基于微波加热温度场分布特征深度学习的局部温度变化异常检测方法与流程

本发明涉及微波加热控制技术。

背景技术：

微波加热，实质上是利用微波的能量特征。微波能直接穿透媒介，媒介内部分子在吸收微波能后使分子热运动加剧，从而温度上升，达到加热的目的。相对于其他传统的加热方式，它具有高效率、无污染、加热速度快、热量损失小等优点。微波加热作为一种新的清洁加热方式，它无疑具有很大的应用价值。

但是在微波加热过程中，会涉及到复杂时变电磁场与温度场的耦合情况，被加热媒介的介电系数、热导率随着温度的升高均会发生变化，这些不定因素的改变可能导致媒质局部过热甚至热失控的现象。出现这种情况，如果没能及时处理，严重时会引发安全事故。

技术实现要素：

本发明的目的是解决微波加热过程中，局部过热(热失控)的问题。

为实现本发明目的而采用的技术方案是这样的，一种基于微波加热温度场分布特征深度学习的局部温度变化异常检测方法，其特征在于:

通过步骤1～4获得微波加热装置的温度异常检测模型：

1)在微波加热装置的微波加热温度场中，布置m个采集节点，在n0个时刻，获取每一个采集节点的温度数据，形成多维数据样本集C_q；

2)将步骤1获取的多维数据样本集C_q进行归一化处理，得到数据

3)深度特征提取：

3-1)选定经过归一化后的微波分布场的多维数据中的一个训练样本样本S_q作为输入变量，设定卷积核大小L_k和步长A_k，得到特征映射值构成的数据集H_k。

3-2)设定池化层的大小，采用最大值池化的方法处理数据集H_k，得到数据集I_k，

3-3)将数据集I_k带入自动编码器，通过最小重构误差，利用反向 传播算法反向修正网络各层的参数，最终学习到特征重复3)的步骤，不断学习新的样本数据，通过网络的层层迭代，最终更新得到特征数据集

4)以数据集为异常检测算法Isolation Forest(孤立森林)的输入，

获得温度异常检测模型：X为模型的输入矩阵；

工作时，通过步骤，获得微波加热装置温度是否异常：

A)采用与步骤1)相同的方法，记录微波加热装置的m个采集节点中，每一个采集节点在n0个时刻的温度数据，并保存到矩阵E；

B)采用与步骤2)相同的方法，将矩阵E，归一化处理得到矩阵F；

C)选定数据集中的数据样本F作为输入变量，设定卷积层滑动窗口的长度L_K和步长A_K，依次从输入变量中提取每一行参数，利用滑动窗口遍历所述的每一行参数，将其切割为若干数据片段其中，u为向上取整获得的值，k＝1、2……K，K为卷积网络层数。

D)以数据片段和线性滤波器进行卷积，再加上一个偏置pb^k作为激活函数的输入，其中激活函数采用sigmoid,tanh,或relu,通过激活函数得到特征映射值构成的数据集PH_k：

E)设定大小为GK的池化窗口，最大值池化数据集PH_k，得到数据集PI_k：

F)将数据集PI_k带入自动编码器，通过最小重构误差，利用反向传播算法反向逐层修正网络各层参数，训练得到特征

采用与步骤3)相同的方法学习新的数据训练样本，更新步骤3-1)所述的输入变量，按照前一个训练样本得到网络各层参数训练新的样本，以k+1来更新k，卷积层滑动窗口的长度Lk+1和步长Ak+1不变，池化窗口的长度也不变。重复3)的过程，最终学习到特征

L_K和A_K分别为第K次进行步骤D)到E)时，设定的设定卷积层滑动窗口长度和步长；G_K为第K次进行步骤D)到E)时，设定的池化窗口大小；

G)将特征矩阵作为步骤4)所得到的温度异常检测模型： 的输入矩阵，输出异常或正常。

值得说明的是，本发明采用多层卷积网络结构，从原始多维数据信号中提取出深层次的特征表达，然后将其输送给Isolation Forest(孤立森林)异常检测模型来检测异常特征。是一种高效的可从微波加热过程中采集的原始数据提取出更好的特征表达，将提取的特征带入异常检测系统进行检测，可以可靠地测得被加热媒介分布场的温度变化是否存在异常。

附图说明

图1.本发明的方法流程

图2.卷积神经网络特征提取示意图

图3.自动编码特征映射结构图

图4.采用本发明的方法，700功率微波数据做异常检测(实心点为异常)

图5.采用本发明的方法，800功率微波数据做异常检测(实心点为异常)。

具体实施方式

下面结合实施例对本发明作进一步说明，但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下，根据本领域普通技术知识和惯用手段，做出各种替换和变更，均应包括在本发明的保护范围内。

一种基于深度学习的微波加热过程温度场分布的多维大数据信息的异常检测方法，

搭建后台分析系统和检测装置；

所述后台分析系统对原始微波加热过程中的数据样本C_q进行分析时，通过步骤1～4获得微波加热装置的温度异常检测模型：

包括以下步骤：

1)获取原始数据样本C_q，q为数据样本编号，q＝1、2……，

其中：为一个节点的微波数据，样本C_q中，具有m个不同节点，每一个节点的数据均在t时刻被采集，t＝1、2……n0；

2)将原始数据样本C_q归一化处理，得到构建数据集{S1、S2……}

3)深度特征提取：

3-1)选定数据集中的数据样本S_q作为输入变量，设定卷积核的大小L_k和步长A_k，依次从输入变量中提取每一行参数，利用滑动窗口遍历所述的每一行参数，将其切割为若干数据片段其中，i为向上取整获得的值，k＝1、2……K，K为卷积网络层数；

3-2)以数据片段和线性滤波器进行卷积，再加上一个偏置b^k作为激活函数的输入变量,通过激活函数得到特征映射值构成的数据集H_k,其中的激活函数可以采用sigmoid,tanh,或relu等函数。

3-3)设定大小为GK的池化窗口，采用最大值池化方法处理数据集H_k，得到数据集I_k：

3-4)将得到特征数据集I_k代入到自动编码器，通过最小重构误差，利用反向传播算法反向逐层修正网络各层参数，训练得到特征

采用与步骤3)相同的方法学习新的数据训练样本，用新样本更新步骤3-1)所述的输入变量，按照前一个训练样本得到的网络各层参数训练新的样本，以k+1来更新k，卷积层滑动窗口的长度Lk+1和步长Ak+1不变，池化窗口的长度也不变。重复3)的过程，最终学习到特征

L_K和A_K分别为第K次进行步骤3-2)到3-3)时，设定的设定卷积核的大小和步长；G_K为第K次进行步骤3-2)到3-3)时，设定的池化窗口大小；

4)以数据集为Isolation Forest的输入，得到异常分数S(X),

获得温度异常检测模型：

所述检测装置包括数据收集部分和数据分析部分；工作时，通过步骤A～G，获得微波加热装置温度是否异常：

A)所述数据收集部分采集加热节点的数据保存到矩阵E，并传递给数据分析部分；

其中：

为一个节点的数据，样本E中，具有m个不同节点，每一个节点的参数均在pt时刻被采集，pt＝1、2……pn0；

B)采用与步骤2)相同的方法，将数据样本E，归一化处理得到

C)选定数据集中的一个数据样本F1作为输入变量，设定卷积层滑动窗口的长度L_K和步长A_K，依次从输入变量中提取每一行参数，利 用滑动窗口遍历所述的每一行参数，将其切割为若干数据片段其中，u为向上取整获得的值，k＝1、2……K，K为卷积网络层数。

D)以数据片段和线性滤波器进行卷积，再加上一个偏置pb^k作为激活函数的输入，其中激活函数可以采用sigmoid,tanh,或relu等,通过激活函数得到特征映射值构成的数据集PH_k：

E)设定大小为GK的池化窗口，最大值池化数据集PH_k，得到数据集PI_k：

F)将数据集PI_k带入自动编码器，通过最小重构误差，利用反向传播算法反向逐层修正网络各层参数，训练得到特征

采用与步骤3)相同的方法学习新的数据训练样本，更新步骤3-1)所述的输入变量，按照前一个训练样本得到的网络各层参数训练新的 样本，以k+1来更新k，卷积层滑动窗口的长度Lk+1和步长Ak+1不变，池化窗口的长度也不变。重复3)的过程，最终学习到特征

L_K和A_K分别为第K次进行步骤D)到E)时，设定的设定卷积层滑动窗口长度和步长；G_K为第K次进行步骤D)到E)时，设定的池化窗口大小；

G)将特征矩阵作为所述温度异常检测模型：的输入矩阵，输出异常或正常。