CN114839466A - 用于水泵的emc电磁兼容性测试***及其测试方法 - Google Patents
用于水泵的emc电磁兼容性测试***及其测试方法 Download PDFInfo
- Publication number
- CN114839466A CN114839466A CN202210573239.2A CN202210573239A CN114839466A CN 114839466 A CN114839466 A CN 114839466A CN 202210573239 A CN202210573239 A CN 202210573239A CN 114839466 A CN114839466 A CN 114839466A
- Authority
- CN
- China
- Prior art keywords
- feature
- matrix
- feature vector
- water pump
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 160
- 238000012360 testing method Methods 0.000 title claims abstract description 88
- 238000010998 test method Methods 0.000 title claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 156
- 239000011159 matrix material Substances 0.000 claims description 136
- 238000013527 convolutional neural network Methods 0.000 claims description 84
- 230000004927 fusion Effects 0.000 claims description 34
- 230000005012 migration Effects 0.000 claims description 29
- 238000013508 migration Methods 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 29
- 238000005516 engineering process Methods 0.000 claims description 23
- 238000000034 method Methods 0.000 claims description 19
- 230000009467 reduction Effects 0.000 claims description 19
- 238000001914 filtration Methods 0.000 claims description 18
- 239000003638 chemical reducing agent Substances 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 description 14
- 238000011156 evaluation Methods 0.000 description 12
- 230000007613 environmental effect Effects 0.000 description 9
- 238000013473 artificial intelligence Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000002411 adverse Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000011056 performance test Methods 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000036039 immunity Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000008054 signal transmission Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 102100033620 Calponin-1 Human genes 0.000 description 1
- 102100033591 Calponin-2 Human genes 0.000 description 1
- 102100033592 Calponin-3 Human genes 0.000 description 1
- 101000945318 Homo sapiens Calponin-1 Proteins 0.000 description 1
- 101000945403 Homo sapiens Calponin-2 Proteins 0.000 description 1
- 101000945410 Homo sapiens Calponin-3 Proteins 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/001—Measuring interference from external sources to, or emission from, the device under test, e.g. EMC, EMI, EMP or ESD testing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Electromagnetism (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本申请涉及电磁兼容性的智能测试领域，其具体地公开了一种用于水泵的EMC电磁兼容性测试***及其测试方法，其使用基于大数据的人工智能技术对水泵的EMC电磁兼容性的其他设备产生的电磁干扰进行评估，以使得在对水泵进行电磁兼容性性能测试时不仅将信号检测设备的误差和环境误差考虑在内，同时，还将所述水泵自身工作状态带来的影响考虑在内，以提高评估的合理性和准确性。
Description
技术领域
本发明涉及电磁兼容性的智能测试领域，且更为具体地，涉及一种用于水泵的EMC电磁兼容性测试***及其测试方法。
背景技术
EMC电磁兼容性实验室，是指设备或***在其电磁环境中符合要求运行并不对其环境中的任何设备产生无法忍受的电磁干扰的能力。因此，EMC包括两个方面的要求：一方面是指设备在正常运行过程中对所在环境产生的电磁干扰EMI不能超过一定的限值；另一方面是指器具对所在环境中存在的电磁干扰具有一定程度的抗扰度EMS，即电磁敏感性。
目前，针对国家水泵产品质量监督检验中心(浙江)实验室电磁兼容EMC实验室设备提升项目的建设要求，增加自带控制设备的水泵及与水泵分离运行的控制设备的电磁兼容性的能力。因此，如何对水泵工作时的EMC电磁兼容性进行评估是需要考虑的。
现有的评估测试方式是通过信息技术设备采集水泵在工作时产生的电磁干扰信号，然后基于电磁干扰信号来进行干扰特性测量。这种评估方式存在一定缺陷，也就是信息技术设备在采集电磁干扰信号时会存在偏差，并且水泵产生的电磁干扰与其工作状态有关，也就是，在不同工作状态下，水泵产生的电磁干扰会产生动态变化。因此，在进行水泵的电磁干扰性进行测试时，需考虑水泵的实时工作状态。因此，期望一种用于水泵的EMC电磁兼容性测试***。
近年来，深度学***。
近年来，深度学习以及神经网络的发展，为水泵的EMC电磁兼容性测试提供了解决思路和方案。
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用于水泵的EMC电磁兼容性测试***及其测试方法，其使用基于大数据的人工智能技术对水泵的EMC电磁兼容性的其他设备产生的电磁干扰进行评估，以使得在对水泵进行电磁兼容性性能测试时不仅将信号检测设备的误差和环境误差考虑在内，同时，还将所述水泵自身工作状态带来的影响考虑在内，以提高评估的合理性和准确性。
根据本申请的一个方面，提供了一种用于水泵的EMC电磁兼容性测试***，其包括：
电磁干扰信号采集单元，用于获取由信息技术设备采集的待检测水泵在预定工作时段内产生的电磁干扰信号；
降噪单元，用于将所述电磁干扰信号通过作为降噪器的深度可分离卷积神经网络以得到降噪后电磁干扰信号，其中，所述深度可分离卷积神经网络在其卷积操作中不同层的滤波器用于分别在两个空间维度和通道维度上进行卷积以基于三维块匹配和过滤对所述电磁干扰信号的波形图进行降噪；
波形特征提取单元，用于将所述降噪后电磁干扰信号通过作为波形特征提取器的第二卷积神经网络以得到第一特征向量；
工作状态数据获取单元，用于获取所述待检测水泵在所述预定工作时段内的多个预定时间点的工作状态数据，所述工作状态数据包括流量、压力、电参数、转速、电阻和温度；
矩阵构造单元，用于将所述多个预定时间点的工作状态数据按照时间和样本维度排列为工作状态矩阵后通过作为状态特征提取器的第三卷积神经网络以得到第二特征向量；
特征向量融合单元，用于对所述第一特征向量和所述第二特征向量进行基于特征空间迁移的融合以得到分类特征矩阵，其中，所述基于特征空间迁移的融合基于所述第一特征向量乘以所述第二特征向量的转置所得到的特征矩阵按矩阵位置除以所述第一特征向量乘以所述第二特征向量的转置所得到的特征矩阵的Frobenius范数来进行；以及
测试结果生成单元，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待检测水泵工作时产生的电磁干扰是否满足预设要求。
在上述用于水泵的EMC电磁兼容性测试***中，所述波形特征提取单元，进一步用于：使用作为波形特征提取器的所述第二卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿特征矩阵的池化处理和激活处理以由所述第一卷积神经网络的最后一层生成所述第一特征向量，其中，所述第一卷积神经网络的第一层的输入为所述降噪后电磁干扰信号。
在上述用于水泵的EMC电磁兼容性测试***中，所述矩阵构造单元，进一步用于：将所述多个预定时间点的工作状态数据排列为行向量；将所述各个时间点的行向量按照时间维度排列为二维的所述工作状态矩阵；以及，使用作为状态特征提取器的所述第三卷积神经网络的各层在层的正向传递过程中对所述工作状态矩阵进行卷积处理、沿特征矩阵的池化处理和激活处理以由所述第三卷积神经网络的最后一层输出所述第二特征向量。
在上述用于水泵的EMC电磁兼容性测试***中，所述特征向量融合单元，进一步用于：以如下公式对所述第一特征向量和所述第二特征向量进行基于特征空间迁移的融合以得到所述分类特征矩阵；
其中，所述公式为：
其中V1表示所述第一特征向量，V2表示所述第二特征向量，V1和V2均为列向量的形式，且||·||F表示矩阵的Frobenius范数。
在上述用于水泵的EMC电磁兼容性测试***中，所述测试结果生成单元，进一步用于：所述分类器以如下公式对所述分类特征矩阵进行处理以生成分类结果，其中，所述公式为：softmax{(Wn,Bn):…:(W1,B1)|Project(F)}，其中Project(F)表示将所述分类特征矩阵投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵。
根据本申请的另一方面，一种用于水泵的EMC电磁兼容性测试***的测试方法，其包括：
获取由信息技术设备采集的待检测水泵在预定工作时段内产生的电磁干扰信号；
将所述电磁干扰信号通过作为降噪器的深度可分离卷积神经网络以得到降噪后电磁干扰信号，其中，所述深度可分离卷积神经网络在其卷积操作中不同层的滤波器用于分别在两个空间维度和通道维度上进行卷积以基于三维块匹配和过滤对所述电磁干扰信号的波形图进行降噪；
将所述降噪后电磁干扰信号通过作为波形特征提取器的第二卷积神经网络以得到第一特征向量；
获取所述待检测水泵在所述预定工作时段内的多个预定时间点的工作状态数据，所述工作状态数据包括流量、压力、电参数、转速、电阻和温度；
将所述多个预定时间点的工作状态数据按照时间和样本维度排列为工作状态矩阵后通过作为状态特征提取器的第三卷积神经网络以得到第二特征向量；
对所述第一特征向量和所述第二特征向量进行基于特征空间迁移的融合以得到分类特征矩阵，其中，所述基于特征空间迁移的融合基于所述第一特征向量乘以所述第二特征向量的转置所得到的特征矩阵按矩阵位置除以所述第一特征向量乘以所述第二特征向量的转置所得到的特征矩阵的Frobenius范数来进行；以及
将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待检测水泵工作时产生的电磁干扰是否满足预设要求。
在上述用于水泵的EMC电磁兼容性测试***的测试方法中，将所述降噪后电磁干扰信号通过作为波形特征提取器的第二卷积神经网络以得到第一特征向量，包括：使用作为波形特征提取器的所述第二卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿特征矩阵的池化处理和激活处理以由所述第一卷积神经网络的最后一层生成所述第一特征向量，其中，所述第一卷积神经网络的第一层的输入为所述降噪后电磁干扰信号。
在上述用于水泵的EMC电磁兼容性测试***的测试方法中，将所述多个预定时间点的工作状态数据按照时间和样本维度排列为工作状态矩阵后通过作为状态特征提取器的第三卷积神经网络以得到第二特征向量，包括：将所述多个预定时间点的工作状态数据排列为行向量；将所述各个时间点的行向量按照时间维度排列为二维的所述工作状态矩阵；以及，使用作为状态特征提取器的所述第三卷积神经网络的各层在层的正向传递过程中对所述工作状态矩阵进行卷积处理、沿特征矩阵的池化处理和激活处理以由所述第三卷积神经网络的最后一层输出所述第二特征向量。
在上述用于水泵的EMC电磁兼容性测试***的测试方法中，对所述第一特征向量和所述第二特征向量进行基于特征空间迁移的融合以得到分类特征矩阵，包括：以如下公式对所述第一特征向量和所述第二特征向量进行基于特征空间迁移的融合以得到所述分类特征矩阵；
其中，所述公式为：
其中V1表示所述第一特征向量，V2表示所述第二特征向量，V1和V2均为列向量的形式，且||·||F表示矩阵的Frobenius范数。
在上述用于水泵的EMC电磁兼容性测试***的测试方法中，将所述分类特征矩阵通过分类器以得到分类结果，包括：所述分类器以如下公式对所述分类特征矩阵进行处理以生成分类结果，其中，所述公式为：softmax{(Wn,Bn):…:(W1,B1)|Project(F)}，其中Project(F)表示将所述分类特征矩阵投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵。
根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的用于水泵的EMC电磁兼容性测试***的测试方法。
与现有技术相比，本申请提供的用于水泵的EMC电磁兼容性测试***及其测试方法，其使用基于大数据的人工智能技术对水泵的EMC电磁兼容性的其他设备产生的电磁干扰进行评估，以使得在对水泵进行电磁兼容性性能测试时不仅将信号检测设备的误差和环境误差考虑在内，同时，还将所述水泵自身工作状态带来的影响考虑在内，以提高评估的合理性和准确性。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1A为根据本申请实施例的用于水泵的EMC电磁兼容性测试***的开式台安装及信号传输示意图。
图1B为根据本申请实施例的用于水泵的EMC电磁兼容性测试***的闭式台安装及信号传输示意图。
图2为根据本申请实施例的用于水泵的EMC电磁兼容性测试***的框图。
图3为根据本申请实施例的用于水泵的EMC电磁兼容性测试***的测试方法的流程图。
图4为根据本申请实施例的用于水泵的EMC电磁兼容性测试***的测试方法的架构示意图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述
如前所述，EMC电磁兼容性实验室，是指设备或***在其电磁环境中符合要求运行并不对其环境中的任何设备产生无法忍受的电磁干扰的能力。因此，EMC包括两个方面的要求：一方面是指设备在正常运行过程中对所在环境产生的电磁干扰EMI不能超过一定的限值；另一方面是指器具对所在环境中存在的电磁干扰具有一定程度的抗扰度EMS，即电磁敏感性。
目前，针对国家水泵产品质量监督检验中心(浙江)实验室电磁兼容EMC实验室设备提升项目的建设要求，增加自带控制设备的水泵及与水泵分离运行的控制设备的电磁兼容性的能力。因此，如何对水泵工作时的EMC电磁兼容性进行评估是需要考虑的。
现有的评估测试方式是通过信息技术设备采集水泵在工作时产生的电磁干扰信号，然后基于电磁干扰信号来进行干扰特性测量。这种评估方式存在一定缺陷，也就是信息技术设备在采集电磁干扰信号时会存在偏差，并且水泵产生的电磁干扰与其工作状态有关，也就是，在不同工作状态下，水泵产生的电磁干扰会产生动态变化。因此，在进行水泵的电磁干扰性进行测试时，需考虑水泵的实时工作状态。因此，期望一种用于水泵的EMC电磁兼容性测试***。
近年来，深度学***。
近年来，深度学习以及神经网络的发展，为水泵的EMC电磁兼容性测试提供了解决思路和方案。
具体地，本方案针对国家水泵产品质量监督检验中心(浙江)实验室电磁兼容EMC实验室设备提升项目的建设要求，增加自带控制设备的水泵及与水泵分离运行的控制设备的电磁兼容性的能力。拟增加一套闭式水泵测试***，引入EMC电波暗室，在该暗室内将自带控制设备的水泵接入水泵测试回路，在不同工况下运转时，测试其电磁兼容性；拟增加一套开式水泵测试***，测试潜水类水泵，并将其控制设备安装于EMC电波暗室，在不同工况下运转时，测试其控制设备的电磁兼容性，如图1A和图1B所示。
相应地，在本申请的技术方案中，由于现有的评估方式的信息技术设备在采集电磁干扰信号时会存在偏差，并且水泵产生的电磁干扰与其工作状态有关，也就是，在不同工作状态下，水泵产生的电磁干扰会产生动态变化。因此，在进行水泵的电磁干扰性进行测试时，需考虑水泵的实时工作状态。针对于这些问题，考虑到卷积神经网络对于实时动态的特征提取具有优异的表现，因此，在本申请的技术方案中，期望使用基于大数据的人工智能技术对电磁兼容性的第一方面进行评估，即，对所在环境中的其他设备产生的电磁干扰。
具体地，在本申请的技术方案中，首先使用基于深度可分离卷积神经网络作为降噪器对待检测水泵在预定工作时段内产生的电磁干扰信号进行自适应降噪，以避免环境噪声或检测设备自身引入的噪声对电磁干扰信号的检测精度造成不良影响，从而得到降噪后电磁干扰信号。特别地，所述深度可分离卷积神经网络在其卷积操作中不同层的滤波器用于分别在两个空间维度W和H和通道维度C上进行卷积以基于三维块匹配和过滤对所述电磁干扰信号的波形图进行降噪，也就是，卷积操作不仅发生在图像维度的空间，还在通道维度上进行，这样，可以挖掘高维特征中的三维块结构，从而基于三维块匹配和过滤(3D block-matching and filtering)的原则来进行原始图像的去噪。
继而通过作为特征提取器的卷积神经网络对降噪后的电磁干扰信号进行编码，以提取到降噪后的电磁干扰信号中的深层本质特征，以得到第一特征向量。这样就能够解决信息技术设备在采集电磁干扰信号时会存在偏差的问题。
然后，获取所述待检测水泵在所述预定工作时段内的多个预定时间点的工作状态数据，所述工作状态数据包括流量、压力、电参数、转速、电阻和温度。然后，使将这些所述多个预定时间点的工作状态数据按照时间和样本维度排列为工作状态矩阵后通过作为状态特征提取器的第三卷积神经网络中进行处理，以提取上述参数的高维隐含的全局动态特征，从而得到第二特征向量。
进一步地，将电磁干扰信号的高维特征分布表达与水泵的实时状态的高维特征分布在高维特征空间内进行融合后进行分类解码，就可以获得水泵的EMC电磁兼容性测试结果。
但是，将作为电磁干扰信号的高维特征分布表达的第一特征向量V1与作为水泵的实时状态的高维特征分布的第二特征向量V2在高维特征空间内进行融合时，期望在获取其关联特征的同时，能够在从各自的特征分布的空间表示向着关联特征分布的空间表示进行空间迁移时，也能够保持分类概率上的远程依赖关系，因此，融合方式表示为：
||·||F表示矩阵的Frobenius范数，且V1和V2均为列向量。
也就是，通过特征向量间的相对位置嵌入来进行关联特征表达，同时进行关联特征的低秩表达的约束，来保留高维特征的空间迁移下的远程依赖(long-range dependent)关系，则可以在一定程度上融合后的分类矩阵Mc与融合前的第一特征向量V1和第二特征向量V2相对于分类器的类概率的概率分布的一致性。这样，可以使得在对水泵进行电磁兼容性性能测试时不仅将信号检测设备的误差和环境误差考虑在内，同时，还将水泵自身工作状态带来的影响考虑在内，以提高评估的合理性和准确性。
基于此，本申请提出了一种用于水泵的EMC电磁兼容性测试***，其包括：电磁干扰信号采集单元，用于获取由信息技术设备采集的待检测水泵在预定工作时段内产生的电磁干扰信号；降噪单元，用于将所述电磁干扰信号通过作为降噪器的深度可分离卷积神经网络以得到降噪后电磁干扰信号，其中，所述深度可分离卷积神经网络在其卷积操作中不同层的滤波器用于分别在两个空间维度和通道维度上进行卷积以基于三维块匹配和过滤对所述电磁干扰信号的波形图进行降噪；波形特征提取单元，用于将所述降噪后电磁干扰信号通过作为波形特征提取器的第二卷积神经网络以得到第一特征向量；工作状态数据获取单元，用于获取所述待检测水泵在所述预定工作时段内的多个预定时间点的工作状态数据，所述工作状态数据包括流量、压力、电参数、转速、电阻和温度；矩阵构造单元，用于将所述多个预定时间点的工作状态数据按照时间和样本维度排列为工作状态矩阵后通过作为状态特征提取器的第三卷积神经网络以得到第二特征向量；特征向量融合单元，用于对所述第一特征向量和所述第二特征向量进行基于特征空间迁移的融合以得到分类特征矩阵，其中，所述基于特征空间迁移的融合基于所述第一特征向量乘以所述第二特征向量的转置所得到的特征矩阵按矩阵位置除以所述第一特征向量乘以所述第二特征向量的转置所得到的特征矩阵的Frobenius范数来进行；以及，测试结果生成单元，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待检测水泵工作时产生的电磁干扰是否满足预设要求。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性***
图2图示了根据本申请实施例的用于水泵的EMC电磁兼容性测试***的框图。如图2所示，根据本申请实施例的用于水泵的EMC电磁兼容性测试***200，包括：电磁干扰信号采集单元210，用于获取由信息技术设备采集的待检测水泵在预定工作时段内产生的电磁干扰信号；降噪单元220，用于将所述电磁干扰信号通过作为降噪器的深度可分离卷积神经网络以得到降噪后电磁干扰信号，其中，所述深度可分离卷积神经网络在其卷积操作中不同层的滤波器用于分别在两个空间维度和通道维度上进行卷积以基于三维块匹配和过滤对所述电磁干扰信号的波形图进行降噪；波形特征提取单元230，用于将所述降噪后电磁干扰信号通过作为波形特征提取器的第二卷积神经网络以得到第一特征向量；工作状态数据获取单元240，用于获取所述待检测水泵在所述预定工作时段内的多个预定时间点的工作状态数据，所述工作状态数据包括流量、压力、电参数、转速、电阻和温度；矩阵构造单元250，用于将所述多个预定时间点的工作状态数据按照时间和样本维度排列为工作状态矩阵后通过作为状态特征提取器的第三卷积神经网络以得到第二特征向量；特征向量融合单元260，用于对所述第一特征向量和所述第二特征向量进行基于特征空间迁移的融合以得到分类特征矩阵，其中，所述基于特征空间迁移的融合基于所述第一特征向量乘以所述第二特征向量的转置所得到的特征矩阵按矩阵位置除以所述第一特征向量乘以所述第二特征向量的转置所得到的特征矩阵的Frobenius范数来进行；以及，测试结果生成单元270，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待检测水泵工作时产生的电磁干扰是否满足预设要求。
具体地，在本申请实施例中，所述电磁干扰信号采集单元210和所述降噪单元220，用于获取由信息技术设备采集的待检测水泵在预定工作时段内产生的电磁干扰信号，并将所述电磁干扰信号通过作为降噪器的深度可分离卷积神经网络以得到降噪后电磁干扰信号，其中，所述深度可分离卷积神经网络在其卷积操作中不同层的滤波器用于分别在两个空间维度和通道维度上进行卷积以基于三维块匹配和过滤对所述电磁干扰信号的波形图进行降噪。如前所述，应可以理解，在本申请的技术方案中，由于现有的评估方式的信息技术设备在采集电磁干扰信号时会存在偏差，并且水泵产生的电磁干扰与其工作状态有关，也就是，在不同工作状态下，所述水泵产生的电磁干扰会产生动态变化。因此，在进行水泵的电磁干扰性进行测试时，需考虑所述水泵的实时工作状态。针对于这些问题，考虑到卷积神经网络对于实时动态的特征提取具有优异的表现，因此，在本申请的技术方案中，期望使用基于大数据的人工智能技术对电磁兼容性的第一方面进行评估，即，对所在环境中的其他设备产生的电磁干扰。
具体地，在本申请的技术方案中，首先通过部署于待检测水泵中的信息技术设备采集待所述检测水泵在预定工作时段内产生的电磁干扰信号。接着再使用基于深度可分离卷积神经网络作为降噪器对所述待检测水泵在预定工作时段内产生的电磁干扰信号进行自适应降噪，以避免环境噪声或检测设备自身引入的噪声对电磁干扰信号的检测精度造成不良影响，从而得到降噪后电磁干扰信号。特别地，所述深度可分离卷积神经网络在其卷积操作中不同层的滤波器用于分别在两个空间维度W和H和通道维度C上进行卷积以基于三维块匹配和过滤对所述电磁干扰信号的波形图进行降噪，也就是，卷积操作不仅发生在图像维度的空间，还在通道维度上进行，这样，可以挖掘高维特征中的三维块结构，从而基于三维块匹配和过滤(3D block-matching and filtering)的原则来进行原始图像的去噪。
更具体地，在本申请实施例中，所述波形特征提取单元230，用于将所述降噪后电磁干扰信号通过作为波形特征提取器的第二卷积神经网络以得到第一特征向量。也就是，在本申请的技术方案中，然后通过作为特征提取器的第二卷积神经网络对所述降噪后的电磁干扰信号进行编码，以提取到所述降噪后的电磁干扰信号中的深层本质特征，以得到第一特征向量。这样就能够解决信息技术设备在采集电磁干扰信号时会存在偏差的问题。相应地，在一个具体示例中，使用作为波形特征提取器的所述第二卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿特征矩阵的池化处理和激活处理以由所述第一卷积神经网络的最后一层生成所述第一特征向量，其中，所述第一卷积神经网络的第一层的输入为所述降噪后电磁干扰信号。
具体地，在本申请实施例中，所述工作状态数据获取单元240和所述矩阵构造单元250，用于获取所述待检测水泵在所述预定工作时段内的多个预定时间点的工作状态数据，所述工作状态数据包括流量、压力、电参数、转速、电阻和温度，并将所述多个预定时间点的工作状态数据按照时间和样本维度排列为工作状态矩阵后通过作为状态特征提取器的第三卷积神经网络以得到第二特征向量。应可以理解，由于水泵产生的电磁干扰与其工作状态有关，也就是，在不同工作状态下，所述水泵产生的电磁干扰会产生动态变化，因此在进行水泵的电磁干扰性进行测试时，需考虑水泵的实时工作状态。因此，在本申请的技术方案中，进一步地，获取所述待检测水泵在所述预定工作时段内的多个预定时间点的工作状态数据，所述工作状态数据包括流量、压力、电参数、转速、电阻和温度。然后，使将这些获得的所述多个预定时间点的工作状态数据按照时间和样本维度排列为工作状态矩阵后通过作为状态特征提取器的第三卷积神经网络中进行处理，以提取所述参数的高维隐含的全局动态特征，从而得到第二特征向量。
更具体地，在本申请实施例中，所述矩阵构造单元，进一步用于：将所述多个预定时间点的工作状态数据排列为行向量；将所述各个时间点的行向量按照时间维度排列为二维的所述工作状态矩阵；以及，使用作为状态特征提取器的所述第三卷积神经网络的各层在层的正向传递过程中对所述工作状态矩阵进行卷积处理、沿特征矩阵的池化处理和激活处理以由所述第三卷积神经网络的最后一层输出所述第二特征向量。
具体地，在本申请实施例中，所述特征向量融合单元260，用于对所述第一特征向量和所述第二特征向量进行基于特征空间迁移的融合以得到分类特征矩阵，其中，所述基于特征空间迁移的融合基于所述第一特征向量乘以所述第二特征向量的转置所得到的特征矩阵按矩阵位置除以所述第一特征向量乘以所述第二特征向量的转置所得到的特征矩阵的Frobenius范数来进行。应可以理解，进一步地，在本申请的技术方案中，接着将所述电磁干扰信号的高维特征分布表达与所述水泵的实时状态的高维特征分布在高维特征空间内进行融合后进行分类解码，就可以获得所述水泵的EMC电磁兼容性测试结果。但是，将作为电磁干扰信号的高维特征分布表达的所述第一特征向量V1与作为水泵的实时状态的高维特征分布的所述第二特征向量V2在高维特征空间内进行融合时，期望在获取其关联特征的同时，能够在从各自的特征分布的空间表示向着关联特征分布的空间表示进行空间迁移时，也能够保持分类概率上的远程依赖关系，因此，对所述第一特征向量和所述第二特征向量进行基于特征空间迁移的融合以得到分类特征矩阵。
更具体地，在本申请实施例中，所述特征向量融合单元，进一步用于：以如下公式对所述第一特征向量和所述第二特征向量进行基于特征空间迁移的融合以得到所述分类特征矩阵；
其中，所述公式为：
其中V1表示所述第一特征向量，V2表示所述第二特征向量，V1和V2均为列向量的形式，且||·||F表示矩阵的Frobenius范数。应可以理解，通过所述特征向量间的相对位置嵌入来进行关联特征表达，同时进行关联特征的低秩表达的约束，来保留高维特征的空间迁移下的远程依赖(long-range dependent)关系，则可以在一定程度上融合后的所述分类矩阵Mc与融合前的所述第一特征向量V1和所述第二特征向量V2相对于分类器的类概率的概率分布的一致性。这样，可以使得在对所述水泵进行电磁兼容性性能测试时不仅将信号检测设备的误差和环境误差考虑在内，同时，还将所述水泵自身工作状态带来的影响考虑在内，以提高评估的合理性和准确性。
具体地，在本申请实施例中，所述测试结果生成单元270，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待检测水泵工作时产生的电磁干扰是否满足预设要求。在一个具体示例中，所述分类器以如下公式对所述分类特征矩阵进行处理以生成分类结果，其中，所述公式为：softmax{(Wn,Bn):…:(W1,B1)|Project(F)}，其中Project(F)表示将所述分类特征矩阵投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵。
综上，基于本申请实施例的所述用于水泵的EMC电磁兼容性测试***200被阐明，其使用基于大数据的人工智能技术对水泵的EMC电磁兼容性的其他设备产生的电磁干扰进行评估，以使得在对水泵进行电磁兼容性性能测试时不仅将信号检测设备的误差和环境误差考虑在内，同时，还将所述水泵自身工作状态带来的影响考虑在内，以提高评估的合理性和准确性。
如上所述，根据本申请实施例的用于水泵的EMC电磁兼容性测试***200可以实现在各种终端设备中，例如用于水泵的EMC电磁兼容性测试算法的服务器等。在一个示例中，根据本申请实施例的用于水泵的EMC电磁兼容性测试***200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该用于水泵的EMC电磁兼容性测试***200可以是该终端设备的操作***中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该用于水泵的EMC电磁兼容性测试***200同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该用于水泵的EMC电磁兼容性测试***200与该终端设备也可以是分立的设备，并且该用于水泵的EMC电磁兼容性测试***200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性方法
图3图示了用于水泵的EMC电磁兼容性测试***的测试方法的流程图。如图3所示，根据本申请实施例的用于水泵的EMC电磁兼容性测试***的测试方法，包括步骤：S110，获取由信息技术设备采集的待检测水泵在预定工作时段内产生的电磁干扰信号；S120，将所述电磁干扰信号通过作为降噪器的深度可分离卷积神经网络以得到降噪后电磁干扰信号，其中，所述深度可分离卷积神经网络在其卷积操作中不同层的滤波器用于分别在两个空间维度和通道维度上进行卷积以基于三维块匹配和过滤对所述电磁干扰信号的波形图进行降噪；S130，将所述降噪后电磁干扰信号通过作为波形特征提取器的第二卷积神经网络以得到第一特征向量；S140，获取所述待检测水泵在所述预定工作时段内的多个预定时间点的工作状态数据，所述工作状态数据包括流量、压力、电参数、转速、电阻和温度；S150，将所述多个预定时间点的工作状态数据按照时间和样本维度排列为工作状态矩阵后通过作为状态特征提取器的第三卷积神经网络以得到第二特征向量；S160，对所述第一特征向量和所述第二特征向量进行基于特征空间迁移的融合以得到分类特征矩阵，其中，所述基于特征空间迁移的融合基于所述第一特征向量乘以所述第二特征向量的转置所得到的特征矩阵按矩阵位置除以所述第一特征向量乘以所述第二特征向量的转置所得到的特征矩阵的Frobenius范数来进行；以及，S170，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待检测水泵工作时产生的电磁干扰是否满足预设要求。
图4图示了根据本申请实施例的用于水泵的EMC电磁兼容性测试***的测试方法的架构示意图。如图4所示，在所述用于水泵的EMC电磁兼容性测试***的测试方法的网络架构中，首先，将获得的所述电磁干扰信号(例如，如图4中所示意的P1)通过作为降噪器的深度可分离卷积神经网络(例如，如图4中所示意的CNN1)以得到降噪后电磁干扰信号(例如，如图4中所示意的P2)；接着，将所述降噪后电磁干扰信号通过作为波形特征提取器的第二卷积神经网络(例如，如图4中所示意的CNN2)以得到第一特征向量(例如，如图4中所示意的VF1)；然后，将获得的所述多个预定时间点的工作状态数据(例如，如图4中所示意的Q)按照时间和样本维度排列为工作状态矩阵(例如，如图4中所示意的M)后通过作为状态特征提取器的第三卷积神经网络(例如，如图4中所示意的CNN3)以得到第二特征向量(例如，如图4中所示意的VF2)；接着，对所述第一特征向量和所述第二特征向量进行基于特征空间迁移的融合以得到分类特征矩阵(例如，如图4中所示意的MF)；以及，最后，将所述分类特征矩阵通过分类器(例如，如图4中所示意的分类器)以得到分类结果，所述分类结果用于表示待检测水泵工作时产生的电磁干扰是否满足预设要求。
更具体地，在步骤S110和S120中，获取由信息技术设备采集的待检测水泵在预定工作时段内产生的电磁干扰信号，并将所述电磁干扰信号通过作为降噪器的深度可分离卷积神经网络以得到降噪后电磁干扰信号，其中，所述深度可分离卷积神经网络在其卷积操作中不同层的滤波器用于分别在两个空间维度和通道维度上进行卷积以基于三维块匹配和过滤对所述电磁干扰信号的波形图进行降噪。也就是，在本申请的技术方案中，首先使用基于深度可分离卷积神经网络作为降噪器对所述待检测水泵在预定工作时段内产生的电磁干扰信号进行自适应降噪，以避免环境噪声或检测设备自身引入的噪声对电磁干扰信号的检测精度造成不良影响，从而得到降噪后电磁干扰信号。特别地，所述深度可分离卷积神经网络在其卷积操作中不同层的滤波器用于分别在两个空间维度W和H和通道维度C上进行卷积以基于三维块匹配和过滤对所述电磁干扰信号的波形图进行降噪，也就是，卷积操作不仅发生在图像维度的空间，还在通道维度上进行，这样，可以挖掘高维特征中的三维块结构，从而基于三维块匹配和过滤(3D block-matching and filtering)的原则来进行原始图像的去噪。
更具体地，在步骤S130中，将所述降噪后电磁干扰信号通过作为波形特征提取器的第二卷积神经网络以得到第一特征向量。也就是，在本申请的技术方案中，通过作为特征提取器的第二卷积神经网络对所述降噪后的电磁干扰信号进行编码，以提取到所述降噪后的电磁干扰信号中的深层本质特征，以得到第一特征向量。这样就能够解决信息技术设备在采集电磁干扰信号时会存在偏差的问题。
更具体地，在步骤S140和步骤S150中，获取所述待检测水泵在所述预定工作时段内的多个预定时间点的工作状态数据，所述工作状态数据包括流量、压力、电参数、转速、电阻和温度，并将所述多个预定时间点的工作状态数据按照时间和样本维度排列为工作状态矩阵后通过作为状态特征提取器的第三卷积神经网络以得到第二特征向量。应可以理解，由于水泵产生的电磁干扰与其工作状态有关，也就是，在不同工作状态下，所述水泵产生的电磁干扰会产生动态变化，因此在进行水泵的电磁干扰性进行测试时，需考虑水泵的实时工作状态。因此，在本申请的技术方案中，进一步地，使将获得的所述多个预定时间点的工作状态数据按照时间和样本维度排列为工作状态矩阵后通过作为状态特征提取器的第三卷积神经网络中进行处理，以提取所述参数的高维隐含的全局动态特征，从而得到第二特征向量。
更具体地，在步骤S160中，对所述第一特征向量和所述第二特征向量进行基于特征空间迁移的融合以得到分类特征矩阵，其中，所述基于特征空间迁移的融合基于所述第一特征向量乘以所述第二特征向量的转置所得到的特征矩阵按矩阵位置除以所述第一特征向量乘以所述第二特征向量的转置所得到的特征矩阵的Frobenius范数来进行。应可以理解，将作为电磁干扰信号的高维特征分布表达的所述第一特征向量V1与作为水泵的实时状态的高维特征分布的所述第二特征向量V2在高维特征空间内进行融合时，期望在获取其关联特征的同时，能够在从各自的特征分布的空间表示向着关联特征分布的空间表示进行空间迁移时，也能够保持分类概率上的远程依赖关系，因此，对所述第一特征向量和所述第二特征向量进行基于特征空间迁移的融合以得到分类特征矩阵。
更具体地，在步骤S170中，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待检测水泵工作时产生的电磁干扰是否满足预设要求。在一个具体示例中，所述分类器以如下公式对所述分类特征矩阵进行处理以生成分类结果，其中，所述公式为：softmax{(Wn,Bn):…:(W1,B1)|Project(F)}，其中Project(F)表示将所述分类特征矩阵投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵。
综上，基于本申请实施例的所述用于水泵的EMC电磁兼容性测试***的测试方法被阐明，其使用基于大数据的人工智能技术对水泵的EMC电磁兼容性的其他设备产生的电磁干扰进行评估，以使得在对水泵进行电磁兼容性性能测试时不仅将信号检测设备的误差和环境误差考虑在内，同时，还将所述水泵自身工作状态带来的影响考虑在内，以提高评估的合理性和准确性。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的用于水泵的EMC电磁兼容性测试***的测试方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的用于水泵的EMC电磁兼容性测试***的测试方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的***、***或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、***的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、***。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种用于水泵的EMC电磁兼容性测试***，其特征在于，包括：
电磁干扰信号采集单元，用于获取由信息技术设备采集的待检测水泵在预定工作时段内产生的电磁干扰信号；
降噪单元，用于将所述电磁干扰信号通过作为降噪器的深度可分离卷积神经网络以得到降噪后电磁干扰信号，其中，所述深度可分离卷积神经网络在其卷积操作中不同层的滤波器用于分别在两个空间维度和通道维度上进行卷积以基于三维块匹配和过滤对所述电磁干扰信号的波形图进行降噪；
波形特征提取单元，用于将所述降噪后电磁干扰信号通过作为波形特征提取器的第二卷积神经网络以得到第一特征向量；
工作状态数据获取单元，用于获取所述待检测水泵在所述预定工作时段内的多个预定时间点的工作状态数据，所述工作状态数据包括流量、压力、电参数、转速、电阻和温度；
矩阵构造单元，用于将所述多个预定时间点的工作状态数据按照时间和样本维度排列为工作状态矩阵后通过作为状态特征提取器的第三卷积神经网络以得到第二特征向量；
特征向量融合单元，用于对所述第一特征向量和所述第二特征向量进行基于特征空间迁移的融合以得到分类特征矩阵，其中，所述基于特征空间迁移的融合基于所述第一特征向量乘以所述第二特征向量的转置所得到的特征矩阵按矩阵位置除以所述第一特征向量乘以所述第二特征向量的转置所得到的特征矩阵的Frobenius范数来进行；以及
测试结果生成单元，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待检测水泵工作时产生的电磁干扰是否满足预设要求。
2.根据权利要求1所述的用于水泵的EMC电磁兼容性测试***，其中，所述波形特征提取单元，进一步用于：使用作为波形特征提取器的所述第二卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿特征矩阵的池化处理和激活处理以由所述第一卷积神经网络的最后一层生成所述第一特征向量，其中，所述第一卷积神经网络的第一层的输入为所述降噪后电磁干扰信号。
3.根据权利要求2所述的用于水泵的EMC电磁兼容性测试***，其中，所述矩阵构造单元，进一步用于：将所述多个预定时间点的工作状态数据排列为行向量；将所述各个时间点的行向量按照时间维度排列为二维的所述工作状态矩阵；以及，使用作为状态特征提取器的所述第三卷积神经网络的各层在层的正向传递过程中对所述工作状态矩阵进行卷积处理、沿特征矩阵的池化处理和激活处理以由所述第三卷积神经网络的最后一层输出所述第二特征向量。
4.根据权利要求3所述的用于水泵的EMC电磁兼容性测试***，其中，所述特征向量融合单元，进一步用于：以如下公式对所述第一特征向量和所述第二特征向量进行基于特征空间迁移的融合以得到所述分类特征矩阵；
其中，所述公式为：
其中V1表示所述第一特征向量，V2表示所述第二特征向量，V1和V2均为列向量的形式，且||·||F表示矩阵的Frobenius范数。
5.根据权利要求4所述的用于水泵的EMC电磁兼容性测试***，其中，所述测试结果生成单元，进一步用于：所述分类器以如下公式对所述分类特征矩阵进行处理以生成分类结果，其中，所述公式为：softmax{(Wn,Bn):…:(W1,B1)|Project(F)}，其中Project(F)表示将所述分类特征矩阵投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵。
6.一种用于水泵的EMC电磁兼容性测试***的测试方法，其特征在于，包括：
获取由信息技术设备采集的待检测水泵在预定工作时段内产生的电磁干扰信号；
将所述电磁干扰信号通过作为降噪器的深度可分离卷积神经网络以得到降噪后电磁干扰信号，其中，所述深度可分离卷积神经网络在其卷积操作中不同层的滤波器用于分别在两个空间维度和通道维度上进行卷积以基于三维块匹配和过滤对所述电磁干扰信号的波形图进行降噪；
将所述降噪后电磁干扰信号通过作为波形特征提取器的第二卷积神经网络以得到第一特征向量；
获取所述待检测水泵在所述预定工作时段内的多个预定时间点的工作状态数据，所述工作状态数据包括流量、压力、电参数、转速、电阻和温度；
将所述多个预定时间点的工作状态数据按照时间和样本维度排列为工作状态矩阵后通过作为状态特征提取器的第三卷积神经网络以得到第二特征向量；
对所述第一特征向量和所述第二特征向量进行基于特征空间迁移的融合以得到分类特征矩阵，其中，所述基于特征空间迁移的融合基于所述第一特征向量乘以所述第二特征向量的转置所得到的特征矩阵按矩阵位置除以所述第一特征向量乘以所述第二特征向量的转置所得到的特征矩阵的Frobenius范数来进行；以及
将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待检测水泵工作时产生的电磁干扰是否满足预设要求。
7.根据权利要求6所述的用于水泵的EMC电磁兼容性测试***的测试方法，其中，将所述降噪后电磁干扰信号通过作为波形特征提取器的第二卷积神经网络以得到第一特征向量，包括：
使用作为波形特征提取器的所述第二卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿特征矩阵的池化处理和激活处理以由所述第一卷积神经网络的最后一层生成所述第一特征向量，其中，所述第一卷积神经网络的第一层的输入为所述降噪后电磁干扰信号。
8.根据权利要求7所述的用于水泵的EMC电磁兼容性测试***的测试方法，其中，将所述多个预定时间点的工作状态数据按照时间和样本维度排列为工作状态矩阵后通过作为状态特征提取器的第三卷积神经网络以得到第二特征向量，包括：
将所述多个预定时间点的工作状态数据排列为行向量；
将所述各个时间点的行向量按照时间维度排列为二维的所述工作状态矩阵；以及
使用作为状态特征提取器的所述第三卷积神经网络的各层在层的正向传递过程中对所述工作状态矩阵进行卷积处理、沿特征矩阵的池化处理和激活处理以由所述第三卷积神经网络的最后一层输出所述第二特征向量。
9.根据权利要求8所述的用于水泵的EMC电磁兼容性测试***的测试方法，其中，对所述第一特征向量和所述第二特征向量进行基于特征空间迁移的融合以得到分类特征矩阵，包括：
以如下公式对所述第一特征向量和所述第二特征向量进行基于特征空间迁移的融合以得到所述分类特征矩阵；
其中，所述公式为：
其中V1表示所述第一特征向量，V2表示所述第二特征向量，V1和V2均为列向量的形式，且||·||F表示矩阵的Frobenius范数。
10.根据权利要求8所述的用于水泵的EMC电磁兼容性测试***的测试方法，其中，将所述分类特征矩阵通过分类器以得到分类结果，包括：
所述分类器以如下公式对所述分类特征矩阵进行处理以生成分类结果，其中，所述公式为：softmax{(Wn,Bn):…:(W1,B1)|Project(F)}，其中Project(F)表示将所述分类特征矩阵投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210573239.2A CN114839466B (zh) | 2022-05-24 | 2022-05-24 | 用于水泵的emc电磁兼容性测试***及其测试方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210573239.2A CN114839466B (zh) | 2022-05-24 | 2022-05-24 | 用于水泵的emc电磁兼容性测试***及其测试方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114839466A true CN114839466A (zh) | 2022-08-02 |
| CN114839466B CN114839466B (zh) | 2023-02-28 |
Family
ID=82573046
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210573239.2A Active CN114839466B (zh) | 2022-05-24 | 2022-05-24 | 用于水泵的emc电磁兼容性测试***及其测试方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114839466B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116718894A (zh) * | 2023-06-19 | 2023-09-08 | 上饶市广强电子科技有限公司 | 玉米灯的电路稳定性测试方法及其*** |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106485209A (zh) * | 2016-09-23 | 2017-03-08 | 北京航空航天大学 | 基于eemd特征提取和pnn的非平稳电磁干扰信号模式识别方法 |
| CN109472288A (zh) * | 2018-10-08 | 2019-03-15 | 华中科技大学 | 一种抽水蓄能机组振动混合特征提取与分类方法 |
| CN111157832A (zh) * | 2020-04-02 | 2020-05-15 | 深圳市微测检测有限公司 | 电磁兼容性测试方法、装置及计算机可读存储介质 |
| CN111585671A (zh) * | 2020-04-15 | 2020-08-25 | 国网河南省电力公司郑州供电公司 | 电力lte无线专网电磁干扰监测及识别方法 |
| CN112561055A (zh) * | 2020-12-09 | 2021-03-26 | 北京交通大学 | 基于双线性时频分析及卷积神经网络的电磁骚扰辨识方法 |
| CN112818891A (zh) * | 2021-02-10 | 2021-05-18 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 通信干扰信号类型智能识别方法 |
| CN113569742A (zh) * | 2021-07-29 | 2021-10-29 | 西南交通大学 | 一种基于卷积神经网络的宽频带电磁干扰源识别方法 |
| CN114358064A (zh) * | 2021-12-23 | 2022-04-15 | 中国人民解放军海军工程大学 | 一种基于深度支持向量数据描述的干扰检测装置及方法 |
-
2022
- 2022-05-24 CN CN202210573239.2A patent/CN114839466B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106485209A (zh) * | 2016-09-23 | 2017-03-08 | 北京航空航天大学 | 基于eemd特征提取和pnn的非平稳电磁干扰信号模式识别方法 |
| CN109472288A (zh) * | 2018-10-08 | 2019-03-15 | 华中科技大学 | 一种抽水蓄能机组振动混合特征提取与分类方法 |
| CN111157832A (zh) * | 2020-04-02 | 2020-05-15 | 深圳市微测检测有限公司 | 电磁兼容性测试方法、装置及计算机可读存储介质 |
| CN111585671A (zh) * | 2020-04-15 | 2020-08-25 | 国网河南省电力公司郑州供电公司 | 电力lte无线专网电磁干扰监测及识别方法 |
| CN112561055A (zh) * | 2020-12-09 | 2021-03-26 | 北京交通大学 | 基于双线性时频分析及卷积神经网络的电磁骚扰辨识方法 |
| CN112818891A (zh) * | 2021-02-10 | 2021-05-18 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 通信干扰信号类型智能识别方法 |
| CN113569742A (zh) * | 2021-07-29 | 2021-10-29 | 西南交通大学 | 一种基于卷积神经网络的宽频带电磁干扰源识别方法 |
| CN114358064A (zh) * | 2021-12-23 | 2022-04-15 | 中国人民解放军海军工程大学 | 一种基于深度支持向量数据描述的干扰检测装置及方法 |
Non-Patent Citations (2)
| Title |
|---|
| 袁立强等: "光伏水泵***的电磁兼容性设计", 《电工电能新技术》 * |
| 陈辉等: "煤矿井下水泵电动机设备瞬态电磁辐射骚扰研究", 《煤炭科学技术》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116718894A (zh) * | 2023-06-19 | 2023-09-08 | 上饶市广强电子科技有限公司 | 玉米灯的电路稳定性测试方法及其*** |
| CN116718894B (zh) * | 2023-06-19 | 2024-03-29 | 上饶市广强电子科技有限公司 | 玉米灯的电路稳定性测试方法及其*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114839466B (zh) | 2023-02-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115235612B (zh) | 伺服电机的故障智能诊断***及其诊断方法 | |
| KR20190054157A (ko) | 블라인드 신호 분리 방법과 구조, 음성 제어 시스템 및 전기 장치 어셈블리 | |
| CN112349281B (zh) | 基于StarGAN的语音识别模型的防御方法 | |
| CN114912533B (zh) | 一种应用于变压器的状态监测***及监测方法 | |
| CN115564766B (zh) | 水轮机蜗壳座环的制备方法及其*** | |
| CN114900126B (zh) | 太阳能电池组件的接地测试设备及其接地测试方法 | |
| CN114839466B (zh) | 用于水泵的emc电磁兼容性测试***及其测试方法 | |
| CN117058622A (zh) | 污水处理设备的智能监测***及其方法 | |
| CN115410069A (zh) | 基于多重注意力机制的故障检测方法及其*** | |
| CN115324843A (zh) | 基于监测数据的风力发电机组的故障诊断***及其方法 | |
| CN114782882A (zh) | 基于多模态特征融合的视频目标行为异常检测方法和*** | |
| CN111695620A (zh) | 一种电力***时间序列异常数据检测与修正方法及*** | |
| CN115600140A (zh) | 基于多源数据融合的风机变桨***故障识别方法及其*** | |
| CN116703878A (zh) | 家用电器壳体生产线自动检测***及其方法 | |
| CN115128663A (zh) | 基于物联网的矿山安全生产检测***及其检测方法 | |
| CN115374822A (zh) | 基于多级特征融合的故障诊断方法及其*** | |
| CN114800229A (zh) | 双面双玻表面抛光装置及其抛光方法 | |
| CN116486524A (zh) | 基于场景识别的交流充电电子锁控制方法 | |
| CN115019128A (zh) | 图像生成模型训练方法、图像生成方法及相关装置 | |
| CN115143128B (zh) | 小型潜水电泵的故障诊断方法及其*** | |
| Wang et al. | A parametric model for describing the correlation between single color images and depth maps | |
| CN115983165A (zh) | Lms自适应滤波器的性能测试方法和性能测试装置 | |
| CN116467485B (zh) | 一种视频图像检索构建***及其方法 | |
| CN117134958A (zh) | 用于网络技术服务的信息处理方法及*** | |
| CN112733853A (zh) | 基于前景背景的分离与关联的矿物分离效果的检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: EMC electromagnetic compatibility testing system and its testing methods for water pumps Granted publication date: 20230228 Pledgee: Wenling sub branch of Postal Savings Bank of China Ltd. Pledgor: Wenling Tiantai Electric Co.,Ltd. Registration number: Y2024980017791 |