(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111669052.4 (22)申请日 2021.12.31 (71)申请人 清华大学 地址 100084 北京市海淀区清华园 (72)发明人 刘韶杰　李东海　刘尚明　 (74)专利代理 机构 北京清亦华知识产权代理事 务所(普通 合伙) 11201 专利代理师 杜月 (51)Int.Cl. G06V 10/774(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06F 17/16(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 卷积神经网络识别与评估系统动态特性的 方法和装置 (57)摘要 本申请提出了一种卷积神经网络识别与评 估系统动态特性的方法， 涉及自动控制技术领 域， 其中， 该方法包括： 获取控制 系统输出的时序 响应曲线及对应的预期动态的时序响应曲线作 为原始数据， 之后进行处理生 成用于训练的灰度 图和对应的标签； 按照灰度图的大小和个数构建 卷积神经网络， 并训练构建的网络得到训练好的 模型； 采集具体场景数据重复训练模 型得到新的 模型； 实时采集具体控制系统的数据进行处理后 输入到新的模 型中， 识别与评估系统动态特性输 出结果。 采用上述方案的本申请解决了现有技术 中依据经验的人工识别与评估而无法完成控制 系统自动化 设计工作技术问题， 同时也避免仅仅 由简单指标定义动态跟踪问题而带来的不准确 的缺陷。 权利要求书2页 说明书9页 附图10页 CN 114549922 A 2022.05.27 CN 114549922 A 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， di,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；权　利　要　求　书 1/2 页 2 CN 114549922 A 2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。 7.如权利要求6所述的装置， 其特 征在于， 所述处 理模块， 具体用于： 在相同时刻从数据采集模块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。 8.一种非临时性计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 所述计算 机程序被处 理器执行时实现如权利要求1 ‑4中任一所述的方法。权　利　要　求　书 2/2 页 3 CN 114549922 A 3