CN119471054A 探针接触阻抗实时监测与补偿方法、装置及存储介质 （东莞市台易电子科技有限公司）

本发明涉及一种探针接触阻抗实时监测与构参数和原始探针操作参数输入图注意力堆叠2获取包含探针接触电阻值和接触力的第一测量数据集，并实时采集第二测量数据集，并输入所述智能接触阻抗监测模型进行双参数故障检测，基于所述接触状态分类结果生成二维补偿矩阵，并对所述第将所述补偿系数、原始探针结构参数和原始探针操作参数输入对所述目标探针结构参数和所述目标探针操作参数进行云模型计算和赋权运含探针接触电阻值和接触力的第一测量数据集，并输入双层深度学习神经网络进行训练，获取包含探针接触电阻值和接触力的第一测量数据集，并对将所述正常接触数据子集、所述瞬时故障数据子集和所述渐进劣化将所述特征矩阵输入双层深度学习神经网络中的物理模型编码将所述第一中间特征输入所述双层深度学习神经网络中的材料特性响应层进行特性对所述第二中间特征进行特征融合运算，所述特征融合运算包括注将所述融合特征向量输入双向门控循环单元进行时序特征学习，所基于所述时序特征序列构建损失函数并进行反向传播优化，所述损实时采集包含探针接触电阻值和接触力的第二测量数据集，对所述分段数据序列进行小波去噪处理，得到降噪后的数据序列3根据所述异常度量值构建基于滑动时间窗口的故障检测函数，所述故障将所述故障检测值与预设的分类阈值进行比对，所述预设的分类阈述接触状态分类结果生成二维补偿矩阵，并对所述第二测量数据集进行非线性映射计算，根据所述状态编码矩阵构建补偿基准值查找表，所述补偿基准值将所述补偿基准数据输入核函数映射单元，采用径向基函数进行根据所述二维网格结构对所述第二测量数据集中的探针接触电阻值和接触力进行双对所述初始的补偿系数进行时序平滑处理，得到平滑的补偿系数，并对所述加权的补偿系数进行边界约束处理，设置补偿上限值和下将所述归一化补偿数据输入径向基核函数进行非线性变换，所述径对所述初始特征映射进行奇异值分解运算，提取主要特征方向，选将所述降维特征空间划分为电阻维度和力维度两个正交子空根据所述边缘分布特征确定网格节点的最优分布位置，采用K_means聚类算法对每个基于所述自适应节点位置构建Delaunay三角剖分，对特征空间进4对所述初始网格结构进行网格质量评估，计算每个网格单元的形状因子和大小因子，将所述优化网格结构与原始坐标系进行映射变换，建立网格节点与对所述补偿系数、原始探针结构参数和原始探针操作参数进行参数融将所述多模态特征向量输入图注意力堆叠自编码器的第一注意力层进行特征关联计对所述注意力加权特征进行第一编码运算，所述第一编码运算包括三将所述第一编码特征输入第二注意力层进行跨模态特征交互，所对所述多维度注意力特征进行第二编码运算，所述第二编码运算包括两个全连接层，将所述编码特征输入解码器进行解码运算，所述解码器包括三个转置卷对所述解码特征进行参数分离运算，通过两个并行的全连接层分别预测目将所述目标探针结构参数和所述目标探针操作参数分别输入云模基于所述云滴特征序列构建模糊隶属度矩阵，采用三角形隶属对所述参数权重向量进行一致性检验，计算一致性比率，并通8.一种探针接触阻抗实时监测与补偿装置，其特征在5获取模块，用于获取包含探针接触电阻值和接触力的第一测量检测模块，用于实时采集第二测量数据集，并输入所述智能接触计算模块，用于基于所述接触状态分类结果生成二维预测模块，用于将所述补偿系数、原始探针结构参数和原始探针操输出模块，用于对所述目标探针结构参数和所述目标探针操作参数进被处理器执行时实现权利要求1至7中任一项所述的6对所述目标探针结构参数和所述目标探针操作参数进行云模型计算和赋权运算，7用图注意力堆叠自编码器进行参数优化，实现了探针结构参数和操作参数的自适应调整，[0013]参照图1，本实施例提供了一种探针接触阻抗实时监测与补偿方法，包括以下步8物理特性相关的特征，而材料特性响应层则对数据的物理特性与材料属性进行深度分析，9据二维网格结构，对第二测量数据集中的探针接触电阻值和接触力进行双线性插值计算，是减少网格节点以扩大网格单元的尺寸。将优化后的网格结构与原始坐标系进行映射变节点及其邻域进行聚合操作，能够有效捕捉图结构数据中的局部特征和拓扑关系，而确定性的云模型。对结构参数云和操作参数云进行云滴生成计算，每个参数生成200个云协议对这些指令进行格式化处理，将控制指令转换为符合探针设备通信协议的标准格式，触电阻特征向量和接触力特征向量的特征矩阵，特征矩阵的维度为M×N，其中M为样本数模型编码层包含五个卷积单元，每个卷积单元包括一个卷积层、一个批归一化层和一个将第一中间特征输入双层深度学习神经网络中的材料特性响应层进行特性分析，;其中，表示第i个特征的注意力权重，h,为特征的原始值，通过软最大化(softmax)函数计算每个特征的重要性权重。残差连接计算则用于避免模型入双向门控循环单元进行时序特征学习。双向门控循环单元包含前向和反向两个隐藏层，每个隐藏层的单元数量为32。双向门控循环单元是一种类似于LSTM的改进型循环神经网;序列输入探针接触阻抗监测模型，通过物理模型编码层和材料特性响应层进行前向计算，然后通过去除高频部分并进行逆小波变换，得到降噪后的数据序列(t)。将降噪后的数据;;检测值有效反映探针接触过程中的趋势性变化。将故障检测值与预设的分类阈值进行比根据二维网格结构对第二测量数据集中的探针接触电阻值和接触力进行双线性;换特征空间进行自适应网格划分，沿电阻维度和力维度分别设置10个均匀分布的网格节;;;根据边缘分布特征确定网格节点的最优分布位置，采用K_means聚类算法对每个对初始网格结构进行网格质量评估，计算每个网格单元的形状因子和大小因子，;解表示为：;将多模态特征向量输入图注意力堆叠自编码器的第一注意力层进行特征关联计;;其中，f(x)为激活函数输出，X为卷积层的输出，a通常为一个小的正值(例如[0031]在这个示例中，将目标探针结构参数和目标探针操作参数分别输入云模型生成;;i个参数与第j个参;;到的综合权重系数，将目标探针结构参数和目标探针操作参数转换为执行控制指令序列。í