智能排插及其工作方法与流程

本发明涉及智能插排的领域，且更为具体地，涉及一种智能排插及其工作方法。

背景技术：

1、随着我们生活质量的不断提高，家用电器的改善也越来越丰富多样，然而这也引起了很多家用电器方面的安全事故，其中，大部分是电器使用的插排导致的。

2、目前，随着用电设备的使用，其性能会慢慢发生变化，例如，电线老化，器件老化等，老化的家用电器在使用时会造成能源的浪费，不仅如此，这种性能的变化如果没有及时维护的话还可能会带来安全隐患。但是，传统的设备维护大多是需要将设备拆开，并对各个部件进行性能检测，这非常麻烦且很难实施。因此，为了便于对用电设备的性能状态是否正常进行分析，期望一种智能插排的工作方案。

技术实现思路

1、为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种智能排插及其工作方法，其采用基于深度学习技术的卷积神经网络模型来挖掘出智能排插所连接的多个用电设备的用电量在设备维度和时间维度上的高维关联特征，并且还进一步地表达非对角线位置的关于时间的信息，以利用时间信息进行参数的变换，从而得到更为准确的用于表示每个所述用电设备的性能是否正常的概率值。通过这样的方式，可以便于对所述用电设备的性能状态是否正常进行分析，进而解决了所述家用电器的安全隐患。

2、根据本技术的一个方面，提供了一种智能排插，其包括：

3、历史用电数据获取单元，用于获取智能排查所连接的多个用电设备的用电量数据；

4、矩阵构造单元，用于将所述多个用电设备的用电量数据按照设备样本维度和时间维度排列为用电量输入矩阵；

5、神经网络单元，用于将所述用电量输入矩阵通过卷积神经网络以获得用电量特征图，所述用电量特征图用于表达所述智能排插所连接的多个用电设备的用电量在设备维度和时间维度上的高维关联特征；

6、矩阵分解单元，用于将所述用电量特征图的每个特征矩阵分为非对角二阶子矩阵；

7、角度计算单元，用于计算每个所述非对角二阶子矩阵相对于其所对应的所述特征矩阵的中心在所述特征矩阵的宽度方向上的角度，其中，所述角度用于表示所述用电量特征图中非对角线位置的关于时间的信息；

8、旋转单元，用于基于所述角度构造旋转矩阵并将所述旋转矩阵对于所述非对角二阶子矩阵进行旋转以获得由多个修正特征矩阵组成的修正特征图；

9、当前用电量获取单元，用于获得所述多个用电设备的当前用电量数据；

10、查询向量构造单元，用于将所述多个用电设备的当前用电量数据排列为输入向量后输入编码器以获得特征向量；

11、向量查询单元，用于以所述特征向量作为查询向量与所述修正特征图进行矩阵相乘以获得分类特征向量；

12、性能评估单元，用于计算所述分类特征向量中各个位置的类softmax函数值作为每个用电设备的性能是否正常的概率值；以及

13、性能确定单元，用于基于所述类softmax函数值与预设阈值之间的比较，确定各个所述用电设备的性能是否正常。

14、在上述智能排插中，所述矩阵分解单元，进一步用于：计算所述用电量特征图的每个特征矩阵的非对角位置的最大二阶子矩阵作为所述非对角二阶子矩阵。

15、在上述智能排插中，所述旋转单元，包括：旋转矩阵构造子单元，用于以如下公式基于所述角度构造所述旋转矩阵；所述公式为：

16、

17、其中，θ表示所述角度，r表示所述旋转矩阵。

18、在上述智能排插中，所述旋转单元，进一步包括：旋转操作子单元，用于以如下公式将所述旋转矩阵对于所述非对角二阶子矩阵进行旋转以获得所述修正特征矩阵；所述公式为：a'＝rt*a*r，其中，r表示所述旋转矩阵，a表示所述非对角二阶子矩阵，a'表示所述修正特征矩阵。

19、在上述智能排插中，所述性能评估单元，进一步用于：以类softmax函数计算所述分类特征向量中各个位置的类softmax函数值作为每个用电设备的性能是否正常的概率值；所述类softmax分类函数为：y＝exp(xi)/∑iexp(xi)，其中，xi表示所述分类特征向量中各个位置的特征值。

20、在上述智能排插中，所述性能确定单元，进一步用于：响应于所述类softmax函数值大于等于预设阈值，确定对应的所述用电设备的性能正常；以及，响应于所述类softmax函数值小于预设阈值，确定对应的所述用电设备的性能不正常。

21、在上述智能排插中，所述卷积神经网络为深残差网络，所述编码器为由多个全连接层组成的深度全连接网络模型。

22、根据本技术的另一方面，一种智能排插的工作方法，其包括：

23、获取智能排查所连接的多个用电设备的用电量数据；

24、将所述多个用电设备的用电量数据按照设备样本维度和时间维度排列为用电量输入矩阵；

25、将所述用电量输入矩阵通过卷积神经网络以获得用电量特征图，所述用电量特征图用于表达所述智能排插所连接的多个用电设备的用电量在设备维度和时间维度上的高维关联特征；

26、将所述用电量特征图的每个特征矩阵分为非对角二阶子矩阵；

27、计算每个所述非对角二阶子矩阵相对于其所对应的所述特征矩阵的中心在所述特征矩阵的宽度方向上的角度，其中，所述角度用于表示所述用电量特征图中非对角线位置的关于时间的信息；

28、基于所述角度构造旋转矩阵并将所述旋转矩阵对于所述非对角二阶子矩阵进行旋转以获得由多个修正特征矩阵组成的修正特征图；

29、获得所述多个用电设备的当前用电量数据；

30、将所述多个用电设备的当前用电量数据排列为输入向量后输入编码器以获得特征向量；

31、以所述特征向量作为查询向量与所述修正特征图进行矩阵相乘以获得分类特征向量；

32、计算所述分类特征向量中各个位置的类softmax函数值作为每个用电设备的性能是否正常的概率值；以及

33、基于所述类softmax函数值与预设阈值之间的比较，确定各个所述用电设备的性能是否正常。

34、在上述智能排插的工作方法中，将所述用电量特征图的每个特征矩阵分为非对角二阶子矩阵，包括：计算所述用电量特征图的每个特征矩阵的非对角位置的最大二阶子矩阵作为所述非对角二阶子矩阵。

35、在上述智能排插的工作方法中，基于所述角度构造旋转矩阵并将所述旋转矩阵对于所述非对角二阶子矩阵进行旋转以获得由多个修正特征矩阵组成的修正特征图，包括：以如下公式基于所述角度构造所述旋转矩阵；

36、所述公式为：

37、

38、其中，θ表示所述角度，r表示所述旋转矩阵。

39、在上述智能排插的工作方法中，基于所述角度构造旋转矩阵并将所述旋转矩阵对于所述非对角二阶子矩阵进行旋转以获得由多个修正特征矩阵组成的修正特征图，包括：以如下公式将所述旋转矩阵对于所述非对角二阶子矩阵进行旋转以获得所述修正特征矩阵；所述公式为：a'＝rt*a*r，其中，r表示所述旋转矩阵，a表示所述非对角二阶子矩阵，a'表示所述修正特征矩阵。

40、在上述智能排插的工作方法中，计算所述分类特征向量中各个位置的类softmax函数值作为每个用电设备的性能是否正常的概率值，包括：以类softmax函数计算所述分类特征向量中各个位置的类softmax函数值作为每个用电设备的性能是否正常的概率值；所述类softmax分类函数为：y＝exp(xi)/∑iexp(xi)，其中，xi表示所述分类特征向量中各个位置的特征值。

41、在上述智能排插的工作方法中，基于所述类softmax函数值与预设阈值之间的比较，确定各个所述用电设备的性能是否正常，包括：响应于所述类softmax函数值大于等于预设阈值，确定对应的所述用电设备的性能正常；以及，响应于所述类softmax函数值小于预设阈值，确定对应的所述用电设备的性能不正常。

42、在上述智能排插的工作方法中，所述卷积神经网络为深残差网络，所述编码器为由多个全连接层组成的深度全连接网络模型。

43、与现有技术相比，本技术提供的智能排插及其工作方法，其采用基于深度学习技术的卷积神经网络模型来挖掘出智能排插所连接的多个用电设备的用电量在设备维度和时间维度上的高维关联特征，并且还进一步地表达非对角线位置的关于时间的信息，以利用时间信息进行参数的变换，从而得到更为准确的用于表示每个所述用电设备的性能是否正常的概率值。通过这样的方式，可以便于对所述用电设备的性能状态是否正常进行分析，进而解决了所述家用电器的安全隐患。