【技术实现步骤摘要】
电路故障自动诊断方法及其诊断系统
[0001]本申请涉及人工智能
，且更为具体地，涉及一种电路故障自动诊断方法及其诊断系统。
技术介绍
[0002]实验室是科研人员进行学术研究的重要场所，对科技发展起着非常重要的作用。近几年,关于高校实验室火灾的报道从未间断,其造成了实验数据损失，巨大的经济损失,甚至严重威胁到人的生命安全。安全用电是避免实验室火灾事故的关键因素之一。实验室用电线路老化，用电负荷高或超负荷用电的情况，都会导致电弧故障发生，或损坏实验仪器，或引发电气火灾事故。
[0003]因此，期待一种用于实验室电路安全的故障诊断和预警方案。
[0004]近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
[0005]深度学习以及神经网络的发展为实验室电路安全的故障诊断和预警提供了新的解决思路和方案。
技术实现思路
[0006]为了解决上...
【技术保护点】
【技术特征摘要】
1.一种电路故障自动诊断方法，其特征在于，包括：通过以预设拓扑样式部署于实验室内的多个MEMS声音传感器获取多个声音信号；将各个所述声音信号的波形图通过使用通道注意力机制的第一卷积神经网络以获得多个波形特征图；获取所述多个MEMS声音传感器的拓扑矩阵，所述拓扑矩阵中非对角线位置上各个位置的值为对应两个MEMS声音传感器之间的距离，所述拓扑矩阵中对角线上各个位置的值为零；将所述拓扑矩阵通过第二卷积神经网络以获得拓扑特征矩阵；将所述多个波形特征图沿着通道维度排列为输入张量后通过使用三维卷积核的第三卷积神经网络以获得波形特征向量；对所述波形特征向量中各个位置的特征值进行标签值响应映射以获得校正波形特征向量，其中，所述标签值响应映射基于分类标签值和将所述波形特征向量通过以所述分类标签值作为分类标签的分类器的概率值来进行；将所述拓扑特征矩阵与所述校正波形特征向量进行相乘以将所述校正波形特征向量映射到所述拓扑特征矩阵的高维特征空间中以生成分类特征向量；以及将所述分类特征向量通过分类器以获得分类结果，所述分类结果用于表示实验室的电路中是否存在低压电弧故障。2.根据权利要求1所述的电路故障自动诊断方法，其中，将各个所述声音信号的波形图通过使用通道注意力机制的第一卷积神经网络以获得多个波形特征图，包括：所述卷积神经网络的各层在层的正向传递中对输入数据分别进行：基于二维卷积核对所述输入数据进行卷积处理以生成卷积特征图；对所述卷积特征图进行池化处理以生成池化特征图；对所述池化特征图进行激活处理以生成激活特征图；计算所述激活特征图中各个通道对应的特征矩阵的特征值均值与所有通道对应的特征矩阵的特征值均值之和的商作为各个通道对应的特征矩阵的加权系数；以及以所述激活特征图中各个通道的加权系数对各个通道的特征矩阵进行加权以生成通道注意力特征图；其中，所述第一卷积神经网络的最后一层的输出为所述波形特征图。3.根据权利要求2所述的电路故障自动诊断方法，其中，将所述多个波形特征图沿着通道维度排列为输入张量后通过使用三维卷积核的第三卷积神经网络以获得波形特征向量，包括：所述使用三维卷积核的第三卷积神经网络以如下公式对所述输入张量进行处理以得到所述波形特征向量；其中，所述公式为：其中表示所述波形特征向量，H
j
、W
j
和R
j
分别表示三维卷积核的长度、宽度和高度，m表示第(l
‑
1)层特征图的个数，是与(l
‑
1)层的第m个特征图相连的卷积核，b
lj
为偏置，f(
·
)表示激活函数。4.根据权利要求3所述的电路故障自动诊断方法，其中，对所述波形特征向量中各个位置的特征值进行柯西归一化以获得校正波形特征向量，包括：以如下公式对所述波形特征向量中各个位置的特征值进行标签值响应映射以获得校正波形特征向量；其中，所述公式为：f'＝e
j2π[psin2πf+(1
‑
p)]
其中，j为分类标签值，f为所述波形特征向量中各个位置的特征值，且p为所述波形特征向量输入以所述分类标签值作为分类标签的分类器所得到的概率值。5.根据权利要求4所述的电路故障自动诊断方法，其中，将所述拓扑矩阵通过第二卷积神经网络以获得拓扑特征矩阵，包括：所述第二卷积神经网络的各层在层的正向传递中对输入数据分别进行：使用所述第二卷积神经网络的各层的卷积单元对所述输入数据进行基于二维卷积核的卷积处理以得到卷积特征图；使用所述第二卷积神经网络的各层的池化单
元对所述卷积特征图进行沿通...
【专利技术属性】
技术研发人员：王慧铭，
申请(专利权)人：绍兴幺贰玖零科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。