[发明专利]进行冷头状态分类检测和寿命预测的方法

权利要求书

1.进行冷头状态分类检测的方法，其特征在于，包括

获取目标冷头的相关参数信息，所述相关参数信息包括冷头温度参数信息、液氦压力参数信息和屏蔽层温度参数信息；

将所述相关参数信息输入至用于检测冷头状态的分类模型，并获取所述分类模型的输出结果，其中，所述分类模型是以冷头温度、液氦压力和屏蔽层温度作为输入，以冷头状态的分类标识作为输出结果；

根据所述输出结果确定所述目标冷头的状态信息，所述状态信息包括：正常状态信息、异常状态信息和噪声状态信息；

其中，所述用于检测冷头状态的分类模型是通过以下方式训练得到：

获取样本冷头的相关参数信息；

为所述相关参数信息设置分类标识，生成训练集；

将所述训练集输入至神经网络模型的不同通道中进行训练，包括将冷头温度参数信息的训练集输入神经网络模型的第一通道中、将屏蔽层温度参数信息的训练集输入神经网络模型的第二通道中、以及将液氦压力参数信息的训练集输入神经网络模型的第三通道中进行训练，以确定出分类模型系数；

根据确定出的分类模型系数确定用于检测冷头状态的分类模型。

2.根据权利要求1所述的方法，其中，所述分类模型是基于深度学习神经网络模型实现。

3.根据权利要求1所述的方法，其特征在于，为所述相关参数信息设置分类标识之前还包括：

对获取的样本冷头的相关参数信息进行预处理。

4.根据权利要求3所述的方法，其特征在于，对获取的样本冷头的相关参数信息进行预处理包括：

将获取的样本冷头的参数信息进行归一化处理；

对归一化处理后的数据进行去噪处理。

5.根据权利要求4所述的方法，其特征在于，所述获取样本冷头的相关参数信息是根据配置的采集频率和时间跨度对样本冷头进行相关参数数据的采集。

6.根据权利要求1至5任一项所述的方法，其特征在于，还包括：

根据目标冷头的相关参数信息进行预警，生成预警图表输出显示。

7.进行冷头寿命预测的方法，其特征在于，包括：

获取目标冷头的相关参数信息，所述相关参数信息包括冷头温度参数信息、液氦压力参数信息和屏蔽层温度参数信息；

将所述相关参数信息输入至用于检测冷头状态的分类模型，并获取所述分类模型的输出结果，其中，所述分类模型是以冷头温度、液氦压力和屏蔽层温度作为输入，以冷头状态的分类标识作为输出结果；

根据所述输出结果确定所述目标冷头的状态信息，所述状态信息包括：正常状态信息、异常状态信息和噪声状态信息；以及

对状态信息为异常状态的目标冷头，获取其相关参数信息输入用于预测冷头寿命的预测模型，并根据所述预测模型的输出结果确定目标冷头的寿命信息，其中，所述预测模型是以冷头温度、液氦压力和屏蔽层温度作为输入，以冷头的剩余寿命期限及其发生概率作为输出结果；

其中，所述用于检测冷头状态的分类模型是通过以下方式训练得到：

获取样本冷头的相关参数信息；

为所述相关参数信息设置分类标识，生成训练集；

将所述训练集输入至神经网络模型的不同通道中进行训练，包括将冷头温度参数信息的训练集输入神经网络模型的第一通道中、将屏蔽层温度参数信息的训练集输入神经网络模型的第二通道中、以及将液氦压力参数信息的训练集输入神经网络模型的第三通道中进行训练，以确定出分类模型系数；

根据确定出的分类模型系数确定用于检测冷头状态的分类模型；

其中，所述用于预测冷头寿命的预测模型是基于深度学习神经网络模型实现，其通过以下方式训练得到：

获取样本冷头的相关参数信息，其中，所述样本冷头为处于异常状态的冷头；

对所述相关参数信息进行配值处理，生成训练集；

将所述训练集输入至神经网络模型中进行训练，生成预测模型系数；

根据生成的预测模型系数确定用于预测冷头寿命的预测模型。