[发明专利]基于神经网络模型的智能检测方法及其系统

说明书

本申请涉及安全用电领域下的智能检测，其具体地公开了一种基于神经网络模型的智能检测方法及其系统，其使用包含嵌入层的上下文编码器分别对时域特征进行基于全局的上下文语义编码，以提取出所述各个采样窗的电流信号在时序上的隐含关联特征分布，并利用卷积神经网络模型对所述电流信号的波形图进行编码，以提取所述电流信号的波形图中能够用于低压电弧预警分类的隐含特征，进而更全面充分地利用所述系统电路的波形图中的特征信息，并且在训练的过程中，添加使得两者之间的流形差异满足凸单调性的附加项，从而使得特征矩阵间的流形差异性能够适应各子维度投影上的凸单调性，以提高基于用电场所的整体用电情况来进行低压电弧风险预警的准确性。

技术领域

本申请涉及安全用电领域下的智能检测，且更为具体地，涉及一种基于神经网络模型的智能检测方法及其系统。

背景技术

安全用电是避免火灾事故的关键因素之一。在诸如实验室、生产车间之类的用电场所中，由于用电线路老化，用电负荷高或超负荷用电的情况，会导致电弧故障发生，如果严重的话，会引发电气火灾事故。因此，期待对用电场所进行低压电弧检测来进行提前预警避免火灾事故的发生。

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基于神经网络模型的智能检测方法及其系统，其使用包含嵌入层的上下文编码器分别对时域特征进行基于全局的上下文语义编码，以提取出所述各个采样窗的电流信号在时序上的隐含关联特征分布，并利用卷积神经网络模型对所述电流信号的波形图进行编码，以提取所述电流信号的波形图中能够用于低压电弧预警分类的隐含特征，进而更全面充分地利用所述系统电路的波形图中的特征信息，并且在训练的过程中，添加使得两者之间的流形差异满足凸单调性的附加项，从而使得特征矩阵间的流形差异性能够适应各子维度投影上的凸单调性，以提高基于用电场所的整体用电情况来进行低压电弧风险预警的准确性。

根据本申请的一个方面，提供了一种基于神经网络模型的智能检测方法，其包括：

训练阶段，包括：

通过电流传感器获取由多条线路组成的电路系统的电流信号的波形图；

以预设采样窗沿时序维度从所述电流信号的波形图中截取多个采样窗；

分别从各个所述采样窗中提取多个时域特征，所述多个时域特征包括周期平均值极差、变量极大值以及峰度系数；

将各个所述采样窗的多个时域特征通过Taming模型的包含嵌入层的上下文编码器以将各个所述采样窗的多个时域特征转化为多个特征向量，并将所述多个特征向量进行级联以获得对应于各个所述采样窗的时域特征向量；

将对应于各个所述采样窗的时域特征向量进行二维排列以获得第一特征矩阵；

将所述电流信号的波形图通过所述Taming模型的卷积神经网络以获得第二特征矩阵；

将所述第二特征矩阵通过分类器以获得分类损失函数值；以及

计算所述第一特征矩阵和所述第二特征矩阵之间的距离损失函数值，所述距离损失函数值为所述第一特征矩阵和所述第二特征矩阵之间的欧式距离；

计算所述第一特征矩阵和所述第二特征矩阵之间的流形差异满足凸单调性的附加项，所述流形差异满足凸单调性的附加项为以所述第一特征矩阵中各个位置的特征值与所述第二特征向量中对应的各个位置的特征值之间的距离的加权和的对数函数值的最小化；以及

计算所述分类损失函数值、所述距离损失函数值和所述流形差异满足凸单调性的附加项的加权和作为损失函数值对所述Taming模型进行训练；以及

推断阶段，包括：

通过电流传感器获取由多条线路组成的电路系统的电流信号的波形图；