基于传感器的电磁屏蔽机柜门缝电磁泄漏检测与定位方法与流程

本发明涉及电磁屏蔽检测，尤其涉及基于传感器的电磁屏蔽机柜门缝电磁泄漏检测与定位方法。

背景技术：

1、电磁屏蔽机柜通常用于对内部电子设备进行电磁隔离，门缝区域由于存在开合接触、装配偏差和密封边界变化，容易成为电磁泄漏的集中位置。现有检测方式多采用传感器或近场探头在机柜周边采集响应数据，并根据响应幅值、局部峰值或预设阈值判断是否存在泄漏。

2、现有技术虽然能够在一定程度上发现异常响应，但多数方法更关注整体屏蔽效果或局部场强变化，难以将检测响应与门缝路径上的具体位置稳定对应，导致检测结果往往停留在“是否泄漏”的判断层面，无法准确给出泄漏集中区段或具体定位位置。

3、同时，门缝区域的响应数据容易受到检测条件、采样位置和局部扰动影响。若仅依赖单次采集结果或简单阈值判断，容易将瞬时波动识别为泄漏异常，也难以区分相邻位置之间的响应叠加关系，影响定位结果的稳定性和可靠性。

4、此外，现有方法通常缺少对泄漏状态与传感响应之间映射关系的建模能力，难以根据多条件响应数据反向分析门缝不同位置的泄漏状态，也缺少结合复核数据对模型进行更新的机制，导致检测方法在不同机柜状态或检测环境下适应性不足。

5、因此，如何提供基于传感器的电磁屏蔽机柜门缝电磁泄漏检测与定位方法是本领域技术人员亟需解决的问题。

技术实现思路

1、本发明的一个目的在于提出基于传感器的电磁屏蔽机柜门缝电磁泄漏检测与定位方法，本发明充分利用了多条件传感响应分析、孪生映射模型和梯度反演技术，详细描述了从门缝传感响应采集、联合响应序列构建、泄漏状态样本映射学习到泄漏状态反演定位的智能化实现方法，具备定位准确性高、抗干扰能力强和模型适应性好的优点。

2、根据本发明实施例的基于传感器的电磁屏蔽机柜门缝电磁泄漏检测与定位方法，包括如下步骤：

3、s1、沿检测路径采集电磁屏蔽机柜门缝的传感响应数据，并进行预处理，形成多条件观测序列；

4、s2、对多条件观测序列中的响应数据进行路径对齐，并采用互信息度量解析响应数据之间的关联程度，形成联合响应序列；

5、s3、按照检测路径的位置分布配置多组泄漏状态样本，对各泄漏状态样本进行孪生演算，并采用受约束神经算子，对泄漏状态样本与对应响应变化之间的映射关系进行学习，构建孪生映射模型；

6、s4、以联合响应序列作为反演约束，调用孪生映射模型计算初始状态参数对应的响应偏差，采用梯度反演方法沿检测路径对状态参数进行迭代修正，并根据连续异常状态的分布范围确定候选泄漏区段；

7、s5、在候选泄漏区段内，依据迭代修正后的状态参数及其对应响应偏差，采用稀疏贝叶斯估计对各位置的泄漏状态贡献进行重构，并根据重构后泄漏状态贡献的连续集中分布，得到泄漏定位位置；

8、s6、获取泄漏定位位置的复核传感响应数据，并采用低秩自适应微调方法对模型参数进行增量更新。

9、可选的，所述预处理具体包括：

10、按照传感响应数据，对应的检测路径位置和检测条件对采集记录进行标记，并依据采样时标对各检测位置对应的采集记录进行时序配准，其中：

11、所述传感响应数据为，沿电磁屏蔽机柜门缝采集得到的响应采样值，及对应采样时标组成的数据记录；

12、所述检测路径为，沿电磁屏蔽机柜门缝延伸顺序设置多个检测位置，并按照各检测位置的排列顺序建立的位置索引路径；

13、所述检测条件用于区分同一检测位置下不同响应采集状态的条件标识；

14、对时序配准后的采集记录进行基线校正，采用小波阈值去噪方法对响应数据中的突发扰动分量进行分解和阈值收缩，得到校正响应数据；

15、对校正响应数据进行幅值尺度转换，并将相同检测路径位置在不同检测条件下对应的校正响应数据绑定至同一位置索引；

16、按照位置索引和检测条件，对绑定后的校正响应数据进行顺序排列，形成多条件观测序列。

17、可选的，所述s2具体包括：

18、s21、依据检测路径的位置索引，在多条件观测序列中，将不同检测条件下对应于相同检测位置的响应数据进行位置配准，并按照检测条件，将位置配准后的响应数据划分为响应片段组；

19、s22、针对各响应片段组，采用互信息度量计算不同检测条件对应响应片段之间的关联值，并将各关联值按照检测条件之间的对应关系排列，得到各检测位置对应的关联度量结果；

20、s23、依据关联度量结果，对各响应片段组中不同检测条件对应的响应分量配置门控系数，通过门控系数对低关联响应分量进行衰减处理，并对高关联响应分量进行耦合编码，得到各检测位置对应的关联响应编码；

21、s24、按照检测路径的位置索引顺序排列各关联响应编码，并将排列后的关联响应编码组合形成联合响应序列。

22、可选的，所述s22具体包括：

23、s221、针对各响应片段组，将不同检测条件对应的响应片段按照采样时序进行对应，并分别采用32个、64个和128个连续采样值构成三级滑动窗口，按照各级滑动窗口长度的一半设置移动步长，截取各响应片段对应的窗口响应数据；

24、s222、在同一级滑动窗口下，将窗口起始位置相同且检测条件不同的窗口响应数据组成关联计算对，采用高斯核密度估计方法，分别获得各关联计算对的边缘密度分布和联合密度分布；

25、s223、依据边缘密度分布和联合密度分布，计算各关联计算对的互信息值，对同一检测条件组合在同一级滑动窗口下对应的多个互信息值进行均值聚合，得到三级窗口关联值；

26、s224、对同一检测条件组合对应的三级窗口关联值进行加权融合，得到不同检测条件对应响应片段之间的关联值，并按照检测条件之间的组合关系排列各关联值，形成各检测位置对应的关联度量结果。

27、可选的，所述s3具体包括：

28、s31、依据检测路径的位置分布设置状态位置，并在各状态位置配置泄漏状态值，将不同状态位置对应的泄漏状态值按照检测路径顺序组合，形成多组泄漏状态样本，其中：

29、所述泄漏状态值为配置于状态位置的状态数值，所述泄漏状态样本为按照检测路径顺序排列的状态值集合，用于表征不同状态位置在不同泄漏组合下的状态变化分布；

30、s32、对各泄漏状态样本进行孪生演算，按照泄漏状态值在检测路径上的分布关系计算对应的响应变化，并将泄漏状态样本与对应响应变化建立样本映射对；

31、s33、构建受约束神经算子，并将泄漏状态样本作为状态侧输入，将对应响应变化作为响应侧目标，学习样本映射对中的泄漏状态样本与响应变化之间的映射关系；

32、s34、在受约束神经算子的学习过程中，依据相邻状态位置之间的泄漏状态值差异进行连续约束，并对响应侧目标与模型输出之间的偏差进行收敛约束，得到孪生映射模型。

33、可选的，所述s33具体包括：

34、s331、按照检测路径顺序，对泄漏状态样本中的状态位置和泄漏状态值分别进行嵌入编码，将状态位置映射为32维至128维的位置编码结果，将泄漏状态值映射为32维至128维的状态值编码结果，并将同一状态位置对应的位置编码结果和状态值编码结果进行拼接，得到各状态位置对应的状态编码结果；

35、s332、沿检测路径方向，对各状态位置对应的状态编码结果进行傅里叶变换，截取前8个至32个低频分量，并对低频分量进行线性映射，得到全路径状态关联特征；

36、s333、将全路径状态关联特征映射至与状态编码结果一致的编码维度，并与各状态位置对应的状态编码结果进行残差融合，通过两层全连接映射对残差融合结果进行响应变化预测，第一层全连接映射的隐藏维度为64维至256维，第二层全连接映射输出与对应响应变化一致的维度，得到与泄漏状态样本对应的预测响应变化；

37、s334、以样本映射对中的对应响应变化作为响应侧目标，计算预测响应变化与响应侧目标之间的映射偏差，并依据映射偏差更新嵌入编码、线性映射和两层全连接映射对应的模型参数，完成状态编码结果与响应变化之间的映射学习。

38、可选的，所述s4具体包括：

39、s41、依据检测路径的位置顺序配置初始状态参数，将初始状态参数代入孪生映射模型，得到与初始状态参数对应的映射响应，并将映射响应与联合响应序列进行逐位置残差计算，得到响应偏差；

40、s42、基于孪生映射模型，计算各状态位置对应状态参数对响应偏差的敏感度，并将响应偏差按照敏感度反向传递至检测路径上的各状态位置，得到状态参数对应的反演梯度；

41、s43、依据反演梯度对状态参数进行受约束迭代更新，并结合检测路径上的相邻状态关系对更新结果进行连续化修正，得到修正状态参数，具体包括：

42、按照检测路径的位置顺序，将各状态位置对应的反演梯度与当前轮状态参数进行对应，并依据反演梯度的方向确定各状态位置的状态参数更新方向；

43、根据各状态位置对应的残差归因强度配置自适应更新步长，并按照状态参数更新方向和自适应更新步长对当前轮状态参数进行更新，得到中间状态参数；

44、计算中间状态参数中相邻状态位置之间的状态差值，将状态差值大于预设差值阈值的状态位置标记为离散跳变位置，并依据离散跳变位置两侧的相邻状态参数，对该离散跳变位置的中间状态参数进行约束修正；

45、将约束修正后的中间状态参数作为下一轮状态参数继续迭代，直至响应偏差的变化幅度满足停止条件，得到沿检测路径连续分布的修正状态参数；

46、s44、根据修正状态参数的连续分布结果，识别状态参数持续异常的状态位置，将检测路径上相邻且持续异常的状态位置合并，确定候选泄漏区段。

47、可选的，所述s42具体包括：

48、s421、按照检测路径的位置顺序，将响应偏差拆分为各检测位置对应的残差片段，并依据各残差片段在联合响应序列中的位置索引建立响应残差向量；

49、s422、基于孪生映射模型，计算映射响应对各状态位置的状态参数变化的敏感度，得到雅可比敏感度矩阵，并按照检测路径的位置顺序对雅可比敏感度矩阵中的行列关系进行对齐；

50、s423、基于雅可比敏感度矩阵对响应残差向量进行反向传递，得到各状态位置对应的残差回传量，并计算状态位置的残差归因强度；

51、s424、依据相邻状态位置的残差归因强度差异，对孤立突变的残差回传量进行衰减处理，并将衰减后的残差回传量与状态参数约束梯度合成，生成反演梯度。

52、可选的，所述s5具体包括：

53、s51、在候选泄漏区段内，提取各状态位置对应的迭代修正后的状态参数以及对应响应偏差，并按照检测路径的位置顺序，建立状态参数与响应偏差之间的对应关系；

54、s52、为候选泄漏区段内各状态位置设置泄漏状态贡献变量，并依据各状态位置对应的状态参数为泄漏状态贡献变量配置初始概率权重；

55、s53、依据各状态位置对应的响应偏差，对泄漏状态贡献变量的初始概率权重进行贝叶斯更新，并对更新后概率权重较低的泄漏状态贡献变量进行稀疏收缩，得到重构后的泄漏状态贡献；

56、s54、按照检测路径的位置顺序，对重构后的泄漏状态贡献进行连续集中性检索，将连续集中分布的泄漏状态贡献对应的位置确定为泄漏定位位置。

57、可选的，所述s6具体包括：

58、s61、在泄漏定位位置对应的检测路径范围内，获取复核传感响应数据，并按照联合响应序列的形成方式，对复核传感响应数据进行路径对齐和关联聚合，得到复核联合响应数据；

59、s62、将泄漏定位位置对应的状态参数代入孪生映射模型，得到对应的复核映射响应，并将复核映射响应与复核联合响应数据进行逐位置偏差计算，得到映射响应偏差；

60、s63、依据映射响应偏差反向传播至孪生映射模型各参数层的梯度幅值，筛定与映射响应偏差关联的嵌入编码参数、线性映射参数和两层全连接映射参数，并在筛定的模型参数处配置低秩更新矩阵；

61、s64、冻结孪生映射模型中未筛定的模型参数，采用低秩自适应微调方法，根据映射响应偏差更新低秩更新矩阵，并将更新后的低秩更新矩阵与对应筛定的模型参数进行合并，得到增量更新后的孪生映射模型。

62、本发明的有益效果是：

63、首先，本发明通过路径对齐、互信息度量和关联聚合，将不同检测条件下的门缝传感响应数据转换为联合响应序列，使检测数据能够与门缝路径位置稳定对应，减少单次采集波动和局部噪声对泄漏判断的影响。

64、其次，本发明利用泄漏状态样本、孪生演算和受约束神经算子构建孪生映射模型，并结合梯度反演方法对状态参数进行迭代修正，使泄漏检测由简单阈值判断转变为基于状态映射关系的反向求解，提高候选泄漏区段筛定的准确性。

65、最后，本发明在候选泄漏区段内采用稀疏贝叶斯估计重构泄漏状态贡献，并利用复核传感响应数据对孪生映射模型进行增量更新，使泄漏定位位置更加集中明确，提升检测定位的稳定性和模型适应能力。