电磁电机及其防潮控制方法

摘要

本申请涉及智能电机技术领域，其具体地公开了一种电磁电机及其防潮控制方法，其采用基于深度学习的人工智能控制技术来提取出电磁电机的工作特征和电磁电机的内部环境特征，接着，计算所述电磁电机的工作特征表示相对于所述电磁电机的内部环境特征之间的特征级数据关联以得到分类特征矩阵，并将所述分类特征矩阵通过分类器以得到用于表示是否打开散热孔的分类结果，通过这样的方式，综合电磁电机的工作特性和内部温湿度特性来自适应地对散热孔的开闭进行控制，以提高防潮控制的合理性和响应性。

权利要求

1.一种电磁电机，其特征在于，包括：数据监控与采集单元，用于获取电磁电机在被启动后的预定时间段内多个预定时间点的所述电磁电机内部的温度值和湿度值，以及，所述预定时间段内多个预定时间点的所述电磁电机的工作功率；温湿度关联单元，用于将所述预定时间段内多个预定时间点的所述电磁电机内部的温度值和湿度值分别按照时间维度排列为温度输入向量和湿度输入向量后，计算所述温度输入向量与所述湿度输入向量的转置向量之间的向量乘积以得到温度‑湿度关联矩阵；温湿度关联特征提取单元，用于将所述温度‑湿度关联矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络以得到温度‑湿度特征矩阵；工作功率时序特征提取单元，用于将所述预定时间段内多个预定时间点的所述电磁电机的工作功率按照时间维度排列为输入向量后通过使用一维卷积核的第二卷积神经网络以得到工作特征向量；特征增强单元，用于基于高斯密度图对所述工作特征向量进行特征级数据增强以得到工作特征矩阵；响应单元，用于计算所述工作特征矩阵相对于所述温度‑湿度特征矩阵的转移矩阵作为分类特征矩阵；以及防潮控制结果生成单元，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否打开散热孔。

2.根据权利要求1所述的电磁电机，其特征在于，所述温湿度关联特征提取单元，进一步用于：所述相邻层使用互为转置的卷积核的第一卷积神经网络的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行基于第一二维卷积核的卷积处理、池化处理和非线性处理以得到第一激活特征图；以及对所述第一激活特征图进行基于第二二维卷积核的卷积处理、池化处理和非线性激活处理以得到第二激活特征图，其中，所述第一二维卷积核和所述第二二维卷积核互为转置；其中，所述相邻层使用互为转置的卷积核的第一卷积神经网络的最后一层的输出为所述温度‑湿度特征矩阵。

3.根据权利要求2所述的电磁电机，其特征在于，所述工作功率时序特征提取单元，进一步用于：所述第二卷积神经网络的各层在层的正向传递中对输入数据分别进行：使用所述第二卷积神经网络的各层的卷积单元对所述输入数据进行基于一维卷积核的卷积处理以得到卷积特征图；使用所述第二卷积神经网络的各层的池化单元对所述卷积特征图进行基于特征矩阵的池化处理以得到池化特征图；以及使用所述第二卷积神经网络的各层的激活单元对所述池化特征图中各个位置的特征值进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络的最后一层的输出为所述工作特征向量。

4.根据权利要求3所述的电磁电机，其特征在于，所述特征增强单元，包括：高斯密度图构造子单元，用于以如下公式来构造所述工作特征向量的高斯密度图；其中，所述公式为：

，其中 是所述工作特征向量，而 是所述工作特征向量中相应两个位置的特征值之间的方差；以及高斯离散子单元，用于对所述高斯密度图中各个位置的高斯分布进行高斯离散化处理以得到所述工作特征矩阵。

5.根据权利要求4所述的电磁电机，其特征在于，所述响应单元，进一步用于：以如下公式计算所述工作特征矩阵相对于所述温度‑湿度特征矩阵的转移矩阵作为分类特征矩阵；

其中，所述公式为：  =

其中 表示所述工作特征矩阵， 表示所述温度‑湿度特征矩阵， 表示矩阵乘法，表示所述分类特征矩阵。

6.根据权利要求5所述的电磁电机，其特征在于，所述防潮控制结果生成单元，进一步用于：使用所述分类器以如下公式对所述分类特征矩阵进行处理以获得分类结果；

其中，所述公式为： ，其中 表示

将所述分类特征矩阵投影为向量， 为权重矩阵， 表示偏置向量。

7.根据权利要求6所述的电磁电机，其特征在于，还包括用于对所述相邻层使用互为转置的卷积核的第一卷积神经网络、所述使用一维卷积核的第二卷积神经网络和所述分类器进行训练的训练模块。

8.根据权利要求7所述的电磁电机，其特征在于，所述训练模块，包括：训练数据采集单元，用于获取训练数据，所述训练数据包括所述电磁电机在被启动后的预定时间段内多个预定时间点的所述电磁电机内部的训练温度值和训练湿度值，以及，所述预定时间段内多个预定时间点的所述电磁电机的训练工作功率；训练温湿度关联单元，用于将所述预定时间段内多个预定时间点的所述电磁电机内部的训练温度值和训练湿度值分别按照时间维度排列为训练温度输入向量和训练湿度输入向量后，计算所述训练温度输入向量与所述训练湿度输入向量的转置向量之间的向量乘积以得到训练温度‑湿度关联矩阵；训练温湿度关联特征提取单元，用于将所述训练温度‑湿度关联矩阵通过所述相邻层使用互为转置的卷积核的第一卷积神经网络以得到训练温度‑湿度特征矩阵；训练工作功率时序特征提取单元，用于将所述预定时间段内多个预定时间点的所述电磁电机的训练工作功率按照时间维度排列为训练输入向量后通过所述使用一维卷积核的第二卷积神经网络以得到训练工作特征向量；训练特征增强单元，用于基于高斯密度图对所述训练工作特征向量进行特征级数据增强以得到训练工作特征矩阵；训练响应单元，用于计算所述训练工作特征矩阵相对于所述训练温度‑湿度特征矩阵的转移矩阵作为训练分类特征矩阵；分类损失单元，用于将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值；分类消解损失单元，用于计算所述训练工作特征矩阵和所述训练温度‑湿度特征矩阵的特征提取模式消解的抑制损失函数值，所述的特征提取模式消解的抑制损失函数值与所述训练工作特征矩阵和所述训练温度‑湿度特征矩阵之间的差分特征向量的二范数有关；以及训练单元，用于以所述分类损失函数值和所述特征提取模式消解的抑制损失函数值的加权和作为损失函数值，对所述相邻层使用互为转置的卷积核的第一卷积神经网络、所述使用一维卷积核的第二卷积神经网络和所述分类器进行训练。

9.根据权利要求8所述的电磁电机，其特征在于，所述分类消解损失单元，进一步用于：

以如下公式计算所述训练工作特征矩阵和所述训练温度‑湿度特征矩阵的特征提取模式消解的抑制损失函数值；其中，所述公式为：

其中， 是所述训练工作特征矩阵， 是所述训练温度‑湿度特征矩阵， 是所述分类器对于所述训练工作特征矩阵 的权重矩阵， 是所述分类器对于所述训练温度‑湿度特征矩阵 的权重矩阵， 表示矩阵的Frobenius范数，且 表示向量的二范数的平方， 表示按位置做差。

10.一种电磁电机的防潮控制方法，其特征在于，包括：获取电磁电机在被启动后的预定时间段内多个预定时间点的所述电磁电机内部的温度值和湿度值，以及，所述预定时间段内多个预定时间点的所述电磁电机的工作功率；将所述预定时间段内多个预定时间点的所述电磁电机内部的温度值和湿度值分别按照时间维度排列为温度输入向量和湿度输入向量后，计算所述温度输入向量与所述湿度输入向量的转置向量之间的向量乘积以得到温度‑湿度关联矩阵；将所述温度‑湿度关联矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络以得到温度‑湿度特征矩阵；将所述预定时间段内多个预定时间点的所述电磁电机的工作功率按照时间维度排列为输入向量后通过使用一维卷积核的第二卷积神经网络以得到工作特征向量；基于高斯密度图对所述工作特征向量进行特征级数据增强以得到工作特征矩阵；计算所述工作特征矩阵相对于所述温度‑湿度特征矩阵的转移矩阵作为分类特征矩阵；以及将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否打开散热孔。

说明书

电磁电机及其防潮控制方法

技术领域

[0001] 本申请涉及智能电机技术领域，且更为具体地，涉及一种电磁电机及其防潮控制方法。

背景技术

[0002] 电机是生活生产中常用的电子元件，若电机受潮内腔冷凝积水，会影响电机正常工作，现今的防潮电机，大多是通过密封进行防水，虽然达到了防水效果，但极大的影响了电机散热。

[0003] 针对上述技术问题，中国专利“CN201821912155.2”提出了一种解决方案：当电机工作时自动开启散热孔，电机停止时自动封死散热孔的具有防潮外壳的电磁电机。但是，由于要经常对散热孔进行开闭，会导致控制机构出现错误，出现散热孔常开或常闭的情况。

[0004] 因此，期待一种优化的电磁电机及其防潮控制方案。

发明内容

[0005] 为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种电磁电机及其防潮控制方法，其采用基于深度学习的人工智能控制技术来提取出电磁电机的工作特征和电磁电机的内部环境特征，接着，计算所述电磁电机的工作特征表示相对于所述电磁电机的内部环境特征之间的特征级数据关联以得到分类特征矩阵，并将所述分类特征矩阵通过分类器以得到用于表示是否打开散热孔的分类结果，通过这样的方式，综合电磁电机的工作特性和内部温湿度特性来自适应地对散热孔的开闭进行控制，以提高防潮控制的合理性和响应性。

[0006] 根据本申请的一个方面，提供了一种电磁电机，其包括：数据监控与采集单元，用于获取电磁电机在被启动后的预定时间段内多个预定时间点的所述电磁电机内部的温度值和湿度值，以及，所述预定时间段内多个预定时间点的所述电磁电机的工作功率；温湿度关联单元，用于将所述预定时间段内多个预定时间点的所述电磁电机内部的温度值和湿度值分别按照时间维度排列为温度输入向量和湿度输入向量后，计算所述温度输入向量与所述湿度输入向量的转置向量之间的向量乘积以得到温度‑湿度关联矩阵；温湿度关联特征提取单元，用于将所述温度‑湿度关联矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络以得到温度‑湿度特征矩阵；工作功率时序特征提取单元，用于将所述预定时间段内多个预定时间点的所述电磁电机的工作功率按照时间维度排列为输入向量后通过使用一维卷积核的第二卷积神经网络以得到工作特征向量；特征增强单元，用于基于高斯密度图对所述工作特征向量进行特征级数据增强以得到工作特征矩阵；响应单元，用于计算所述工作特征矩阵相对于所述温度‑湿度特征矩阵的转移矩阵作为分类特征矩阵；以及防潮控制结果生成单元，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否打开散热孔。

[0007] 根据本申请的另一方面，提供了一种电磁电机的防潮控制方法，其包括：获取电磁电机在被启动后的预定时间段内多个预定时间点的所述电磁电机内部的温度值和湿度值，以及，所述预定时间段内多个预定时间点的所述电磁电机的工作功率；将所述预定时间段内多个预定时间点的所述电磁电机内部的温度值和湿度值分别按照时间维度排列为温度输入向量和湿度输入向量后，计算所述温度输入向量与所述湿度输入向量的转置向量之间的向量乘积以得到温度‑湿度关联矩阵；将所述温度‑湿度关联矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络以得到温度‑湿度特征矩阵；将所述预定时间段内多个预定时间点的所述电磁电机的工作功率按照时间维度排列为输入向量后通过使用一维卷积核的第二卷积神经网络以得到工作特征向量；基于高斯密度图对所述工作特征向量进行特征级数据增强以得到工作特征矩阵；计算所述工作特征矩阵相对于所述温度‑湿度特征矩阵的转移矩阵作为分类特征矩阵；以及将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否打开散热孔。

[0008] 与现有技术相比，本申请提供的一种电磁电机及其防潮控制方法，其采用基于深度学习的人工智能控制技术来提取出电磁电机的工作特征和电磁电机的内部环境特征，接着，计算所述电磁电机的工作特征表示相对于所述电磁电机的内部环境特征之间的特征级数据关联以得到分类特征矩阵，并将所述分类特征矩阵通过分类器以得到用于表示是否打开散热孔的分类结果，通过这样的方式，综合电磁电机的工作特性和内部温湿度特性来自适应地对散热孔的开闭进行控制，以提高防潮控制的合理性和响应性。

附图说明

[0009] 通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

[0010] 图1为根据本申请实施例的电磁电机及其防潮控制方法的应用场景图。

[0011] 图2为根据本申请实施例的电磁电机的框图示意图。

[0012] 图3为根据本申请实施例的电磁电机中训练模块的框图。

[0013] 图4为根据本申请实施例的电磁电机的防潮控制方法的流程图。

[0014] 图5为根据本申请实施例的电磁电机及其防潮控制方法的系统架构的示意图。

[0015] 图6为根据本申请实施例的电磁电机及其防潮控制方法中，对所述相邻层使用互为转置的卷积核的第一卷积神经网络、所述使用一维卷积核的第二卷积神经网络和所述分类器进行训练的训练阶段的流程图。

具体实施方式

[0016] 下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

[0017] 场景概述

[0018] 如上所述，中国专利“CN201821912155.2”提出了一种解决方案：当电机工作时自动开启散热孔，电机停止时自动封死散热孔的具有防潮外壳的电磁电机。但是，由于要经常对散热孔进行开闭，会导致控制机构出现错误，出现散热孔常开或常闭的情况。

[0019] 经研究，本申请的申请人发现在电磁电机刚开始工作时，电磁电机的内部温度较低，内部就可以实现系统内的热交换；只有当电磁电机的内部的热交换无法满足其散热要求时，此时才需要打开散热孔以实现系统外的对流散热。而在现有的方案中，电磁电机刚启动就选择开启散热孔，这导致散热孔的常开时间过长，影响了电磁电机的寿命。

[0020] 因此，在本申请的技术方案中，在进行电磁电机的防潮控制时，综合电磁电机内部的湿度情况和电磁电机的工作情况来进行散热孔的开启或关闭控制。同时，考虑到电磁电机内部的湿度与电磁电机内部的温度有关，两者存在耦合性和协同性，因此，在进行湿度情况分析时进一步将温度和湿度之间关联性考虑在内以提高防潮控制的合理性和响应性。

[0021] 具体地，在本申请的技术方案中，首先通过温度传感器、湿度传感器和功率测量仪来获取电磁电机在被启动后的预定时间段内多个预定时间点的所述电磁电机内部的温度值和湿度值，以及，所述预定时间段内多个预定时间点的所述电磁电机的工作功率。也就是，在本申请的技术方案中，应用所述电磁电机的数据采集与监控系统来采集所述电磁电机的工况数据（所述工作功率）和工作环境数据（所述温度值和所述湿度值）。

[0022] 接着，将所述预定时间段内多个预定时间点的所述电磁电机内部的温度值和湿度值分别按照时间维度排列为温度输入向量和湿度输入向量后，计算所述温度输入向量与所述湿度输入向量的转置向量之间的向量乘积以得到温度‑湿度关联矩阵。也就是，在数据源域，建立所述温度值和湿度值的全时序空间下的逐时间点关联以得到所述温度‑湿度关联矩阵，其中，所述温度‑湿度关联矩阵中各个位置的值用于表示相应两个时间点的温度值和湿度值之间的关联。

[0023] 接着，用于将所述温度‑湿度关联矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络以得到温度‑湿度特征矩阵。也就是，使用在局部特征提取方面具有优异性能表现的卷积神经网络模型作为特征提取器来捕捉温度‑湿度特征矩阵中的高维局部隐含特征，即，温度和湿度在局部时序空间的关联的高维隐含关联特征。考虑到温度数据和湿度数据之间存在高耦合性，且这种高耦合性会随着时间序差而减弱，也就是，在所述温度‑湿度特征矩阵中各个位置的湿度和温度之间的耦合性存在差异，且所述温度‑湿度特征矩阵存在特定数据结构（即，基于温度和湿度之间的耦合性强弱分布会形成特定的数据结构分布）。特别地，在本申请的技术方案中，使用相邻层使用互为转置的卷积核的第一卷积神经网络作为特征提取器对所述温度‑湿度关联矩阵进行编码，以基于所述第一卷积神经网络模型的相邻层的特定卷积核结构设计来搜索所述温度‑湿度特征矩阵中特定块数据结构，以提高温度‑湿度关联特征提取的精准度和丰富度。

[0024] 针对所述电磁电机的工作功率，在将所述预定时间段内多个预定时间点的所述电磁电机的工作功率按照时间维度排列为输入向量后，将其通过使用一维卷积核的第二卷积神经网络以得到工作特征向量。相较于所述第一卷积神经网络模型，所述第二卷积神经网络模型使用一维卷积核作为特征过滤因子来提取所述工作功率的时序向量在局部时序空间内的工作功率模式特征。

[0025] 应注意到，在本申请的技术方案中，所述温度‑湿度特征矩阵由所述温度‑湿度关联矩阵通过卷积神经网络模型得到，而所述工作特征向量通过工作功率的时序向量通过卷积神经网络模型得到，两者在源域端的数据量和数据分布都存在差异，这种差异在经卷积神经网络模型的编码后被放大，导致所述温度‑湿度关联矩阵和所述工作特征向量在高维特征空间中的高维数据流形的维度和形状都存在失配。

[0026] 因此，在本申请的技术方案中，利用高斯密度图对所述工作特征向量进行特征级数据增强以得到工作特征矩阵。这里，高斯密度图在深度学习中，广泛地用于基于先验的目标后验的估计，因此可以用于修正数据分布，从而实现上述目的。

[0027] 具体地，首先构造所述工作特征向量的高斯密度图，用公式可表示为：，其中 是所述工作特征向量，而 是所述工作特征向量中相应两个位置的特征值之间的方差。接着，对所述高斯密度图中各个位置的高斯分布进行高斯离散化处理以得到所述工作特征矩阵。

[0028] 进而，在本申请的技术方案中，计算所述工作特征矩阵相对于所述温度‑湿度特征矩阵的转移矩阵作为分类特征矩阵。也就是，计算所述电磁电机的工作特征表示相对于所述电磁电机的内部环境特征之间的特征级数据关联以得到所述分类特征矩阵。接着，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否打开散热孔。这样，综合电磁电机的工作特性和内部温湿度特性来自适应地对散热孔的开闭进行控制，以提高防潮控制的合理性和响应性。

[0029] 特别地，由于所述分类特征矩阵是计算所述工作特征矩阵相对于所述温度‑湿度特征矩阵的转移矩阵得到的，因此在训练过程中，分类器的分类损失函数在梯度反向传播时会分别通过所述第一卷积神经网络和所述第二卷积神经网络，从而可能由于异常的梯度发散导致所述第一卷积神经网络和所述第二卷积神经网络的特征提取模式的消解，从而影响所述分类特征矩阵的分类结果的准确性。

[0030] 因此，优选地，引入针对所述工作特征矩阵和所述温度‑湿度特征矩阵的特征提取模式消解的抑制损失函数，表示为：

[0031]

[0032]

[0033] 这里， 和 分别是所述工作特征矩阵和所述温度‑湿度特征矩阵展开后得到的特征向量，且 和 分别是所述分类器对于所述特征向量 和 的权重矩阵，表示矩阵的F范数，且 表示向量的二范数的平方。

[0034] 具体地，上述特征提取模式消解的抑制损失函数在保持所述优化参考图像特征矩阵和所述优化检测图像特征矩阵的特征分布的一致性的同时，通过进一步以交叉熵形式使得分类器相对于不同特征矩阵展开后得到的特征向量的权重矩阵的差异分布与特征向量的真实的特征差异分布保持一致，来保证梯度反向传播时的定向导数在梯度传播的分支点附近得到正则化。也就是，将梯度针对所述第一卷积神经网络和所述第二卷积神经网络的特征提取模式进行过加权，这样，就对特征提取模式的消解进行了抑制，提升了所述第一卷积神经网络和所述第二卷积神经网络的特征提取能力，也就相应提升了所述分类特征矩阵的分类结果的准确性。

[0035] 基于此，本申请提供了一种电磁电机，其包括：数据监控与采集单元，用于获取电磁电机在被启动后的预定时间段内多个预定时间点的所述电磁电机内部的温度值和湿度值，以及，所述预定时间段内多个预定时间点的所述电磁电机的工作功率；温湿度关联单元，用于将所述预定时间段内多个预定时间点的所述电磁电机内部的温度值和湿度值分别按照时间维度排列为温度输入向量和湿度输入向量后，计算所述温度输入向量与所述湿度输入向量的转置向量之间的向量乘积以得到温度‑湿度关联矩阵；温湿度关联特征提取单元，用于将所述温度‑湿度关联矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络以得到温度‑湿度特征矩阵；工作功率时序特征提取单元，用于将所述预定时间段内多个预定时间点的所述电磁电机的工作功率按照时间维度排列为输入向量后通过使用一维卷积核的第二卷积神经网络以得到工作特征向量；特征增强单元，用于基于高斯密度图对所述工作特征向量进行特征级数据增强以得到工作特征矩阵；响应单元，用于计算所述工作特征矩阵相对于所述温度‑湿度特征矩阵的转移矩阵作为分类特征矩阵；以及，防潮控制结果生成单元，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否打开散热孔。

[0036] 图1为根据本申请实施例的电磁电机及其防潮控制方法的应用场景图。如图1所示，在该应用场景中，通过部署在电磁电机（例如，如图1中所示意的E）内部的温度传感器（例如，如图1中所示意的H）和湿度传感器（例如，如图1中所示意的T）采集电磁电机在被启动后的预定时间段内多个预定时间点的所述电磁电机内部的温度值和湿度值，以及，通过部署在电磁电机上的功率测量仪（例如，如图1中所示意的P）采集所述预定时间段内多个预定时间点的所述电磁电机的工作功率。然后，将采集的数据输入至部署有电磁电机的防潮控制算法的服务器中（例如，图1中所示意的S），其中，所述服务器能够使用所述电磁电机的防潮控制算法对所述预定时间段内多个预定时间点的所述电磁电机内部的温度值和湿度值以及所述预定时间段内多个预定时间点的所述电磁电机的工作功率进行处理以生成用于表示是否打开散热孔的控制结果。

[0037] 在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。

[0038] 示例性系统

[0039] 图2为根据本申请实施例的电磁电机的框图示意图。如图2所示，根据本申请实施例的所述电磁电机100，包括：数据监控与采集单元110，用于获取电磁电机在被启动后的预定时间段内多个预定时间点的所述电磁电机内部的温度值和湿度值，以及，所述预定时间段内多个预定时间点的所述电磁电机的工作功率；温湿度关联单元120，用于将所述预定时间段内多个预定时间点的所述电磁电机内部的温度值和湿度值分别按照时间维度排列为温度输入向量和湿度输入向量后，计算所述温度输入向量与所述湿度输入向量的转置向量之间的向量乘积以得到温度‑湿度关联矩阵；温湿度关联特征提取单元130，用于将所述温度‑湿度关联矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络以得到温度‑湿度特征矩阵；工作功率时序特征提取单元140，用于将所述预定时间段内多个预定时间点的所述电磁电机的工作功率按照时间维度排列为输入向量后通过使用一维卷积核的第二卷积神经网络以得到工作特征向量；特征增强单元150，用于基于高斯密度图对所述工作特征向量进行特征级数据增强以得到工作特征矩阵；响应单元160，用于计算所述工作特征矩阵相对于所述温度‑湿度特征矩阵的转移矩阵作为分类特征矩阵；以及，防潮控制结果生成单元170，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否打开散热孔。

[0040] 在本申请实施例中，所述数据监控与采集单元110，用于获取电磁电机在被启动后的预定时间段内多个预定时间点的所述电磁电机内部的温度值和湿度值，以及，所述预定时间段内多个预定时间点的所述电磁电机的工作功率。如上所述，在现有的方案中，电磁电机刚启动就选择开启散热孔，这导致散热孔的常开时间过长，影响了电磁电机的寿命。因此，在本申请的技术方案中，在进行电磁电机的防潮控制时，期望综合电磁电机内部的湿度情况和电磁电机的工作情况来进行散热孔的开启或关闭控制，以提高防潮控制的合理性和响应性。

[0041] 具体地，在本申请的技术方案中，通过部署在电磁电机内部的温度传感器和湿度传感器采集电磁电机在被启动后的预定时间段内多个预定时间点的所述电磁电机内部的温度值和湿度值，以及，通过部署在电磁电机上的功率测量仪采集所述预定时间段内多个预定时间点的所述电磁电机的工作功率。也就是，在本申请的技术方案中，应用所述电磁电机的数据采集与监控系统来采集所述电磁电机的工况数据（所述工作功率）和工作环境数据（所述温度值和所述湿度值）。

[0042] 在本申请实施例中，所述温湿度关联单元120，用于将所述预定时间段内多个预定时间点的所述电磁电机内部的温度值和湿度值分别按照时间维度排列为温度输入向量和湿度输入向量后，计算所述温度输入向量与所述湿度输入向量的转置向量之间的向量乘积以得到温度‑湿度关联矩阵。应可以理解，考虑到电磁电机内部的湿度与电磁电机内部的温度有关，两者存在耦合性和协同性，因此，在进行湿度情况分析时进一步将温度和湿度之间关联性考虑在内以提高防潮控制的合理性和响应性。因此，在本申请技术方案中，在数据源域，建立所述温度值和湿度值的全时序空间下的逐时间点关联以得到所述温度‑湿度关联矩阵，其中，所述温度‑湿度关联矩阵中各个位置的值用于表示相应两个时间点的温度值和湿度值之间的关联。

[0043] 在本申请实施例中，所述温湿度关联特征提取单元130，用于将所述温度‑湿度关联矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络以得到温度‑湿度特征矩阵。也就是，使用在局部特征提取方面具有优异性能表现的卷积神经网络模型作为特征提取器来捕捉温度‑湿度特征矩阵中的高维局部隐含特征，即，温度和湿度在局部时序空间的关联的高维隐含关联特征。考虑到温度数据和湿度数据之间存在高耦合性，且这种高耦合性会随着时间序差而减弱，也就是，在所述温度‑湿度特征矩阵中各个位置的湿度和温度之间的耦合性存在差异，且所述温度‑湿度特征矩阵存在特定数据结构（即，基于温度和湿度之间的耦合性强弱分布会形成特定的数据结构分布）。特别地，在本申请的技术方案中，使用相邻层使用互为转置的卷积核的第一卷积神经网络作为特征提取器对所述温度‑湿度关联矩阵进行编码，以基于所述第一卷积神经网络模型的相邻层的特定卷积核结构设计来搜索所述温度‑湿度特征矩阵中特定块数据结构，以提高温度‑湿度关联特征提取的精准度和丰富度。

[0044] 在本申请一个具体的实施例中，所述温湿度关联特征提取单元130，进一步用于：所述相邻层使用互为转置的卷积核的第一卷积神经网络的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行基于第一二维卷积核的卷积处理、池化处理和非线性处理以得到第一激活特征图；以及，对所述第一激活特征图进行基于第二二维卷积核的卷积处理、池化处理和非线性激活处理以得到第二激活特征图，其中，所述第一二维卷积核和所述第二二维卷积核互为转置；其中，所述相邻层使用互为转置的卷积核的第一卷积神经网络的最后一层的输出为所述温度‑湿度特征矩阵。

[0045] 在本申请实施例中，所述工作功率时序特征提取单元140，用于将所述预定时间段内多个预定时间点的所述电磁电机的工作功率按照时间维度排列为输入向量后通过使用一维卷积核的第二卷积神经网络以得到工作特征向量。应可以理解，相较于所述第一卷积神经网络模型，第二卷积神经网络模型中无需考虑数据耦合性，因此，所述第二卷积神经网络模型使用一维卷积核作为特征过滤因子能提取所述工作功率的时序向量在局部时序空间内的工作功率模式特征。

[0046] 在本申请一个具体的实施例中，所述工作功率时序特征提取单元140，进一步用于：所述第二卷积神经网络的各层在层的正向传递中对输入数据分别进行：使用所述第二卷积神经网络的各层的卷积单元对所述输入数据进行基于一维卷积核的卷积处理以得到卷积特征图；使用所述第二卷积神经网络的各层的池化单元对所述卷积特征图进行基于特征矩阵的池化处理以得到池化特征图；以及，使用所述第二卷积神经网络的各层的激活单元对所述池化特征图中各个位置的特征值进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络的最后一层的输出为所述工作特征向量。

[0047] 在本申请实施例中，所述特征增强单元150，用于基于高斯密度图对所述工作特征向量进行特征级数据增强以得到工作特征矩阵。应可以理解，在本申请的技术方案中，所述温度‑湿度特征矩阵由所述温度‑湿度关联矩阵通过卷积神经网络模型得到，而所述工作特征向量通过工作功率的时序向量通过卷积神经网络模型得到，两者在源域端的数据量和数据分布都存在差异，这种差异在经卷积神经网络模型的编码后被放大，导致所述温度‑湿度关联矩阵和所述工作特征向量在高维特征空间中的高维数据流形的维度和形状都存在失配。

[0048] 因此，在本申请的技术方案中，利用高斯密度图对所述工作特征向量进行特征级数据增强以得到工作特征矩阵。这里，高斯密度图在深度学习中，广泛地用于基于先验的目标后验的估计，因此可以用于修正数据分布，从而实现上述目的。

[0049] 在本申请一个具体的实施例中，所述特征增强单元150，包括：高斯密度图构造子单元，用于以如下公式来构造所述工作特征向量的高斯密度图；其中，所述公式为：，其中 是所述工作特征向量，而 是所述工作特征向量中相应两个位置的特征值之间的方差；以及，高斯离散子单元，用于对所述高斯密度图中各个位置的高斯分布进行高斯离散化处理以得到所述工作特征矩阵。

[0050] 在本申请实施例中，所述响应单元160，用于计算所述工作特征矩阵相对于所述温度‑湿度特征矩阵的转移矩阵作为分类特征矩阵。应可以理解，所述工作特征矩阵用于表示所述电磁电机的工作特征，所述温度‑湿度特征矩阵用于表示所述电磁电机的内部环境特征，两者之间存在明显的响应性关联，即随着电磁电机工作功率的增大，电磁电机内部的温度会明显升高，湿度会降低，因此，计算出两者的响应性关联用于分类可以提高分类控制的准确性，也就是，在本申请技术方案中，计算所述电磁电机的工作特征表示相对于所述电磁电机的内部环境特征之间的特征级数据关联以得到所述分类特征矩阵。

[0051] 在本申请一个具体的实施例中，所述响应单元，进一步用于：以如下公式计算所述工作特征矩阵相对于所述温度‑湿度特征矩阵的转移矩阵作为分类特征矩阵；其中，所述公式为： =

[0052] 其中 表示所述工作特征矩阵， 表示所述温度‑湿度特征矩阵， 表示矩阵乘法， 表示所述分类特征矩阵。

[0053] 在本申请实施例中，所述防潮控制结果生成单元170，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否打开散热孔。这样，综合电磁电机的工作特性和内部温湿度特性来自适应地对散热孔的开闭进行控制，以提高防潮控制的合理性和响应性。

[0054] 在本申请一个具体的实施例中，所述防潮控制结果生成单元，进一步用于：使用所述分类器以如下公式对所述分类特征矩阵进行处理以获得分类结果；其中，所述公式为：，其中 表示将所述分类特征矩阵投
影为向量， 为权重矩阵， 表示偏置向量。

[0055] 也就是，所述分类器首先使用全连接层对所述分类特征矩阵进行全连接编码以充分利用所述分类特征矩阵中各个位置的信息以将所述分类特征矩阵降维为一维的分类特征向量；然后，计算所述一维的分类特征向量的Softmax函数值，即，所述分类特征向量归属于各个分类标签的概率值，在本申请实施例中，所述分类标签包括打开散热孔（第一标签）以及不打开散热孔（第二标签）。最后，将概率值较大者对应的标签作为所述分类结果。

[0056] 更进一步，在本申请一个具体的实施例中，还包括用于对所述相邻层使用互为转置的卷积核的第一卷积神经网络、所述使用一维卷积核的第二卷积神经网络和所述分类器进行训练的训练模块。

[0057] 图3为根据本申请实施例的电磁电机中训练模块的框图。如图3所示，在该实施例中，所述训练模块200，包括：训练数据采集单元210，用于获取训练数据，所述训练数据包括所述电磁电机在被启动后的预定时间段内多个预定时间点的所述电磁电机内部的训练温度值和训练湿度值，以及，所述预定时间段内多个预定时间点的所述电磁电机的训练工作功率；训练温湿度关联单元220，用于将所述预定时间段内多个预定时间点的所述电磁电机内部的训练温度值和训练湿度值分别按照时间维度排列为训练温度输入向量和训练湿度输入向量后，计算所述训练温度输入向量与所述训练湿度输入向量的转置向量之间的向量乘积以得到训练温度‑湿度关联矩阵；训练温湿度关联特征提取单元230，用于将所述训练温度‑湿度关联矩阵通过所述相邻层使用互为转置的卷积核的第一卷积神经网络以得到训练温度‑湿度特征矩阵；训练工作功率时序特征提取单元240，用于将所述预定时间段内多个预定时间点的所述电磁电机的训练工作功率按照时间维度排列为训练输入向量后通过所述使用一维卷积核的第二卷积神经网络以得到训练工作特征向量；训练特征增强单元250，用于基于高斯密度图对所述训练工作特征向量进行特征级数据增强以得到训练工作特征矩阵；训练响应单元260，用于计算所述训练工作特征矩阵相对于所述训练温度‑湿度特征矩阵的转移矩阵作为训练分类特征矩阵；分类损失单元270，用于将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值；分类消解损失单元280，用于计算所述训练工作特征矩阵和所述训练温度‑湿度特征矩阵的特征提取模式消解的抑制损失函数值，所述的特征提取模式消解的抑制损失函数值与所述训练工作特征矩阵和所述训练温度‑湿度特征矩阵之间的差分特征向量的二范数有关；以及，训练单元290，用于以所述分类损失函数值和所述特征提取模式消解的抑制损失函数值的加权和作为损失函数值，对所述相邻层使用互为转置的卷积核的第一卷积神经网络、所述使用一维卷积核的第二卷积神经网络和所述分类器进行训练。

[0058] 其中，训练数据采集单元210、训练温湿度关联单元200、训练温湿度关联特征提取单元230、训练工作功率时序特征提取单元240、训练特征增强单元250和训练响应单元260，用于获取训练数据，所述训练数据包括所述电磁电机在被启动后的预定时间段内多个预定时间点的所述电磁电机内部的训练温度值和训练湿度值，以及，所述预定时间段内多个预定时间点的所述电磁电机的训练工作功率。然后，将所述预定时间段内多个预定时间点的所述电磁电机内部的训练温度值和训练湿度值分别按照时间维度排列为训练温度输入向量和训练湿度输入向量后，计算所述训练温度输入向量与所述训练湿度输入向量的转置向量之间的向量乘积以得到训练温度‑湿度关联矩阵。接着，将所述训练温度‑湿度关联矩阵通过所述相邻层使用互为转置的卷积核的第一卷积神经网络以得到训练温度‑湿度特征矩阵。同时，将所述预定时间段内多个预定时间点的所述电磁电机的训练工作功率按照时间维度排列为训练输入向量后通过所述使用一维卷积核的第二卷积神经网络以得到训练工作特征向量。然后，基于高斯密度图对所述训练工作特征向量进行特征级数据增强以得到训练工作特征矩阵。接着，计算所述训练工作特征矩阵相对于所述训练温度‑湿度特征矩阵的转移矩阵作为训练分类特征矩阵。

[0059] 在该实施例中，所述分类损失单元270，用于将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值。也就是，将训练固定状态表达特征矩阵通过所述分类器以得到分类结果，再将分类结果与是否打开散热孔的真实标签进行比较并计算交叉熵数值作为所述分类损失函数值。

[0060] 在本申请一个具体的实施例中，所述分类损失单元270，包括：全连接编码单元，用于使用所述分类器的多个全连接层对所述训练分类特征矩阵进行全连接编码以获得训练分类特征向量；训练分类结果获得单元，用于将所述训练分类特征向量输入所述分类器的Softmax分类函数以获得训练分类结果；以及，分类损失函数值计算单元，用于计算所述训练分类结果与是否打开散热孔之间的交叉熵数值作为所述分类损失函数值。

[0061] 在该实施例中，所述分类消解损失单元280，用于计算所述训练工作特征矩阵和所述训练温度‑湿度特征矩阵的特征提取模式消解的抑制损失函数值，所述的特征提取模式消解的抑制损失函数值与所述训练工作特征矩阵和所述训练温度‑湿度特征矩阵之间的差分特征向量的二范数有关。应可以理解，由于所述分类特征矩阵是计算所述工作特征矩阵相对于所述温度‑湿度特征矩阵的转移矩阵得到的，因此在训练过程中，分类器的分类损失函数在梯度反向传播时会分别通过所述第一卷积神经网络和所述第二卷积神经网络，从而可能由于异常的梯度发散导致所述第一卷积神经网络和所述第二卷积神经网络的特征提取模式的消解，从而影响所述分类特征矩阵的分类结果的准确性。因此，优选地，引入针对所述工作特征矩阵和所述温度‑湿度特征矩阵的特征提取模式消解的抑制损失函数。

[0062] 在本申请一个具体的实施例中，所述分类消解损失单元，进一步用于：以如下公式计算所述训练工作特征矩阵和所述训练温度‑湿度特征矩阵的特征提取模式消解的抑制损失函数值；

[0063] 其中，所述公式为：

[0064]

[0065]

[0066]

[0067] 其中， 是所述训练工作特征矩阵， 是所述训练温度‑湿度特征矩阵， 是所述分类器对于所述训练工作特征矩阵 的权重矩阵， 是所述分类器对于所述训练温度‑湿度特征矩阵 的权重矩阵， 表示矩阵的Frobenius范数，且 表示向量的二范数的平方， 表示按位置做差。

[0068] 具体地，上述特征提取模式消解的抑制损失函数在保持所述优化参考图像特征矩阵和所述优化检测图像特征矩阵的特征分布的一致性的同时，通过进一步以交叉熵形式使得分类器相对于不同特征矩阵展开后得到的特征向量的权重矩阵的差异分布与特征向量的真实的特征差异分布保持一致，来保证梯度反向传播时的定向导数在梯度传播的分支点附近得到正则化。也就是，将梯度针对所述第一卷积神经网络和所述第二卷积神经网络的特征提取模式进行过加权，这样，就对特征提取模式的消解进行了抑制，提升了所述第一卷积神经网络和所述第二卷积神经网络的特征提取能力，也就相应提升了所述分类特征矩阵的分类结果的准确性。

[0069] 在该实施例中，所述训练单元290，用于以所述分类损失函数值和所述特征提取模式消解的抑制损失函数值的加权和作为损失函数值，对所述相邻层使用互为转置的卷积核的第一卷积神经网络、所述使用一维卷积核的第二卷积神经网络和所述分类器进行训练。应可以理解，经过训练的所述相邻层使用互为转置的卷积核的第一卷积神经网络、所述使用一维卷积核的第二卷积神经网络和所述分类器更能提取到有利于散热孔开闭控制的特征。

[0070] 综上，基于本申请实施例的所述电磁电机，其采用基于深度学习的人工智能控制技术来提取出电磁电机的工作特征和电磁电机的内部环境特征，接着，计算所述电磁电机的工作特征表示相对于所述电磁电机的内部环境特征之间的特征级数据关联以得到分类特征矩阵，并将所述分类特征矩阵通过分类器以得到用于表示是否打开散热孔的分类结果，通过这样的方式，综合电磁电机的工作特性和内部温湿度特性来自适应地对散热孔的开闭进行控制，以提高防潮控制的合理性和响应性。

[0071] 示例性方法

[0072] 图4为根据本申请实施例的电磁电机的防潮控制方法的流程图。如图4所示，根据本申请实施例的电磁电机的防潮控制方法，包括：S110，获取电磁电机在被启动后的预定时间段内多个预定时间点的所述电磁电机内部的温度值和湿度值，以及，所述预定时间段内多个预定时间点的所述电磁电机的工作功率；S120，将所述预定时间段内多个预定时间点的所述电磁电机内部的温度值和湿度值分别按照时间维度排列为温度输入向量和湿度输入向量后，计算所述温度输入向量与所述湿度输入向量的转置向量之间的向量乘积以得到温度‑湿度关联矩阵；S130，将所述温度‑湿度关联矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络以得到温度‑湿度特征矩阵；S140，将所述预定时间段内多个预定时间点的所述电磁电机的工作功率按照时间维度排列为输入向量后通过使用一维卷积核的第二卷积神经网络以得到工作特征向量；S150，基于高斯密度图对所述工作特征向量进行特征级数据增强以得到工作特征矩阵；S160，计算所述工作特征矩阵相对于所述温度‑湿度特征矩阵的转移矩阵作为分类特征矩阵；S170，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否打开散热孔。

[0073] 图5为根据本申请实施例的电磁电机的防潮控制方法的系统架构的示意图。如图5所示，在本申请实施例的所述电磁电机的防潮控制方法的系统架构中，首先，获取电磁电机在被启动后的预定时间段内多个预定时间点的所述电磁电机内部的温度值和湿度值。然后，将所述预定时间段内多个预定时间点的所述电磁电机内部的温度值和湿度值分别按照时间维度排列为温度输入向量和湿度输入向量后，计算所述温度输入向量与所述湿度输入向量的转置向量之间的向量乘积以得到温度‑湿度关联矩阵。接着，将所述温度‑湿度关联矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络以得到温度‑湿度特征矩阵。同时，获取所述预定时间段内多个预定时间点的所述电磁电机的工作功率。然后，将所述预定时间段内多个预定时间点的所述电磁电机的工作功率按照时间维度排列为输入向量后通过使用一维卷积核的第二卷积神经网络以得到工作特征向量，并基于高斯密度图对所述工作特征向量进行特征级数据增强以得到工作特征矩阵。最后，计算所述工作特征矩阵相对于所述温度‑湿度特征矩阵的转移矩阵作为分类特征矩阵，并将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否打开散热孔。

[0074] 图6为根据本申请实施例的电磁电机及其防潮控制方法中，对所述相邻层使用互为转置的卷积核的第一卷积神经网络、所述使用一维卷积核的第二卷积神经网络和所述分类器进行训练的训练阶段的流程图。如图6所示，所述相邻层使用互为转置的卷积核的第一卷积神经网络、所述使用一维卷积核的第二卷积神经网络和所述分类器进行训练的训练阶段，包括：S210，获取训练数据，所述训练数据包括所述电磁电机在被启动后的预定时间段内多个预定时间点的所述电磁电机内部的训练温度值和训练湿度值，以及，所述预定时间段内多个预定时间点的所述电磁电机的训练工作功率；S220，将所述预定时间段内多个预定时间点的所述电磁电机内部的训练温度值和训练湿度值分别按照时间维度排列为训练温度输入向量和训练湿度输入向量后，计算所述训练温度输入向量与所述训练湿度输入向量的转置向量之间的向量乘积以得到训练温度‑湿度关联矩阵；S230，将所述训练温度‑湿度关联矩阵通过所述相邻层使用互为转置的卷积核的第一卷积神经网络以得到训练温度‑湿度特征矩阵；S240，将所述预定时间段内多个预定时间点的所述电磁电机的训练工作功率按照时间维度排列为训练输入向量后通过所述使用一维卷积核的第二卷积神经网络以得到训练工作特征向量；S250，基于高斯密度图对所述训练工作特征向量进行特征级数据增强以得到训练工作特征矩阵；S260，计算所述训练工作特征矩阵相对于所述训练温度‑湿度特征矩阵的转移矩阵作为训练分类特征矩阵；S270，将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值；S280，计算所述训练工作特征矩阵和所述训练温度‑湿度特征矩阵的特征提取模式消解的抑制损失函数值，所述的特征提取模式消解的抑制损失函数值与所述训练工作特征矩阵和所述训练温度‑湿度特征矩阵之间的差分特征向量的二范数有关；以及，S290，以所述分类损失函数值和所述特征提取模式消解的抑制损失函数值的加权和作为损失函数值，对所述相邻层使用互为转置的卷积核的第一卷积神经网络、所述使用一维卷积核的第二卷积神经网络和所述分类器进行训练。

[0075] 这里，本领域技术人员可以理解，上述电磁电机的防潮控制方法中的各个步骤的具体操作已经在上面参考图1到图3的电磁电机的描述中得到了详细介绍，并因此，将省略其重复描述。