一种大功率毫米波回旋行波管的主动控保方法及系统技术方案

本发明专利技术属于大功率毫米波技术领域，具体提供一种基于神经网络预测的大功率毫米波回旋行波管的主动控保方法及系统，用以克服现有自动化测试系统被动控保的缺点。本发明专利技术通过为历史样本数据添加打火标签，建立与训练了神经网络预测模型，通过预测模型对实时采集的测试数据进行打火标签预测，当时间周期T内，打火标签预测值连续Th

An active control and protection method and system for high power millimeter wave gyrotron TWT

【技术实现步骤摘要】
一种大功率毫米波回旋行波管的主动控保方法及系统
本专利技术属于大功率毫米波
，涉及大功率毫米波回旋行波管自动化测试系统；具体涉及大功率毫米波回旋行波管打火保护技术、神经网络预测技术，提供一种基于神经网络预测的大功率毫米波回旋行波管的主动控保方法及系统，用于实现器件当前运行状态下是否会出现打火的预测，并通过对控制保护模块的控制，实现对器件打火的主动控保。
技术介绍
大功率毫米波回旋行波管在国防、科学研究、民用通讯等领域有着广泛的应用，其具有大功率、宽频带、高增益的优点。通常在器件测试或者正常工作时，当加在电真空器件上的电压超过某个值后会发生打火或高压击穿的现象，所谓打火就是在电极之间迸发出一定色彩的电火花，类似放电，在打火的同时还能听到放电的声音，这种声音是由于打火瞬间放气形成的。打火放出的气体通常大部分会很快被电极及管内其他吸气材料吸收，剩余部分在电极间形成电流密度较大的等离子体放电，当电流密度大到一定程度就会在电极短路击穿，对器件造成严重损害甚至报废，产生经济上的损失；同时，多次打火会降低器件内的真空度，影响器件性能；因此应避免器件长期本文档来自技高网...

【技术保护点】
1.一种大功率毫米波回旋行波管的主动控保方法，包括如下步骤：/n步骤S1.建立神经网络预测模型；/n步骤S11.采集建立神经网络预测模型训练样本集合；/n所述训练样本数据包括：磁场电流(A)，补偿磁场电流(A)，阴极电压(KV)，阴极电流(A)，钛泵电流(nA)，打火标签：打火状态为1、未打火状态为0；所述打火标签用于标记当前状态是否打火；/n设置采样频率，对历史数据进行采样，得到训练样本数据；采样过程中，将发生打火时刻的前Q(3≤Q≤5)个时刻对应的打火标签均标记为打火状态1；/n步骤S12.根据训练样本集合，通过BP神经网络方法建立神经网络预测模型；/n采用BP神经网络，其中，输入层节点数...

【技术特征摘要】
1.一种大功率毫米波回旋行波管的主动控保方法，包括如下步骤：
步骤S1.建立神经网络预测模型；
步骤S11.采集建立神经网络预测模型训练样本集合；
所述训练样本数据包括：磁场电流(A)，补偿磁场电流(A)，阴极电压(KV)，阴极电流(A)，钛泵电流(nA)，打火标签：打火状态为1、未打火状态为0；所述打火标签用于标记当前状态是否打火；
设置采样频率，对历史数据进行采样，得到训练样本数据；采样过程中，将发生打火时刻的前Q(3≤Q≤5)个时刻对应的打火标签均标记为打火状态1；
步骤S12.根据训练样本集合，通过BP神经网络方法建立神经网络预测模型；
采用BP神经网络，其中，输入层节点数N＝5，输出层节点数L＝1，隐含层节点数M初始值为3；设置损失函数Loss为均方误差，训练次数nb_epoch，根据训练样本数据对BP神经网络进行训练，得到神经网络预测模型；
步骤S2.通过神经网络预测模型预测器件当前状态是否会发生打火，是否需要警告并采取相应的处理；
步骤S21.实时采集器件工作状态数据并存储于数据库中，将采集到的磁场电流(A)、补偿磁场电流(A)、阴极电压(KV)、阴极电流(A)、钛泵电流(nA)数据输入神经网络预测模型，获得与实时状态下对应的打火标签预测值；
步骤S22.时间周期T内，当打火标签预测值连续Th1次为1或打火标签预测值为1的次数大于Th2时，发出警告并采取紧急关断处理。


2.按权利要求1所述大功率毫米波回旋行波管的主动控保方法，其特征在于，所述的主动控保方法还包括：
步骤S3.将步骤S2所获得的磁场电流(A)、补偿磁场电流(A)、阴...

【专利技术属性】
技术研发人员：岳清泉，鄢然，邹富城，李英，黄启昊，李文茜，罗勇，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51