基于时频谱图和变换器算法的飞行器电信号预测方法技术

本发明专利技术涉及基于视觉变换器算法的飞行器电信号预测方法。包电信号时频谱图转换模块，及飞行器电信号进行预测时，首先将电信号进行切割(101)，后将切割后的电信号片段进行傅里叶变换(102)，然后将傅里叶变换后的信号片段时频谱图进行拼接生成信号整体的时频谱图(103)，再结合视觉变换器算法模块(105)对信号时频谱图的特征进行提取，最后由前馈神经网络(106)对信号数据和事故种类进行预测。本方法极大地改善了现有飞行器电信号的预测准确率低的技术现状，将准确率提高了11.3％。将准确率提高了11.3％。将准确率提高了11.3％。

【技术实现步骤摘要】
基于时频谱图和变换器算法的飞行器电信号预测方法


[0001]本专利技术属于信号预测
，涉及基于时频谱图和变换器算法的飞行器电信号预测方法。

技术介绍

[0002]随着各领域工程系统的复杂度的提高，以航空航天、能源动力和移动通信等为代表的现代科学领域，出现了综合性强、精密度高的复杂系统。这对个复杂系统的后期维护提出了极高的要求，促使复杂系统必须有识别频繁且多样的故障的能力。其中以预测技术为核心的故障预测和健康管理策略获得了长足的进步。
[0003]故障预测和健康管理技术的关键是利用复杂系统中的各路传感器，对系统各部件的监控数据信息进行采集与管理，并借助于数据驱动的信息技术、模式识别、机器学习等技术，对复杂系统当前的健康状态进行判别、评估与检测；同时对于未来可能发生的故障，在故障出现之前对其进行推断与预测。故障预测是飞行器的故障管理任务中的关键，主要内容是通过对系统实时采集的监控信号获取当前的实际运行状态，并通过相关的算法模型，结合先验的知识库等手段，预计在未来一定长度的时间内该系统可能出现的工作状态与变化趋势，并具体到数值层面。这一技术可以实时地对系统未来的工作状态进行预估，从而实现对故障的提前预防与管理，该技术将有效为飞行器健康管理提供数据支撑。
[0004]目前用于故障预测的方法一般分为三类：基于物理模型的方法、基于数据驱动的方法以及基于混合估计的方法。基于物理模型的方法主要依赖于退化过程的机理模型。然而，在实际中，对于那些具有功能众多或工况多变等特点的装备，其关键部件的退化机理复杂或未知，目前很难直接建立退化过程的物理模型。基于数据驱动的方法一般是从设备运行过程的电信号监测数据中提取特征，然后建立特征量随时间的变化模型，构建健康指标进而故障预测。基于混合模型估计的方法有效结合了不同模型的优点，为解决故障预测提供了新的思路。但是，该类方法增加了预测模型的复杂度和模型求解的难度，目前研究较少。综上，由于没有使用特定的失效物理模型，基于数据驱动的方法不局限于具体的失效场景，其更具有通用性并可以应用于不同部件的故障预测中，近年来得到了快速的发展。
[0005]虽然已有多种基于数据驱动的故障预测和健康管理技术被提出，但是这些方法在信号处理方面表现不佳。这是由于电信号数据本身的特征和应用场景所导致的。一方面，对于在线分类，由于长时间序列信号是高维和嘈杂的，特征提取算法(如主成分分析(PCA)和深度置信网络(DBN))被应用于降低原始信号数据的维数，然后将低维特征向量输入分类算法(例如WPSVM和RF)。在将特征提取算法与分类器结合的这种方法中，这两部分算法之间存在有机结合的问题。这意味着分类结果无法反馈到特征提取过程中。因此，由这些算法提取的特征可能包含冗余信息，一些特征对于特定任务来说并不具代表性。另一方面，对于离线系统中构建专家训练数据集时的数据标注，有效的聚类算法非常重要。然而，对于高维信号数据的聚类任务来说，传统的聚类分析方法(如K
‑
means和基于密度的带噪声应用空间聚类(DBSCAN))是无效的，而FCM的性能仍有待提高。因此，高性能的分类算法和聚类算法是处理
高维信号的迫切需求。另外，在高维电信号中的预测与健康管理领域，某些缺陷的牵制特征可能是不同回路的电讯号在不同时间点出现异常。目前的数据驱动检测方法仅能在同一维度，即同一时间维度或同一数据维度进行分析，或仅能在进行特征提取后，通过高维特征进行分析。此外，信号中的各个片段并非都同等相关，但经典LSTM无法识别信号中每个部分之间不同的相关性。这些问题影响了算法预测的准确性。而通过引入具有多头注意力机制的视觉变换器模块，网络可以动态地调整不同部分的权重，以便更好地关注重要的信息。这种机制能够帮助神经网络避免过度关注无用信息，提高网络的准确性和实时性。最后，多头注意力机制训练过程中得到的权重矩阵可以增加模型的可解释性，方便复杂系统的维护人员，寻找到未被注意到的事故出现前兆模式。帮助工程人员在后续系统设计中进行完善。

技术实现思路

[0006]本专利技术的目的在于针对现有飞行器电信号的预测准确率低的技术现状，提出了一种将多维电信号的波形图转换为三维时频谱图，后通过Transformer机制对飞行器电信号及可能发生的故障进行预测方法。
[0007]通过将波形图转换为时频谱图，可以在模型的输入端带来以下几个优点：(1)提供更为精确的时频信息：时频谱图不仅提供了音频信号的幅度信息，还提供了频域信息。由于音频信号的频率特征对于很多任务至关重要，时频谱图更为直观地呈现了不同频率成分在时间上的变化，更加精确地描述了信号内容。(2)便于处理长时序数据：时频谱图能够在时间和频率两个维度上描述电信号，这样就可以有效地应对长时间序列数据。(3)降低模型训练复杂度：相比原始波形，时频谱图提供了更丰富、更精确的输入信息，能够使模型从数据中自动学习到更有用的特征。这可以大大降低模型训练复杂度和调试难度，同时提高模型的泛化能力和鲁棒性。
[0008]另一方面，使用变换器模型使得神经网络预测能更准确地关注重要的信息，自动降低噪音数据的权重大小，从而提高了预测的准确率；此外，变换器模型得到的权重矩阵可以帮助维护人员发现未被注意到的故障前兆特征。
附图说明
[0009]图1是根据本专利技术的基于时频谱图和变换器算法的飞行器电信号预测方法的流程图。
[0010]图2视觉变换器算法模块流程图。
具体实施方式
[0011]如图1所示，为了实现上述目的，根据本专利技术的基于时频谱图和变换器的飞行器电信号预测方法包括：
[0012]S1、对飞行器电信号进行预测，具体为：
[0013]S11、输入时间长度为T，信号源数为n的电信号。在时间维度上将n维度的电讯号的每一个维度分割为多个长度相等的微小片段(101)。
[0014]S12、对分离出来的每一个微小片段进行傅里叶变换，得到对应片段电信号的频谱信息(102)。
[0015]S13、将得到的n个数据源的时频谱图按时间相互叠加，最后得到了，时长为T，信号源数为n的电信号时频谱图(103)。
[0016]S14、将得到的时频谱图输入Vision
‑
Transformer模型(104)，如图2。
[0017]S14.1将得到的视频图谱拆分为32
×
32个小图像，并用CNN提取各个小图像的图片特征(201)。
[0018]S14.2根据在整体时频谱图的位置，使用二维位置编码技术，对小图像进行编码。位置表达式为PE
(pos，2i)
＝sin(pos/10000
2i/d
)，PE
(pos，2i+1)
＝cos(pos/10000
2i/d
)，其中2i和2i+1表示了位置编码的维度，i的取值范围是(0，1，2，...，16)(202).
[0019]S14.3将小图像特征与小图像的位置信息求和后，放入多头自注意力模块(203)本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时频谱图和变换器的飞行器电信号预测方法，其特征在于包括：对飞行器电信号进行预测，包括：S11)输入时间长度为T、信号源数为n的电信号，在时间维度上将n维度的电讯号的每一个维度分割为多个长度相等的微小片段(101)，S12)对分离出来的每一个微小片段进行傅里叶变换，得到对应片段电信号的频谱信息(102)，S13)将得到的n个数据源的时频谱图按时间相互叠加，得到时长为T、信号源数为n的电信号时频谱图(103)，S14)将得到的时频谱图输入Vision
‑
Transformer模型(104)进行视觉变换器算法操作，S15)通过前馈神经网络得到电信号和事故种类的预测，其中步骤S14的操作包括：S14.1)将得到的视频图谱拆分为32
×
32个小图像，并用CNN提取各个小图像的图片特征(201)，S14.2)根据在整体时频谱图的位置，使用二维位置编码技术，对小图像进行编码，位置表达式为PE
(pos，2i)
＝sin(pos/10000
2i/d
)，PE
(pos，2i+1)
＝cos(pos/10000
2i/d
)，其中2i和2i+1表示了位置编码的维度，i的取值范围是(0，1，2，...，16)(202)，S14.3)将小图像的特征...

【专利技术属性】
技术研发人员：李可，刘昊伯，李鹏蛟，武昊鹏，阚艳，庞丽萍，杨顺昆，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：