南交通大学 一种超导块材温升检测系统及方法
CN111811682A (zh) * 2020-06-22 2020-10-23 西南交通大学 一种超导磁悬浮装置温度检测系统及方法
KR102238669B1 (ko) * 2019-11-11 2021-04-12 한국철도기술연구원 딥러닝을 이용한 레일표면온도 예측 및 조기경보 시스템 및 방법
WO2021114231A1 (zh) * 2019-12-11 2021-06-17 中国科学院深圳先进技术研究院 网络流量异常检测模型的训练方法及检测方法
CN113959566A (zh) * 2021-10-22 2022-01-21 南水北调东线江苏水源有限责任公司 一种复杂工况测温方法及装置
CN114506221A (zh) * 2022-03-03 2022-05-17 西南交通大学 基于高温超导磁浮的隧道火场环境侦测系统及方法
CN114819105A (zh) * 2022-05-23 2022-07-29 吉林大学 基于神经网络的空气弹簧与连续可调减振器的悬架模型搭建方法
CN114878162A (zh) * 2022-05-18 2022-08-09 武汉科技大学 一种基于深度学习的船舶轴承润滑状态在线监测系统
CN114974790A (zh) * 2021-02-19 2022-08-30 住友重机械工业株式会社 超导磁体装置
CN116039393A (zh) * 2023-01-09 2023-05-02 西南交通大学 高温超导磁悬浮列车超导磁材悬浮状态监测系统
CN116047916A (zh) * 2023-02-27 2023-05-02 中国科学院力学研究所 高速磁浮列车悬浮系统的神经网络预测控制方法
CN116106009A (zh) * 2023-01-31 2023-05-12 中车长春轨道客车股份有限公司 基于温振信息融合的滚动轴承故障诊断方法
CN116519049A (zh) * 2023-04-12 2023-08-01 青岛派科森光电技术股份有限公司 用于隧道的分布式光缆检测装置及方法
CN116629026A (zh) * 2023-07-18 2023-08-22 中国海洋大学 基于bp神经网络的涡核水下最大温度异常反演方法
KR20230138276A (ko) * 2022-03-23 2023-10-05 경희대학교 산학협력단 인공지능에 기반하여, 물 환경 시스템의 센서 보정을 하는 방법 및 장치
KR102599139B1 (ko) * 2023-03-16 2023-11-07 주식회사 광명전기 인공 신경망 예측기를 이용한 전기차 충전소 수배전 시스템 이상 진단 기준신호 생성 방법 및 장치

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3118057A1 (fr) * 2020-12-23 2022-06-24 Commissariat A L'energie Atomique Et Aux Energies Alternatives Systeme de surveillance d’un processus biochimique

Patent Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006118899A1 (en) * 2005-05-04 2006-11-09 Ami Semiconductor, Inc. Providing nonlinear temperature compensation for sensing means by use of padé approximant function emulators
CN104102838A (zh) * 2014-07-14 2014-10-15 河海大学 一种基于小波神经网络和小波技术的变压器噪声预测方法
CN109033632A (zh) * 2018-07-26 2018-12-18 北京航空航天大学 一种基于深度量子神经网络的趋势预测方法
WO2020028313A1 (en) * 2018-07-31 2020-02-06 The Regents Of The University Of Colorado A Body Corporate Systems and methods for applying machine learning to analyze microcopy images in high-throughput systems
WO2020095321A2 (en) * 2018-11-06 2020-05-14 Vishwajeet Singh Thakur Dynamic structure neural machine for solving prediction problems with uses in machine learning
KR102238669B1 (ko) * 2019-11-11 2021-04-12 한국철도기술연구원 딥러닝을 이용한 레일표면온도 예측 및 조기경보 시스템 및 방법
WO2021114231A1 (zh) * 2019-12-11 2021-06-17 中国科学院深圳先进技术研究院 网络流量异常检测模型的训练方法及检测方法
CN111811683A (zh) * 2020-06-22 2020-10-23 西南交通大学 一种超导块材温升检测系统及方法
CN111811682A (zh) * 2020-06-22 2020-10-23 西南交通大学 一种超导磁悬浮装置温度检测系统及方法
CN114974790A (zh) * 2021-02-19 2022-08-30 住友重机械工业株式会社 超导磁体装置
CN113959566A (zh) * 2021-10-22 2022-01-21 南水北调东线江苏水源有限责任公司 一种复杂工况测温方法及装置
CN114506221A (zh) * 2022-03-03 2022-05-17 西南交通大学 基于高温超导磁浮的隧道火场环境侦测系统及方法
KR20230138276A (ko) * 2022-03-23 2023-10-05 경희대학교 산학협력단 인공지능에 기반하여, 물 환경 시스템의 센서 보정을 하는 방법 및 장치
CN114878162A (zh) * 2022-05-18 2022-08-09 武汉科技大学 一种基于深度学习的船舶轴承润滑状态在线监测系统
CN114819105A (zh) * 2022-05-23 2022-07-29 吉林大学 基于神经网络的空气弹簧与连续可调减振器的悬架模型搭建方法
CN116039393A (zh) * 2023-01-09 2023-05-02 西南交通大学 高温超导磁悬浮列车超导磁材悬浮状态监测系统
CN116106009A (zh) * 2023-01-31 2023-05-12 中车长春轨道客车股份有限公司 基于温振信息融合的滚动轴承故障诊断方法
CN116047916A (zh) * 2023-02-27 2023-05-02 中国科学院力学研究所 高速磁浮列车悬浮系统的神经网络预测控制方法
KR102599139B1 (ko) * 2023-03-16 2023-11-07 주식회사 광명전기 인공 신경망 예측기를 이용한 전기차 충전소 수배전 시스템 이상 진단 기준신호 생성 방법 및 장치
CN116519049A (zh) * 2023-04-12 2023-08-01 青岛派科森光电技术股份有限公司 用于隧道的分布式光缆检测装置及方法
CN116629026A (zh) * 2023-07-18 2023-08-22 中国海洋大学 基于bp神经网络的涡核水下最大温度异常反演方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
高温超导块材磁体悬浮系统的振动特性;郑;邓自刚;李婧;张娅;王素玉;王家素;;稀有金属材料与工程;20081015(第S4期);全文 *

Also Published As

Publication number Publication date
CN117537951A (zh) 2024-02-09

Similar Documents

Publication Publication Date Title
Wang et al. Attention-based convolutional neural network for weakly labeled human activities’ recognition with wearable sensors
Rahman Fahim et al. Microgrid fault detection and classification: Machine learning based approach, comparison, and reviews
Kim et al. Genetic algorithm to improve SVM based network intrusion detection system
Huang et al. Power quality disturbances classification using rotation forest and multi‐resolution fast S‐transform with data compression in time domain
Balasis et al. Investigating dynamical complexity in the magnetosphere using various entropy measures
Lian et al. Collaborative filtering meets next check-in location prediction
CN105894372A (zh) 预测群体信用的方法和装置
CN111143838A (zh) 数据库用户异常行为检测方法
CN109271546A (zh) 图像检索特征提取模型建立、数据库建立及检索方法
CN112232526A (zh) 一种基于集成策略的地质灾害易发性评价方法及系统
Dong et al. Multi‐task learning method for classification of multiple power quality disturbances
Chaturvedi et al. Classification of sound using convolutional neural networks
CN116150747A (zh) 基于cnn和sltm的入侵检测方法及装置
Fahim et al. An unsupervised protection scheme for overhead transmission line with emphasis on situations during line and source parameter variation
CN117150402A (zh) 基于生成式对抗网络的电力数据异常检测方法及模型
Lai et al. A novel nonlinear neural network ensemble model for financial time series forecasting
CN102178511A (zh) 疾病预防提示系统及其实现方法
CN117537951B (zh) 一种基于深度学习的超导悬浮器内部温升检测方法及装置
CN105096101A (zh) 基于lda模型及中心度算法的邮件网络取证分析方法
CN107273478B (zh) 一种基于Group Lasso的半监督哈希图像搜索方法
CN117556369A (zh) 一种动态生成的残差图卷积神经网络的窃电检测方法及系统
CN112598039A (zh) 获取nlp分类领域阳性样本方法及相关设备
Beg et al. Feed-forward artificial neural network–discrete wavelet transform approach to classify power system transients
Orlic et al. Earthquake—explosion discrimination using genetic algorithm-based boosting approach
CN103038766A (zh) 逻辑运算系统

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