本發明涉及微波加熱控制技術。

背景技術：

微波加熱，實質上是利用微波的能量特征。微波能直接穿透媒介，媒介內部分子在吸收微波能后使分子熱運動加劇，從而溫度上升，達到加熱的目的。相對于其他傳統的加熱方式，它具有高效率、無污染、加熱速度快、熱量損失小等優點。微波加熱作為一種新的清潔加熱方式，它無疑具有很大的應用價值。

但是在微波加熱過程中，會涉及到復雜時變電磁場與溫度場的耦合情況，被加熱媒介的介電系數、熱導率隨著溫度的升高均會發生變化，這些不定因素的改變可能導致媒質局部過熱甚至熱失控的現象。出現這種情況，如果沒能及時處理，嚴重時會引發安全事故。

技術實現要素：

本發明的目的是解決微波加熱過程中，局部過熱(熱失控)的問題。

為實現本發明目的而采用的技術方案是這樣的，一種基于微波加熱溫度場分布特征深度學習的局部溫度變化異常檢測方法，其特征在于:

通過步驟1～4獲得微波加熱裝置的溫度異常檢測模型：

1)在微波加熱裝置的微波加熱溫度場中，布置m個采集節點，在n0個時刻，獲取每一個采集節點的溫度數據，形成多維數據樣本集C_q；

2)將步驟1獲取的多維數據樣本集C_q進行歸一化處理，得到數據

3)深度特征提?。?/p>

3-1)選定經過歸一化后的微波分布場的多維數據中的一個訓練樣本樣本S_q作為輸入變量，設定卷積核大小L_k和步長A_k，得到特征映射值構成的數據集H_k。

3-2)設定池化層的大小，采用最大值池化的方法處理數據集H_k，得到數據集I_k，

3-3)將數據集I_k帶入自動編碼器，通過最小重構誤差，利用反向 傳播算法反向修正網絡各層的參數，最終學習到特征重復3)的步驟，不斷學習新的樣本數據，通過網絡的層層迭代，最終更新得到特征數據集

4)以數據集為異常檢測算法Isolation Forest(孤立森林)的輸入，

獲得溫度異常檢測模型：X為模型的輸入矩陣；

工作時，通過步驟，獲得微波加熱裝置溫度是否異常：

A)采用與步驟1)相同的方法，記錄微波加熱裝置的m個采集節點中，每一個采集節點在n0個時刻的溫度數據，并保存到矩陣E；

B)采用與步驟2)相同的方法，將矩陣E，歸一化處理得到矩陣F；

C)選定數據集中的數據樣本F作為輸入變量，設定卷積層滑動窗口的長度L_K和步長A_K，依次從輸入變量中提取每一行參數，利用滑動窗口遍歷所述的每一行參數，將其切割為若干數據片段其中，u為向上取整獲得的值，k＝1、2……K，K為卷積網絡層數。

D)以數據片段和線性濾波器進行卷積，再加上一個偏置pb^k作為激活函數的輸入，其中激活函數采用sigmoid,tanh,或relu,通過激活函數得到特征映射值構成的數據集PH_k：

E)設定大小為GK的池化窗口，最大值池化數據集PH_k，得到數據集PI_k：

F)將數據集PI_k帶入自動編碼器，通過最小重構誤差，利用反向傳播算法反向逐層修正網絡各層參數，訓練得到特征

采用與步驟3)相同的方法學習新的數據訓練樣本，更新步驟3-1)所述的輸入變量，按照前一個訓練樣本得到網絡各層參數訓練新的樣本，以k+1來更新k，卷積層滑動窗口的長度Lk+1和步長Ak+1不變，池化窗口的長度也不變。重復3)的過程，最終學習到特征

L_K和A_K分別為第K次進行步驟D)到E)時，設定的設定卷積層滑動窗口長度和步長；G_K為第K次進行步驟D)到E)時，設定的池化窗口大?。?/p>

G)將特征矩陣作為步驟4)所得到的溫度異常檢測模型： 的輸入矩陣，輸出異常或正常。

值得說明的是，本發明采用多層卷積網絡結構，從原始多維數據信號中提取出深層次的特征表達，然后將其輸送給Isolation Forest(孤立森林)異常檢測模型來檢測異常特征。是一種高效的可從微波加熱過程中采集的原始數據提取出更好的特征表達，將提取的特征帶入異常檢測系統進行檢測，可以可靠地測得被加熱媒介分布場的溫度變化是否存在異常。

附圖說明

圖1.本發明的方法流程

圖2.卷積神經網絡特征提取示意圖

圖3.自動編碼特征映射結構圖

圖4.采用本發明的方法，700功率微波數據做異常檢測(實心點為異常)

圖5.采用本發明的方法，800功率微波數據做異常檢測(實心點為異常)。

具體實施方式

下面結合實施例對本發明作進一步說明，但不應該理解為本發明上述主題范圍僅限于下述實施例。在不脫離本發明上述技術思想的情況下，根據本領域普通技術知識和慣用手段，做出各種替換和變更，均應包括在本發明的保護范圍內。

一種基于深度學習的微波加熱過程溫度場分布的多維大數據信息的異常檢測方法，

搭建后臺分析系統和檢測裝置；

所述后臺分析系統對原始微波加熱過程中的數據樣本C_q進行分析時，通過步驟1～4獲得微波加熱裝置的溫度異常檢測模型：

包括以下步驟：

1)獲取原始數據樣本C_q，q為數據樣本編號，q＝1、2……，

其中：為一個節點的微波數據，樣本C_q中，具有m個不同節點，每一個節點的數據均在t時刻被采集，t＝1、2……n0；

2)將原始數據樣本C_q歸一化處理，得到構建數據集{S1、S2……}

3)深度特征提?。?/p>

3-1)選定數據集中的數據樣本S_q作為輸入變量，設定卷積核的大小L_k和步長A_k，依次從輸入變量中提取每一行參數，利用滑動窗口遍歷所述的每一行參數，將其切割為若干數據片段其中，i為向上取整獲得的值，k＝1、2……K，K為卷積網絡層數；

3-2)以數據片段和線性濾波器進行卷積，再加上一個偏置b^k作為激活函數的輸入變量,通過激活函數得到特征映射值構成的數據集H_k,其中的激活函數可以采用sigmoid,tanh,或relu等函數。

3-3)設定大小為GK的池化窗口，采用最大值池化方法處理數據集H_k，得到數據集I_k：

3-4)將得到特征數據集I_k代入到自動編碼器，通過最小重構誤差，利用反向傳播算法反向逐層修正網絡各層參數，訓練得到特征

采用與步驟3)相同的方法學習新的數據訓練樣本，用新樣本更新步驟3-1)所述的輸入變量，按照前一個訓練樣本得到的網絡各層參數訓練新的樣本，以k+1來更新k，卷積層滑動窗口的長度Lk+1和步長Ak+1不變，池化窗口的長度也不變。重復3)的過程，最終學習到特征

L_K和A_K分別為第K次進行步驟3-2)到3-3)時，設定的設定卷積核的大小和步長；G_K為第K次進行步驟3-2)到3-3)時，設定的池化窗口大??；

4)以數據集為Isolation Forest的輸入，得到異常分數S(X),

獲得溫度異常檢測模型：

所述檢測裝置包括數據收集部分和數據分析部分；工作時，通過步驟A～G，獲得微波加熱裝置溫度是否異常：

A)所述數據收集部分采集加熱節點的數據保存到矩陣E，并傳遞給數據分析部分；

其中：

為一個節點的數據，樣本E中，具有m個不同節點，每一個節點的參數均在pt時刻被采集，pt＝1、2……pn0；

B)采用與步驟2)相同的方法，將數據樣本E，歸一化處理得到

C)選定數據集中的一個數據樣本F1作為輸入變量，設定卷積層滑動窗口的長度L_K和步長A_K，依次從輸入變量中提取每一行參數，利 用滑動窗口遍歷所述的每一行參數，將其切割為若干數據片段其中，u為向上取整獲得的值，k＝1、2……K，K為卷積網絡層數。

D)以數據片段和線性濾波器進行卷積，再加上一個偏置pb^k作為激活函數的輸入，其中激活函數可以采用sigmoid,tanh,或relu等,通過激活函數得到特征映射值構成的數據集PH_k：

E)設定大小為GK的池化窗口，最大值池化數據集PH_k，得到數據集PI_k：

F)將數據集PI_k帶入自動編碼器，通過最小重構誤差，利用反向傳播算法反向逐層修正網絡各層參數，訓練得到特征

采用與步驟3)相同的方法學習新的數據訓練樣本，更新步驟3-1)所述的輸入變量，按照前一個訓練樣本得到的網絡各層參數訓練新的 樣本，以k+1來更新k，卷積層滑動窗口的長度Lk+1和步長Ak+1不變，池化窗口的長度也不變。重復3)的過程，最終學習到特征

L_K和A_K分別為第K次進行步驟D)到E)時，設定的設定卷積層滑動窗口長度和步長；G_K為第K次進行步驟D)到E)時，設定的池化窗口大小；

G)將特征矩陣作為所述溫度異常檢測模型：的輸入矩陣，輸出異常或正常。