一种物理内嵌的稀疏辨识架构系统及异常辨识方法与设备

摘要: 本发明属于物理系统异常辨识与智能诊断,具体涉及一种物理内嵌的稀疏辨识架构系统及异常辨识方法与设备。背景技术:1、模块化物理系统通常由多个物理组件组成,不同组件可...
一种物理内嵌的稀疏辨识架构系统及异常辨识方法与设备

本发明属于物理系统异常辨识与智能诊断,具体涉及一种物理内嵌的稀疏辨识架构系统及异常辨识方法与设备。

背景技术:

1、模块化物理系统通常由多个物理组件组成,不同组件可能发生不同类型的异常模式。对于该类系统,异常辨识任务不仅需要判断系统是否存在异常,还需要进一步确定异常发生在哪一个组件、属于哪一种异常模式,以及该诊断结果对应的异常评分或置信程度。

2、例如,在波动系统、电磁系统、声学系统、热传导系统、结构动力学系统以及其他多组件耦合物理系统中,局部源项、材料参数、结构参数、边界条件或局部物理属性发生变化时,都会在观测端产生相应的响应变化。此类异常辨识问题本质上可以理解为:根据系统观测响应变化,识别被激活的组件模式组合。

3、现有异常辨识方法主要包括基于规则的诊断方法、基于人工特征的分类方法、基于优化反演的稀疏识别方法以及基于神经网络的数据驱动方法。

4、基于规则或人工特征的方法通常依赖专家经验,需要人工设计诊断特征。当系统组件数量增加、异常模式增多或物理响应耦合增强时,此类方法往往难以保持稳定的识别性能。

5、基于优化反演的稀疏识别方法通常将异常辨识问题转化为稀疏系数求解问题。例如,可将异常响应表示为物理字典与稀疏系数的组合,并通过lasso、omp或其他稀疏优化方法求解异常支持位置。该类方法具有一定物理解释性,但通常依赖正则化参数、迭代求解过程以及字典性质。当测量噪声较强、字典原子相关性较高或物理模型存在失配时,其求解稳定性和识别性能容易受到影响。

6、基于神经网络的数据驱动方法可以通过训练数据学习从观测响应到异常标签的非线性映射,具有较强的拟合能力。然而,普通神经网络通常直接将观测响应输入黑箱特征提取模块,再输出分类结果。其中间特征缺少明确物理含义,难以解释模型为何判断某个组件或某种模式异常。当训练样本有限、系统工况变化或物理结构发生变化时,纯数据驱动模型的泛化能力也容易受到限制。

7、对于模块化物理系统而言,每一个组件及其候选异常模式通常可以通过物理模型生成对应的典型异常响应。例如,可以通过解析物理模型、数值仿真模型、半解析模型、等效物理模型、经过实验标定或数据校正的物理模型,或上述模型的组合,得到某一组件在某一异常模式下引起的观测变化。若将这些异常响应构造成物理异常响应字典,并将该字典作为辨识架构中的物理坐标基础,则可以使观测差分响应首先转换到具有明确物理语义的组件模式原子空间,再由可训练模块学习复杂结构关系。

8、现有技术中仍存在以下不足。

9、第一,纯数据驱动异常诊断模型通常没有显式引入物理异常响应字典,导致网络中间特征缺乏物理坐标意义,诊断过程可解释性不足。

10、第二,传统稀疏优化方法虽然可以用于异常支持识别,但往往将问题限定为显式稀疏系数求解,容易受到正则化参数、优化算法、噪声水平和字典相关性的影响。

11、第三,现有物理引导神经网络更多关注物理方程残差、物理约束损失或数据拟合精度,较少从架构层面建立“观测差分响应—物理字典坐标—结构化异常表征—物理语义输出”的完整异常辨识链条。

12、第四,现有异常诊断模型往往将组件定位、模式识别、稀疏系数估计和物理响应重构割裂处理,缺少一种能够使异常语义、组件模式支持、有效稀疏系数和字典重构响应保持一致的统一架构。

13、第五,现有方法较少在物理字典原子层面显式利用同组件模式竞争、同模式跨组件共享、字典相干性以及物理邻接关系,导致高相干字典原子、弱交叉响应或噪声扰动条件下的异常支持集辨识稳定性不足。

14、因此,有必要提出一种物理内嵌的稀疏辨识架构,使其能够将物理异常响应字典嵌入异常辨识过程,在组件模式原子空间中学习结构化异常表征,通过字典结构交互生成结构化物理语义激活,并通过物理语义解码获得异常组件、异常模式和异常评分。

技术实现思路

1、本发明的目的是解决现有技术中存在的现有物理系统异常辨识方法中存在的物理解释性不足、过度依赖显式稀疏优化、组件模式结构关系利用不充分,以及异常语义输出、稀疏系数估计和物理响应重构之间一致性不足等问题,提供一种物理内嵌的稀疏辨识架构系统及异常辨识方法与设备,该系统以观测的差分响应为输入,以物理异常响应字典为内嵌物理坐标基础,通过物理字典投影层、字典结构交互层和物理语义解码层,建立从观测响应变化到异常诊断结果的完整辨识链条。

2、为达到上述目的,一方面,本发明提供了一种物理内嵌的稀疏辨识架构系统,该稀疏辨识架构系统用于对模块化物理系统中的异常组件和异常模式进行辨识,所述模块化物理系统包括多个物理组件,每个所述物理组件对应一种或多种候选异常模式;所述稀疏辨识架构系统包括:

3、差分响应获取单元,用于根据所述模块化物理系统的参考状态观测响应和待辨识状态观测响应,获得观测差分响应;

4、物理异常响应字典单元,用于为物理组件与候选异常模式构成的组件模式组合生成异常响应原子,并由多个异常响应原子构成物理异常响应字典;

5、以及稀疏辨识架构单元,所述稀疏辨识架构单元包括依次连接的物理字典投影层、字典结构交互层和物理语义解码层:

6、所述物理字典投影层,用于基于所述物理异常响应字典,将所述观测差分响应映射至组件模式原子空间,得到具有组件模式物理语义的投影特征;

7、所述字典结构交互层,用于基于所述投影特征,对组件模式原子之间的结构关系进行交互建模,得到结构化物理语义表征;

8、所述物理语义解码层,用于根据所述投影特征和所述结构化物理语义表征,输出异常诊断结果;

9、其中,所述异常诊断结果至少包括异常组件和异常模式,且所述物理语义解码层还用于输出与所述组件模式原子空间对应的有效稀疏系数,所述有效稀疏系数用于在所述物理异常响应字典对应的字典子空间中重构所述观测差分响应。

10、上述物理内嵌的稀疏辨识架构系统中,所述模块化物理系统包括波动系统、电磁系统、声学系统、热传导系统、流体系统、结构动力学系统、复杂网络化物理系统;所述候选异常模式包括源项扰动、材料参数扰动、结构参数扰动、边界条件扰动、局部物性变化、连接关系变化、载荷变化、阻尼变化、散射特性变化或耦合关系变化中的一种或多种。

11、上述物理内嵌的稀疏辨识架构系统中,所述差分响应获取单元中,所述参考状态观测响应可以为健康状态观测响应、基准工况观测响应、标定状态观测响应或历史参考观测响应;所述待辨识状态观测响应可以为当前观测响应、异常候选状态观测响应或待诊断工况观测响应。

12、所述观测差分响应包括时域响应差分、频域响应差分、场响应采样差分、传感器响应差分、边界响应差分或多工况响应差分中的一种或多种;当观测响应为复数响应时,所述观测差分响应被展开为实数形式后输入所述物理字典投影单元。

13、所述异常响应原子用于表征对应组件模式组合在观测空间中产生的典型差分响应形态;所述异常响应原子由解析物理模型、数值仿真模型、半解析模型、等效物理模型、实验标定模型、数据校正物理模型或上述模型的组合生成。

14、上述物理内嵌的稀疏辨识架构系统中,所述物理异常响应字典包括由不同组件模式组合对应的异常响应原子排列形成的字典矩阵;所述组件模式原子空间中的异常支持集用于表示被激活的组件模式组合。

15、具体地,在可选的实施例中,观测差分响应与物理异常响应字典构建如下:

16、本发明面向模块化物理系统。设所述模块化物理系统包含c个物理组件,每个物理组件包含m种候选异常模式,则第c个物理组件和第m种候选异常模式构成一个组件模式组合,记为:

17、

18、如上所述,架构的输入不是模块化物体系统的绝对观测响应,参考状态观测响应可以为健康状态观测响应、基准工况观测响应、标定状态观测响应或历史参考观测响应,只要其能够作为待辨识状态观测响应的差分参考即可,如图2所示。设参考状态观测响应为,待辨识状态观测响应为,则观测差分响应为:

19、

20、其中,表示由异常引起的观测响应变化。

21、对于复数观测响应,可以将其展开为实数形式:

22、

23、在一种实现方式中,模型输入即为,而不是绝对观测响应。

24、对于每一个组件模式组合,基于物理模型生成对应的异常响应原子。该异常响应原子表示第c个物理组件发生第m种候选异常模式时,在观测空间中产生的典型差分响应形态。

25、如图3所示,将所有组件模式组合对应的异常响应原子排列形成物理异常响应字典:

26、

27、若组件模式原子总数为,则可表示为包含个异常响应原子的物理差分响应字典。

28、在所述物理异常响应字典下,观测差分响应可表示为:

29、

30、其中,x表示组件模式原子空间中的异常稀疏系数,r表示字典子空间外的结构残差、模型失配残差或未建模扰动,表示测量噪声。

31、对应实数展开形式,上式可写为:

32、

33、其中,表示物理异常响应字典的实数展开形式。

34、组件模式原子空间中的异常支持集定义为:

35、

36、其中,表示第c个组件、第m种候选异常模式对应的异常稀疏系数。

37、需要说明的是,本发明中的稀疏性是指异常在组件模式原子空间中的支持稀疏性,即通常只有少量组件模式原子被激活,而不是限定本架构必须采用显式稀疏优化算法进行求解。

38、上述物理内嵌的稀疏辨识架构系统中,本发明提供的物理内嵌稀疏辨识架构单元包括依次连接的三部分:物理字典投影层(physical dictionary projection,pdp)、字典结构交互层(dictionary structure interaction,dsi)和物理语义解码层(physicalsemantic decoding,psd)。其整体链路为:

39、

40、其中,pdp表示物理字典投影层,dsi表示字典结构交互层,psd表示物理语义解码层;表示相关性物理语义激活,,表示按照组件和模式维度组织的组件模式块特征,表示由字典结构交互层输出的结构化物理语义激活,表示预测异常诊断集合。

41、上述物理内嵌的稀疏辨识架构系统中,所述物理字典投影层用于计算所述观测差分响应与所述物理异常响应字典中的异常响应原子之间的相似性、相关性、投影系数、正则化投影特征或幅值语义特征中的一种或多种,并将其组织为组件模式块特征。

42、优选地,所述物理字典投影层对所述异常响应原子进行归一化,并计算所述观测差分响应与归一化异常响应原子之间的相关性物理语义激活,所述相关性物理语义激活用于表征所述观测差分响应与各组件模式原子之间的有符号相似度。

43、具体地,在可选的实施例中,物理字典投影层(physical dictionaryprojection,pdp)将观测差分响应映射到由物理异常响应字典定义的组件模式原子坐标空间,其流程如图4所示。

44、在一种实现方式中,首先对实数展开字典中的每个异常响应原子进行归一化:

45、

46、其中,为防止除零的极小正常数。由所有归一化后的异常响应原子构成归一化物理异常响应字典

47、

48、pdp计算观测差分响应与每个归一化异常响应原子之间的相关性激活:

49、

50、其中,表示相关性物理语义激活,反映观测差分响应与各组件模式原子之间的有符号相似度。

51、在一种可选形式中,pdp还可以构造正则化投影特征:

52、

53、其中,为正则化参数,i为单位矩阵。该正则化投影特征可作为辅助投影特征,但不作为最终异常稀疏系数。

54、此外,可构造幅值语义特征:

55、

56、将上述一种或多种投影特征按照组件和模式维度重新组织,得到组件模式块特征:

57、

58、其中,表示每个组件模式原子对应的投影特征。例如,在包含相关性投影、正则化投影和幅值特征时,f=3;在包含相关性投影和幅值特征时,f=2。f的具体取值可根据所采用的投影特征种类确定,并不限于上述取值。

59、pdp的核心作用在于:它不是普通黑箱特征提取层,而是利用物理异常响应字典将观测差分响应转换到具有明确组件模式语义的物理坐标空间。

60、上述物理内嵌的稀疏辨识架构系统中,所述字典结构交互层所建模的结构关系包括以下至少一种:同一组件内部不同异常模式之间的关系、不同组件之间相同或相关异常模式之间的关系、由物理异常响应字典相干性确定的原子响应相关关系、由组件几何位置确定的空间邻近关系、由组件物理连接关系确定的拓扑关系、由训练数据统计获得的共现关系或互斥关系。

61、优选地,所述字典结构交互层通过可训练映射对所述投影特征进行结构化变换,所述可训练映射包括阈值映射、多层感知机、卷积映射、注意力机制、图神经网络、门控网络或其组合。

62、进一步优选地,所述阈值映射包括可学习的有符号软阈值变换,用于抑制低幅值或弱交叉组件模式原子响应,并保留具有异常物理意义的组件模式原子激活;所述阈值采用全局粒度、组件粒度、模式粒度或原子粒度设置。

63、具体地,在可选的实施例中,字典结构交互层(dictionary structureinteraction,dsi)用于在物理字典投影特征的基础上,建模组件模式原子之间的结构关系,并生成结构化物理语义激活,其流程图如图5所示。每一个字典原子对应一个组件模式组合:

64、

65、在一种实现方式中,dsi的输入为pdp输出的相关性物理语义激活,按照组件和模式维度重排后,可得到第c个组件、第m种候选异常模式对应的投影特征

66、dsi对施加可学习的有符号软阈值变换:

67、

68、其中,表示可学习阈值,表示dsi输出的结构化物理语义激活。为了保证阈值为非负值,可令:

69、

70、其中,为可训练参数。

71、所述可学习阈值可以采用全局粒度、组件粒度、模式粒度或原子粒度。全局粒度表示所有组件模式原子共享同一个阈值;模式粒度表示同一种异常模式共享一个阈值;原子粒度表示每个组件模式原子具有独立阈值。

72、在一种扩展实施方式中,dsi还可以进一步引入全局观测特征u、字典原子嵌入特征以及字典结构关系集合,以增强组件模式原子之间的结构交互建模。

73、其中,,表示由观测差分响应提取的全局观测特征,表示全局观测特征提取函数,可以为统计特征提取函数、可训练编码网络或其他特征映射函数;

74、,表示第(c,m)个字典原子的嵌入特征,表示字典原子嵌入函数,可以为固定特征映射、可训练嵌入层或基于字典原子元信息的编码函数;

75、表示字典结构关系集合,可以包括一种或多种关系:,所述关系可以包括互斥、竞争、共现或相关关系。其中,表示同一组件内部不同异常模式之间的模式内关系;表示不同组件之间相同或相关异常模式之间的跨组件关系;表示由物理异常响应字典相干性确定的原子响应相关关系;表示由组件几何位置、空间邻近关系或物理连接关系确定的空间关系。在不具备几何位置数据或物理邻接数据的情况下,可忽略。

76、在该扩展实施方式中,dsi可表示为:

77、

78、其中,表示可训练的字典结构交互函数。该函数可以采用软阈值映射、多层感知机、卷积映射、门控网络、注意力机制、图神经网络或其他能够利用组件模式结构关系的可训练映射函数。上述扩展实施方式并不改变dsi的基本功能,即在物理字典投影特征基础上生成结构化物理语义激活。

79、上述物理内嵌的稀疏辨识架构系统中,所述物理语义解码层包括组件级解码子单元、组件模式原子级解码子单元、系数候选输出子单元和有效系数生成子单元;

80、所述组件级解码子单元用于输出组件级异常支持信息;

81、所述组件模式原子级解码子单元用于输出组件模式原子级异常支持信息;

82、所述系数候选输出子单元用于输出与组件模式原子对应的连续系数候选;

83、所述有效系数生成子单元用于根据所述组件级异常支持信息、所述组件模式原子级异常支持信息、所述结构化物理语义表征或其组合,对所述连续系数候选进行门控或加权,得到所述有效稀疏系数。

84、优选地,所述有效稀疏系数由层级有效门控值和连续系数候选共同确定;所述层级有效门控值由组件级异常支持信息和组件模式原子级异常支持信息组合得到。

85、上述物理内嵌的稀疏辨识架构系统中,所述异常诊断结果还包括异常支持集、异常数量、异常评分、组件置信度、组件模式原子置信度、有效稀疏系数、字典子空间差分响应重构结果或异常严重度中的一种或多种。

86、优选地,所述异常评分、组件置信度或模式置信度用于表征模型对预测异常条目的支持程度,其由组件级异常支持信息、组件模式原子级异常支持信息、结构化物理语义表征、层级有效门控值、有效稀疏系数幅值或其组合确定,且不限定为经过概率校准的统计概率。

87、上述物理内嵌的稀疏辨识架构系统中,所述物理语义解码层根据所述有效稀疏系数和所述物理异常响应字典,重构所述观测差分响应在字典子空间中的响应分量;所述重构的响应分量用于约束或验证异常诊断结果与物理响应变化之间的一致性。

88、具体地,在可选的实施例中,物理语义解码层(physical semantic decoding,psd)用于基于pdp输出的组件模式块特征,和dsi输出的结构化物理语义激活,其流程图及其输出如图6所示。解码异常组件、异常模式、组件模式原子支持、有效稀疏系数和字典重构响应。

89、pdp输出的组件模式块特征为:

90、

91、其中,c表示组件数量,m表示每个组件对应的候选异常模式数量,f表示每个组件模式原子的投影特征维度。

92、对于第c个组件、第m种候选异常模式,其对应的组件模式块特征向量记为:

93、

94、dsi输出的结构化物理语义激活记为:,表示第c个组件、第m种候选异常模式对应的结构化物理语义激活。

95、psd首先将组件模式块特征向量,与结构化物理语义激活组合,形成原子级输入特征:

96、

97、通过原子级语义编码函数生成组件模式原子嵌入:

98、

99、其中,表示可训练的原子级语义编码函数,表示第c个组件、第m种候选异常模式对应的样本相关原子嵌入。该编码过程保持组件模式结构,用于辅助psd解码。

100、组件级物理证据可以由同一组件下各异常模式对应的结构化物理语义激活聚合得到。例如:

101、

102、其中,表示第c个组件的物理证据强度。该量是由结构化物理语义激活聚合得到的证据强度,不必限定为经过概率校准的统计概率。

103、组件级原子嵌入可由同一组件下各候选异常模式的原子嵌入聚合得到:

104、

105、psd根据组件级嵌入和组件级物理证据输出组件级logits:

106、

107、组件级异常概率可以由同一组件下的dsi门控、原子嵌入或其聚合特征得到:

108、

109、其中,表示第c个组件发生异常的支持概率,表示sigmoid函数。

110、组件模式原子级logits可表示为:

111、

112、其中表示可训练的组件模式原子级分类函数,用于将第(c,m)个组件模式原子的语义嵌入和结构化物理语义激活映射为组件模式原子级logits。该函数可以采用线性映射、多层感知机或其他可训练分类映射实现。

113、组件模式原子级支持概率为:

114、

115、表示第c个组件发生第m种候选异常模式的支持概率。

116、在一种优选形式中,组件模式原子支持可以直接由dsi门控表征,也可以由与的组合表征。

117、psd还输出未门控的连续系数候选:

118、

119、其中,表示第c个组件、第m种候选异常模式对应的未门控连续系数候选,表示可训练的系数预测函数。

120、为使组件级支持、组件模式原子级支持和有效稀疏系数保持一致,psd引入层级有效门控值:

121、

122、其中,表示第c个组件、第m种候选异常模式对应的层级有效门控值。

123、最终参与物理字典重构的有效稀疏系数为:

124、

125、其中,表示第c个组件、第m种候选异常模式对应的有效稀疏系数。该设计使得组件级支持概率或组件模式原子级支持概率较低的原子,其连续系数候选被抑制;只有具有较高支持证据的组件模式原子,才能形成有效稀疏系数并参与物理重构。

126、将所有按照物理异常响应字典中的原子排列顺序组成向量,根据有效稀疏系数和归一化物理异常响应字典,可以重构字典子空间中的观测差分响应:

127、

128、输出定义如下。

129、本发明的基本输出为异常诊断集合:

130、

131、其中,表示第个预测异常组件,表示第个预测异常模式,表示预测异常数量。

132、预测异常支持集可以根据组件模式原子级支持概率、层级有效门控值或二者的组合确定。例如,在一种实施方式中,可取:

133、,或:

134、其中,表示异常支持判定阈值。在一种优选方式中,阈值可以根据验证集、目标误报率、目标召回率或任务需求确定,以提高不同数据规模、不同噪声条件和不同字典相干性条件下的支持集判定稳定性。

135、在可选实施方式中,异常诊断结果还可以包括每个预测异常条目的异常评分或置信度,表示为:

136、

137、异常评分用于表征模型对第j个预测异常条目的支持程度,不应狭义限定为经过概率校准的统计概率。可以由组件模式原子级支持概率、层级有效门控值、组件级物理证据或其组合确定。在一种优选形式中,可取:

138、

139、在另一种实施方式中,也可以取:

140、

141、在又一种实施方式中,可采用评分融合函数:

142、

143、其中,表示评分融合函数,可以为乘积、加权和、最大值、可学习映射或其他评分函数。

144、除异常诊断集合外,本发明还可以输出有效稀疏系数向量和字典子空间重构差分响应,用于增强诊断结果的物理解释性和一致性验证。

145、除了以上输出,异常严重度也可选为本发明基本架构的拓展输出。

146、当训练数据中具有经过标定的异常严重度标签时,可以在物理语义解码层中增加异常严重度估计输出头,使输出扩展为:

147、

148、其中,表示第j个异常条目的预测严重度。

149、上述物理内嵌的稀疏辨识架构系统中,所述架构单元在训练阶段采用包含以下至少一种目标的训练目标函数:组件级语义支持目标、组件模式原子级语义支持目标、有效稀疏系数监督目标、差分响应重构目标、层级稀疏先验目标、支持概率与连续系数一致性目标、置信度校准目标、类别不平衡加权目标或参数正则化目标。

150、所述差分响应重构目标用于约束由有效稀疏系数和物理异常响应字典得到的重构差分响应与输入观测差分响应之间的一致性;所述层级稀疏先验目标用于鼓励少数组件和少数组件模式原子被激活。

151、具体地,在可选的实施例中,训练目标与损失函数设计如下。

152、为使本发明的输出结果在异常诊断语义、组件模式原子支持、有效稀疏系数和物理字典重构响应之间保持一致,本发明可采用物理语义稀疏一致性训练目标。

153、所述训练目标可以组织为三个复合部分:语义支持一致性目标、物理系数重构一致性目标和层级稀疏先验。总训练目标可表示为:

154、

155、其中,表示语义支持一致性目标,表示物理系数重构一致性目标,表示层级稀疏先验;、和为对应损失项的权重系数。

156、在本发明的一种优选实现方式中,物理系数重构一致性目标基于经字典结构交互门控的有效稀疏系数构造得到。并进一步通过物理异常响应字典重构观测差分响应:。因此,用于约束dsi稀疏门控、有效稀疏系数和字典子空间重构响应之间的一致性。

157、在本发明的一种优选实现方式中,层级稀疏先验作用于字典结构交互层输出的结构化物理语义激活,用于鼓励少数组件和少数组件模式原子被激活,并可进一步包含组件级门控与原子级门控的一致性约束,以及高相干字典原子之间的竞争或抑制约束。

158、需要说明的是,上述三个复合目标可以根据训练数据标签形式和任务需求组合使用。不同实施方式中,可以启用其中一个、两个或全部损失项,也可以进一步加入置信度校准损失、类别不平衡加权项或其他正则化项。

159、标签定义如下。

160、对于第i个训练样本,若其真实异常集合为:

161、

162、其中,表示第i个样本中的真实异常数量。

163、由真实异常集合可构造组件级真实标签:

164、

165、组件模式原子级真实标签为:

166、

167、若训练数据提供真实稀疏系数,则记为。若不提供真实稀疏系数,则可不启用系数监督项,仅保留语义支持损失、重构损失或稀疏先验。

168、进一步地,语义支持一致性目标用于约束组件级支持预测和组件模式原子级支持预测,使模型输出具有明确异常诊断语义。其可表示为:

169、

170、其中,表示组件级支持损失,表示组件模式原子级支持损失,和为权重系数。

171、组件级支持损失可采用二元交叉熵损失:

172、

173、组件模式原子级支持损失可表示为:

174、

175、其中,表示第c个组件、第m种候选异常模式对应的预测支持评分。

176、在多标签异常识别场景中,上述bce损失可以对所有组件和所有组件模式原子求平均或加权平均。在类别不平衡情况下,也可以采用正样本加权bce、焦点损失或其他多标签分类损失。

177、需要说明的是,本发明不必额外引入独立的显式层级一致性惩罚项。组件级支持概率已通过层级有效支持门控参与有效稀疏系数生成,使组件级支持与组件模式原子级支持在系数生成和物理重构阶段形成闭环一致性。

178、更进一步地,物理系数重构一致性目标用于约束组件模式支持概率、有效稀疏系数和字典子空间重构响应之间的一致性。其可表示为:

179、

180、其中,表示系数监督损失,表示字典子空间重构损失,表示支持概率与连续系数一致性损失;、和为权重系数。

181、当训练数据提供真实稀疏系数时,可对有效稀疏系数进行监督。考虑到组件模式原子空间中正样本通常较少,可以采用正样本加权的smoothl1损失:

182、

183、其中,表示组件模式原子总数,表示样本权重。所述样本权重可根据组件模式原子是否为真实异常原子确定,例如:

184、

185、其中,为正样本增强权重。

186、为了保证预测得到的有效稀疏系数能够解释观测差分响应,引入字典子空间重构损失:

187、

188、其中:

189、

190、在不同实施方式中,重构损失也可以采用归一化形式:

191、

192、这里重构的是差分响应,而不是绝对响应。该项保证预测出的有效稀疏系数能够在物理字典子空间中解释观测响应变化。

193、为避免低支持概率原子上出现较大的隐藏连续系数,可以加入支持概率与连续系数一致性约束:

194、

195、该项与门控关系共同保证低概率异常原子的有效系数被抑制。

196、更进一步地,层级稀疏先验用于表达本发明中“少数组件异常”和“少数组件模式原子激活”的物理先验。其可表示为:

197、

198、其中,表示组件级组稀疏项,表示原子级稀疏项;和为权重系数。

199、组件级组稀疏项可定义为:

200、

201、该项鼓励仅有少数组件被激活。

202、原子级稀疏项可定义为:

203、

204、该项鼓励组件模式原子空间中的稀疏激活。组件级组稀疏项和原子级稀疏项共同构成层级稀疏先验。

205、此外,更宽泛的损失函数组合形式:

206、

207、其中,表示置信度校准损失,表示参数正则化或其他辅助正则项。上述损失项并非必须同时启用,可根据标签形式、任务类型和物理约束条件选择其中一个或多个。

208、本发明的关键不在于限定某一个具体损失函数形式,而在于将语义支持一致性、有效稀疏系数、物理字典差分响应重构和层级稀疏先验组织为统一训练目标,使本发明的异常诊断结果、组件模式支持、有效稀疏系数和物理响应重构保持一致。

209、另一方面,本发明还提供了一种物理系统异常辨识方法,该方法基于前述物理内嵌的稀疏辨识架构系统,包括以下步骤:

210、获取模块化物理系统的参考状态观测响应和待辨识状态观测响应,并构造观测差分响应;

211、根据物理组件和候选异常模式构造组件模式组合,并为各组件模式组合生成异常响应原子,以形成物理异常响应字典;

212、基于所述物理异常响应字典,将所述观测差分响应映射至组件模式原子空间,得到具有组件模式物理语义的投影特征;

213、对所述投影特征进行字典结构交互建模,得到结构化物理语义表征;

214、根据所述投影特征和所述结构化物理语义表征进行物理语义解码,得到异常诊断结果;

215、生成与组件模式原子空间对应的有效稀疏系数,并基于所述有效稀疏系数和所述物理异常响应字典重构观测差分响应在字典子空间中的响应分量。

216、上述物理系统异常辨识方法中,异常诊断结果包括异常组件、异常模式、异常支持集、异常评分、异常数量、组件置信度、模式置信度或异常严重度中的一种或多种。

217、此外,本发明还提供一种计算机设备,包括处理器和存储器,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时实现前述异常辨识方法。

218、本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时实现前述异常辨识方法。

219、与现有技术相比,本发明提供的物理内嵌的稀疏辨识架构系统及异常辨识方法与设备至少具有以下有益效果:

220、(1)本发明将物理异常响应字典内嵌到异常辨识架构中,使观测差分响应首先被映射到由物理模型定义的组件模式原子坐标空间。相比直接使用普通神经网络进行黑箱分类,本发明的中间特征具有明确物理语义。

221、(2)本发明中的稀疏性表示组件模式原子空间中的异常支持辨识,而不是限定为显式稀疏优化算法。因此,本发明既保留了稀疏异常识别的任务本质,又避免了传统稀疏优化方法对正则化参数、优化算法和字典相干性的强依赖。

222、(3)本发明通过字典结构交互层对物理字典投影特征进行可学习的稀疏结构变换,能够抑制弱交叉原子响应,并保留具有物理意义的稀疏异常激活。

223、(4)本发明通过层级有效支持门控将组件级支持概率、组件模式原子级支持概率和有效稀疏系数联系起来,使异常语义输出和物理系数重构之间形成闭环一致性。

224、(5)本发明通过物理语义解码层直接输出异常组件、异常模式和异常评分,使架构输出与工程诊断需求一致,便于后续异常定位、模式判断和维护决策。

225、(6)本发明不是针对某一个特定验证对象提出的专用模型,而是一种面向模块化物理系统异常支持辨识的通用架构。只要目标系统能够构造组件模式异常响应原子并形成物理异常响应字典,即可采用本发明所述架构进行异常辨识。

226、(7)本发明可以兼容复数观测和实数展开观测,也可以适用于单异常辨识和多异常辨识场景,并可在具有严重度标签的情况下扩展严重度估计输出,具有良好的扩展性。