[发明专利]一种大功率毫米波回旋行波管的主动控保方法及系统

说明书

本发明属于大功率毫米波技术领域，具体提供一种基于神经网络预测的大功率毫米波回旋行波管的主动控保方法及系统，用以克服现有自动化测试系统被动控保的缺点。本发明通过为历史样本数据添加打火标签，建立与训练了神经网络预测模型，通过预测模型对实时采集的测试数据进行打火标签预测，当时间周期T内，打火标签预测值连续Th₁次为1或打火标签预测值为1的次数大于Th₂时，自动控制基础控保模块采取紧急关断处理，实现对大功率毫米波回旋行波管自动测试的主动控保，能有效的降低器件的打火次数，从而提升器件打火保护安全性，降低因打火损坏回旋行波管事件的发生率，具有良好的经济效应。

技术领域

本发明属于大功率毫米波技术领域，涉及大功率毫米波回旋行波管自动化测试系统；具体涉及大功率毫米波回旋行波管打火保护技术、神经网络预测技术，提供一种基于神经网络预测的大功率毫米波回旋行波管的主动控保方法及系统，用于实现器件当前运行状态下是否会出现打火的预测，并通过对控制保护模块的控制，实现对器件打火的主动控保。

背景技术

大功率毫米波回旋行波管在国防、科学研究、民用通讯等领域有着广泛的应用，其具有大功率、宽频带、高增益的优点。通常在器件测试或者正常工作时，当加在电真空器件上的电压超过某个值后会发生打火或高压击穿的现象，所谓打火就是在电极之间迸发出一定色彩的电火花，类似放电，在打火的同时还能听到放电的声音，这种声音是由于打火瞬间放气形成的。打火放出的气体通常大部分会很快被电极及管内其他吸气材料吸收，剩余部分在电极间形成电流密度较大的等离子体放电，当电流密度大到一定程度就会在电极短路击穿，对器件造成严重损害甚至报废，产生经济上的损失；同时，多次打火会降低器件内的真空度，影响器件性能；因此应避免器件长期处于打火状态下，当出现打火时，应及时报警并关断电源处理。电真空器件研发周期长，成本高，因此控保系统就显得格外重要。

现有的自动化测试系统中的控制保护系统为被动控保，是根据对器件设备参数进行实时采集，判断参数是否超过了提前设定好的阈值，当超过阈值时认为器件出现了打火等异常并断电处理。由于阈值的合理设置需要一定的经验，器件设备参数采集会有一定延迟，且这种控保处理方式无法在器件出现打火前采取处理措施，必须等器件出现打火后一段时间，才能发现并采取措施。

基于此，本发明提供一种基于神经网络预测的大功率毫米波回旋行波管的主动控保方法及系统。

发明内容

本发明的目的在于针对上述背景技术存在的现有自动化测试系统被动控保的缺点，提供一种具有学习能力的主动控保方法及系统，以实现大功率毫米波回旋行波管的主动控保，降低因为打火对器件造成的损害。

为实现上述目的，本发明采用的技术方案为：

一种大功率毫米波回旋行波管的主动控保方法，包括如下步骤：

步骤S1.建立神经网络预测模型；

步骤S11.采集建立神经网络预测模型训练样本集合；

所述训练样本数据包括：磁场电流(A)，补偿磁场电流(A)，阴极电压(KV)，阴极电流(A)，钛泵电流(nA)，打火标签：打火状态为1、未打火状态为0；所述打火标签用于标记当前状态是否打火；

设置采样频率，对历史数据进行采样，得到训练样本数据；采样过程中，将发生打火时刻的前Q(3≤Q≤5)个时刻对应的打火标签均标记为打火状态1；

步骤S12.根据训练样本集合，通过BP神经网络方法建立神经网络预测模型；

采用BP神经网络，其中，输入层节点数N＝5，输出层节点数L＝1，隐含层节点数M初始值为3；设置损失函数Loss为均方误差，训练次数nb_epoch，根据训练样本数据对BP神经网络进行训练，得到神经网络预测模型；

步骤S2.通过神经网络预测模型预测器件当前状态是否会发生打火，是否需要警告并采取相应的处理；