【技术实现步骤摘要】
本专利技术属于多变量时间序列预测、机器学习中的深度学习领域的一种复杂装备性能参数预测方法，特别涉及了一种基于时空动态关联图的复杂装备性能参数预测方法。
技术介绍
1、复杂装备往往具备结构组成复杂、服役环境多变等特点，通过对装备的运行状态进行分析和预测，可指导装备动态控制策略的优化和预测性维护策略的制定，从而有效保障复杂装备运行的稳定性和高效性。而复杂装备的运行状态往往体现在其关键性能参数中，如航空发动机的排气温度偏差(△egt)、雷达频接收单元中的压控振荡器输出频率等。因而对复杂装备关键性能参数进行预测，对分析装备运行状态的未来变化趋势、提升装备控制和健康管理水平而言至关重要。
2、当前，复杂装备的性能参数预测方法主要可分为传统方法和数据驱动方法。其中传统方法包括基于专家经验的和基于数理模型的，前者依赖于对领域专家的经验性知识和主观性理解的总结，后者则依赖于热、流、电子等多物理场耦合的机理模型构建和数值仿真分析，它们的共性是需要引入大量的领域先验知识和人工干预过程，存在对复杂系统的表达能力有限、依赖理想化前提假设、泛化能力不足等缺点，难以适应复杂装备系统组成复杂、运行工况多样的特点。而数据驱动方法主要可分为基于统计分析的和基于机器学习的，其中统计分析方法以自回归移动平均模型、自回归滑动模型等为代表，实现简单、通用性好，但存在对输入数据分布进行特定假设、对噪声异常值敏感等不足，在预测存在高度动态性和非线性特性的复杂装备性能参数时难以获得足够高的精度。而机器学习方法则以基于rnn、tcn、transformer等架构的深
3、然而，现有的基于深度学习的复杂装备的性能参数预测方法仍然存在以下问题：1.复杂装备关键性能参数的变化通常受到多个相关状态变量的影响，故在预测模型中需建模性能参数变量与相关状态变量间的跨变量依赖关系，部分现有方法同时考虑复杂装备所有状态监测变量间的跨变量依赖关系，存在计算量大、易受噪声关联干扰等不足，而部分现有模型基于先验知识或相关性分析算法选取固定的部分关键变量以构造模型的输入，存在依赖外部知识、无法全面表达复杂系统内部的动态耦合规律等不足；2.当处理性能参数的长期预测问题时，现有方法通常在整个输入序列的所有时间步长上建模类型单一的、全局性的跨变量依赖关系，难以准确刻画复杂装备在长时间跨度、多工况交替场景下跨变量依赖模式的局部关联特征和动态变化规律。上述不足使得当前方法在复杂装备性能参数预测任务上的表现仍存在较大的提升空间。
技术实现思路
1、为了解决
技术介绍
中存在的问题和需求，本专利技术提出了一种基于时空动态关联图的复杂装备性能参数预测方法。本专利技术通过引入时空动态关联图，实现与装备性能参数相关状态变量的自动识别和对变量间局部关联模式的动态建模，从而有效提高复杂装备性能参数预测的准确性，适用于各种变工况场景下的复杂装备性能参数的短期预测和长期预测任务。
2、为实现上述目的，本专利技术提供了如下方案：
3、一、一种基于时空动态关联图的复杂装备性能参数预测方法
4、s1：连续采样记录包括性能参数在内的复杂装备多个状态监测变量的历史信号，得到复杂装备多通道状态监测数据；
5、s2：对复杂装备多通道状态监测数据进行预处理后，构建获得装备性能参数预测数据集；
6、s3：利用装备性能参数预测数据集对基于时空动态关联图的复杂装备性能参数预测模型进行训练后，获得训练好的复杂装备性能参数预测模型；
7、s4：将实时获得的新的状态监测变量信号进行预处理后再输入到训练好的复杂装备性能参数预测模型中，得到复杂装备性能参数在预测步长下的预测结果。
8、所述s1中，状态监测变量包括温度参数、压力参数、环境参数，性能参数为功率参数或效率参数。
9、所述s2中，对复杂装备多通道状态监测数据进行预处理，具体包括缺失值填补、规范化操作以及根据输入时间步长和预测步长对数据进行划分。
10、所述s3中，基于时空动态关联图的复杂装备性能参数预测模型首先对装备性能参数预测数据集中任意一个样本的输入序列x(i)在时间维度上以预设局部窗口大小进行均匀且不重叠的子序列分割，得到局部窗口级子序列满足其中，cmax为状态监测变量的总通道数，l表示局部窗口数，tl表示每个局部窗口对应的采样步长，是通道数为cmax×l×tl的实数集；再将局部窗口级子序列输入到时空动态关联图生成模块中，时空动态关联图生成模块生成时空动态关联图满足其中v(i)为节点集，节点集中各节点的特征满足为通道数为d×dgh的实数集，d代表每张图的节点数量，满足d＝cmax·l，dgh代表各节点特征的特征维度，ε(i)为边集，a(i)表示邻接矩阵；
11、然后基于时空动态关联图和预设阶数k求解以性能参数变量所对应节点为中心的邻域子图再根据邻域子图包含的节点与对应状态变量的归属关系识别出各性能参数相关状态变量，进而从局部窗口级子序列中构造包含性能参数和相关状态变量的输入序列子集满足其中，为通道数为(crelevant+1)×l×tl的实数集，crelevant为相关状态变量的数量；然后，将输入序列子集和邻域子图输入时序预测模块，得到性能参数变量的预测输出满足是通道数为tp的实数集，tp为预测步长。
12、所述时空动态关联图生成模块包括依次相连的自编码单元、图初始化单元、通道稀疏化单元和局部关联模式捕捉稀疏化单元。
13、所述自编码单元包括自编码器神经网络，自编码器神经网络由特征编码器和特征解码器组成，特征编码器在时间维度对局部窗口级子序列进行编码后，输出低维嵌入空间的潜在特征并作为特征解码器的输入和图初始化单元的输入，满足其中为通道数为cmax×l×denc的实数集，denc为自编码特征维度；特征解码器将低维嵌入空间的潜在特征解码至特征编码器输入维度，得到重构子序列满足根据局部窗口级子序列和重构子序列计算获得时空动态关联图生成模块的自编码损失。
14、所述图初始化单元中，将自编码单元输出的低维嵌入空间的潜在特征转换为时空动态关联图初始节点特征满足为通道数是d×denc的实数集；根据时空动态关联图初始节点特征计算特征相似度后获得带边权的图初始化邻接矩阵满足为通道数是d×d的实数集，并将带边权的图初始化邻接矩阵变换为变量对子图邻接矩阵集并作为图初始化单元的输出，满足为通道数是的实数集。
15、所述通道稀疏化单元中，以图初始化单元输出的变量对子图邻接矩阵集为输入，将特征相似度阈值设置为可学习参数，将平均特征相似度小于等于特征相似度阈值的变量对子图的邻接矩阵置零，并利用非线性函数对未置零的变量对子图邻接矩阵中的各边权进行非线性变换，得到通道稀疏化子图邻接矩阵集并作为通道稀疏化单元的输出，满足为通道数是的实数集；
16、所述局部关联模式捕捉稀疏化单元中，以通道稀疏化子图邻接矩阵集为输入，基于卷积神经网本文档来自技高网...
【技术保护点】
1.一种基于时空动态关联图的复杂装备性能参数预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于时空动态关联图的复杂装备性能参数预测方法，其特征在于，所述S3中，基于时空动态关联图的复杂装备性能参数预测模型首先对装备性能参数预测数据集中任意一个样本的输入序列X(i)在时间维度上以预设局部窗口大小进行均匀且不重叠的子序列分割，得到局部窗口级子序列满足其中，Cmax为状态监测变量的总通道数，L表示局部窗口数，TL表示每个局部窗口对应的采样步长，是通道数为Cmax×L×TL的实数集；再将局部窗口级子序列输入到时空动态关联图生成模块中，时空动态关联图生成模块生成时空动态关联图满足其中为节点集，节点集中各节点的特征满足为通道数为D×dgh的实数集，D代表每张图的节点数量，满足D＝Cmax·L，dgh代表各节点特征的特征维度，ε(i)为边集，A(i)表示邻接矩阵；然后基于时空动态关联图和预设阶数k求解以性能参数变量所对应节点为中心的邻域子图再根据邻域子图包含的节点与对应状态变量的归属关系识别出各性能参数相关状态变量，进而从局部窗口级子序列中构造包含性能参数和相关
3.根据权利要求2所述的一种基于时空动态关联图的复杂装备性能参数预测方法，其特征在于，所述时空动态关联图生成模块包括依次相连的自编码单元、图初始化单元、通道稀疏化单元和局部关联模式捕捉稀疏化单元。
4.根据权利要求3所述的一种基于时空动态关联图的复杂装备性能参数预测方法，其特征在于，所述自编码单元包括自编码器神经网络，自编码器神经网络由特征编码器和特征解码器组成，特征编码器在时间维度对局部窗口级子序列进行编码后，输出低维嵌入空间的潜在特征并作为特征解码器的输入和图初始化单元的输入，满足其中为通道数为Cmax×L×denc的实数集，denc为自编码特征维度；特征解码器将低维嵌入空间的潜在特征解码至特征编码器输入维度，得到重构子序列满足根据局部窗口级子序列和重构子序列计算获得时空动态关联图生成模块的自编码损失。
5.根据权利要求3所述的一种基于时空动态关联图的复杂装备性能参数预测方法，其特征在于，所述图初始化单元中，将自编码单元输出的低维嵌入空间的潜在特征转换为时空动态关联图初始节点特征满足为通道数是D×denc的实数集；根据时空动态关联图初始节点特征计算特征相似度后获得带边权的图初始化邻接矩阵满足为通道数是D×D的实数集，并将带边权的图初始化邻接矩阵变换为变量对子图邻接矩阵集并作为图初始化单元的输出，满足为通道数是的实数集。
6.根据权利要求3所述的一种基于时空动态关联图的复杂装备性能参数预测方法，其特征在于，所述通道稀疏化单元中，以图初始化单元输出的变量对子图邻接矩阵集为输入，将特征相似度阈值设置为可学习参数，将平均特征相似度小于等于特征相似度阈值的变量对子图的邻接矩阵置零，并利用非线性函数对未置零的变量对子图邻接矩阵中的各边权进行非线性变换，得到通道稀疏化子图邻接矩阵集并作为通道稀疏化单元的输出，满足为通道数是的实数集。
7.根据权利要求3所述的一种基于时空动态关联图的复杂装备性能参数预测方法，其特征在于，所述局部关联模式捕捉稀疏化单元中，以通道稀疏化子图邻接矩阵集为输入，基于卷积神经网络变换非零变量对子图邻接矩阵中各边权的值，并使用ReLU(·)激活函数将为负值的边权置零，得到模式捕捉稀疏化子图邻接矩阵集满足再通道变换后得到最终的时空动态关联图邻接矩阵满足进而构造时空动态关联图生成模块输出的时空动态关联图
8.根据权利要求2所述的一种基于时空动态关联图的复杂装备性能参数预测方法，其特征在于，所述时序预测模块包括依次相连的嵌入单元、时序编码单元和时序解码单元。
9.根据权利要求8所述的一种基于时空动态关联图的复杂装备性能参数预测方法，其特征在于，所述嵌入单元中，首先对输入序列子集进行Patch划分，得到分块序列子集满足其中为通道数是(Crelevant+1)×L×Np×P的实数集，Np表示Patch划分中每个局部窗口中的Patch数，P表示Patch长度，然后对分块序列子集使用线性变换，得到每个Patch的嵌入特征满足为通道数是(Crelevant+1)×L×Np×dtrans的实数集，dtrans为模型隐层维度，再分别提取每个Patch的嵌入特征中各局部窗口所对应各Patch的平均信息，并以其为初始化值生成头部Pat...
【技术特征摘要】
1.一种基于时空动态关联图的复杂装备性能参数预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于时空动态关联图的复杂装备性能参数预测方法，其特征在于，所述s3中，基于时空动态关联图的复杂装备性能参数预测模型首先对装备性能参数预测数据集中任意一个样本的输入序列x(i)在时间维度上以预设局部窗口大小进行均匀且不重叠的子序列分割，得到局部窗口级子序列满足其中，cmax为状态监测变量的总通道数，l表示局部窗口数，tl表示每个局部窗口对应的采样步长，是通道数为cmax×l×tl的实数集；再将局部窗口级子序列输入到时空动态关联图生成模块中，时空动态关联图生成模块生成时空动态关联图满足其中为节点集，节点集中各节点的特征满足为通道数为d×dgh的实数集，d代表每张图的节点数量，满足d＝cmax·l，dgh代表各节点特征的特征维度，ε(i)为边集，a(i)表示邻接矩阵；然后基于时空动态关联图和预设阶数k求解以性能参数变量所对应节点为中心的邻域子图再根据邻域子图包含的节点与对应状态变量的归属关系识别出各性能参数相关状态变量，进而从局部窗口级子序列中构造包含性能参数和相关状态变量的输入序列子集满足其中，为通道数为(crelevant+1)×l×tl的实数集，crelevant为相关状态变量的数量；然后，将输入序列子集和邻域子图输入时序预测模块，得到性能参数变量的预测输出满足是通道数为tp的实数集，tp为预测步长。
3.根据权利要求2所述的一种基于时空动态关联图的复杂装备性能参数预测方法，其特征在于，所述时空动态关联图生成模块包括依次相连的自编码单元、图初始化单元、通道稀疏化单元和局部关联模式捕捉稀疏化单元。
4.根据权利要求3所述的一种基于时空动态关联图的复杂装备性能参数预测方法，其特征在于，所述自编码单元包括自编码器神经网络，自编码器神经网络由特征编码器和特征解码器组成，特征编码器在时间维度对局部窗口级子序列进行编码后，输出低维嵌入空间的潜在特征并作为特征解码器的输入和图初始化单元的输入，满足其中为通道数为cmax×l×denc的实数集，denc为自编码特征维度；特征解码器将低维嵌入空间的潜在特征解码至特征编码器输入维度，得到重构子序列满足根据局部窗口级子序列和重构子序列计算获得时空动态关联图生成模块的自编码损失。
5.根据权利要求3所述的一种基于时空动态关联图的复杂装备性能参数预测方法，其特征在于，所述图初始化单元中，将自编码单元输出的低维嵌入空间的潜在特征转换为时空动态关联图初始节点特征满足为通道数是d×denc的实数集；根据时空动态关联图初始节点特征计算特征相似度后获得带边权的图初始化邻接矩阵满足为通道数是d×d的实数集，并将带边权的图初始化邻接矩阵变换为变量对子图邻接矩阵集并作为图初始化单元的输出，满足为通道数是的实数集。
6.根据权利要求3所述的一种基于时空动态关联图的复杂装备性能参数预测方法，其特征在于，所述通道稀疏化单元中，以图初始化单元输出的变量对子图邻接矩阵集为输入，将特征相似度阈值设置为可学习参数，将平均特征相似度小于等于特征相似度阈值的变量对子图的邻接矩阵置零，并利用非线性函...
【专利技术属性】
技术研发人员：刘振宇，冯源，刘惠，李瑞，谭建荣，
申请(专利权)人：浙江大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。