【技術實現步驟摘要】
本專利技術涉及電流測量，尤其涉及一種羅氏線圈相間干擾補償mfnn方法的輕量化嵌入式實現機制。
技術介紹
1、羅氏線圈是一種交流電流傳感器，是一個空心環形的線圈，有柔性和硬性兩種，可以直接套在被測量的導體上來測量交流電流。由于羅氏線圈安裝方便、無需斷電，且對設備的物理干擾小，廣泛應用與工業生產領域。但羅氏線圈測量準確度較低，特別是當其用于多相系統時，會由于相線間的電磁耦合效應產生相間干擾，導致測量準確性下降。基于mfnn的相間干擾補償方法，是指采集不同相間距離下三相電流數據，訓練得到參數，使mfnn補償羅氏線圈原始測量值與標稱值間差異，提高最終電流測量準確性。對于該方法能夠在實際生產中運用的關鍵，是對其輕量化嵌入式實現。嵌入式系統自身具有體積小、功耗低、集成度高等特點，已經廣泛應用于智能制造、工業控制、航空航天、教育醫療等多個領域。專利cn116540990a提供一種基于嵌入式實現電子產品的代碼集成方法及裝置，以解決嵌入式代碼集成方法效率較低的問題。專利cn107860312a提供了一種結構光三維測量算法的嵌入式實現系統及方法，解決了現有光學測量方法難于集成至工業現場的問題。
2、上述具體專利對比文件為：
3、1)、“一種基于深度學習修正測量誤差的結構光測量方法及系統”，專利號cn117036453a，該專利公開了一種基于深度學習修正測量誤差的結構光測量方法及系統。首先基于計算機深度學習方法構建光測量儀器的誤差預測模型，之后確定所述光測量儀器的誤差補償系數，并通過光測量儀器測量待測物體得到光測量數據，再通過
4、2)、“基于深度學習網絡的智能傳感器溫度誤差補償方法及裝置”，專利號cn115856342a，該專利公開了一種基于深度學習網絡的智能傳感器溫度誤差補償方法及裝置。首先基于深度學習網絡，構建深度學習神經網絡模型，并利用訓練數據集訓練所述深度學習神經網絡模型，之后利用網絡優化算法，優化所述深度學習神經網絡模型，再利用優化后的所述深度學習神經網絡模型，來對所述智能傳感器的溫度誤差進行補償。該方法成功解決了智能傳感器受溫度影響精度不高的技術問題。本專利技術mfnn方法與上述不同，使用深度學習模型解決羅氏線圈受相間干擾影響測量準確性不高的技術問題。
技術實現思路
1、為解決上述技術問題，本專利技術的目的是提供一種實現羅氏線圈相間干擾補償mfnn方法的輕量化嵌入式實現。
2、本專利技術的目的通過以下的技術方案來實現：
3、羅氏線圈相間干擾補償mfnn方法的輕量化嵌入式實現機制，包括：
4、步驟a訓練mfnn模型，實現羅氏線圈相間干擾補償；
5、步驟b將mfnn模型的浮點數參數輕量化，減少模型的內存占用和計算量；
6、步驟c使用c語言復現mfnn模型結構并實現參數加載，重現pytorch框架下mfnn模型的推理結果；
7、步驟d通過并行計算優化基于c語言的mfnn模型推理；
8、步驟e在邊緣計算環境中部署基于c語言的并行計算mfnn模型，實現羅氏線圈相間干擾實時補償。
9、進一步地，所述步驟a中，mfnn模型基于pytorch框架訓練得到；訓練多分支全連接神經網絡mfnn模型，用于補償相間干擾并提高測量準確性；所述mfnn模型通過對羅氏線圈在a相、b相、c相三相電中測得的電流值和相線間距離信息進行處理和特征提取，最終輸出補償后的三相電流值；
10、所述mfnn模型的輸入包括四個自變量：羅氏線圈在a相、b相和c相電流下的初步測量值以及a相、c相與b相的相對距離。
11、進一步地，所述mfnn模型采用多分支的全連接神經網絡結構，通過多層神經元提取輸入變量間的特征，并在特征提取的同時通過全連接層完成對干擾的補償，然后輸出補償后的三相電流值；
12、所述mfnn模型包含兩個模塊：共享特征提取模塊和多分支電流預測模塊，其中共享特征提取模塊由兩個串聯全連接層組成，用于提取輸入變量間復雜關系與非線性特征；多分支電流預測模塊由三個分支組成，根據共享特征提取模塊輸出的特征分別預測a相、b相與c相三相電流值。
13、進一步地，所述步驟b包括，轉換步驟a中pytorch框架下訓練得到的mfnn模型，即對轉換前的原始mfnn模型使用的浮點數參數輕量化：指將使用32位浮點數表示權重和激活值的原始高數據精度mfnn模型轉換為輕量化模型，從而減小模型的大小并加快計算的速度。
14、進一步地，所述輕量化過程包括：
15、1)確定每個權重或激活值的最小值min和最大值max；
16、min＝min(x),max＝max(x)
17、其中，x是待量化的張量，含權重、激活值；
18、2)計算量化所需的縮放因子scale：
19、
20、其中，n是目標量化位數，對于int8，n＝8；
21、3)確定量化過程中零點的值：
22、
23、4)使用縮放因子和零點將浮點數轉換為整數：
24、
25、其中，q為量化后的整數值；
26、5)反量化公式：將量化后的整數值轉換回浮點數：
27、x′＝scale·(q-zero?point)+min。
28、進一步地，所述步驟c包括：
29、1)mfnn模型機構定義復現：在c語言中定義mfnn模型的全連接層和層間連接關系；
30、2)將訓練好的mfnn模型參數保存并在c語言程序中加載；
31、3)在c語言中進行張量運算與函數的激活，以實現與輕量化模型一致的推理結果。
32、進一步地，在c語言中，網絡層定義為結構體，并通過多層循環來逐層完成計算；具體包括：
33、定義一個結構體變量描述mfnn模型的全連接層，結構體中包含：表示該層神經元數量的變量、表示輸入該層數據維度的變量、該層神經元的權重矩陣地址、該層神經元偏置向量地址及該層神經元預測值向量地址；
34、定義另一個結構體變量來描述所要實現的模型，其中結構體中包含：表示共享特征提取模塊的層結構體變量、表示多分支電流預測模塊的層結構體變量。
35、進一步地，通過c語言加載將pytorch中以.pt文件形式保存的模型參數轉換保存為csv格式，并對每一層的參數，將權重矩陣和偏置向量分別保存，其中，權重矩陣保存為二維矩陣，每一行為一個神經元的輸入權重；則偏置向量保存為一維數組，每個元素對應一個神經元的偏置；表示為：
36、
37、其中，w為權重，b為偏置，加載時，將各層結構體中的變本文檔來自技高網...
【技術保護點】
1.羅氏線圈相間干擾補償MFNN方法的輕量化嵌入式實現機制，其特征在于，包括以下步驟：
2.根據權利要求1所述的羅氏線圈相間干擾補償MFNN方法的輕量化嵌入式實現機制，其特征在于，所述步驟A中，MFNN模型基于Pytorch框架訓練得到；訓練多分支全連接神經網絡MFNN模型，用于補償相間干擾并提高測量準確性；所述MFNN模型通過對羅氏線圈在A相、B相、C相三相電中測得的電流值和相線間距離信息進行處理和特征提取，最終輸出補償后的三相電流值；
3.根據權利要求2所述的羅氏線圈相間干擾補償MFNN方法的輕量化嵌入式實現機制，其特征在于，所述MFNN模型采用多分支的全連接神經網絡結構，通過多層神經元提取輸入變量間的特征，并在特征提取的同時通過全連接層完成對干擾的補償，然后輸出補償后的三相電流值；
4.根據權利要求1所述的羅氏線圈相間干擾補償MFNN方法的輕量化嵌入式實現機制，其特征在于，所述步驟B包括，轉換步驟A中Pytorch框架下訓練得到的MFNN模型，即對轉換前的原始MFNN模型使用的浮點數參數輕量化：指將使用32位浮點數表示權重和激活值的原始高
5.根據權利要求4所述的羅氏線圈相間干擾補償MFNN方法的輕量化嵌入式實現機制，其特征在于，所述輕量化過程包括：
6.根據權利要求1所述的羅氏線圈相間干擾補償MFNN方法的輕量化嵌入式實現機制，其特征在于，所述步驟C包括：
7.根據權利要求6所述的羅氏線圈相間干擾補償MFNN方法的輕量化嵌入式實現機制，其特征在于，在C語言中，網絡層定義為結構體，并通過多層循環來逐層完成計算；具體包括：
8.根據權利要求6所述的羅氏線圈相間干擾補償MFNN方法的輕量化嵌入式實現機制，其特征在于，通過C語言加載將PyTorch中以.pt文件形式保存的模型參數轉換保存為csv格式，并對每一層的參數，將權重矩陣和偏置向量分別保存，其中，權重矩陣保存為二維矩陣，每一行為一個神經元的輸入權重；則偏置向量保存為一維數組，每個元素對應一個神經元的偏置；表示為：
9.根據權利要求1所述的羅氏線圈相間干擾補償MFNN方法的輕量化嵌入式實現機制，其特征在于，所述步驟D中，在MFNN模型的推理過程中，前向傳播將輸入數據逐層傳遞并計算得到最終的預測結果，其中計算時，需對前向傳播的運算過程進行優化，具體為：
10.根據權利要求1所述羅氏線圈相間干擾補償MFNN方法的輕量化嵌入式實現機制，其特征在于，所述步驟E中，在邊緣計算設備STM32微控制器上，部署C語言實現的MFNN模型；
...【技術特征摘要】
1.羅氏線圈相間干擾補償mfnn方法的輕量化嵌入式實現機制，其特征在于，包括以下步驟：
2.根據權利要求1所述的羅氏線圈相間干擾補償mfnn方法的輕量化嵌入式實現機制，其特征在于，所述步驟a中，mfnn模型基于pytorch框架訓練得到；訓練多分支全連接神經網絡mfnn模型，用于補償相間干擾并提高測量準確性；所述mfnn模型通過對羅氏線圈在a相、b相、c相三相電中測得的電流值和相線間距離信息進行處理和特征提取，最終輸出補償后的三相電流值；
3.根據權利要求2所述的羅氏線圈相間干擾補償mfnn方法的輕量化嵌入式實現機制，其特征在于，所述mfnn模型采用多分支的全連接神經網絡結構，通過多層神經元提取輸入變量間的特征，并在特征提取的同時通過全連接層完成對干擾的補償，然后輸出補償后的三相電流值；
4.根據權利要求1所述的羅氏線圈相間干擾補償mfnn方法的輕量化嵌入式實現機制，其特征在于，所述步驟b包括，轉換步驟a中pytorch框架下訓練得到的mfnn模型，即對轉換前的原始mfnn模型使用的浮點數參數輕量化：指將使用32位浮點數表示權重和激活值的原始高數據精度mfnn模型轉換為輕量化模型，從而減小模型的大小并加快計算的速度。
5.根據權利要求4所述的羅氏線圈相間干擾補償mfnn方法的輕量化嵌...
【專利技術屬性】
技術研發人員：胡長鵬，蘇冰冰，李佳，龍波，
申請(專利權)人：上海品研測控技術有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。