[发明专利]一种基于深度学习的开关柜凝露识别方法

权利要求书

1.一种基于深度学习的开关柜凝露识别方法，其特征在于，包括以下步骤：

步骤一，建立开关柜凝露模拟实验平台，包括开关柜以及设置在开关柜内的温湿度传感器、温湿度控制装置、摄像机和水分检测试纸；

步骤二，通过温湿度控制装置对开关柜内的湿度和温度进行调节，温湿度传感器采集到多组温湿度数据，同时，由摄像头采集水分检测试纸的图像；

步骤三，根据水分检测试纸的图像筛选出发生凝露现象和未发生凝露现象的温湿度数据，对上述温湿度数据进行归一化处理，并为发生凝露现象的温湿度数据加上标签1，未发生凝露现象的温湿度数据加上标签0，作为训练数据集；

步骤四，建立凝露识别神经网络模型，基于深度学习算法，利用上述训练数据集对凝露识别神经网络模型进行训练；

步骤五，采集待识别开关柜的实时温湿度数据，输入到训练好的凝露识别神经网络模型中，判断凝露发生的概率。

2.根据权利要求1所述的基于深度学习的开关柜凝露识别方法，其特征在于，所述步骤一中，所述开关柜设置在密闭气候室中，所述温湿度控制装置包括加湿器和加热器，所述水分检测试纸设置在所述开关柜的顶部。

3.根据权利要求1所述的基于深度学习的开关柜凝露识别方法，其特征在于，所述步骤二中，所述通过温湿度控制装置对开关柜内的湿度和温度进行调节，温湿度传感器采集到多组温湿度数据，同时，由摄像头采集水分检测试纸的图像，具体包括：

温度的调节范围为-5℃～98℃，湿度的调节范围为1％～98％，温度每变化0.1℃或湿度每变化0.1％，记录下温湿度数据及水分检测试纸的图像。

4.根据权利要求1所述的基于深度学习的开关柜凝露识别方法，其特征在于，所述步骤三中，所述根据水分检测试纸的图像筛选出发生凝露现象和未发生凝露现象的温湿度数据，具体包括：

若水分检测试纸由橙红色变为黄绿色，则说明发生凝露现象，确定对应的温湿度数据；

若水分检测试纸仍为橙红色，则说明未发生凝露现象，确定对应的温湿度数据。

5.根据权利要求1所述的基于深度学习的开关柜凝露识别方法，其特征在于，所述步骤四中，所述建立凝露识别神经网络模型，基于深度学习算法，利用上述训练数据集对凝露识别神经网络模型进行训练，具体包括：

所述凝露识别神经网络模型包括输入层、隐藏层和输出层，输入层为单层神经元，且包括2个输入神经元i₁和i₂，分别指输入温度和湿度数据，隐藏层设置为3层h₁～h₃，每层均含9个神经元即h₁₁～h₁₉、h₂₁～h₂₉、h₃₁～h₃₉，输出层为单层神经元，包括1个输出神经元o₁，表示发生凝露的概率；初始化各个神经元之间权重w＝0，隐藏层的激活函数为ReLU，输出层则为Sigmoid激活函数，学习率lr设置为0.01；

将训练数据集中的温湿度数据输入凝露识别神经网络模型的输入层，进行前向传播，即根据前层神经元输出值x_i、两层之间的权值w_ij加权计算出该层的输入值z_j，即z_j＝∑w_ijx_i，而该层的输出值y_j要该层输入值经激活函数处理，即y_j＝f(z_j)，以此类推，最终计算出输出层的输出值；

前向传播计算出的输出层输出值y_l会与训练数据集的标签值y_t存在误差，即求出网络中误差对各权值的偏导数，即逐层向后传播修改各层权值为直到输入层为止；

利用上述训练数据集对凝露识别神经网络模型训练至少20轮。

6.根据权利要求1所述的基于深度学习的开关柜凝露识别方法，其特征在于，所述步骤五中，采集待识别开关柜的实时温湿度数据，输入到训练好的凝露识别神经网络模型中，判断凝露发生的概率，具体包括：

每隔1s采集待识别开关柜的实时温湿度数据，输入到训练好的凝露识别神经网络模型中，得出凝露的发生概率；

将得出的发生概率与经验设定值进行比较，根据不同的档位得到不同处理结果，如下：

若为极易出现凝露，则触发报警装置并在电脑系统警告与记录，若为易出现凝露则仅在电脑系统中警告记录，若为不易和难发生凝露则不做处理。