基于微波加热温度场分布特征深度学习的局部温度变化异常检测方法
专利类型：发明专利
语 言：中文
申 请 号：CN201611106593.5
申 请 日：20161206
申 请 人：重庆大学
申请人地址：400044 重庆市沙坪坝区沙正街174号
公 开 日：20170517
公 开 号：CN106682685A
代 理 人：王翔
代理机构：重庆大学专利中心 50201
摘 要：本发明公开一种基于微波加热温度场分布特征深度学习的局部温度变化异常检测方法,采用卷积神经网络和自动编码结合的方法来对微波加热过程的温度场分布的多维大数据进行学习,找出数据之间深层次的逻辑关系,通过学习数据本身的结构,从而得到比输入更具有表示能力的特征,再采用Isolation#Forest(孤立森林)算法进行异常检测。本发明能够可靠检测微波加热过程中,由于复杂时变电磁场与温度场的耦合,被加热媒介的介电系数、热导率随着温度的升高均会发生变化,导致媒质局部过热甚至热失控的现象。进而及时处理,避免安全事故的发生。
主 权 项：一种基于微波加热温度场分布特征深度学习的局部温度变化异常检测方法,其特征在于:通过步骤1～4获得微波加热装置的温度异常检测模型：1)在所述微波加热装置的微波加热温度场中,布置m个采集节点,在n0个时刻,获取每一个采集节点的温度数据,形成多维数据样本集Cq；2)将步骤1获取的多维数据样本集Cq进行归一化处理,得到数据3)深度特征提取：3#1)选定经过归一化后的微波分布场的多维数据中的一个训练样本Sq作为输入变量,设定卷积核大小Lk和步长Ak,得到特征映射值构成的数据集Hk。3#2)设定池化层的大小,采用最大值池化的方法处理数据集Hk,得到数据集Ik,3#3)将数据集Ik带入自动编码器,通过最小重构误差,利用反向传播算法反向修正网络各层的参数,最终学习到特征重复3)的步骤,不断学习新的样本数据,通过网络的层层迭代,最终更新得到特征数据集4)以数据集为异常检测算法Isolation#Forest(孤立森林)的输入,获得温度异常检测模型：X为模型的输入矩阵；工作时,通过步骤,获得微波加热装置温度是否异常：A)采用与步骤1)相同的方法,记录微波加热装置的m个采集节点中,每一个采集节点在n0个时刻的温度数据,并保存到矩阵E；B)采用与步骤2)相同的方法,将矩阵E,归一化处理得到矩阵F；C)选定数据集中的数据样本F作为输入变量,设定卷积层滑动窗口的长度LK和步长AK,依次从输入变量中提取每一行参数,利用滑动窗口遍历所述的每一行参数,将其切割为若干数据片段其中,u为向上取整获得的值,k＝1、2……K,K为卷积网络层数。D)以数据片段和线性滤波器进行卷积,再加上一个偏置pbk作为激活函数的输入,其中激活函数采用sigmoid,tanh,或relu,通过激活函数得到特征映射值构成的数据集PHk：E)设定大小为GK的池化窗口,最大值池化数据集PHk,得到数据集PIk：F)将数据集PIk带入自动编码器,通过最小重构误差,利用反向传播算法反向逐层修正网络各层参数,训练得到特征采用与步骤3)相同的方法学习新的数据训练样本,更新步骤3#1)所述的输入变量,按照前一个训练样本得到网络各层参数训练新的样本,以k+1来更新k,卷积层滑动窗口的长度Lk+1和步长Ak+1不变,池化窗口的长度也不变。重复3)的过程,最终学习到特征LK和AK分别为第K次进行步骤D)到E)时,设定的设定卷积层滑动窗口长度和步长；GK为第K次进行步骤D)到E)时,设定的池化窗口大小；G)将特征矩阵作为步骤4)所得到的温度异常检测模型：的输入矩阵,输出异常或正常。
关 键 词：
法律状态：
IPC专利分类号：G06K9/62;G06N3/08