System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及超导悬浮器内部温升检测领域,具体而言,涉及一种基于深度学习的超导悬浮器内部温升检测方法及装置。
技术介绍
1、在高温超导钉扎磁浮列车的运行过程中,由于永磁轨道磁场不平顺、磁体随机退磁以及列车振动等因素,导致超导体内部产生交流损耗,进而产生温升,而超导悬浮器内部超导体的温升是反映超导悬浮器悬浮状态的重要参量。因此,在高温超导钉扎磁浮列车的运行过程中,需要及时对超导体的内部温升进行实时检测,以免列车发生失超运行。目前针对超导悬浮器内部超导体温升的检测方法主要是通过在超导体内部打孔后放入温度传感器,进而实现对超导体内部温升的直接检测。然而此方法会破坏超导体的结构,一方面会影响超导体的悬浮性能;另一方面由于现有测量超导体内部温升多采用铂电阻,受磁场波动影响较大,导致最终的温升测量结果误差较大。因此亟需一种超导悬浮器内部温升检测方法,一方面不会影响超导体的悬浮性能,另一方面需保证温升的检测精度。
技术实现思路
1、本专利技术的目的在于提供一种基于深度学习的超导悬浮器内部温升检测方法及装置,以改善上述问题。为了实现上述目的,本专利技术采取的技术方案如下:
2、第一方面,本申请提供了一种基于深度学习的超导悬浮器内部温升检测方法,所述方法包括:
3、获取超导悬浮器的初始振动加速度信息、超导悬浮器内超导体的初始温升信息以及超导悬浮器振动加速度的检测信息;
4、对所述超导悬浮器的初始振动加速度信息进行特征提取,得到初始振动加速度信息所对应的高频特征参量
5、对所述高频特征参量集和所述低频特征参量集进行小波频带能量计算,得到小波频带能量信息;
6、将所述小波频带能量信息和所述超导悬浮器内超导体的初始温升信息输入至预设的深度学习网络中进行训练,得到超导悬浮器内部温升检测模型;
7、将所述超导悬浮器振动加速度的检测信息输入至所述超导悬浮器内部温升检测模型中,得到超导悬浮器内部温升预测信息,所述超导悬浮器内部温升预测信息用于反映超导悬浮器内部超导体的实时温升。
8、第二方面,本申请还提供了一种基于深度学习的超导悬浮器内部温升检测装置,所述装置包括:
9、获取模块,用于获取超导悬浮器的初始振动加速度信息、超导悬浮器内超导体的初始温升信息以及超导悬浮器振动加速度的检测信息;
10、第一处理模块,用于对所述超导悬浮器的初始振动加速度信息进行特征提取,得到初始振动加速度信息所对应的高频特征参量集和低频特征参量集;
11、第二处理模块,用于对所述高频特征参量集和所述低频特征参量集进行小波频带能量计算,得到小波频带能量信息;
12、第三处理模块,用于将所述小波频带能量信息和所述超导悬浮器内超导体的初始温升信息输入至预设的深度学习网络中进行训练,得到超导悬浮器内部温升检测模型;
13、预测模块,用于将所述超导悬浮器振动加速度的检测信息输入至所述超导悬浮器内部温升检测模型中,得到超导悬浮器内部温升预测信息,所述超导悬浮器内部温升预测信息用于反映超导悬浮器内部超导体的实时温升。
14、本专利技术的有益效果为:
15、本专利技术引入基于深度学习后的超导悬浮器内部温升检测模型,其采用提取超导悬浮器的初始振动加速度信息的方式,通过探究超导悬浮器内部超导体的温升与振动加速度时频域特征的非线性映射关系,提出一种无接触式的超导悬浮器内部温升检测方法,不会影响超导体的悬浮性能,另一方面基于深度学习后,能够保证超导悬浮器内部超导体温升的检测精度,避免引入温度检测传感器,且无需设置温度检测传感器所对应的特定安装空间。
16、本专利技术的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本专利技术实施例了解。本专利技术的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的超导悬浮器内部温升检测方法,其特征在于,包括:
2.根据权利要求1所述的基于深度学习的超导悬浮器内部温升检测方法,其特征在于,对所述超导悬浮器的初始振动加速度信息进行特征提取,得到初始振动加速度信息所对应的高频特征参量集和低频特征参量集,包括:
3.根据权利要求2所述的基于深度学习的超导悬浮器内部温升检测方法,其特征在于,对多个所述分解特征参量依次进行排序,得到高频特征参量集和低频特征参量集,包括:
4.根据权利要求1所述的基于深度学习的超导悬浮器内部温升检测方法,其特征在于,对所述高频特征参量集和所述低频特征参量集进行小波频带能量计算,得到小波频带能量信息,包括:
5.根据权利要求1所述的基于深度学习的超导悬浮器内部温升检测方法,其特征在于,将所述小波频带能量信息和所述超导悬浮器内超导体的初始温升信息输入至预设的深度学习网络中进行训练,得到超导悬浮器内部温升检测模型,其中,预设的深度学习网络为误差反向传播神经网络,包括:
6.根据权利要求2所述的基于深度学习的超导悬浮器内部温升检测方法,其特征在于
7.根据权利要求5所述的基于深度学习的超导悬浮器内部温升检测方法,其特征在于,所述隐藏层输出模型为:;
8.根据权利要求5所述的基于深度学习的超导悬浮器内部温升检测方法,其特征在于,所述输出层输出模型为:;
9.根据权利要求5所述的基于深度学习的超导悬浮器内部温升检测方法,其特征在于,所述误差反向传播神经网络的训练参数为:隐藏层神经元数为5,输入层神经元数为5,学习率系数为0.001,训练频率1000,训练目标的最小误差为。
10.一种基于深度学习的超导悬浮器内部温升检测装置,其特征在于,包括:
...【技术特征摘要】
1.一种基于深度学习的超导悬浮器内部温升检测方法,其特征在于,包括:
2.根据权利要求1所述的基于深度学习的超导悬浮器内部温升检测方法,其特征在于,对所述超导悬浮器的初始振动加速度信息进行特征提取,得到初始振动加速度信息所对应的高频特征参量集和低频特征参量集,包括:
3.根据权利要求2所述的基于深度学习的超导悬浮器内部温升检测方法,其特征在于,对多个所述分解特征参量依次进行排序,得到高频特征参量集和低频特征参量集,包括:
4.根据权利要求1所述的基于深度学习的超导悬浮器内部温升检测方法,其特征在于,对所述高频特征参量集和所述低频特征参量集进行小波频带能量计算,得到小波频带能量信息,包括:
5.根据权利要求1所述的基于深度学习的超导悬浮器内部温升检测方法,其特征在于,将所述小波频带能量信息和所述超导悬浮器内超导体的初始温升信息输...
【专利技术属性】
技术研发人员:郑珺,庞鹏,王子涵,先晨灵,赵伯毅,
申请(专利权)人:西南交通大学,
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。