仿形拉普拉斯核空间关联的装备物理性能动态感知方法
本技术涉及装备性能监测,特别是涉及一种仿形拉普拉斯核空间关联的装备物理性能动态感知方法。
背景技术:
1、物理场计算是复杂装备研发与运维的核心支撑,旨在通过温度、应力、流场等多物理场的精确建模,揭示装备在极端工况下的内在响应规律,进而对其性能、失效风险及寿命极限进行超前预测。该类问题由常/偏微分方程描述,并依赖有限元、有限差分等数值方法,将计算域离散为海量网格节点后迭代求解。该方法精度高、普适性强,但面对强非线性、高维参数的复杂装备问题时,网格规模随复杂度指数增长,计算效率骤降;且边界或初始条件一旦改变,即需重新计算,难以满足实时性需求。更关键的是,此类纯机理外推缺乏融合实测传感数据的能力,无法利用运行中的监测信息修正模型偏差,因而在真实动态环境中适应性不足。
2、与此同时,深度学习以数据驱动方式构建输入到物理场的黑盒映射,凭借无网格特性和纯前向计算大幅提升速度,并能天然融合观测数据。然而,该范式缺乏物理约束,易产出违悖基本定律的结果,且严重依赖高质量训练数据,而装备实测物理场数据往往难以获取,制约了其工程落地。
3、为融合机理严谨性与数据灵活性,物理信息神经网络(pinns)等数据机理融合方法应运而生。pinns通过自动微分将控制方程、初边值条件嵌入损失函数作为软约束,无需大规模网格迭代,即可在少量甚至无数据条件下训练网络,兼具拟合数据与遵循物理规律的能力。然而,对于复杂装备而言,其工作边界条件往往剧烈波动,而标准pinn仍须预设固定的方程与边界条件,观测数据仅能作为损失项中的后置性软拟合目标,难以作为网络输入以主动参与动态初始/边界的感知与计算。这意味着每一特定工况仍需独立训练,边界一旦变化即需重新迭代,严重制约了其在装备在线监测、自适应控制等场景下的实用价值。
4、究其根源在于,标准pinn难以将传感数据纳入输入层,因为传感时间序列与方程自变量(空间坐标、时间)在物理意义和量纲上本质不同,简单拼接会引发特征稀释:传感特征淹没物理坐标的影响力,导致机理学习不充分;而物理坐标的冗余干扰又增加了传感信息提取难度,最终陷入机理失效与拟合失准的双重困境。因此,面向复杂装备动态工作环境,亟需发展能实时感知边界状态、将观测数据与物理坐标有机融合的新型网络架构。
技术实现思路
1、本技术的目的是提供一种仿形拉普拉斯核空间关联的装备物理性能动态感知方法,可实现对动态工况下装备物理性能的高效高精度计算。
2、为实现上述目的,本技术提供了如下方案:
3、一种仿形拉普拉斯核空间关联的装备物理性能动态感知方法,包括以下步骤:
4、获取待测装备部件上多个传感器采集的多源传感数据以及各所述传感器在装备坐标系下的坐标值;所述多源传感数据具有时序特性。
5、根据所述多源传感数据及所述坐标值,利用传感分支网络提取物理场初始/边界特征,并将所述物理场初始/边界特征与所述坐标值合并为传感特征。
6、根据所述待测装备部件的待测位置的空间坐标值,利用物理分支网络提取所述待测位置的物理特征。
7、基于拉普拉斯核函数构造绝对-相对混合位置编码,分别对所述传感特征和所述物理特征进行位置编码,得到编码后的传感特征与编码后的物理特征。
8、构建互关联注意力模块,将所述编码后的传感特征映射为查询矩阵和值矩阵,将所述编码后的物理特征映射为键矩阵。
9、根据所述查询矩阵与所述键矩阵的内积计算注意力权重,并利用所述注意力权重对所述值矩阵进行加权,得到加权传感特征。
10、利用残差连接将所述加权传感特征与所述物理特征融合,得到所述待测位置的物理性能计算结果。
11、可选地,利用传感分支网络提取物理场初始/边界特征,并将所述物理场初始/边界特征与所述坐标值合并为传感特征,具体包括以下步骤:
12、利用卷积神经网络对所述多源传感数据进行时序特征提取,得到传感器内生时序特征与邻域传感时空关联。
13、将所述传感器内生时序特征与邻域传感时空关联确定为所述物理场初始/边界特征。
14、将所述物理场初始/边界特征与所述传感器所在位置处的坐标值进行合并,得到所述传感特征。
15、可选地,根据所述待测装备部件的待测位置的空间坐标值,利用物理分支网络提取所述待测位置的物理特征,具体为:
16、将所述待测位置的空间坐标值输入所述物理分支网络,所述物理分支网络建立空间坐标到物理性能变量的映射关系,输出所述待测位置的物理特征;所述物理分支网络以机理偏微分方程构成的损失函数项进行训练,以使得所述物理分支网络满足机理约束。
17、可选地,所述物理分支网络以机理偏微分方程构成的损失函数项进行训练,具体包括以下步骤:
18、利用实测传感数据构建第一损失项;所述第一损失项用于训练网络对动态初始/边界条件的感知能力。
19、利用在网格节点上构建的偏微分方程残差构建第二损失项;所述第二损失项用于训练网络对机理方程的拟合能力。
20、根据所述第一损失项和所述第二损失项对所述物理分支网络和所述传感分支网络进行联合训练。
21、可选地,基于拉普拉斯核函数构造绝对-相对混合位置编码,分别对所述传感特征和所述物理特征进行位置编码,得到编码后的传感特征与编码后的物理特征,具体包括以下步骤:
22、根据拉普拉斯核函数的傅里叶展开形式,利用蒙特卡洛近似构造位置编码函数。
23、利用所述位置编码函数分别对所述传感特征和所述物理特征进行编码,将编码结果与对应的特征进行合并,得到所述编码后的传感特征与所述编码后的物理特征。
24、所述拉普拉斯核函数的表达式为:
25、
26、其中,为拉普拉斯核函数,和分别为节点和节点的空间坐标向量,为衰减系数。
27、所述位置编码函数的表达式为:
28、
29、其中,为位置编码函数,为通过柯西分布采样得到的角频率,为采样个数,上标为矩阵的转置。
30、可选地,在所述互关联注意力模块中,所述查询矩阵、所述键矩阵和所述值矩阵的构建方式包括:
31、根据所述编码后的传感特征线性变换生成查询矩阵。
32、根据所述编码后的物理特征线性变换生成键矩阵。
33、根据所述传感特征线性变换生成值矩阵。
34、可选地,利用残差连接将所述加权传感特征与所述物理特征融合,得到所述待测位置的物理性能计算结果,具体为以下步骤:
35、利用残差连接将所述物理特征与所述加权传感特征进行相加,得到所述待测位置的物理性能计算结果;其中,所述物理特征由所述物理分支网络输出,所述加权传感特征由所述互关联注意力模块输出。
36、可选地,所述方法还包括以下步骤:
37、在根据所述多源传感数据及所述坐标值,利用传感分支网络提取物理场初始/边界特征之前,对所述多源传感数据进行预处理,所述预处理包括以下至少一种:数据对齐、数据归一化和数据去噪。
38、可选地,在获取待测装备部件上多个传感器采集的多源传感数据之前,还包括以下步骤:
39、建立所述待测装备部件的几何形状模型及数字孪生模型,根据所述数字孪生模型确定传感器布局方案,按照所述传感器布局方案在所述待测装备部件上布置多个传感器。
40、可选地,所述方法还包括以下步骤:
41、根据所述待测位置的物理性能计算结果,生成所述待测装备部件的物理性能动态感知结果;所述物理性能动态感知结果用于所述待测装备部件的工作状态实时监测与自适应控制。
42、根据本技术提供的具体实施例,本技术公开了以下技术效果:
43、本技术提供了一种仿形拉普拉斯核空间关联的装备物理性能动态感知方法,在该方法中,首先,获取待测装备部件上多个传感器采集的多源传感数据以及各所述传感器在装备坐标系下的坐标值,所述多源传感数据具有时序特性,为后续动态感知提供实时的数据基础;接着,根据所述多源传感数据及所述坐标值,利用传感分支网络提取物理场初始/边界特征,并将所述物理场初始/边界特征与所述坐标值合并为传感特征,由此避免传感时序信号与空间坐标直接拼接造成的特征稀释问题,充分挖掘传感器内生的时序关联与邻域传感的时空关联;同时,根据所述待测装备部件的待测位置的空间坐标值,利用物理分支网络提取所述待测位置的物理特征,以建立物理性能与坐标之间的映射关系,确保计算结果满足机理约束;在此基础上,基于拉普拉斯核函数构造绝对-相对混合位置编码,分别对所述传感特征和所述物理特征进行位置编码,得到编码后的传感特征与编码后的物理特征,从而同时保留全局绝对空间分布特性与局部相对位置关联特性;随后,构建互关联注意力模块,将所述编码后的传感特征映射为查询矩阵和值矩阵,将所述编码后的物理特征映射为键矩阵,根据所述查询矩阵与所述键矩阵的内积计算注意力权重,并利用所述注意力权重对所述值矩阵进行加权,得到加权传感特征,利用核函数与注意力内积运算在数学形式上的相似性,将孤立的绝对位置信息转化为节点间的相对空间关联关系;最后,利用残差连接将所述加权传感特征与所述物理特征融合,得到所述待测位置的物理性能计算结果,通过空间关联作为桥梁将传感特征中包含的初始/边界条件信息加载到物理性能的计算上,同时保留物理方程求解的梯度回溯路径,最终实现在复杂动态工况下对装备物理性能的高效、高精度计算与实时感知。
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