一种基于图神经网络的炮位侦校雷达在役考核方法
本发明属于雷达试验鉴定与评估,尤其涉及一种基于图神经网络的炮位侦校雷达在役考核方法。
背景技术:
1、在役考核是对已列装的炮兵雷达装备在典型任务剖面下,是否持续满足使用要求、是否具备作战适用性与体系适配性,所进行的持续性综合检验。其核心在于,能够及时发现装备在作战使用、保障维护、人员编配以及环境适应性等方面暴露的深层问题,从而为装备的改进改型、作战运用优化与后续采购决策提供直接且关键的依据。因此,建立一套科学客观、可量化的在役考核方法,已成为落实炮兵雷达装备实战化要求的紧迫课题。
2、目前,炮兵雷达装备在役考核评估的建模思路主要可归为两类。第一类是基于指标体系的加权评估法。此类方法通过构建层次化的评估指标体系,依靠领域专家确定各指标权重,再对底层指标进行打分或测量,最终经线性加权聚合得到总体评估结果。该方法模型直观、易于解释,但存在两方面的明显局限:一方面,指标间的独立性与完备性难以保证,而实际装备性能的退化往往是多因素强耦合的结果;另一方面,权重分配易受专家主观经验影响,难以客观反映不同环境下的动态需求变化。第二类是基于统计分析与可靠性模型的方法。该类方法通过对装备故障率、平均无故障工作时间等可靠性指标进行统计分析,或利用可靠性增长模型来推断装备的效能保持水平,适用于对大量同型号装备进行宏观趋势判断,但难以精细刻画单装个体在实际任务中的瞬时状态与性能退化轨迹。同时,这类模型普遍建立在理想化假设之上,对复杂环境应力与人为因素的表达能力有限。
3、针对上述传统方法的不足,近年来已有研究尝试引入深度学习模型以挖掘数据的深层特征。专利cn202311828991公开了一种雷达效能评估方法,将雷达效能指标按设备可信度、探测与定位等四个维度分组,对每个维度分别构建dbn-rbf子网模型,再级联为整体效能评估网络。该方法利用深度学习自动提取指标间的非线性关系,消除了主观赋权的影响,但其关注点主要限于单部雷达自身能力维度的评估,未涉及多雷达间的组网协同关系。专利cn202311554107则提出了一种基于累积故障的多任务复杂系统可靠性在役考核评估方法,通过判别多任务剖面故障率是否一致,分别采用截尾试验统计与gamma分布模型,或高斯-马尔可夫估计方法计算系统可靠度。该方法有效解决了多任务条件下可靠性评估精度不足的问题,但其侧重于单系统在不同任务剖面下的故障统计与可靠性建模,同样未涉及多装备之间的功能耦合效应。
技术实现思路
1、本发明的目的在于提供一种基于图神经网络的炮位侦校雷达在役考核方法。
2、实现本发明目的的技术解决方案为:一种基于图神经网络的炮位侦校雷达在役考核方法,包括以下步骤:
3、步骤1、基于专家经验与数据驱动双路学习,构建炮位侦校雷达在役考核图网络,图网络的节点为考核指标,边为指标间的关联关系;
4、步骤2、引入环境向量,并定义异常包容度系数,使系统在恶劣环境下对指标波动具有更高的容忍度;
5、步骤3、采用图自编码器对常规考核指标的空间拓扑关系进行重构,通过重构误差捕捉指标间的关联异常,同时,采用transformer模型对核心考核指标的时序演化进行预测,通过预测误差识别突发性性能衰落;
6、步骤4、基于同方差不确定性构造动态损失加权方法,将步骤3得到的空间重构误差与时间预测误差进行融合,形成原始健康度得分;
7、步骤5、利用多头图注意力机制进行权重演化与信息聚合,在图网络中设置虚拟损耗节点,利用该健康度得分修正在役考核结果,从而实现失效信息的量化闭环。
8、本发明与现有技术相比其显著优点为:
9、1)本发明深度融合先验知识与数据特征进行拓扑建模,相比于纯专家经验或纯数据驱动,既利用专家知识界定了炮位侦校雷达考核指标间的逻辑层级,又能通过数据挖掘捕获指标间潜在的耦合关系,在样本有限或数据质量不稳定的在役考核场景下,仍能保持评估结果的准确性和稳定性;
10、2)通过引入环境向量与异常包容度系数,实现了图注意力权重在不同环境下的自适应调节。通过定义异常包容度系数,系统能够有效区分环境干扰导致的指标正常波动与设备自身性能退化产生的异常,有效过滤了环境噪声带来的虚警,显著提升了炮位侦校雷达在恶劣战训环境下的考核置信度;
11、3)本发明构建了gae与transformer协同的异常检测架构,通过空间重构与时间预测的双重校验机制,确保了系统既能捕捉指标间空间分布的异常,也能捕捉指标演化的时序异常,实现了多维度的异常检测;
12、4)引入了基于同方差不确定性的动态加权算法,本发明能够根据训练过程中的损失波动自动学习不同评估维度的任务权重,使得空间误差与时间误差在统一的度量衡下进行优化,确保了最终评估损失函数的客观性与数学严谨性;
13、5)本发明通过在图网络中设置虚拟损耗节点,将各级指标的异常能量汇聚并映射为具体的健康分数,利用该分数修正原始考核结果,形成了从监测-评估-修正的完整量化闭环,为炮兵雷达装备的精确维修与视情管理提供数据支撑。
1.一种基于图神经网络的炮位侦校雷达在役考核方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于图神经网络的炮位侦校雷达在役考核方法,其特征在于,步骤1基于专家经验与数据驱动双路学习,构建炮位侦校雷达在役考核图网络的具体步骤为:
3.根据权利要求2所述的基于图神经网络的炮位侦校雷达在役考核方法,其特征在于,数据驱动关联强度矩阵具体为:
4.根据权利要求1所述的基于图神经网络的炮位侦校雷达在役考核方法,其特征在于,引入环境向量,并确定异常包容度系数的具体步骤为:
5.根据权利要求4所述的基于图神经网络的炮位侦校雷达在役考核方法,其特征在于,所述异常包容度系数具体为:
6.根据权利要求1所述的基于图神经网络的炮位侦校雷达在役考核方法,其特征在于,步骤3采用图自编码器对常规考核指标的空间拓扑关系进行重构,通过重构误差捕捉指标间的关联异常,同时,采用transformer模型对核心指标的时序演化进行预测,通过预测误差识别突发性性能衰落的具体步骤为:
7.根据权利要求1所述的基于图神经网络的炮位侦校雷达在役考核方法,其特征在于,步骤4基于同方差不确定性构造动态损失加权方法,将步骤3得到的空间重构误差与时间预测误差进行融合,得到原始健康度得分的具体方法为:
8.根据权利要求1所述的基于图神经网络的炮位侦校雷达在役考核方法,其特征在于,利用多头图注意力机制进行权重演化与信息聚合,在图网络中设置虚拟损耗节点,利用健康度得分修正在役考核结果,从而实现失效信息的量化闭环的具体步骤为:
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