基于深度神经网络的托卡马克边缘局域模实时识别算法制造技术

本发明专利技术属于等离子体控制技术，具体涉及基于深度神经网络的托卡马克边缘局域模实时识别算法。训练数据集准备之后进行神经网络模型创建及预测计算，之后模型参数训练，神经网络模型训练完成后，将参数输入神经网络模型进行计算，便可以获得实时的边缘局域模识别结果。通过使用本方法实时识别边缘局域模的出现时间，在出现后再通过反馈控制的方式投入控制手段，比起无差别投入控制的方式，可以有效减少控制方法对等离子体本身的干扰。控制方法对等离子体本身的干扰。控制方法对等离子体本身的干扰。

【技术实现步骤摘要】
基于深度神经网络的托卡马克边缘局域模实时识别算法


[0001]本专利技术属于等离子体控制技术，具体涉及一种托卡马克边缘局域模实时识别算法。

技术介绍

[0002]现有技术中实现对托卡马克等离子体边缘局域模幅值和频率一定程度的控制一般为施加共振磁扰动(Resonant Magnetic Perturbation,简称RMP)的方法，实验人员操控磁扰动，令边缘输运垒在预期的时间节点上提前崩塌，从而增大边缘局域模频率，降低其幅值和对托卡马克装置的影响。但这些手段目前均缺乏可靠的触发方式，通常在托卡马克放电实验中，这些控制手段会在辅助加热投入期间全程开启，从而不论边缘局域模是否出现，均进行无差别的介入控制。考虑到RMP等控制手段本质上都是在对等离子体施加外部干扰，在没有边缘局域模出现时就加入是会对等离子体控制效果、物理参数产生负面影响的，因此这种无差别投入的方式存在很大的问题。

技术实现思路

[0003]本专利技术的目的是提供一种基于深度神经网络的托卡马克边缘局域模实时识别算法，可以避免无差别介入对放电实验效果产生的不良影响。
[0004]本专利技术的技术方案如下：
[0005]基于深度神经网络的托卡马克边缘局域模实时识别算法，包括如下步骤：
[0006]步骤一、训练数据集准备；
[0007]获取托卡马克装置历史放电中偏滤器氘α线辐射强度信号；
[0008]采集多次历史放电中的时间序列数据，形成训练数据集；
[0009]步骤二、神经网络模型创建及预测计算；/>[0010]神经网络模型的层序列包括一维卷积层和全连接层；
[0011]利用神经网络分析偏滤器氘α线辐射功率值；
[0012]步骤三、模型参数训练；
[0013]3.1根据每个神经网络层的输入和输出矩阵规模，利用Glorot初始化法给定参数矩阵的初始化值；
[0014]3.2随机抓取训练数据集中的时间序列数据，随机截取时间长度一端，构成一个训练批次的数据，每个批次的数据包含了1个输入矩阵X、输出标签L；其中X来自于对历史数据库的采集，L由该数据来源的放电实验是否发生了破裂决定，如果数据来源的实验发生了破裂，L取值为1，否则为
‑
1；
[0015]3.3将一个训练批次的数据输入神经网络模型进行计算，神经网络对每个X的值得出计算结果Y，将Y与标签L求hinge loss，则会得到本批次的预测损失，如下式所示，
[0016]Loss＝max(1，1
‑
Y*L)
[0017]3.4更新神经网络模型的权重参数W
*
和B
*
[0018][0019]其中η代表梯度下降法的步长，用于确定最小化预测损失，Loss为前一步骤计算的预测损失；
[0020]B
*
的计算方法与W完全相同，将公式中的W替换为B即可；
[0021]步骤3.5反复执行3.2
‑
3.4步骤，直到损失函数不再下降，或者整个训练集的数据都被抓取过20次以上，则停止训练；
[0022]步骤四、推理阶段实时化部署
[0023]神经网络模型训练完成后，将参数输入神经网络模型进行计算，便可以获得实时的边缘局域模识别结果。
[0024]步骤一中，信号采样频率为10kHz，即每毫秒有10个浮点数数据，数据取值介于0到5之间。
[0025]所述的采集多次历史放电中的时间序列数据，采集的时间区间从每一次放电零时刻开始，到等离子体电流降低到50kA以下放电结束为止；获得多个时间序列数据，每个时间序列数据的长度为0ms
‑
3000ms，每毫秒为一个时间节点，对应10个浮点数数值。
[0026]对所有时间序列数据，截取时间窗，生成了若干个数据切片，形成训练数据集。
[0027]所述步骤二具体包括：
[0028]步骤2.1输入数据的100长度信号片段通过卷积核数量为16，卷积核宽度为50的一维卷积层，得到卷积后的输出；
[0029]步骤2.2前一步骤的输出通过卷积核数量为16，卷积核宽度为50的一维卷积层，得到卷积后的输出；
[0030]步骤2.3前一步骤的输出通过卷积核数量为12，卷积核宽度为50的一维卷积层，得到卷积后的输出；
[0031]步骤2.4前一步骤的输出通过卷积核数量为8，卷积核宽度为50的一维卷积层，得到卷积后的输出；
[0032]步骤2.5前一步骤的输出通过神经元数量为25的全连接层得到输出；
[0033]步骤2.6前一步骤的输出通过神经元数量为25的全连接层得到输出；
[0034]步骤2.7前一步骤的输出通过神经元数量为1的全连接层得到输出。
[0035]一维卷积层用于提取一维数据的局部特征，公式如下，
[0036][0037]其中，X为前一神经网络层的输出，为I*J的二维矩阵，I为模型输入数据的宽度，J为输入的通道数；X(i+n，j)表示X矩阵中坐标为(i+n,j)的值，i取值范围为[0,I)；n的取值范围为[0,N)；
[0038]W为卷积层的权重矩阵，为M*N*J的三维浮点数矩阵，其中M表示卷积核的个数，N表示卷积核的宽度；
[0039]Y为一维卷积层的输出数据，为I*M的浮点数矩阵，Y(i，m)表示Y矩阵中坐标为(i,m)的值,i取值范围是[0,I)，而m取值范围为[0,M)；
[0040]B为卷积层的偏置矩阵，为M的一维浮点数矩阵，B(m)表示矩阵中坐标为(m)的值。
[0041]全连接层的作用是综合输入数值的全局特征，分析并计算最终输出，公式如下；
[0042][0043]其中，X为前一神经网络层的输出，为I*J的二维矩阵，I为模型输入数据的宽度，J为输入的通道数，W为卷积层的权重矩阵，为M*N*J的三维浮点数矩阵，其中M表示卷积核的个数，N表示卷积核的宽度；B为卷积层的偏置矩阵，为M的一维浮点数矩阵；Y为一维卷积层的输出数据，为I*M的浮点数矩阵；
[0044]X(i)表示X矩阵中坐标为(i)的值，W(i,j)表示W矩阵中坐标为(i,j)的值，其中i，j的取值范围分别是是[0,I)，[0,J)；B(j)表示矩阵中坐标为(j)的值；Y(j)表示Y矩阵中坐标为(j)的值。
[0045]在步骤四中，在托卡马克控制系统中设置一个阈值，当所述的边缘局域模识别结果超过这一阈值，便发送触发脉冲给SMBI系统，来降低边缘局域模爆发的程度。
[0046]阈值的取值位于[
‑
1,1]区间。
[0047]步骤一中采集多次历史放电的采集次数为1320次，得到1320个时间序列数据。
[0048]步骤一中，对于所有时间序列数据，按照长度为10ms，步长为1ms的时间窗截取，获得长度为100的信号片段，所有时间序列数据截取后，共计生成了241900个数据切片，形成了训练数据集。
[0049]本专利技术的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度神经网络的托卡马克边缘局域模实时识别算法，其特征在于，包括如下步骤：步骤一、训练数据集准备；获取托卡马克装置历史放电中偏滤器氘α线辐射强度信号；采集多次历史放电中的时间序列数据，形成训练数据集；步骤二、神经网络模型创建及预测计算；神经网络模型的层序列包括一维卷积层和全连接层；利用神经网络分析偏滤器氘α线辐射功率值；步骤三、模型参数训练；3.1根据每个神经网络层的输入和输出矩阵规模，利用Glorot初始化法给定参数矩阵的初始化值；3.2随机抓取训练数据集中的时间序列数据，随机截取时间长度一端，构成一个训练批次的数据，每个批次的数据包含了1个输入矩阵X、输出标签L；其中X来自于对历史数据库的采集，L由该数据来源的放电实验是否发生了破裂决定，如果数据来源的实验发生了破裂，L取值为1，否则为
‑
1；3.3将一个训练批次的数据输入神经网络模型进行计算，神经网络对每个X的值得出计算结果Y，将Y与标签L求hinge loss，则会得到本批次的预测损失，如下式所示，Loss＝max(1，1
‑
Y*L)3.4更新神经网络模型的权重参数W
*
和B
*
其中η代表梯度下降法的步长，用于确定最小化预测损失，Loss为前一步骤计算的预测损失；B
*
的计算方法与W完全相同，将公式中的W替换为B即可；步骤3.5反复执行3.2
‑
3.4步骤，直到损失函数不再下降，或者整个训练集的数据都被抓取过20次以上，则停止训练；步骤四、推理阶段实时化部署神经网络模型训练完成后，将参数输入神经网络模型进行计算，便可以获得实时的边缘局域模识别结果。2.如权利要求1所述的基于深度神经网络的托卡马克边缘局域模实时识别算法，其特征在于：步骤一中，信号采样频率为10kHz，即每毫秒有10个浮点数数据，数据取值介于0到5之间。3.如权利要求2所述的基于深度神经网络的托卡马克边缘局域模实时识别算法，其特征在于：所述的采集多次历史放电中的时间序列数据，采集的时间区间从每一次放电零时刻开始，到等离子体电流降低到50kA以下放电结束为止；获得多个时间序列数据，每个时间序列数据的长度为0ms
‑
3000ms，每毫秒为一个时间节点，对应10个浮点数数值。4.如权利要求3所述的基于深度神经网络的托卡马克边缘局域模实时识别算法，其特征在于：对所有时间序列数据，截取时间窗，生成了若干个数据切片，形成训练数据集。5.如权利要求4所述的基于深度神经网络的托卡马克边缘局域模实时识别算法，其特
征在于，所述步骤二具体包括：步骤2.1输入数据的100长度信号片段通过卷积核数量为16，卷积核宽度为50的一维卷积层，得到卷积后的输出；步骤2.2前一步骤的输出通过卷积核数量为16，卷积核宽度为50的一维卷积层，得到卷积后的输出；步骤2.3...

【专利技术属性】
技术研发人员：杨宗谕，夏凡，宋显明，高喆，李宜轩，肖国梁，王硕，
申请(专利权)人：核工业西南物理研究院，
类型：发明
国别省市：