申请/专利权人：扬州大学

申请日：2024-01-16

公开（公告）日：2024-04-16

公开（公告）号：CN117892623A

主分类号：G06F30/27

分类号：G06F30/27;G06F18/214;G06N3/0464;G06N3/084;G06F119/04

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.03#实质审查的生效;2024.04.16#公开

摘要：本发明公开了一种高阶时空图嵌入元学习的机械装备少样本寿命预测方法，涉及机械装备剩余寿命预测技术领域，解决了固有欧式空间下基于元学习少样本预测中无法有效联合多源多通道信号进行高精度协同寿命预测的难题。要点是构建了聚合高维信号的机械退化时空图嵌入特征；随后将建立的特征输入高阶时空图嵌入元学习预测框架中完成寿命预测模型训练，该框架主要由高阶时空图嵌入卷积模块与图结构增强的元学习训练策略组成，前者作为前向计算模块在后者的反向更新训练策略内实现了高精度、变工况寿命预测。该发明有效克服了图神经网络在少样本环境下寿命预测精度低的瓶颈，首次在非欧式空间中构建了元学习少样本寿命预测模型。

主权项：1.一种高阶时空图嵌入元学习的机械装备少样本寿命预测方法，其特征在于，步骤如下：步骤S1：利用多通道振动、声发射、力传感器采集机械装备多源多通道信号，并对每一类别下各通道信号分别依次进行时域、频域以及稀疏域特征提取，再依次拼接组成对应通道下多领域高维特征矩阵；步骤S2：对采集的多源多通道信号及其提取多领域高维特征矩阵构建非欧式空间下时空图，通过归一化互相关度量确定不同通道、即时空图节点间的连接关系；并进一步采用非线性高斯核函数计算时空图节点间边权重大小，进而生成以时间步长为动态滑动窗的机械退化时空图嵌入特征，供后续寿命预测模型使用；步骤S3：对所述不同工况的退化时空图嵌入特征划分训练集、测试集，保证上述集合内数据间无重叠现象发生；同时在两类集合内分别划分若干个包含时空图嵌入特征与对应寿命标签的子集合，在每一子集中指定前半段特征-标签样本对为时空图支撑集，后半段特征-标签样本对为时空图查询集，供后续高阶时空图嵌入元学习预测框架使用；步骤S4：构建高阶时空图嵌入元学习预测框架，在构建时，通过聚合高阶子图信息，搭建二阶以上更远紧邻节点间的交互，联合图卷积算子与域对抗单元实现复杂高阶时空图嵌入特征的学习，形成高阶时空图嵌入卷积模块，以参与后续的图结构增强的元学习参数迭代更新中；步骤S5：将高阶时空图嵌入卷积模块作为基础预测模型纳入元学习训练架构中，基于时空图支撑集对划分的各子任务并行训练，对应得到各子任务模型，随后整合全部子任务模型进行参数更新，其中第二次参数更新通过测试集中的时空图支撑集完成子任务间训练与学习，得到非欧式空间下预测模型元参数，并生成通用且易于泛化的高阶时空图嵌入元学习预测框架；步骤S6：通过梯度反向传播更新机制与时空图查询集对生成的通用高阶时空图嵌入元学习预测框架进行模型迁移，实现不同工况间的泛化与迁移，从而适配训练集外的分布情况，最终将测试集中的查询集输入微调后的高阶时空图嵌入元学习预测模进行剩余寿命预测研究。

全文数据：

权利要求：

百度查询： 扬州大学 高阶时空图嵌入元学习的机械装备少样本寿命预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD