【技術實現步驟摘要】
本專利技術涉及性能退化預測，特別涉及一種持續學習性能退化預測方法、裝置和電子設備。
技術介紹
1、人工神經網絡的性能退化預測模型受到網絡結構與神經元數量的限制，單一預測模型的記憶能力具有一定的上限，其對特征的記憶能力無法持續擴展。除此之外，針對復雜系統設備，其由多個子系統或部件組合聯動運行，各部件的性能退化特征具有一定的耦合性。面向失效部件、失效模式各異的群體退化產品設備，單一的性能退化預測模型在擬合復雜系統設備多性能指標退化軌跡任務中具有很強的局限性。宏觀表示為，單一的人工神經網絡模型難以完全模擬哺乳動物大腦中復雜的學習與記憶過程。
2、在實際中，復雜系統設備往往由多個子系統或部件共同組合而成，子系統具有相對獨立的結構與失效傳播機理，子系統之間通過某些通路的連接互相影響，形成失效傳播網絡鏈路。受模型結構與神經元數量的限制，單一獨立的性能退化網絡在捕捉群體設備結構復雜、長期、動態的退化規律任務中具有能力上限。
技術實現思路
1、本專利技術提供一種持續學習性能退化預測方法、裝置和電子設備，以便解決如何實現復雜設備持續學習性能退化預測的技術問題。
2、本專利技術實施例提供了一種持續學習性能退化預測方法，包括：構建性能退化預測子模型，并基于所述性能退化預測子模型，構建基于多模型聯合記憶增強持續學習mcl-man的性能退化預測模型組網；獲取不同任務場景下不同批次且不同型號設備的性能狀態退化數據集，并利用所述不同任務場景下不同批次且不同型號設備的性能狀態退化數據集對所
3、優選地，通過將所述待預測設備的歷史健康指數hi軌跡梯度輸入至所述動態更新后的基于mcl-man的性能退化預測模型組網中，預測所述待預測設備的未來性能退化軌跡包括：通過將所述待預測設備的歷史健康指數hi軌跡梯度輸入至所述動態更新后的基于mcl-man的性能退化預測模型組網中的編碼器中，得到歷史特征鍵值；利用所述歷史特征鍵值，生成查詢鍵值；基于所述查詢鍵值，依次通過迭代鍵值尋址、數值讀取、hi軌跡預測集更新查詢步驟，預測所述待預測設備的未來性能退化軌跡。
4、優選地，基于所述查詢鍵值，依次通過迭代鍵值尋址、數值讀取、hi軌跡預測集更新查詢步驟，預測所述待預測設備的未來性能退化軌跡包括：基于所述查詢鍵值，計算尋址概率；以所述尋址概率作為讀取權重，計算跳步注意力；通過所述跳步注意力和所述歷史特征鍵值，生成健康指標hi軌跡；在每次迭代中，將前序任務查詢鍵值與跳步注意力組合起來，作為當前任務查詢鍵值；重復上述步驟，直至記憶查詢需求結束，使用不同的查詢鍵值對每個跳步注意力進行查詢，預測所述待預測設備的未來性能退化軌跡。
5、優選地，所述基于mcl-man的性能退化預測模型組網是基于各個性能退化預測子模型動態更新實現復雜設備持續學習性能退化預測，其中，所述各個性能退化預測子模型動態更新包含預訓練階段和持續學習階段。
6、優選地，所述預訓練階段包括編碼器動態更新、控制器動態更新及預測模型動態更新。
7、優選地，所述編碼器動態更新包括：通過滑窗切割方式將歷史數據切分為若干時間窗口hi軌跡，并將滑窗內數據的前半段設置為歷史hi軌跡，后半段設置為其對應的未來hi軌跡；基于所述歷史hi軌跡和所述未來hi軌跡分別計算歷史hi軌跡梯度與未來hi軌跡梯度，并將歷史hi軌跡梯度輸入歷史編碼器進行歷史編碼更新，輸出的歷史hi軌跡編碼；同時將未來hi軌跡梯度輸入至未來編碼器中進行未來編碼更新，輸出的未來hi軌跡編碼；將輸出的歷史hi軌跡編碼與未來hi軌跡編碼組合成退化特征關聯鍵值對，基于控制器將寫入外部存儲器模塊；通過解碼器對所述退化特征關聯鍵值對進行解碼，以當前時刻性能狀態指標為起點，外推未來hi軌跡，以此實現編碼器的動態更新。
8、優選地，所述控制器動態更新包括：將歷史hi軌跡梯度輸入更新后的編碼器模塊，生成歷史hi軌跡編碼，將其與外部存儲器模塊中的歷史記憶編碼進行對比，獲取歷史記憶編碼讀取權重；將讀取權重按順序排列并將排序結果賦值為歷史記憶編碼索引，按索引值將未來記憶編碼與歷史hi軌跡編碼組合配對，形成退化特征關聯鍵值對，通過更新后的解碼器進行解碼，輸出預測hi軌跡；將全部的預測hi軌跡組合為預測hi軌跡集合，并依次將所述預測hi軌跡集合與未來hi軌跡集合計算余弦距離，通過誤差容忍度計算輸出誤差容忍率，并基于線性層擬合為寫入概率；利用所述寫入概率找出具有差異化的退化特征關聯鍵值對，并將具有差異化的退化特征關聯鍵值對寫入外部存儲器模塊。
9、優選地，所述預測模型動態更新包括：將歷史hi軌跡梯度輸入更新后的編碼器模塊，生成歷史hi軌跡編碼，并將歷史hi軌跡編碼、歷史記憶編碼、未來記憶編碼分別輸入線性層以生成記憶查詢鍵值指標；通過將歷史退化軌跡編碼查詢鍵值與歷史記憶編碼鍵值輸入softmax層以獲得尋址結果，并將所述尋址結果與未來記憶編碼對比生成記憶查詢注意力結果；通過將歷史退化軌跡編碼與注意力結果組合配對構建退化特征關聯鍵值對，并將所述退化特征關聯鍵值對輸入至解碼器中進行軌跡解碼，生成未來hi軌跡，以實現性能退化預測模型的動態更新。
10、本專利技術實施例還提供了一種持續學習性能退化預測裝置，包括：構建模塊，用于構建性能退化預測子模型，并基于所述性能退化預測子模型，構建基于多模型聯合記憶增強持續學習mcl-man的性能退化預測模型組網；訓練模塊，用于獲取不同任務場景下不同批次且不同型號設備的性能狀態退化數據集，并利用所述不同任務場景下不同批次且不同型號設備的性能狀態退化數據集對所述基于mcl-man的性能退化預測模型組網進行動態更新，得到動態更新后的基于mcl-man的性能退化預測模型組網；預測模塊，用于獲取待預測設備的歷史健康指數hi軌跡梯度，通過將所述待預測設備的歷史健康指數hi軌跡梯度輸入至所述動態更新后的基于mcl-man的性能退化預測模型組網中，預測所述待預測設備的未來性能退化軌跡。
11、本專利技術實施例還提供了一種電子設備，包括存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序；所述計算機程序被所述處理器執行時，實現所述的持續學習性能退化預測方法的步驟。
12、本專利技術的有益效果是:構建多模型聯合的網絡化模型交聯結構，在獨立的性能退化預測神經網絡模型的基礎上構建模型組網，以適應動態變化的新增性能退化預測任務并擬合hi軌跡之間多對多的復雜映射關系；面向性能退化預測任務，將生物持續學習中的互補學習系統理論引入人工神經網絡持續學習過程，將海馬體-大腦皮層記憶模型機制引入性能退化預測模型動態更新過程，以解決模型結構大小對持續學習能力的限制。<本文檔來自技高網...
【技術保護點】
1.一種持續學習性能退化預測方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，通過將所述待預測設備的歷史健康指數HI軌跡梯度輸入至所述動態更新后的基于MCL-MAN的性能退化預測模型組網中，預測所述待預測設備的未來性能退化軌跡包括：
3.根據權利要求2所述的方法，其特征在于，基于所述查詢鍵值，依次通過迭代鍵值尋址、數值讀取、HI軌跡預測集更新查詢步驟，預測所述待預測設備的未來性能退化軌跡包括：
4.根據權利要求1所述的方法，其特征在于，所述基于MCL-MAN的性能退化預測模型組網是基于各個性能退化預測子模型動態更新實現復雜設備持續學習性能退化預測，其中，所述各個性能退化預測子模型動態更新包含預訓練階段和持續學習階段。
5.根據權利要求4所述的方法，其特征在于，所述預訓練階段包括編碼器動態更新、控制器動態更新及預測模型動態更新。
6.根據權利要求5所述的方法，其特征在于，所述編碼器動態更新包括：
7.根據權利要求6所述的方法，其特征在于，所述控制器動態更新包括：
8.根據權利要求7
9.一種持續學習性能退化預測裝置，其特征在于，包括：
10.一種電子設備，其特征在于，包括存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序；所述計算機程序被所述處理器執行時，實現權利要求1-8中任一項所述的持續學習性能退化預測方法的步驟。
...【技術特征摘要】
1.一種持續學習性能退化預測方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，通過將所述待預測設備的歷史健康指數hi軌跡梯度輸入至所述動態更新后的基于mcl-man的性能退化預測模型組網中，預測所述待預測設備的未來性能退化軌跡包括：
3.根據權利要求2所述的方法，其特征在于，基于所述查詢鍵值，依次通過迭代鍵值尋址、數值讀取、hi軌跡預測集更新查詢步驟，預測所述待預測設備的未來性能退化軌跡包括：
4.根據權利要求1所述的方法，其特征在于，所述基于mcl-man的性能退化預測模型組網是基于各個性能退化預測子模型動態更新實現復雜設備持續學習性能退化預測，其中，所述各個性能退化預測子模型動態更新包含預訓練階段和...
【專利技術屬性】
技術研發人員：馬劍，鄒新宇，劉學，黃俊杰，呂琛，
申請(專利權)人：杭州市北京航空航天大學國際創新研究院北京航空航天大學國際創新學院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。