本發(fā)明涉及微波加熱控制技術(shù)。

背景技術(shù)：

微波加熱，實質(zhì)上是利用微波的能量特征。微波能直接穿透媒介，媒介內(nèi)部分子在吸收微波能后使分子熱運(yùn)動加劇，從而溫度上升，達(dá)到加熱的目的。相對于其他傳統(tǒng)的加熱方式，它具有高效率、無污染、加熱速度快、熱量損失小等優(yōu)點(diǎn)。微波加熱作為一種新的清潔加熱方式，它無疑具有很大的應(yīng)用價值。

但是在微波加熱過程中，會涉及到復(fù)雜時變電磁場與溫度場的耦合情況，被加熱媒介的介電系數(shù)、熱導(dǎo)率隨著溫度的升高均會發(fā)生變化，這些不定因素的改變可能導(dǎo)致媒質(zhì)局部過熱甚至熱失控的現(xiàn)象。出現(xiàn)這種情況，如果沒能及時處理，嚴(yán)重時會引發(fā)安全事故。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是解決微波加熱過程中，局部過熱(熱失控)的問題。

為實現(xiàn)本發(fā)明目的而采用的技術(shù)方案是這樣的，一種基于微波加熱溫度場分布特征深度學(xué)習(xí)的局部溫度變化異常檢測方法，其特征在于:

通過步驟1～4獲得微波加熱裝置的溫度異常檢測模型：

1)在微波加熱裝置的微波加熱溫度場中，布置m個采集節(jié)點(diǎn)，在n0個時刻，獲取每一個采集節(jié)點(diǎn)的溫度數(shù)據(jù)，形成多維數(shù)據(jù)樣本集C_q；

2)將步驟1獲取的多維數(shù)據(jù)樣本集C_q進(jìn)行歸一化處理，得到數(shù)據(jù)

3)深度特征提?。?/p>

3-1)選定經(jīng)過歸一化后的微波分布場的多維數(shù)據(jù)中的一個訓(xùn)練樣本樣本S_q作為輸入變量，設(shè)定卷積核大小L_k和步長A_k，得到特征映射值構(gòu)成的數(shù)據(jù)集H_k。

3-2)設(shè)定池化層的大小，采用最大值池化的方法處理數(shù)據(jù)集H_k，得到數(shù)據(jù)集I_k，

3-3)將數(shù)據(jù)集I_k帶入自動編碼器，通過最小重構(gòu)誤差，利用反向 傳播算法反向修正網(wǎng)絡(luò)各層的參數(shù)，最終學(xué)習(xí)到特征重復(fù)3)的步驟，不斷學(xué)習(xí)新的樣本數(shù)據(jù)，通過網(wǎng)絡(luò)的層層迭代，最終更新得到特征數(shù)據(jù)集

4)以數(shù)據(jù)集為異常檢測算法Isolation Forest(孤立森林)的輸入，

獲得溫度異常檢測模型：X為模型的輸入矩陣；

工作時，通過步驟，獲得微波加熱裝置溫度是否異常：

A)采用與步驟1)相同的方法，記錄微波加熱裝置的m個采集節(jié)點(diǎn)中，每一個采集節(jié)點(diǎn)在n0個時刻的溫度數(shù)據(jù)，并保存到矩陣E；

B)采用與步驟2)相同的方法，將矩陣E，歸一化處理得到矩陣F；

C)選定數(shù)據(jù)集中的數(shù)據(jù)樣本F作為輸入變量，設(shè)定卷積層滑動窗口的長度L_K和步長A_K，依次從輸入變量中提取每一行參數(shù)，利用滑動窗口遍歷所述的每一行參數(shù)，將其切割為若干數(shù)據(jù)片段其中，u為向上取整獲得的值，k＝1、2……K，K為卷積網(wǎng)絡(luò)層數(shù)。

D)以數(shù)據(jù)片段和線性濾波器進(jìn)行卷積，再加上一個偏置pb^k作為激活函數(shù)的輸入，其中激活函數(shù)采用sigmoid,tanh,或relu,通過激活函數(shù)得到特征映射值構(gòu)成的數(shù)據(jù)集PH_k：

E)設(shè)定大小為GK的池化窗口，最大值池化數(shù)據(jù)集PH_k，得到數(shù)據(jù)集PI_k：

F)將數(shù)據(jù)集PI_k帶入自動編碼器，通過最小重構(gòu)誤差，利用反向傳播算法反向逐層修正網(wǎng)絡(luò)各層參數(shù)，訓(xùn)練得到特征

采用與步驟3)相同的方法學(xué)習(xí)新的數(shù)據(jù)訓(xùn)練樣本，更新步驟3-1)所述的輸入變量，按照前一個訓(xùn)練樣本得到網(wǎng)絡(luò)各層參數(shù)訓(xùn)練新的樣本，以k+1來更新k，卷積層滑動窗口的長度Lk+1和步長Ak+1不變，池化窗口的長度也不變。重復(fù)3)的過程，最終學(xué)習(xí)到特征

L_K和A_K分別為第K次進(jìn)行步驟D)到E)時，設(shè)定的設(shè)定卷積層滑動窗口長度和步長；G_K為第K次進(jìn)行步驟D)到E)時，設(shè)定的池化窗口大??；

G)將特征矩陣作為步驟4)所得到的溫度異常檢測模型： 的輸入矩陣，輸出異?；蛘！?/p>

值得說明的是，本發(fā)明采用多層卷積網(wǎng)絡(luò)結(jié)構(gòu)，從原始多維數(shù)據(jù)信號中提取出深層次的特征表達(dá)，然后將其輸送給Isolation Forest(孤立森林)異常檢測模型來檢測異常特征。是一種高效的可從微波加熱過程中采集的原始數(shù)據(jù)提取出更好的特征表達(dá)，將提取的特征帶入異常檢測系統(tǒng)進(jìn)行檢測，可以可靠地測得被加熱媒介分布場的溫度變化是否存在異常。

附圖說明

圖1.本發(fā)明的方法流程

圖2.卷積神經(jīng)網(wǎng)絡(luò)特征提取示意圖

圖3.自動編碼特征映射結(jié)構(gòu)圖

圖4.采用本發(fā)明的方法，700功率微波數(shù)據(jù)做異常檢測(實心點(diǎn)為異常)

圖5.采用本發(fā)明的方法，800功率微波數(shù)據(jù)做異常檢測(實心點(diǎn)為異常)。

具體實施方式

下面結(jié)合實施例對本發(fā)明作進(jìn)一步說明，但不應(yīng)該理解為本發(fā)明上述主題范圍僅限于下述實施例。在不脫離本發(fā)明上述技術(shù)思想的情況下，根據(jù)本領(lǐng)域普通技術(shù)知識和慣用手段，做出各種替換和變更，均應(yīng)包括在本發(fā)明的保護(hù)范圍內(nèi)。

一種基于深度學(xué)習(xí)的微波加熱過程溫度場分布的多維大數(shù)據(jù)信息的異常檢測方法，

搭建后臺分析系統(tǒng)和檢測裝置；

所述后臺分析系統(tǒng)對原始微波加熱過程中的數(shù)據(jù)樣本C_q進(jìn)行分析時，通過步驟1～4獲得微波加熱裝置的溫度異常檢測模型：

包括以下步驟：

1)獲取原始數(shù)據(jù)樣本C_q，q為數(shù)據(jù)樣本編號，q＝1、2……，

其中：為一個節(jié)點(diǎn)的微波數(shù)據(jù)，樣本C_q中，具有m個不同節(jié)點(diǎn)，每一個節(jié)點(diǎn)的數(shù)據(jù)均在t時刻被采集，t＝1、2……n0；

2)將原始數(shù)據(jù)樣本C_q歸一化處理，得到構(gòu)建數(shù)據(jù)集{S1、S2……}

3)深度特征提?。?/p>

3-1)選定數(shù)據(jù)集中的數(shù)據(jù)樣本S_q作為輸入變量，設(shè)定卷積核的大小L_k和步長A_k，依次從輸入變量中提取每一行參數(shù)，利用滑動窗口遍歷所述的每一行參數(shù)，將其切割為若干數(shù)據(jù)片段其中，i為向上取整獲得的值，k＝1、2……K，K為卷積網(wǎng)絡(luò)層數(shù)；

3-2)以數(shù)據(jù)片段和線性濾波器進(jìn)行卷積，再加上一個偏置b^k作為激活函數(shù)的輸入變量,通過激活函數(shù)得到特征映射值構(gòu)成的數(shù)據(jù)集H_k,其中的激活函數(shù)可以采用sigmoid,tanh,或relu等函數(shù)。

3-3)設(shè)定大小為GK的池化窗口，采用最大值池化方法處理數(shù)據(jù)集H_k，得到數(shù)據(jù)集I_k：

3-4)將得到特征數(shù)據(jù)集I_k代入到自動編碼器，通過最小重構(gòu)誤差，利用反向傳播算法反向逐層修正網(wǎng)絡(luò)各層參數(shù)，訓(xùn)練得到特征

采用與步驟3)相同的方法學(xué)習(xí)新的數(shù)據(jù)訓(xùn)練樣本，用新樣本更新步驟3-1)所述的輸入變量，按照前一個訓(xùn)練樣本得到的網(wǎng)絡(luò)各層參數(shù)訓(xùn)練新的樣本，以k+1來更新k，卷積層滑動窗口的長度Lk+1和步長Ak+1不變，池化窗口的長度也不變。重復(fù)3)的過程，最終學(xué)習(xí)到特征

L_K和A_K分別為第K次進(jìn)行步驟3-2)到3-3)時，設(shè)定的設(shè)定卷積核的大小和步長；G_K為第K次進(jìn)行步驟3-2)到3-3)時，設(shè)定的池化窗口大??；

4)以數(shù)據(jù)集為Isolation Forest的輸入，得到異常分?jǐn)?shù)S(X),

獲得溫度異常檢測模型：

所述檢測裝置包括數(shù)據(jù)收集部分和數(shù)據(jù)分析部分；工作時，通過步驟A～G，獲得微波加熱裝置溫度是否異常：

A)所述數(shù)據(jù)收集部分采集加熱節(jié)點(diǎn)的數(shù)據(jù)保存到矩陣E，并傳遞給數(shù)據(jù)分析部分；

其中：

為一個節(jié)點(diǎn)的數(shù)據(jù)，樣本E中，具有m個不同節(jié)點(diǎn)，每一個節(jié)點(diǎn)的參數(shù)均在pt時刻被采集，pt＝1、2……pn0；

B)采用與步驟2)相同的方法，將數(shù)據(jù)樣本E，歸一化處理得到

C)選定數(shù)據(jù)集中的一個數(shù)據(jù)樣本F1作為輸入變量，設(shè)定卷積層滑動窗口的長度L_K和步長A_K，依次從輸入變量中提取每一行參數(shù)，利 用滑動窗口遍歷所述的每一行參數(shù)，將其切割為若干數(shù)據(jù)片段其中，u為向上取整獲得的值，k＝1、2……K，K為卷積網(wǎng)絡(luò)層數(shù)。

D)以數(shù)據(jù)片段和線性濾波器進(jìn)行卷積，再加上一個偏置pb^k作為激活函數(shù)的輸入，其中激活函數(shù)可以采用sigmoid,tanh,或relu等,通過激活函數(shù)得到特征映射值構(gòu)成的數(shù)據(jù)集PH_k：

E)設(shè)定大小為GK的池化窗口，最大值池化數(shù)據(jù)集PH_k，得到數(shù)據(jù)集PI_k：

F)將數(shù)據(jù)集PI_k帶入自動編碼器，通過最小重構(gòu)誤差，利用反向傳播算法反向逐層修正網(wǎng)絡(luò)各層參數(shù)，訓(xùn)練得到特征

采用與步驟3)相同的方法學(xué)習(xí)新的數(shù)據(jù)訓(xùn)練樣本，更新步驟3-1)所述的輸入變量，按照前一個訓(xùn)練樣本得到的網(wǎng)絡(luò)各層參數(shù)訓(xùn)練新的 樣本，以k+1來更新k，卷積層滑動窗口的長度Lk+1和步長Ak+1不變，池化窗口的長度也不變。重復(fù)3)的過程，最終學(xué)習(xí)到特征

L_K和A_K分別為第K次進(jìn)行步驟D)到E)時，設(shè)定的設(shè)定卷積層滑動窗口長度和步長；G_K為第K次進(jìn)行步驟D)到E)時，設(shè)定的池化窗口大?。?/p>

G)將特征矩陣作為所述溫度異常檢測模型：的輸入矩陣，輸出異?；蛘！?/p>