[发明专利]卷积神经网络识别与评估系统动态特性的方法和装置

权利要求书

1.一种卷积神经网络识别与评估系统动态特性的方法，其特征在于，包括以下步骤：

在预设大小的阶跃信号输入下，获取控制系统输出的时序响应曲线以及对应的预期动态时序响应曲线作为原始数据；

对所述原始数据进行预处理生成用于训练的灰度图，并对所述灰度图贴标签；

按照所述灰度图的大小和个数构建卷积神经网络架构并初始化网络参数；

使用灰度图和对应的标签训练所述卷积神经网络，满足准确率和泛化要求时完成训练，得到训练好的神经网络模型；

根据不同的应用场景，采集具体地控制系统输出的时序响应曲线以及其对应的预期动态时序响应曲线作为应用场景数据，并使用所述应用场景数据对所述训练好的神经网络模型进行重复训练，得到应用场景下的神经网络模型；

实时采集所述具体的控制系统输出的时序响应曲线以及其对应的预期动态时序响应曲线，对采集到的两条曲线进行所述预处理后输入到所述应用场景下的神经网络模型中，识别与评估系统动态特性，输出结果。

2.如权利要求1所述的方法，其特征在于，控制系统输出的时序响应曲线来自虚拟的仿真环境或真实的实验设备、现场设备，采集的时序响应曲线包括从阶跃信号输入作用开始至稳态的全过程。

3.如权利要求1所述的方法，其特征在于，所述对所述原始数据进行预处理生成用于训练的灰度图，并对所述灰度图贴标签，包括：

在相同时刻从采集的两条曲线上选取或插值得到预设数量的数据点,其中，预期动态曲线上的数据点为第一数据点，真实动态曲线上的数据点为第二数据点；

定义第一数据点和第二数据点之间的关系，并对所述第一数据点和第二数据点之间的关系进行归一化处理，生成处理后的关系；

使用所述处理后的关系构建矩阵作为矩阵数据集；

将所述矩阵数据集转化为灰度图，并将动态特性按需分类，并对不同类别的灰度图贴标签。

4.如权利要求3所述的方法，其特征在于，使用第一数据点和第二数据点之间范数或内积的形式来定义第一数据点和第二数据点之间的关系，所述第一数据点和第二数据点之间的关系与所述处理后的关系之间的关系表示为：

其中，d_i,j为所述第一数据点和第二数据点之间的关系，为所述处理后的关系，R表示所述阶跃信号的预设大小。

5.如权利要求1所述的方法，其特征在于，卷积神经网络的输出结果为动态系统所处类别的分布概率，从分布概率及其间的关系识别与评估系统动态特性。

6.一种卷积神经网络识别与评估系统动态特性的装置，其特征在于，包括数据采集模块、处理模块、模型构建模块、第一训练模块、第二训练模块、模型使用模块，其中，

所述数据采集模块，用于在预设大小的阶跃信号输入下，获取控制系统输出的时序响应曲线以及对应的预期动态时序响应曲线作为原始数据；

所述处理模块，用于对所述原始数据进行预处理生成用于训练的灰度图，并对所述灰度图贴标签；

所述模型构建模块，用于按照所述灰度图的大小和个数构建卷积神经网络架构并初始化网络参数；

所述第一训练模块，用于使用灰度图和对应的标签训练所述卷积神经网络，满足准确率和泛化要求时完成训练，得到训练好的神经网络模型；

所述第二训练模块，用于根据不同的应用场景，采集具体地控制系统输出的时序响应曲线以及其对应的预期动态时序响应曲线作为应用场景数据，并使用所述应用场景数据对所述训练好的神经网络模型进行重复训练，得到应用场景下的神经网络模型；

所述模型使用模块，用于实时采集所述具体的控制系统输出的时序响应曲线以及其对应的预期动态时序响应曲线，对采集到的两条曲线进行所述预处理后输入到所述应用场景下的神经网络模型中，识别与评估系统动态特性，输出结果。