一种大电流传感器数据采集校验方法、装置及介质与流程
本发明公开了一种大电流传感器数据采集校验方法、装置及介质,属于数据采集。
背景技术:
1、现有大电流传感器多路数据采集校验仅采用固定阈值对单一电流数据比对判断,未同步结合辅助工况参数协同校验,缺乏时序维度多维特征挖掘,常规深度神经网络参数量大难以部署至传感器边缘采集终端,模型仅可完成单次离线训练,面对现场动态波动工况易出现校验误判、漏判,无法精准区分故障等级,也不能利用现场新增工况样本持续迭代优化校验性能。
2、针对上述的问题,目前尚未提出有效的解决方案。
技术实现思路
1、本发明实施例提供了一种大电流传感器数据采集校验方法、装置及介质,以至少解决现有校验方式仅依靠单一电流数据导致校验可靠性差的技术问题。
2、根据本发明实施例的一个方面,为了实现上述目的,根据本发明的一个方面,提供了一种大电流传感器数据采集校验方法,包括:
3、同步采集多路电流原始序列并执行硬件预处理,同步采集辅助工况参数并与电流数据绑定构成工况融合样本,对工况融合样本执行归一化处理并提取多维校验特征后重构为时序特征矩阵;
4、搭建轻量化时序神经网络并利用历史标注样本进行离线监督训练,保存网络权重参数;
5、设备运行阶段,将实时采集并经过前述处理得到的特征矩阵输入加载有网络权重参数的轻量化时序神经网络进行推理,根据得到的故障置信度分值与预设阈值比较判定采集数据有效或失效,根据故障类型执行分级处置策略,并将携带人工复核标签的新工况样本定时回传执行增量微调训练。
6、进一步地,硬件预处理包括一阶低通降噪、模数转换及时序对齐;辅助工况参数包括设备工作温度和母线电压;多维校验特征包括时域特征、关联特征和工况特征;时域特征包括电流均值、峰峰值、变化率、零点偏移量和纹波幅值,关联特征包括多支路电流功率守恒差值和支路电流分配比例,工况特征包括传感器温度、母线电压和设备负载档位。
7、进一步地,轻量化时序神经网络包括依次连接的一维卷积单元、门控循环单元和分类输出单元;一维卷积单元用于提取单通道电流局部瞬时畸变特征,门控循环单元用于挖掘长时序漂移渐变特征,分类输出单元为全连接分类层并设置多分类标签;多分类标签至少包括正常、零点漂移、磁饱和、线路干扰、断线采样失真和温漂故障。
8、进一步地,分级处置策略具体为:对于轻微温漂和零点偏移故障,输出数据修正补偿系数并对采集电流执行补偿校准后输出;对于磁饱和、断线和强干扰严重故障,封锁采集数据并上报故障告警,同时切换至备用采集支路。
9、进一步地,将携带人工复核标签的新工况样本定时回传执行增量微调训练的步骤具体包括:获取带有人工复核标签的边缘端新样本;将边缘端新样本与历史训练集进行分布相似性比对,筛选出分布差异度超过预设阈值的困难样本;利用困难样本对轻量化时序神经网络执行增量学习,并在增量学习过程中基于弹性权重巩固算法限制网络关键参数的更新幅度。
10、进一步地,轻量化时序神经网络部署于边缘计算设备,一维卷积单元和门控循环单元均经过参数量剪枝和整数量化处理以适配边缘端计算资源。
11、进一步地,根据故障类型标识执行分级处置策略的过程中,对于轻微温漂和零点偏移故障执行补偿校准后输出的具体实现方式为:调用轻量化时序神经网络中间层输出的特征向量,结合预设的偏差映射函数计算修正补偿系数,利用修正补偿系数对采集电流进行校准后输出;对于磁饱和、断线和强干扰严重故障执行封锁告警切换的具体实现方式为:阻断当前失效数据上传通道,生成包含故障类型及发生时间的告警报文上报至上位机,并自动切换至备用冗余采集支路。
12、进一步地,增量学习过程中基于弹性权重巩固算法限制网络关键参数的更新幅度的具体实现方式为:计算网络关键参数的重要性权重,依据重要性权重限制对应参数的更新幅度以保持网络对历史任务的识别能力;困难样本筛选中采用最大均值差异算法计算边缘端新样本与历史训练集之间的分布相似度。
13、根据本发明其中一实施例,还提供了一种大电流传感器数据采集校验装置,包括:
14、采集模块,用于同步采集多路电流原始序列并执行硬件预处理,同步采集辅助工况参数并与电流数据绑定构成工况融合样本,对工况融合样本执行归一化处理并提取多维校验特征后重构为时序特征矩阵;
15、训练模块,用于搭建轻量化时序神经网络并利用历史标注样本进行离线监督训练,保存网络权重参数;
16、判定模块,用于设备运行阶段,将实时采集并经过前述处理得到的特征矩阵输入加载有网络权重参数的轻量化时序神经网络进行推理,根据得到的故障置信度分值与预设阈值比较判定采集数据有效或失效,根据故障类型执行分级处置策略,并将携带人工复核标签的新工况样本定时回传执行增量微调训练。
17、根据本发明实施例的另一方面,还提供了一种计算机可读存储介质,计算机可读存储介质包括存储的可执行程序,其中,在可执行程序运行时控制计算机可读存储介质所在设备执行本发明各个实施例中的方法。
18、在本发明实施例中,通过融合多路电流与辅助工况参数构建时序特征矩阵,搭配轻量化时序神经网络满足边缘终端低资源实时推理要求,依托故障置信度精准判别采集数据有效性并对不同故障实施分级处置,同时定时回传带人工复核标签的新样本完成模型增量微调,持续适配多变现场工况,大幅降低校验误判与漏判概率,稳定提升复杂工况下大电流采集数据校验精度。
1.一种大电流传感器数据采集校验方法,其特征在于,包括:
2.根据权利要求1所述的大电流传感器数据采集校验方法,其特征在于,所述硬件预处理包括一阶低通降噪、模数转换及时序对齐;所述辅助工况参数包括设备工作温度和母线电压;所述多维校验特征包括时域特征、关联特征和工况特征;所述时域特征包括电流均值、峰峰值、变化率、零点偏移量和纹波幅值,所述关联特征包括多支路电流功率守恒差值和支路电流分配比例,所述工况特征包括传感器温度、母线电压和设备负载档位。
3.根据权利要求1所述的大电流传感器数据采集校验方法,其特征在于,所述轻量化时序神经网络包括依次连接的一维卷积单元、门控循环单元和分类输出单元;所述一维卷积单元用于提取单通道电流局部瞬时畸变特征,所述门控循环单元用于挖掘长时序漂移渐变特征,所述分类输出单元为全连接分类层并设置多分类标签;所述多分类标签至少包括正常、零点漂移、磁饱和、线路干扰、断线采样失真和温漂故障。
4.根据权利要求1所述的大电流传感器数据采集校验方法,其特征在于,所述分级处置策略具体为:对于轻微温漂和零点偏移故障,输出数据修正补偿系数并对采集电流执行补偿校准后输出;对于磁饱和、断线和强干扰严重故障,封锁采集数据并上报故障告警,同时切换至备用采集支路。
5.根据权利要求1所述的大电流传感器数据采集校验方法,其特征在于,所述将携带人工复核标签的新工况样本定时回传执行增量微调训练的步骤具体包括:获取带有人工复核标签的边缘端新样本;将所述边缘端新样本与历史训练集进行分布相似性比对,筛选出分布差异度超过预设阈值的困难样本;利用所述困难样本对所述轻量化时序神经网络执行增量学习,并在增量学习过程中基于弹性权重巩固算法限制网络关键参数的更新幅度。
6.根据权利要求3所述的大电流传感器数据采集校验方法,其特征在于,所述轻量化时序神经网络部署于边缘计算设备,所述一维卷积单元和门控循环单元均经过参数量剪枝和整数量化处理以适配边缘端计算资源。
7.根据权利要求4所述的大电流传感器数据采集校验方法,其特征在于,所述根据所述故障类型标识执行分级处置策略的过程中,对于轻微温漂和零点偏移故障执行补偿校准后输出的具体实现方式为:调用所述轻量化时序神经网络中间层输出的特征向量,结合预设的偏差映射函数计算修正补偿系数,利用所述修正补偿系数对采集电流进行校准后输出;对于磁饱和、断线和强干扰严重故障执行封锁告警切换的具体实现方式为:阻断当前失效数据上传通道,生成包含故障类型及发生时间的告警报文上报至上位机,并自动切换至备用冗余采集支路。
8.根据权利要求5所述的大电流传感器数据采集校验方法,其特征在于,所述增量学习过程中基于弹性权重巩固算法限制网络关键参数的更新幅度的具体实现方式为:计算网络关键参数的重要性权重,依据所述重要性权重限制对应参数的更新幅度以保持网络对历史任务的识别能力;所述困难样本筛选中采用最大均值差异算法计算边缘端新样本与历史训练集之间的分布相似度。
9.一种大电流传感器数据采集校验装置,其特征在于,包括:
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时,实现如权利要求1至8中任一项的大电流传感器数据采集校验方法。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com