一种基于物理感知与动态稀疏混合专家的剩余寿命预测方法及系统与流程
本发明涉及故障预测与健康管理(phm)及深度学习,尤其涉及一种基于物理感知与动态稀疏混合专家(ds-moe)的剩余寿命(rul)预测方法、系统及设备。
背景技术:
1、在航空航天、轨道交通及大型工业装备等领域,关键部件的剩余寿命(rul)预测对于保障设备安全运行和降低维护成本至关重要。近年来,基于深度学习的数据驱动方法在rul预测中取得了显著进展。然而,现有技术存在以下明显缺陷:
2、第一,纯数据驱动模型缺乏物理可解释性。在长序列预测中,模型容易输出“寿命反弹”或“波动震荡”等违背物理退化规律(如单调递减性)的异常结果。
3、第二,工业设备在实际运行中通常经历多种复杂工况(如稳态、瞬态、变载荷等)。传统的混合专家模型(moe)在处理多工况数据时,往往需要激活大量专家网络,导致计算冗余度极高,难以满足边缘端部署的实时性要求;且容易出现“专家坍塌”现象,即部分专家被过度使用,而其他专家未被充分训练。
技术实现思路
1、本申请提出一种基于物理感知与动态稀疏混合专家的剩余寿命预测方法,包括:
2、采集目标设备的多源物理场数据,并进行联合去噪处理;
3、对去噪后的所述多源物理场数据进行多尺度时频分析,获取多物理场耦合的多尺度时频联合特征,并将所述多尺度时频联合特征进行高维嵌入,得到高维特征序列;
4、将所述高维特征序列输入至动态稀疏混合专家网络ds-moe中,通过所述ds-moe的门控路由网络动态激活部分专家网络进行前向传播,输出剩余寿命rul预测序列;所述ds-moe包括门控路由网络和n个并行的专家网络,n为大于1的整数;
5、计算所述剩余寿命预测序列与真实寿命及物理机理之间的误差,并通过反向传播更新所述ds-moe网络的参数;以及在推理阶段,采用蒙特卡洛dropout进行多次前向传播,输出剩余寿命的点估计值及不确定性置信区间。
6、于一实施例中,所述采集目标设备的多源物理场数据,并进行联合去噪处理,包括:同步采集所述目标设备的高频振动信号和低频温压信号;
7、通过采用自适应小波阈值去噪结合深度自编码器dae,对所述高频振动信号和所述低频温压信号进行联合去噪,滤除环境背景噪声,保留与疲劳裂纹扩展相关的退化特征。
8、于一实施例中,所述对去噪后的所述多源物理场数据进行多尺度时频分析,获取多物理场耦合的多尺度时频联合特征,包括:针对去噪后的高频振动力学信号,采用经验模态分解结合希尔伯特变换的细尺度时频处理,提取表征瞬时冲击损伤的瞬时频率矩阵;针对去噪后的低频温度、压力热场信号,采用多层小波包分解的粗尺度多分辨率处理,提取表征长期累积老化的能量熵矩阵;将所述瞬时频率矩阵与所述能量熵矩阵进行通道维度拼接,形成包含时间×频率×通道×物理场的4d特征张量x∈r^(t×f×c×m),作为所述多物理场耦合的多尺度时频联合特征;所述t表征设备运行时序,对应退化随时间累积的过程;所述f表征振动、温压信号分解后的频域分量;所述c表征传感器通道,区分高、低频信号;所述m表征物理场。
9、于一实施例中,所述将所述多尺度时频联合特征进行高维嵌入,得到高维特征序列,包括:采用3d-patch embedding方法将所述4d特征张量投影为高维时空特征序列。
10、于一实施例中,所述将所述高维特征序列输入至动态稀疏混合专家网络ds-moe中,通过所述ds-moe的门控路由网络动态激活部分专家网络进行前向传播,输出剩余寿命预测序列,包括:所述门控路由网络以所述高维特征序列为输入,通过线性变换结合softmax归一化处理,输出n维激活权重向量;
11、选取所述激活权重中数值最大的k个专家网络进行激活,并将其余专家网络的权重置零,其中k为小于n的正整数;以及将激活的k个专家网络各自输出的寿命预测值,以对应的激活权重进行加权求和,得到所述剩余寿命预测序列。
12、于一实施例中,所述计算所述剩余寿命rul预测序列与真实寿命及物理机理之间的误差包括:构建混合损失函数,所述混合损失函数至少包括物理约束损失;
13、所述物理约束损失表征设备老化快慢变化规律与真实物理机理规定的老化规律之间的偏差;根据所述混合损失函数计算误差,并通过反向传播更新所述ds-moe网络的参数。
14、于一实施例中,所述物理约束损失pcl的计算过程包括:对所述剩余寿命预测序列进行一阶差分计算,得到预测退化速率,并归一化得到预测退化速率分布;基于所述目标设备的工况参数及预设的物理退化定律,计算理论退化速率,并归一化得到理论退化速率分布;所述预设的物理退化定律为paris裂纹扩展定律或arrhenius热老化模型;计算所述预测退化速率分布与所述理论退化速率分布之间的kl散度,作为所述物理约束损失pcl。
15、于一实施例中,所述混合损失函数还包括负载均衡损失,所述负载均衡损失用于约束所述门控路由网络在训练过程中对各专家网络的激活频率。
16、本申请还公开一种基于物理感知与动态稀疏混合专家的剩余寿命预测系统,包括:数据模块,用于采集目标设备的多源物理场数据,并进行联合去噪处理;
17、特征提取模块,用于对去噪后的所述多源物理场数据进行多尺度时频分析,获取多物理场耦合的多尺度时频联合特征,并将所述多尺度时频联合特征进行高维嵌入,得到高维特征序列;模型计算模块,所述模型采用动态稀疏混合专家网络ds-moe,该模块用于接收所述高维特征序列,并通过门控路由网络动态激活部分专家网络进行前向传播,输出剩余寿命rul预测序列;所述ds-moe包括门控路由网络和n个并行的专家网络,n为大于1的整数;训练优化模块,用于计算所述剩余寿命预测序列与真实寿命及物理机理之间的误差,并通过反向传播更新所述ds-moe网络的参数;以及推理输出模块,用于在推理阶段采用蒙特卡洛dropout进行多次前向传播,输出剩余寿命的点估计值及不确定性置信区间。
18、本申请还公开一种电子设备,包括:一个或多个处理器;以及存储装置,用于存储一个或多个程序;当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上述所述的基于物理感知与动态稀疏混合专家的剩余寿命预测方法。
19、本发明的有益效果在于:物理一致性强:首创性地提出物理约束损失(pcl),通过kl散度强制模型预测的退化速率分布逼近物理定律(如paris定律)推导的理论分布,从根本上消除了“寿命反弹”等非物理异常,提高了预测结果的可靠性。计算效率高且抗过拟合:采用动态稀疏混合专家网络(ds-moe),针对特定工况仅激活少量(如top-k)专家网络,大幅降低了推理阶段的计算量(flops);同时结合负载均衡损失,有效避免了专家坍塌问题。特征表达维度丰富:通过构建4d特征张量(时间×频率×通道×物理场),充分捕捉了多源异构传感器数据在时频域的耦合退化信息。
1.一种基于物理感知与动态稀疏混合专家的剩余寿命预测方法,其特征在于,包括:采集目标设备的多源物理场数据,并进行联合去噪处理;
2.根据权利要求1所述的方法,其特征在于,所述采集目标设备的多源物理场数据,并进行联合去噪处理,包括:同步采集所述目标设备的高频振动信号和低频温压信号;通过采用自适应小波阈值去噪结合深度自编码器dae,对所述高频振动信号和所述低频温压信号进行联合去噪,滤除环境背景噪声,保留与疲劳裂纹扩展相关的退化特征。
3.根据权利要求1所述的方法,其特征在于,所述对去噪后的所述多源物理场数据进行多尺度时频分析,获取多物理场耦合的多尺度时频联合特征,包括:
4.根据权利要求3所述的方法,其特征在于,所述将所述多尺度时频联合特征进行高维嵌入,得到高维特征序列,包括:采用3d-patch embedding方法将所述4d特征张量投影为高维时空特征序列。
5.根据权利要求1所述的方法,其特征在于,所述将所述高维特征序列输入至动态稀疏混合专家网络ds-moe中,通过所述ds-moe的门控路由网络动态激活部分专家网络进行前向传播,输出剩余寿命预测序列,包括:所述门控路由网络以所述高维特征序列为输入,通过线性变换结合softmax归一化处理,输出n维激活权重向量;
6.根据权利要求1所述的方法,其特征在于,所述计算所述剩余寿命rul预测序列与真实寿命及物理机理之间的误差包括:构建混合损失函数,所述混合损失函数至少包括物理约束损失;
7.根据权利要求6所述的方法,其特征在于,所述物理约束损失pcl的计算过程包括:对所述剩余寿命预测序列进行一阶差分计算,得到预测退化速率,并归一化得到预测退化速率分布;基于所述目标设备的工况参数及预设的物理退化定律,计算理论退化速率,并归一化得到理论退化速率分布;所述预设的物理退化定律为paris裂纹扩展定律或arrhenius热老化模型;计算所述预测退化速率分布与所述理论退化速率分布之间的kl散度,作为所述物理约束损失pcl。
8.根据权利要求7所述的方法,其特征在于,所述混合损失函数还包括负载均衡损失,所述负载均衡损失用于约束所述门控路由网络在训练过程中对各专家网络的激活频率。
9.一种基于物理感知与动态稀疏混合专家的剩余寿命预测系统,其特征在于,包括:数据模块,用于采集目标设备的多源物理场数据,并进行联合去噪处理;特征提取模块,用于对去噪后的所述多源物理场数据进行多尺度时频分析,获取多物理场耦合的多尺度时频联合特征,并将所述多尺度时频联合特征进行高维嵌入,得到高维特征序列;模型计算模块,所述模型采用动态稀疏混合专家网络ds-moe,该模块用于接收所述高维特征序列,并通过门控路由网络动态激活部分专家网络进行前向传播,输出剩余寿命rul预测序列;所述ds-moe包括门控路由网络和n个并行的专家网络,n为大于1的整数;训练优化模块,用于计算所述剩余寿命预测序列与真实寿命及物理机理之间的误差,并通过反向传播更新所述ds-moe网络的参数;以及推理输出模块,用于在推理阶段采用蒙特卡洛dropout进行多次前向传播,输出剩余寿命的点估计值及不确定性置信区间。
10.一种电子设备,其特征在于,包括:一个或多个处理器;以及存储装置,用于存储一个或多个程序;当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1至8中任一项所述的基于物理感知与动态稀疏混合专家的剩余寿命预测方法。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com