[发明专利]一种基于深度学习的聚变磁体电源故障智能诊断方法

权利要求书

1.一种基于深度学习的聚变磁体电源故障智能诊断方法，所述的聚变磁体电源由晶闸管三相全控桥变流器单元串联或并联组成，每个变流器单元输出6脉波电压U_d，且输出I_d电流跟随额定电流范围内的给定电流I_ref，其特征在于，该方法包括如下步骤：

步骤1、以变流器单元的电压U_d及电流I_d作为故障诊断的输入信号，输入到一个七层全连接层的深度降噪自编码器F_D对U_d及I_d进行降噪处理，得到降噪处理后的信号U_d’和I_d’；

步骤2、降噪处理后的信号U_d’和I_d’经过双路异构深度卷积神经网络，对聚变超导磁体高功率电源系统的逆变失败及丢脉冲故障类型进行实时诊断，实现小样本条件下，聚变超导磁体高功率电源系统的故障智能诊断。

2.根据权利要求1所述的一种基于深度学习的聚变磁体电源故障智能诊断方法，其特征在于：所述步骤1中的七层全连接层的深度降噪自编码器F_D，其结构为Input Layer(None,3000)—Dense(None,128)—Dense(None,64)—Dense(None,32)—Dense(None,64)—Dense(None,128)—Dense(None,3000)，输出降噪信号为y₁，包含6个Dense层，前3个Dense层实现编码效果，后3个Dense层实现解码效果，所述的Dense层对上一层的神经元进行全连接，实现特征的线性组合，这里Input Layer为输入层，Dense为全连接层。

3.根据权利要求1所述的一种基于深度学习的聚变磁体电源故障智能诊断方法，其特征在于：所述的双路异构深度卷积神经网络，包括一个源域卷积网络F_s，输出为y_s，以及一个目标域卷积网络F_t，输出为y_T；

源域卷积网络F_s的网络结构为：Conv1d—BatchNorm1d—ReLU—MaxPool1d—Conv1d—BatchNorm1d—ReLU—MaxPool1d—Conv1d—BatchNorm1d—ReLU—Conv1d—BatchNorm1d—ReLU—Conv1d—BatchNorm1d—ReLU—Linear；

目标域卷积网络F_t的网络结构为：Conv1d—ReLU—Conv1d—ReLU—Linear；

其中，Conv1d为卷积层，BatchNorm1d为批归一化层，MaxPool1d为一维池化层，ReLU为激活函数，Linear为全连接层输出层。

4.根据权利要求1所述的一种基于深度学习的聚变磁体电源故障智能诊断方法，其特征在于：所述的双路异构深度卷积神经网络，源域卷积网络F_s与目标域卷积网络F_t各层参数如下：

5.根据权利要求1所述的一种基于深度学习的聚变磁体电源故障智能诊断方法，其特征在于：所述的双路异构深度卷积神经网络，损失函数loss：

loss＝(y_S-y_T)²

其中，训练时将F_s与F_t输出y_s和y_T通过损失函数loss连接起来，计算得到的loss返回网络F_t继续训练，分类应用时则直接使用F_t计算输出。