一种高能离子束流高压放大器功率数据实时监测方法技术

本发明专利技术涉及功率监测技术领域，具体涉及一种高能离子束流高压放大器功率数据实时监测方法。获取高能离子束流的高压放大器的功率影响数据和对应的数据矩阵；确定功率影响数据的异常程度，并构建异常程度矩阵；分解数据矩阵，得到特征向量；重建每个特征向量，得到对应的重建数据矩阵；基于异常程度矩阵和每个重建数据矩阵中数据的位置，匹配异常程度矩阵和每个重建数据矩阵，筛选出最佳重建数据矩阵对应的特征向量，作为投影向量；结合投影向量，校正功率影响数据，得到功率校正数据，以实现对高能离子束流的高压放大器的功率数据进行更精准的实时监测。本发明专利技术提高了对产生高能离子束的高压放大器的功率数据监测的时效性和准确性。高压放大器的功率数据监测的时效性和准确性。高压放大器的功率数据监测的时效性和准确性。

【技术实现步骤摘要】
一种高能离子束流高压放大器功率数据实时监测方法


[0001]本专利技术涉及功率监测
，具体涉及一种高能离子束流高压放大器功率数据实时监测方法。

技术介绍

[0002]在粒子加速器中，高压放大器通常被用来产生高能电子束。当电子枪发射出的电子流经过高压放大器时，高压放大器会将低电压、大电流信号放大至足够高的电压和电流水平，以便于产生高能电子束。同时，高压放大器还可以实现对电子束的能量和强度进行精细控制，从而满足不同的实验需求。
[0003]除了产生高能电子束外，高压放大器还可以用于产生重离子束和质子束等其他类型的粒子束。这些粒子束在科学研究和工业生产中都有广泛的应用，如材料加工、医学诊断、环境保护等。
[0004]在粒子加速器中使用高压放大器时需要特别注意安全性问题。由于高压放大器的输出电压和电流较大，一旦发生故障或失控，可能会对人体造成严重的伤害甚至危及生命安全。因此，在使用高压放大器时需要严格遵守相关的安全规定和操作规程，确保人员和设备的安全。故对产生高能离子束的高压放大器的功率进行实时监测是至关重要的。
[0005]对产生高能离子束流的高压放大器的功率数据在进行异常检测时，容易由于单种数据的局限，以及数据之间的相互影响，导致对高压放大器的功率数据进行异常程度检测精度较低，因此目前常见的方法为，通过多种能反映高压放大器的功率的数据，对高压放大器进行异常检测，即利用高维数据进行异常检测，常见的多种能反映高压放大器的功率的数据，包括：电流、电压、功率等数据。但是由于数据维数较高，导致对产生高能离子束流的高压放大器的功率进行异常监测时的计算量较大，进而会导致实时异常检测的时效性较差。

技术实现思路

[0006]为了解决基于高维数据对产生高能离子束流的高压放大器的功率进行异常监测时的计算量较大，导致实时异常检测的时效性较差的技术问题，本专利技术的目的在于提供一种高能离子束流高压放大器功率数据实时监测方法，所采用的技术方案具体如下：获取高能离子束流的高压放大器的功率影响数据；由功率影响数据构建数据矩阵；分解所述数据矩阵，得到特征向量；重建每个所述特征向量，得到对应的重建数据矩阵；根据功率影响数据对应的正常范围，确定功率影响数据的异常程度；由每个功率影响数据的异常程度，构建异常程度矩阵；基于异常程度矩阵和每个重建数据矩阵中数据的位置，匹配异常程度矩阵和每个重建数据矩阵，筛选出最佳重建数据矩阵对应的特征向量，作为投影向量；
结合投影向量，对功率影响数据进行校正，得到高能离子束流的高压放大器的功率校正数据。
[0007]优选的，所述基于异常程度矩阵和每个重建数据矩阵中数据的位置，匹配异常程度矩阵和每个重建数据矩阵，筛选出最佳重建数据矩阵对应的特征向量，作为投影向量，包括：对异常程度矩阵中的数据进行依次排列，得到规整序列；分割所述规整序列，得到分割类别；由所述分割类别中数据的位置二元组，构建每个分割类别的异常二元组序列；对每个重建数据矩阵中的数据进行依次排列，得到排序序列；分割所述排序序列，得到划分类别；由所述划分类别中数据的位置二元组，构建每个划分类别的重建二元组序列；计算异常程度矩阵对应的异常二元组序列和重建数据矩阵对应的重建二元组序列的匹配程度；将匹配程度最大的重建数据矩阵，作为最佳重建数据矩阵；最佳重建数据矩阵对应的特征向量为投影向量。
[0008]优选的，计算异常程度矩阵对应的异常二元组序列和重建数据矩阵对应的重建二元组序列的匹配程度之前，还包括：对于任意重建数据矩阵，基于异常程度矩阵对应的异常二元组序列和该重建数据矩阵对应的重建二元组序列的重合情况，将异常程度矩阵对应的多个异常二元组序列和该重建数据矩阵中多个重建二元组序列，进行匹配，得到多个匹配对。
[0009]优选的，所述匹配程度的计算公式为：其中，p为匹配程度；m为分割类别的数量和划分类别的数量中的最小值；n为分割类别的数量和划分类别的数量中的最大值；c为异常程度矩阵和重建数据矩阵中异常二元组序列和重建二元组序列的匹配边权值之和；a为异常程度矩阵中分割类别的类别代表值的最大值；为异常程度矩阵中第i个匹配对中异常二元组序列对应的分割类别的类别代表值；b为重建数据矩阵中划分类别的类别代表值的最大值；为重建数据矩阵中第i个匹配对中重建二元组序列对应的划分类别的类别代表值。
[0010]优选的，所述类别代表值的获取方法为：对于任意分割类别中的任意数据，比较该数据与该分割类别中其他数据的大小，将大于该数据的该分割类别中的其他数据，作为第一数据；将小于或等于该数据的该分割类别中的其他数据，作为第二数据；将该数据与第一数据的比值，作为第一比值；将第二数据与该数据的比值，作为第二比值；将该数据所有的第一比值和第二比值的和值作为该数据的数据代表值；将最大的数据代表值作为该分割类别的类别代表值。
[0011]优选的，所述分解所述数据矩阵，得到特征向量，包括：
利用奇异值分解算法，对数据矩阵进行分解，得到奇异值矩阵、左奇异向量矩阵和右奇异向量矩阵；其中，将左奇异向量矩阵和右奇异向量矩阵中每个列向量作为特征向量。
[0012]优选的，所述重建每个所述特征向量，得到对应的重建数据矩阵，包括：对于任意特征向量，基于该特征向量对奇异值矩阵进行调整；将左奇异向量矩阵对应的转置矩阵和调整后的奇异值矩阵相乘，得到重建数据矩阵。
[0013]优选的，所述结合投影向量，对功率影响数据进行校正，得到高能离子束流的高压放大器的功率校正数据，包括：由每个时刻的不同种类的功率影响数据构成数据特征向量；计算每条数据特征向量与投影向量的点积，作为高能离子束流的高压放大器的功率校正数据。
[0014]优选的，所述根据功率影响数据对应的正常范围，确定功率影响数据的异常程度，包括：当功率影响数据没有位于所对应的正常范围内时，计算功率影响数据和所对应的正常范围的上限值的差异，作为上限差异；计算功率影响数据和正常范围的下限值的差异，作为下限差异；将上限差异和下限差异中的最小值和最大值的比值作为功率影响数据的异常程度；当功率影响数据位于所对应的正常范围内时，将功率影响数据的异常程度设置为预设非异常值。
[0015]优选的，所述由功率影响数据构建数据矩阵，包括：将每个时刻的不同种类的功率影响数据作为数据矩阵中的一行；不同时刻的功率影响数据对应数据矩阵中的不同行。
[0016]本专利技术实施例至少具有如下有益效果：本专利技术涉及功率监测
该方法首先获取高能离子束流的高压放大器的功率影响数据和对应的数据矩阵；每个功率影响数据都有各自对应的正常范围，故可根据功率影响数据对应的正常范围，确定功率影响数据的异常程度，当功率影响数据越偏离其对应的正常范围时，则该功率影响数据的异常程度应该越大；分解数据矩阵，得到特征向量，其中分解得到的每个特征向量可以表示数据矩阵中功率影响数据的一种特征；进一步的，重建每个特征向量，得到对应的重建数据矩阵；匹配异常程度矩阵和每个重建数据矩阵，筛选出最佳重建数据矩阵对应的特征向量，作为投影向量，匹配异常程度矩阵和重本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高能离子束流高压放大器功率数据实时监测方法，其特征在于，该方法包括以下步骤：获取高能离子束流的高压放大器的功率影响数据；由功率影响数据构建数据矩阵；分解所述数据矩阵，得到特征向量；重建每个所述特征向量，得到对应的重建数据矩阵；根据功率影响数据对应的正常范围，确定功率影响数据的异常程度；由每个功率影响数据的异常程度，构建异常程度矩阵；基于异常程度矩阵和每个重建数据矩阵中数据的位置，匹配异常程度矩阵和每个重建数据矩阵，筛选出最佳重建数据矩阵对应的特征向量，作为投影向量；结合投影向量，对功率影响数据进行校正，得到高能离子束流的高压放大器的功率校正数据。2.根据权利要求1所述的一种高能离子束流高压放大器功率数据实时监测方法，其特征在于，所述基于异常程度矩阵和每个重建数据矩阵中数据的位置，匹配异常程度矩阵和每个重建数据矩阵，筛选出最佳重建数据矩阵对应的特征向量，作为投影向量，包括：对异常程度矩阵中的数据进行依次排列，得到规整序列；分割所述规整序列，得到分割类别；由所述分割类别中数据的位置二元组，构建每个分割类别的异常二元组序列；对每个重建数据矩阵中的数据进行依次排列，得到排序序列；分割所述排序序列，得到划分类别；由所述划分类别中数据的位置二元组，构建每个划分类别的重建二元组序列；计算异常程度矩阵对应的异常二元组序列和重建数据矩阵对应的重建二元组序列的匹配程度；将匹配程度最大的重建数据矩阵，作为最佳重建数据矩阵；最佳重建数据矩阵对应的特征向量为投影向量。3.根据权利要求2所述的一种高能离子束流高压放大器功率数据实时监测方法，其特征在于，计算异常程度矩阵对应的异常二元组序列和重建数据矩阵对应的重建二元组序列的匹配程度之前，还包括：对于任意重建数据矩阵，基于异常程度矩阵对应的异常二元组序列和该重建数据矩阵对应的重建二元组序列的重合情况，将异常程度矩阵对应的多个异常二元组序列和该重建数据矩阵中多个重建二元组序列，进行匹配，得到多个匹配对。4.根据权利要求3所述的一种高能离子束流高压放大器功率数据实时监测方法，其特征在于，所述匹配程度的计算公式为：其中，p为匹配程度；m为分割类别的数量和划分类别的数量中的最小值；n为分割类别的数量和划分类别的数量中的最大值；c为异常程度矩阵和重建数据矩阵中异常二元组序列和重建二元组序列的匹配边权值之和；a为异常程度矩阵中分割类别的类别代表值的最大值；为异常程度矩阵中第i个匹配对中异常二元组序列对应的分割类别的类别代表值；
b为重建数据矩阵中划分类别的类别代表值...

【专利技术属性】
技术研发人员：高永亮，高永明，高俊霞，张锦飞，陆雨，
申请(专利权)人：陕西威思曼高压电源股份有限公司，
类型：发明
国别省市：