面向训练未覆盖转速的条件概率元学习转子模型修正方法

本发明涉及转子动力学模型修正，具体为面向训练未覆盖转速的条件概率元学习转子模型修正方法。

背景技术：

1、转子系统是航空发动机、燃气轮机等大型旋转机械的核心部件，构建高精度的动力学模型是实现设备状态监测、故障诊断与数字孪生应用的基础。由于制造误差、装配公差以及运行环境的变化，理论建立的有限元模型通常与实际设备的真实动力学特性存在偏差。因此，需要利用实测的振动响应数据对名义模型中的支承刚度和阻尼等关键等效参数进行逆向修正，以消除理论模型与实体之间的差异。

2、传统的模型修正多采用基于灵敏度分析或启发式算法的确定性迭代优化，存在计算成本高且易陷入局部最优的问题。近年来，基于深度神经网络的数据驱动逆映射方法逐渐被应用于转子模型修正。然而，实际工程设备的运行工况复杂多变，难以获取全转速范围内的完备标签数据。现有的深度学习修正网络通常采用单一层面的经验风险最小化策略，对训练集中的数据分布存在严重的依赖性。当模型面对未参与训练的插值或外推转速工况时，由于转速变化引发了系统动力学非线性特征的迁移，常规网络往往无法适应这种数据分布偏移，导致预测精度下降，难以满足跨工况条件下的泛化修正需求。

3、此外，由于实际测试中普遍存在测量噪声与系统简化偏差，动力学响应与支承参数之间的逆问题本质上具有高度的病态性与不确定性。目前主流的深度学习修正方法大多仅输出确定性的点估计结果，无法表征由参数补偿效应引发的预测离散性。同时，面对未见的运行工况，在现场重新收集大量带标签数据进行模型微调在工程上极不现实。现有的技术手段难以在小样本条件下快速完成网络权重的自适应迁移，也无法输出包含统计置信度的参数概率分布区间。

4、现有的修正模型验证体系也相对片面，通常仅依靠响应空间的均方误差等单一指标来评判修正效果。这种单纯依赖波形拟合程度的评价方式，无法识别网络模型在底层参数提取上的真实偏差。在处理多参数耦合时，单一指标容易掩盖模型参数估计极端离散或能量幅值映射失效等隐蔽缺陷，导致验证结果缺乏充分的工程说服力与可靠性。

技术实现思路

1、针对现有技术的不足，本发明提供了面向训练未覆盖转速的条件概率元学习转子模型修正方法，解决了现有技术中深度学习修正模型严重依赖训练数据导致在未见转速工况下泛化能力差、仅输出确定性点估计无法量化预测不确定性、难以在小样本条件下实现网络快速迁移，以及单一响应评价指标易掩盖参数估计隐蔽缺陷的问题。

2、为实现以上目的，本发明通过以下技术方案予以实现：

3、面向训练未覆盖转速的条件概率元学习转子模型修正方法，包括以下步骤：

4、执行任务构造，构建转子系统名义动力学观测模型，基于设定转速条件划分元训练集与目标适配集，生成跨转速元任务；

5、进行概率建模，对待修正支承参数、多通道时序响应与转速工况分别执行归一化，并对所述多通道时序响应与所述转速工况执行特征提取，拼接不同维度特征，构建针对所述待修正支承参数的条件概率逆映射模型，输出归一化空间下的对角高斯联合分布作为条件概率分布；

6、执行双层优化，利用参数误差与负对数似然构建复合损失函数，对所述条件概率逆映射模型执行离线双层元更新与在线目标转速适配；

7、进行传播评价，对在线适配后输出的所述条件概率分布执行参数采样与动力学前向传播，计算参数空间与响应空间的量化评价指标。

8、优选的，基于设定转速条件划分元训练集与目标适配集，生成跨转速元任务，包括：

9、提取元训练转速集合的极小值与极大值，确立针对目标转速为插值未见转速与外推未见转速的量化判定边界规则，

10、所述量化判定边界规则为：当所述目标转速位于所述极小值与极大值构成的极值区间内且未参与训练时，判定为所述插值未见转速；

11、当所述目标转速位于所述极值区间边界外侧时，判定为所述外推未见转速；

12、依据所述量化判定边界规则对所述多通道时序响应与所述转速工况进行数据隔离，将单训练转速数据集切分为用于任务适配的支持集与用于适配性能评价的查询集，生成包含任务支持集与任务查询集的所述跨转速元任务。

13、优选的，对待修正支承参数、多通道时序响应与转速工况分别执行归一化，包括：

14、对所述待修正支承参数执行分段非线性归一化变换，其中当待变换的原始参数属于刚度参数集合时采用对数空间映射平滑分布，当所述待变换的原始参数属于阻尼参数集合时采用线性映射，得到归一化参数；

15、对所述多通道时序响应与所述转速工况分别执行全局最小最大归一化处理，获取归一化后的多通道时序响应与归一化后的转速工况；

16、定义与所述分段非线性归一化变换对应的逆变换算子，所述逆变换算子用于将预测值还原至真实空间。

17、优选的，对所述多通道时序响应与所述转速工况执行特征提取，拼接不同维度特征，包括：

18、利用包含多尺度并行一维卷积网络的时序响应编码器对归一化后的多通道时序响应执行响应特征提取，输出时域特征向量；

19、利用包含隐含层的多层感知机网络构成的工况编码器对归一化后的转速工况执行工况特征提取，输出工况特征向量；

20、利用通道维度的向量拼接算子将所述时域特征向量与所述工况特征向量在特征维度直接合并，生成融合表示向量。

21、优选的，构建针对所述待修正支承参数的条件概率逆映射模型，输出归一化空间下的对角高斯联合分布作为条件概率分布，包括：

22、基于所述融合表示向量构建针对多个待修正等效参数并行的分参数独立概率头，输出归一化参数均值与原始对数方差；

23、对所述原始对数方差执行数值稳定截断，将所述原始对数方差约束在-10～2的范围内，得到截断后的对数方差；

24、根据对数方差与标准差之间的换算关系，将所述截断后的对数方差乘以二分之一后执行指数映射，得到标准差；

25、结合所述分参数独立概率头输出的所述归一化参数均值与所述标准差，将所述条件概率逆映射模型的输出定义为归一化空间下的所述对角高斯联合分布作为所述条件概率分布。

26、优选的，利用参数误差与负对数似然构建复合损失函数，包括：

27、在归一化特征空间内计算预测分布与真实样本分布之间的负对数似然损失；

28、利用所述逆变换算子将网络输出的所述归一化参数均值逆变换至真实空间，引入取值范围在10-8～10-6之间的极小偏置常数与用于平衡不同类型参数梯度贡献比重的预设权重系数，计算参数绝对相对误差辅助损失；

29、结合所述负对数似然损失与所述参数绝对相对误差辅助损失构建总体的所述复合损失函数。

30、优选的，对所述条件概率逆映射模型执行离线双层元更新，包括：

31、在任务内循环阶段，冻结全部编码器的权重，仅利用单一转速任务的支持集数据对所述分参数独立概率头执行梯度下降局部参数适配更新；

32、在任务间外循环阶段，汇总所有采样任务在各自查询集上的泛化表现计算元目标损失，并对包含所述编码器在内的全部全局网络权重执行二阶梯度更新。

33、优选的，对所述条件概率逆映射模型执行在线目标转速适配，包括：

34、获取未参与训练的所述目标转速对应的转速工况数据，提取目标工况任务的支持集；

35、强制固定已训练完毕的编码器权重，仅利用所述目标工况任务的支持集对全局初始化的所述分参数独立概率头执行在线适配更新，输出贴合未见转速分布特性的所述条件概率分布。

36、优选的，对在线适配后输出的所述条件概率分布执行参数采样与动力学前向传播，包括：

37、基于重参数化技巧从所述对角高斯联合分布中抽取多个独立样本生成归一化参数向量，对所述归一化参数向量执行数值范围在0～1内的强制约束闭区间截断操作后，利用所述逆变换算子映射还原至真实的支承参数空间，形成参数采样集合；

38、将单次采样映射生成的真实参数向量代入所述名义动力学观测模型中执行微分方程的稳态求解获取仿真稳态多通道时域响应矩阵，逐通道、逐时间步计算响应集合的算术均值作为中心预测响应，并采用经验分位数算子构建包含统计概率的响应边界包络。

39、优选的，计算参数空间与响应空间的量化评价指标，包括：

40、在所述参数空间内提取所述任务查询集中的样本对应的真实标签，计算所述任务查询集中所有样本的参数平均相对误差与参数边际区间覆盖率；

41、在所述响应空间内，引入数值设定为10-8的极小防除零常数，计算响应均方误差、时间响应保证准则以及相对平均绝对误差，并针对所述响应边界包络的有效性计算点态区间覆盖率与平均点态区间宽度。

42、本发明提供了面向训练未覆盖转速的条件概率元学习转子模型修正方法。具备以下有益效果：

43、1、本发明通过将转速工况与多通道时序响应共同作为条件输入，并构建条件概率逆映射模型输出归一化空间下的对角高斯联合分布，改变了传统的单一确定性点估计修正模式。这种概率建模机制能够将外部运行工况与内部振动特征进行高层级融合，表征动力学响应与系统参数之间的非线性映射关系，从而在面对未见转速工况时充分量化参数修正过程中的预测不确定性。

44、2、本发明利用负对数似然与参数误差构建复合损失函数，并采用离线双层元更新与在线少样本适配相结合的优化策略。通过在局部更新阶段冻结特征编码器仅更新参数概率头，并在全局更新阶段执行二阶梯度求导，使得网络既保留了提取通用特征的能力，又避免了在少样本条件下发生严重过拟合，实现了模型权重对未参与训练的新工况数据的快速自适应迁移。

45、3、本发明建立了涵盖参数空间与响应空间双域传播评价的量化考核机制。通过对输出的概率分布执行蒙特卡洛采样与前向动力学积分，同步计算参数相对误差、区间覆盖率以及时间响应保证准则等多维度指标。该方法克服了仅依赖响应均方误差进行验证的片面性，能够精准识别幅值映射失效或分布极端离散等隐蔽的模型缺陷，为转子数字孪生模型的修正结果提供了可靠的综合验证依据。