技术领域
[0001] 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
[0002] 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。
[0003] 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。
[0004] 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
[0005] 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。
[0006] 为实现上述目的，本发明采用的技术方案为：
[0007] 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：
[0009] 步骤S11.采集建立神经网络预测模型训练样本集合；
[0010] 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；
[0011] 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；
[0012] 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；
[0013] 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；
[0014] 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；
[0015] 步骤S21.实时采集器件工作状态数据并存储于
数据库中，将采集到的磁场电流(A)、补偿磁场电流(A)、阴极电压(KV)、阴极电流(A)、钛泵电流(nA)数据输入神经网络预测模型，获得与实时状态下对应的打火标签预测值；
[0016] 步骤S22.时间周期T内，当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，发出警告并采取紧急关断处理。
[0017] 需要说明的是，上述步骤S22中的，阈值Th1、阈值Th2、以及预设时间周期T均可根据实际应用环境进行设置。
[0018] 进一步，所述的主动控保方法还包括：
[0019] 步骤S3.将步骤S2所获得的磁场电流(A)、补偿磁场电流(A)、阴极电压(KV)、阴极电流(A)、钛泵电流(nA)数据作为样本数据，并根据真实打火状态添加打火标签，同时将发生打火时刻的前Q个时刻对应的打火标签均标记为打火状态1，得到新的训练样本，并将新的训练样本添加训练样本集合中，用于下一次训练神经网络预测模型，对神经网络预测模型进行修正。
[0020] 一种大功率毫米波回旋行波管的主动控保系统，包括：
数据采集模块、数据存储模块、数据预处理模块、神经网络预测模块、远程控
制模块与
基础控保模块；其中：
[0021] 所述数据采集模块，用于采集建立神经网络预测模型所需样本数据，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)数据以及当前
波形与
频谱数据采集；需要说明的是，所述波形与频谱数据用于确定器件是否处于打火状态；
[0022] 所述数据预处理模块，用于对数据采集模块采集到的原始数据进行预处理，包括：数据格式转换、数据合并、数据去重、去除异常值；
[0023] 所述数据存储模块，采用数据库形式，用于存储数据采集模块采集到的原始数据及数据预处理模块预处理后的数据；
[0024] 所述神经网络预测模块，与数据预处理模块相连，经过预处理后数据输入神经网络预测模型，神经网络预测模型输出打火标签预测值；
[0025] 所述远程
控制模块位于客户端，时间周期T内，当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，发出警告、并发出指令给基础控保模块；
[0026] 所述基础控保模块，用于实现被动控保和主动控保操作；其中，所述主动控保为：接收到远程控制模块指令后，对数据采集模块进行紧急关断处理；所述被动控保为：当数据采集模块采集到的数据值超过设置阈值时，对采集模块进行紧急关断处理。
[0027] 本发明的工作原理为：
[0028] 本发明中，选取特定历史数据，并添加对应状态下的器件是否发生打火的打火标签(发生打火为1、未发生打火为0)，将实际打火状态的前Q条数据全标记为打火状态1，将添加标签后的数据作为样本数据，通过BP神经网络方法建立神经网络预测模型，即神经网络提取了打火前的状态参数的特征，能够根据实时输入状态，预测器件工作是否会出现打火。当神经网络预测模型预测当前状态打火标签为1时，并不一定会真的打火，但是若在预设时长内，预测的打火标签都连续为1或有超过一定数量的1时，有理由相信器件在接下来大概率会发生打火，发出警告并采取紧急关断处理；由此，实现了在打火发生前的预警和主动控保。
[0029] 综上，本发明的有益效果在于：
[0030] 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。
附图说明
[0031] 图1为本发明大功率毫米波回旋行波管的主动控保系统
框图。
[0032] 图2为本发明
实施例中神经网络预测模型示意框图。
[0033] 图3为本发明实施例中BP神经网络结构图。
具体实施方式
[0034] 为使本发明的目的、技术方案和优点更加清楚，下面结合实施例和附图，对本发明作进一步地详细说明。
[0035] 实施例1
[0036] 本实施例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，包括如下步骤：
[0037] 步骤S1.建立神经网络预测模型；具体为：
[0038] 步骤S11.采集建立神经网络预测模型所需样本数据集合；
[0039] 所需样本数据包括：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：打火为1、未打火为0；所述打火标签用于标记当前状态是否打火；
[0040] 更进一步的，这里考虑到实际打火时数据的采集延迟与尽量减少器件打火次数的需求，将实际发生打火时刻的前5条状态(实际样本采样数率0.5秒/次，即前2.5秒内的数据)对应的标签都标记为打火状态1；这样当预测当前状态打火标签为1时，并不一定会真的打火，但是若在一定时间段内，预测的打火标签都连续为1或有超过一定数量的1时，有理由相信器件在接下来大概率会发生打火，因此需要发出警告并视预测结果判断是否需要紧急关断处理；
[0041] 步骤S12，根据样本数据，通过BP神经网络方法建立神经网络预测模型；
[0042] 具体的，在本发明中采用BP神经网络(Back Propagation Networks——反向传播网络)，BP神经网络由非线性传递函数神经元构成，能学习和存贮大量的输入-输出模式映射关系，它的学习规则是使用
梯度下降法，通过反向传播来不断调整网络的连接权值，使神经网络的损失函数尽可能小；
[0043] 输入层节点数N：取决于样本的属性个数选取；本发明中输入变量：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)，因此输入层确定为5个节点；
[0044] 输出层节点数L：取决于预测的节点数；本发明中输出变量：打火标签(打火为1，未打火为0)，因此输出层确定为1个节点；
[0045] 隐含层节点数M：一般有如下三种经验公式：
[0046]
[0047]
[0048]
[0049] 本实施例中，输入层节点数N＝5，输出层节点数L＝1，因此取隐含层节点数M＝3作为初始值；神经网络层数选择简单的3层，于是，神经网络的结构如图3所示；
[0050] 这里，神经网络的隐含层节点数可以根据预测结果动态的调整，根据不同隐含层节点数预测结果好坏，可以视情况动态调整；
[0051] 然后选择模型的损失函数Loss为loss＝'mean_squared_error'，即均方误差：
[0052]
[0053] 其中，Yi为样本中打火标签值，为网络预测值，n为样本个数；
[0054] 选择优化方式为optimizer＝'adam'，即adaptive moment estimation，利用梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率；
[0055] 再设置训练次数nb_epoch；
[0056] 将步骤S11中采集到的样本数据输入搭建的神经网络结构，进行训练，即可得到训练好神经网络模型；
[0057] 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，是否需要警告并控制基础控保模块采取相应的处理，如图2所示；具体为：
[0058] 步骤S21.实时采集器件工作状态，将采集到的数据放在
服务器上，将采集到的磁场电流(A)、补偿磁场电流(A)、阴极电压(KV)、阴极电流(A)、钛泵电流(nA)数据输入训练好的神经网络预测模型，获得与该实时状态下对应的器件是否打火标签预测值；
[0059] 步骤S22，由于样本数据中，打火标签值是将实际打火状态的前5条数据全标记为打火状态1，所以当预测出现单个1时，并一定真的打火，但若在一定时间段T内，预测的打火标签值出现连续为1或超过一定数量的1时，发出警告并根据预测打火标签1的多少判断是否采取紧急关断处理。
[0060] 进一步，所述的主动控保方法还包括：
[0061] 步骤S3，将步骤S2所获得的磁场电流(A)、补偿磁场电流(A)、阴极电压(KV)、阴极电流(A)、钛泵电流(nA)数据作为样本数据，并结合实际打火与否添加打火标签数据，对神经网络预测模型进行修正；
[0062] 具体的，每一次测试中，器件运行的各状态参数的过程数据，均由数据采集模块采集，存储在数据库中的原始数据库内，对原始数据添加是否打火的标签数据，编写程序控制，当每次实际发生打火时，将对应实际发生打火时刻的前5条状态对应的标签都标记为打火状态1(实际样本采样数率0.5秒/次，即前2.5秒内的数据)，作为下一次预测模型训练的样本。随着自动化测试系统的运行，模型训练样本不断增多，预测模型不断修正，具备了不断完善提高预测
精度的能力，具备
自学习能力，根据数学模型预测当前状态下，器件是否在接下来的时间内，发生打火，使得在实际打火发生前，能发出预警信息，并在必要时(一定时间内预测的结果为1的数量超过一定阈值)自动控制基础控保模块采取紧急关断处理，实现了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。
[0063] 实施例2
[0064] 在实施例1基础上，本发明提供了一种大功率毫米波回旋行波管的主动控保系统，如图1所示，包括：
[0065] 数据采集模块、数据存储模块、数据预处理模块、神经网络预测模块、远程控制模块与基础控保模块；其中：
[0066] 所述数据采集模块，采集建立神经网络预测模型所需样本数据，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)数据以及当前波形采集、频谱数据采集等；其中，器件是否打火，除了与前5个属性值有关外，也与当前波形和频谱数据有关，所以在较为全面的分析中，还需要采集波形和频谱数据；
[0067] 所述基础控保模块，与数据采集模块相连，主要实现两个功能：当通过数据采集模块发现器件实际已经发生打火异常时，即采集到的数据值超过设置好的阈值时，对采集模块进行紧急关断处理，这属于被动控保；当数据经过神经网络预测模块，预测到当前状态下器件在段时间内将会产生打火异常时，由远程模块发出指令，控制基础控保模块，对采集模块进行紧急关断处理，这属于主动控保；
[0068] 所述数据存储模块，采用数据库形式，用于存储采集到的测试数据，以及数据预处理模块处理后的数据；
[0069] 具体的，每一次测试中，器件运行的各状态参数的过程数据，均由数据采集模块采集，存储在存储模块数据库中的原始数据库内，对原始数据添加是否打火的标签数据，编写程序控制，当每次实际发生打火时，将对应实际发生打火时刻的前5条状态对应的标签都标记为打火状态1(实际样本采样数率0.5秒/次，即前2.5秒内的数据)，作为下一次预测模型训练的样本；
[0070] 所述数据预处理模块，完成对采集到的原始数据的预处理：包括数据格式转换、数据合并、数据去重、去除异常值等，并将处理后的数据重新存储到数据库中；
[0071] 与数据预处理模块相连的神经网络预测模块，其适于根据样本数据结合器件是否打火标签值数据建立神经网络预测模型，将数据采集模块上传上来的数据经过处理后作为测试数据，作为神经网络预测模型的输入，得到关于当前状态运行，系统是否会打火的预测；
[0072] 所述远程控制模块位于客户端，在神经网络预测模块预测当前状态大概率会发生打火时，发出相应警告、并通过控制基础控保模块采取紧急关断处理；
[0073] 具体的，通过预测模型，对实时采集的测试数据进行预测，当预测结果为1(打火)时，这时实际上器件还未打火，预设时间周期内，预测的打火标签都连续为1或有超过一定数量的1时，发出指令，控制基础控保模块采取紧急关断处理。
[0074] 以上所述，仅为本发明的具体实施方式，本
说明书中所公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换；所公开的所有特征、或所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以任何方式组合。
