一种基于层次语义图推理的设备剩余寿命预测方法及装置

本技术涉及数据处理，特别是涉及一种基于层次语义图推理的设备剩余寿命预测方法及装置。

背景技术：

1、余使用寿命用于表征设备从当前运行状态到达到失效阈值之间的剩余可用时间，是预测与健康管理中的关键指标。基于深度学习的数据驱动方法能够从传感器时序中自动提取退化特征，但通常隐含训练数据与测试数据同分布的假设。在实际应用中，不同转速、负载、设备型号和工作条件会引起明显的领域偏移，使在源工况上训练的模型在目标工况上出现性能下降。无监督域适应利用有标签源域和无标签目标域进行联合训练，能够在不标注目标域剩余寿命的情况下缓解领域偏移。然而，设备退化过程具有连续、不可逆和阶段相关的属性，现有方法仅在平坦特征空间中对齐统计分布，容易将处于不同退化阶段但数值分布相近的样本错误匹配，造成退化语义错配和负迁移。因此，如何在不使用目标域剩余寿命标签的条件下，实现跨工况退化语义的有效迁移，是本领域亟待解决的技术问题。

技术实现思路

1、本技术的目的是提供一种基于层次语义图推理的设备剩余寿命预测方法及装置，可以解决现有多源无监督域适应方法忽略领域与退化阶段之间结构化语义关系而导致的退化阶段错配和负迁移的问题。

2、为实现上述目的，本技术提供了如下方案：

3、第一方面，本技术提供了一种基于层次语义图推理的设备剩余寿命预测方法，包括：

4、获取来自多个源域和目标域的样本，所述源域的样本带有剩余寿命标签；

5、对所有所述样本进行时空特征提取与解耦，获得领域不变特征和领域特定特征；

6、对所述源域的样本的剩余寿命标签进行离散化处理，获得各源域的样本的退化阶段信息；基于各样本的领域信息和所述退化阶段信息，构建包含领域节点和退化阶段节点的基础概念图；基于所述领域特定特征更新所述领域节点，基于所述领域不变特征更新所述退化阶段节点，并将更新后的所有节点在所述基础概念图上进行信息传播；

7、将传播后的所述领域节点与传播后的所述退化阶段节点进行组合映射，生成表征领域与阶段联合状态的复合节点；基于所述复合节点构建上下文交互图，并对所述上下文交互图进行图注意力推理，获得上下文节点表示；

8、根据源域样本的领域信息和退化阶段信息，从所述上下文节点表示中为源域样本检索对应的语义上下文；根据目标域样本的领域不变特征与各退化阶段节点之间的相似度，为所述目标域样本聚合对应的语义上下文；

9、根据各所述语义上下文生成调制参数，并利用所述调制参数对所述领域不变特征进行调制，获得融合特征；其中，所述调制参数包括尺度向量和偏置向量；

10、利用多个预设损失函数对时空特征提取与解耦的过程、所述基础概念图、所述上下文交互图以及剩余寿命预测模块进行联合优化训练，利用训练后的所述剩余寿命预测模块根据目标域样本的融合特征输出剩余寿命预测值；其中，所述预设损失函数包括基于源域样本的融合特征构建的回归损失。

11、可选地，所述对所有所述样本进行时空特征提取与解耦，具体包括：

12、将每一采样时刻下的传感器通道分别作为图节点，通过空间图注意力机制计算不同传感器通道之间的关联权重并进行邻域信息聚合，获得空间增强序列；

13、对所述空间增强序列添加位置编码后输入时序编码网络，对所述时序编码网络的输出执行全局平均池化，获得编码特征；其中，所述时序编码网络包括多头自注意力子层和前馈网络子层；

14、通过两个独立的映射网络分别将所述编码特征映射至领域不变特征空间和领域特定特征空间。

15、可选地，所述基础概念图包括：

16、与各源域及目标域一一对应的领域节点；

17、与各离散退化阶段一一对应的退化阶段节点，相邻退化阶段节点按照设备退化过程的先后顺序连接形成阶段流形链；

18、任意两个领域节点之间的全连接边，以及每个领域节点与每个退化阶段节点之间的跨类型连接边。

19、可选地，所述基于所述领域特定特征更新所述领域节点，基于所述领域不变特征更新所述退化阶段节点，并将更新后的所有节点在所述基础概念图上进行信息传播，具体包括：

20、对当前训练批次中属于同一领域的样本的领域特定特征计算均值，并按照预设动量系数将计算得到的均值与该领域节点的历史表示进行加权融合，完成所述领域节点的更新；

21、对当前训练批次中属于同一退化阶段的样本的领域不变特征计算均值，并按照所述预设动量系数将计算得到的均值与该退化阶段节点的历史表示进行加权融合，完成所述退化阶段节点的更新；

22、根据所述基础概念图的边连接关系，对更新后的所有节点进行邻域信息聚合，完成所述信息传播。

23、可选地，所述将传播后的所述领域节点与传播后的所述退化阶段节点进行组合映射，生成表征领域与阶段联合状态的复合节点；基于所述复合节点构建上下文交互图，并对所述上下文交互图进行图注意力推理，获得上下文节点表示，具体包括：

24、将每个传播后的领域节点的表示分别与每个传播后的退化阶段节点的表示进行拼接，并通过非线性映射层将拼接结果投影至统一维度，生成领域-阶段复合节点；

25、在全部所述复合节点之间建立全连接边，形成所述上下文交互图；

26、采用多头图注意力网络计算任意两个复合节点之间的注意力权重，根据所述注意力权重对邻接节点的信息进行聚合，并通过残差连接获得所述上下文节点表示。

27、可选地，所述根据源域样本的领域信息和退化阶段信息，从所述上下文节点表示中为源域样本检索对应的语义上下文；根据目标域样本的领域不变特征与各退化阶段节点之间的相似度，为所述目标域样本聚合对应的语义上下文，具体包括：

28、对于源域样本，根据所述源域样本所属源域以及所述源域样本的退化阶段，从所述上下文节点表示中直接索引对应的上下文节点表示，将索引得到的上下文节点表示作为所述源域样本的语义上下文；

29、对于目标域样本，计算所述目标域样本的领域不变特征分别与各退化阶段节点表示之间的余弦相似度，对经温度系数缩放后的余弦相似度执行归一化指数运算，获得各退化阶段的软匹配权重，并利用所述软匹配权重对所述目标域对应的全部上下文节点表示进行加权求和，将加权求和结果作为所述目标域样本的语义上下文。

30、可选地，所述根据各所述语义上下文生成调制参数，并利用所述调制参数对所述领域不变特征进行调制，获得融合特征，具体包括：

31、将所述语义上下文分别输入尺度生成网络和偏置生成网络，获得与所述领域不变特征维度相同的尺度向量和偏置向量；

32、以单位向量与所述尺度向量之和作为缩放因子，对所述领域不变特征进行逐元素缩放，并叠加所述偏置向量，获得所述融合特征。

33、可选地，所述多个预设损失函数包括剩余寿命回归损失、领域对抗损失、领域重构损失、特征正交损失和阶段一致性对比损失；所述利用多个预设损失函数对时空特征提取与解耦的过程、所述基础概念图、所述上下文交互图以及剩余寿命预测模块进行联合优化训练，具体包括：

34、采用源域样本的预测剩余寿命与真实剩余寿命之间的均方误差构建所述剩余寿命回归损失；

35、通过梯度反转层连接所述领域不变特征和领域判别器，构建所述领域对抗损失；

36、根据领域分类器由所述领域特定特征重构样本真实领域编号的交叉熵构建所述领域重构损失；

37、根据当前训练批次中领域不变特征矩阵与领域特定特征矩阵之间的归一化互相关构建所述特征正交损失；

38、将具有相同退化阶段的样本构造为正样本对，将具有不同退化阶段的样本构造为负样本对，构建所述阶段一致性对比损失；

39、对所述剩余寿命回归损失、所述领域对抗损失、所述领域重构损失、所述特征正交损失和所述阶段一致性对比损失进行加权求和，得到总损失；

40、利用所述总损失对时空特征提取与解耦过程、所述基础概念图、所述上下文交互图以及剩余寿命预测模块进行联合优化训练。

41、可选地，所述目标域样本的退化阶段由所述软匹配权重中最大权重所对应的退化阶段确定；所述阶段一致性对比损失同时约束不同领域中属于相同退化阶段的样本在领域不变特征空间内相互靠近，并约束属于不同退化阶段的样本在所述领域不变特征空间内相互远离。

42、第二方面，本技术提供了一种基于层次语义图推理的设备剩余寿命预测装置，包括：

43、数据获取模块，用于获取来自多个源域和目标域的样本，所述源域的样本带有剩余寿命标签；

44、时空特征提取与解耦模块，用于对所有所述样本进行时空特征提取与解耦，获得领域不变特征和领域特定特征；

45、图构建与更新模块，用于对所述源域的样本的剩余寿命标签进行离散化处理，获得各源域的样本的退化阶段信息；基于各样本的领域信息和所述退化阶段信息，构建包含领域节点和退化阶段节点的基础概念图；基于所述领域特定特征更新所述领域节点，基于所述领域不变特征更新所述退化阶段节点，并将更新后的所有节点在所述基础概念图上进行信息传播；

46、图推理模块，用于将传播后的所述领域节点与传播后的所述退化阶段节点进行组合映射，生成表征领域与阶段联合状态的复合节点；基于所述复合节点构建上下文交互图，并对所述上下文交互图进行图注意力推理，获得上下文节点表示；

47、上下文检索模块，用于根据源域样本的领域信息和退化阶段信息，从所述上下文节点表示中为源域样本检索对应的语义上下文；根据目标域样本的领域不变特征与各退化阶段节点之间的相似度，为所述目标域样本聚合对应的语义上下文；

48、特征调制模块，用于根据各所述语义上下文生成调制参数，并利用所述调制参数对所述领域不变特征进行调制，获得融合特征；

49、联合优化模块，用于利用多个预设损失函数对时空特征提取与解耦过程、所述基础概念图、所述上下文交互图以及剩余寿命预测模块进行联合优化训练；

50、剩余寿命预测模块，用于利用训练后的所述剩余寿命预测模块根据目标域样本的融合特征输出剩余寿命预测值。

51、第三方面，本技术提供了一种计算机设备，包括：存储器、处理器以存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序以实现上述中任一项所述的基于层次语义图推理的设备剩余寿命预测方法的步骤。

52、第四方面，本技术提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述中任一项所述的基于层次语义图推理的设备剩余寿命预测方法的步骤。

53、第五方面，本技术提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述中任一项所述的基于层次语义图推理的设备剩余寿命预测方法的步骤。

54、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：

55、本技术提供了一种基于层次语义图推理的设备剩余寿命预测方法及装置，过获取来自多个源域和目标域的样本并使源域样本带有剩余寿命标签，为后续跨域迁移学习提供了数据基础，使得在目标域无标签条件下进行剩余寿命预测成为可能；通过对所有样本进行时空特征提取与解耦获得领域不变特征和领域特定特征，能够有效捕捉传感器之间的空间耦合关系和时间维度上的长程退化依赖，同时抑制工况噪声对跨域退化知识迁移的干扰；通过对源域样本的剩余寿命标签进行离散化处理获得各源域样本的退化阶段信息，并基于领域信息和退化阶段信息构建包含领域节点和退化阶段节点的基础概念图，再基于领域特定特征和领域不变特征分别更新两类节点并在基础概念图上进行信息传播，使得模型能够显式组织领域与退化阶段之间的结构化语义关系，使阶段节点吸收相邻阶段的连续退化信息和各领域的共享信息，为无标签目标域提供稳定可参照的锚点；通过将传播后的领域节点与退化阶段节点进行组合映射生成复合节点，再基于复合节点构建上下文交互图并进行图注意力推理获得上下文节点表示，使域适应由平坦统计对齐扩展为具有退化顺序和领域关系的结构化语义推理，能够减少不同退化阶段之间的错误对齐；通过根据源域样本的领域信息和退化阶段信息从上下文节点表示中为源域样本检索对应的语义上下文，以及根据目标域样本的领域不变特征与各退化阶段节点之间的相似度为目标域样本聚合对应的语义上下文，使得有标签源域能够利用真实监督信息进行确定性的上下文检索，同时以退化阶段原型为无标签目标样本提供软匹配依据，避免仅依据不稳定伪标签进行单点硬匹配；通过根据各语义上下文生成调制参数并利用调制参数对领域不变特征进行调制获得融合特征，将图推理得到的语义上下文通过特征级调制反馈至领域不变特征，形成“特征提取-图推理-上下文检索-特征调制-寿命预测”的闭环，使结构化先验直接参与样本级预测；通过利用多个预设损失函数进行联合优化训练并利用训练后的剩余寿命预测模块根据目标域样本的融合特征输出剩余寿命预测值，且预设损失函数包括基于源域样本的融合特征构建的回归损失，使得模型在追求领域对齐的同时保持退化阶段的可分性，避免了负迁移，从而整体上提高了跨工况剩余寿命预测的准确性、鲁棒性和可解释性。