[发明专利]基于多线路关联的电路故障诊断方法及其系统

说明书

本申请涉及安全用电领域下的智能检测，其具体地公开了一种基于多线路关联的电路故障诊断方法及其系统，其通过卷积神经网络模型来对实验室整体电路中各条线路的电流信号波形图进行局部的隐含关联特征提取以及对所述实验室整体电路的高维电路逻辑拓扑特征进行表达，并使用具有三维卷积核的卷积神经网络来提取出所述各条线路的电流信号之间的关联特征信息，进一步再对得到的电路整体特征向量进行柯西重概率化以消除初始特征维度较高的问题，进而提高卷积神经网络的训练效果。这样，就能够对实验室的整体电路中的电弧故障进行准确地预警。

技术领域

本申请涉及安全用电领域下的智能检测，且更为具体地，涉及一种基于多线路关联的电路故障诊断方法及其系统。

背景技术

安全用电是避免实验室火灾事故的关键因素之一。实验室用电线路老化，用电负荷高或超负荷用电的情况，都会导致电弧故障发生，或损坏实验仪器，或引发电气火灾事故。因此，期待一种用于实验室安全的电路故障预警方案来对实验室整体电路中的电弧故障进行诊断。

深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。

近年来，深度学习以及神经网络的发展，尤其是卷积神经网络的发展，为实验室安全的电路故障预警提供了新的解决思路和方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于多线路关联的电路故障诊断方法及其系统，其通过卷积神经网络模型来对实验室整体电路中各条线路的电流信号波形图进行局部的隐含关联特征提取以及对所述实验室整体电路的高维电路逻辑拓扑特征进行表达，并使用具有三维卷积核的卷积神经网络来提取出所述各条线路的电流信号之间的关联特征信息，进一步再对得到的电路整体特征向量进行柯西重概率化以消除初始特征维度较高的问题，进而提高卷积神经网络的训练效果。这样，就能够对实验室的整体电路中的电弧故障进行准确地预警。