含能器件寿命预测方法、装置、设备及存储介质

本发明涉及数据处理，尤其涉及一种含能器件寿命预测方法、装置、设备及存储介质。

背景技术：

1、含能器件是包含含能材料（例如，火药、推进剂等）且能够通过自身快速的化学反应释放大量能量并做功的装置或元件，其长期贮存后的性能可靠性是关乎安全与应用的核心指标。由于含能材料在贮存期间会经历复杂的物理化学变化，其性能退化过程受到时间、环境条件等多因素耦合影响，使得准确预测其寿命面临极大挑战。

2、目前的技术大多数采用加速寿命试验方法，通过对含能器件施以高温高湿等严酷环境，加速含能材料的性能退化，进行寿命预测。但由于加速寿命试验环境因素单一，不能完全代表长时间的自然环境波动，模型抗干扰能力差；并且普遍使用的阿伦尼斯乌模型依赖高应力数据外推，模型预测环境温湿度相对简单，且模型在复杂履历环境非单调数据上适用不佳，拟合效果不好。此外，含能器件的特性决定了其性能测试大多具有破坏性，这意味着能够获得的有效数据样本量十分有限。在小样本条件下，纯数据驱动的机器学习模型容易产生过拟合问题，而传统物理模型又难以准确描述复杂的非线性退化过程，这一矛盾使得现有方法在工程实践中难以兼顾模型的准确性和可靠性，导致现有方法对含能器件寿命预测的准确性和可靠性较低。

3、因此，亟需一种含能器件寿命预测方法，能够提高对含能器件寿命预测的准确性和可靠性。

技术实现思路

1、本发明的主要目的在于提供了一种含能器件寿命预测方法、装置、设备及存储介质，旨在解决现有技术对含能器件寿命预测的准确性和可靠性较低的技术问题。

2、为实现上述目的，本发明提供了一种含能器件寿命预测方法，所述方法包括以下步骤：

3、获取含能器件的性能参数和贮存环境参数；

4、采用互信息分析，从所述性能参数和所述贮存环境参数中识别关键退化因子；

5、基于所述关键退化因子构建物理约束神经网络模型，所述物理约束神经网络模型包括基于物理知识的约束条件；

6、利用所述物理约束神经网络模型对所述含能器件的寿命进行预测，获得预测结果。

7、可选地，所述采用互信息分析，从所述性能参数和所述贮存环境参数中识别关键退化因子的步骤，包括：

8、基于k近邻估计的非参数法确定所述性能参数和所述贮存环境参数之间的互信息值；

9、对所述互信息值进行显著性检验，获得显著性检验结果；

10、根据所述互信息值和所述显著性检验结果从所述性能参数和所述贮存环境参数中识别关键退化因子。

11、可选地，所述对所述互信息值进行显著性检验，获得显著性检验结果的步骤，包括：

12、基于所述互信息值，构建假设检验；

13、利用多重假设检验校正法对所述假设检验的检验结果进行校正处理，获得校正后的检验结果；

14、将所述校正后的检验结果与显著性水平阈值进行比较，并根据比较结果确定所述互信息值的显著性检验结果。

15、可选地，所述基于所述关键退化因子构建物理约束神经网络模型的步骤，包括：

16、构建以所述关键退化因子为输入和以所述性能参数中的目标退化参数为输出的神经网络结构；

17、向所述神经网络结构添加物理约束，获得初始物理约束神经网络模型，所述物理约束包括初始状态约束和失效边界约束；

18、基于所述物理约束构建所述初始物理约束神经网络模型的目标损失函数；

19、基于所述目标损失函数，采用训练数据集对所述初始物理约束神经网络模型进行训练，获得物理约束神经网络模型。

20、可选地，所述利用所述物理约束神经网络模型对所述含能器件的寿命进行预测，获得预测结果的步骤，包括：

21、基于所述物理约束神经网络模型，采用蒙特卡洛仿真法生成多条性能退化轨迹；

22、根据所述多条性能退化轨迹确定所述含能器件的平均失效时间；

23、基于所述平均失效时间确定所述含能器件的安全贮存寿命，并将所述安全贮存寿命作为预测结果。

24、可选地，所述获取含能器件的性能参数和贮存环境参数的步骤，包括：

25、通过压力测试获取含能器件的压力时间曲线；

26、从所述压力时间曲线中提取压力相关参数和时间相关参数，所述压力相关参数包括峰值压力，所述时间相关参数包括建压时间和峰压时间；

27、将所述峰值压力、所述建压时间和所述峰压时间作为性能参数；

28、获取所述含能器件的贮存年份、贮存地点和泄漏率，并将所述贮存年份、所述贮存地点和所述泄漏率作为贮存环境参数。

29、可选地，所述获取所述含能器件的贮存年份、贮存地点和泄漏率，并将所述贮存年份、所述贮存地点和所述泄漏率作为贮存环境参数的步骤，包括：

30、获取所述含能器件的贮存年份、贮存地点和泄漏率；

31、基于预设地理分类规则对所述贮存地点进行地区分类，获得地区分类结果；

32、根据所述地区分类结果对所述贮存地点进行编码处理，获得编码后的贮存地点；

33、将所述贮存年份、所述泄漏率和所述编码后的贮存地点作为贮存环境参数。

34、此外，为实现上述目的，本发明还提出一种含能器件寿命预测装置，所述装置包括：

35、参数获取模块，用于获取含能器件的性能参数和贮存环境参数；

36、参数分析模块，用于采用互信息分析，从所述性能参数和所述贮存环境参数中识别关键退化因子；

37、模型构建模块，用于基于所述关键退化因子构建物理约束神经网络模型，所述物理约束神经网络模型包括基于物理知识的约束条件；

38、寿命预测模块，用于利用所述物理约束神经网络模型对所述含能器件的寿命进行预测，获得预测结果。

39、此外，为实现上述目的，本发明还提出一种含能器件寿命预测设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的含能器件寿命预测程序，所述含能器件寿命预测程序配置为实现如上文所述的含能器件寿命预测方法的步骤。

40、此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有含能器件寿命预测程序，所述含能器件寿命预测程序被处理器执行时实现如上文所述的含能器件寿命预测方法的步骤。

41、本发明公开了获取含能器件的性能参数和贮存环境参数；采用互信息分析，从所述性能参数和所述贮存环境参数中识别关键退化因子；基于所述关键退化因子构建物理约束神经网络模型，所述物理约束神经网络模型包括基于物理知识的约束条件；利用所述物理约束神经网络模型对所述含能器件的寿命进行预测，获得预测结果。由于本发明采用互信息分析从性能参数和贮存环境参数中识别关键退化因子，并利用物理约束神经网络模型对含能器件的寿命进行预测，获得预测结果，相比于现有技术，本发明有效提高了对含能器件寿命预测的准确性和可靠性。

1.一种含能器件寿命预测方法，其特征在于，所述方法包括：

2.如权利要求1所述的含能器件寿命预测方法，其特征在于，所述采用互信息分析，从所述性能参数和所述贮存环境参数中识别关键退化因子的步骤，包括：

3.如权利要求2所述的含能器件寿命预测方法，其特征在于，所述对所述互信息值进行显著性检验，获得显著性检验结果的步骤，包括：

4.如权利要求1所述的含能器件寿命预测方法，其特征在于，所述基于所述关键退化因子构建物理约束神经网络模型的步骤，包括：

5.如权利要求1所述的含能器件寿命预测方法，其特征在于，所述利用所述物理约束神经网络模型对所述含能器件的寿命进行预测，获得预测结果的步骤，包括：

6.如权利要求1所述的含能器件寿命预测方法，其特征在于，所述获取含能器件的性能参数和贮存环境参数的步骤，包括：

7.如权利要求6所述的含能器件寿命预测方法，其特征在于，所述获取所述含能器件的贮存年份、贮存地点和泄漏率，并将所述贮存年份、所述贮存地点和所述泄漏率作为贮存环境参数的步骤，包括：

8.一种含能器件寿命预测装置，其特征在于，所述装置包括：

9.一种含能器件寿命预测设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的含能器件寿命预测程序，所述含能器件寿命预测程序配置为实现如权利要求1至7中任一项所述的含能器件寿命预测方法的步骤。

10.一种存储介质，其特征在于，所述存储介质上存储有含能器件寿命预测程序，所述含能器件寿命预测程序被处理器执行时实现如权利要求1至7任一项所述的含能器件寿命预测方法的步骤。