本發(fā)明涉及性能退化預(yù)測，特別涉及一種持續(xù)學習性能退化預(yù)測方法、裝置和電子設(shè)備。

背景技術(shù)：

1、人工神經(jīng)網(wǎng)絡(luò)的性能退化預(yù)測模型受到網(wǎng)絡(luò)結(jié)構(gòu)與神經(jīng)元數(shù)量的限制，單一預(yù)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(xù)擴展。除此之外，針對復雜系統(tǒng)設(shè)備，其由多個子系統(tǒng)或部件組合聯(lián)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(chǎn)品設(shè)備，單一的性能退化預(yù)測模型在擬合復雜系統(tǒng)設(shè)備多性能指標退化軌跡任務(wù)中具有很強的局限性。宏觀表示為，單一的人工神經(jīng)網(wǎng)絡(luò)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(tǒng)設(shè)備往往由多個子系統(tǒng)或部件共同組合而成，子系統(tǒng)具有相對獨立的結(jié)構(gòu)與失效傳播機理，子系統(tǒng)之間通過某些通路的連接互相影響，形成失效傳播網(wǎng)絡(luò)鏈路。受模型結(jié)構(gòu)與神經(jīng)元數(shù)量的限制，單一獨立的性能退化網(wǎng)絡(luò)在捕捉群體設(shè)備結(jié)構(gòu)復雜、長期、動態(tài)的退化規(guī)律任務(wù)中具有能力上限。

技術(shù)實現(xiàn)思路

1、本發(fā)明提供一種持續(xù)學習性能退化預(yù)測方法、裝置和電子設(shè)備，以便解決如何實現(xiàn)復雜設(shè)備持續(xù)學習性能退化預(yù)測的技術(shù)問題。

2、本發(fā)明實施例提供了一種持續(xù)學習性能退化預(yù)測方法，包括：構(gòu)建性能退化預(yù)測子模型，并基于所述性能退化預(yù)測子模型，構(gòu)建基于多模型聯(lián)合記憶增強持續(xù)學習mcl-man的性能退化預(yù)測模型組網(wǎng)；獲取不同任務(wù)場景下不同批次且不同型號設(shè)備的性能狀態(tài)退化數(shù)據(jù)集，并利用所述不同任務(wù)場景下不同批次且不同型號設(shè)備的性能狀態(tài)退化數(shù)據(jù)集對所述基于mcl-man的性能退化預(yù)測模型組網(wǎng)進行動態(tài)更新，得到動態(tài)更新后的基于mcl-man的性能退化預(yù)測模型組網(wǎng)；獲取待預(yù)測設(shè)備的歷史健康指數(shù)hi軌跡梯度，通過將所述待預(yù)測設(shè)備的歷史健康指數(shù)hi軌跡梯度輸入至所述動態(tài)更新后的基于mcl-man的性能退化預(yù)測模型組網(wǎng)中，預(yù)測所述待預(yù)測設(shè)備的未來性能退化軌跡。

3、優(yōu)選地，通過將所述待預(yù)測設(shè)備的歷史健康指數(shù)hi軌跡梯度輸入至所述動態(tài)更新后的基于mcl-man的性能退化預(yù)測模型組網(wǎng)中，預(yù)測所述待預(yù)測設(shè)備的未來性能退化軌跡包括：通過將所述待預(yù)測設(shè)備的歷史健康指數(shù)hi軌跡梯度輸入至所述動態(tài)更新后的基于mcl-man的性能退化預(yù)測模型組網(wǎng)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(shù)值讀取、hi軌跡預(yù)測集更新查詢步驟，預(yù)測所述待預(yù)測設(shè)備的未來性能退化軌跡。

4、優(yōu)選地，基于所述查詢鍵值，依次通過迭代鍵值尋址、數(shù)值讀取、hi軌跡預(yù)測集更新查詢步驟，預(yù)測所述待預(yù)測設(shè)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(quán)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(wù)查詢鍵值與跳步注意力組合起來，作為當前任務(wù)查詢鍵值；重復上述步驟，直至記憶查詢需求結(jié)束，使用不同的查詢鍵值對每個跳步注意力進行查詢，預(yù)測所述待預(yù)測設(shè)備的未來性能退化軌跡。

5、優(yōu)選地，所述基于mcl-man的性能退化預(yù)測模型組網(wǎng)是基于各個性能退化預(yù)測子模型動態(tài)更新實現(xiàn)復雜設(shè)備持續(xù)學習性能退化預(yù)測，其中，所述各個性能退化預(yù)測子模型動態(tài)更新包含預(yù)訓練階段和持續(xù)學習階段。

6、優(yōu)選地，所述預(yù)訓練階段包括編碼器動態(tài)更新、控制器動態(tài)更新及預(yù)測模型動態(tài)更新。

7、優(yōu)選地，所述編碼器動態(tài)更新包括：通過滑窗切割方式將歷史數(shù)據(jù)切分為若干時間窗口hi軌跡，并將滑窗內(nèi)數(shù)據(jù)的前半段設(shè)置為歷史hi軌跡，后半段設(shè)置為其對應(yīng)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(guān)聯(lián)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(guān)聯(lián)鍵值對進行解碼，以當前時刻性能狀態(tài)指標為起點，外推未來hi軌跡，以此實現(xiàn)編碼器的動態(tài)更新。

8、優(yōu)選地，所述控制器動態(tài)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(quán)重；將讀取權(quán)重按順序排列并將排序結(jié)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(guān)聯(lián)鍵值對，通過更新后的解碼器進行解碼，輸出預(yù)測hi軌跡；將全部的預(yù)測hi軌跡組合為預(yù)測hi軌跡集合，并依次將所述預(yù)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(guān)聯(lián)鍵值對，并將具有差異化的退化特征關(guān)聯(lián)鍵值對寫入外部存儲器模塊。

9、優(yōu)選地，所述預(yù)測模型動態(tài)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(jié)果，并將所述尋址結(jié)果與未來記憶編碼對比生成記憶查詢注意力結(jié)果；通過將歷史退化軌跡編碼與注意力結(jié)果組合配對構(gòu)建退化特征關(guān)聯(lián)鍵值對，并將所述退化特征關(guān)聯(lián)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(xiàn)性能退化預(yù)測模型的動態(tài)更新。

10、本發(fā)明實施例還提供了一種持續(xù)學習性能退化預(yù)測裝置，包括：構(gòu)建模塊，用于構(gòu)建性能退化預(yù)測子模型，并基于所述性能退化預(yù)測子模型，構(gòu)建基于多模型聯(lián)合記憶增強持續(xù)學習mcl-man的性能退化預(yù)測模型組網(wǎng)；訓練模塊，用于獲取不同任務(wù)場景下不同批次且不同型號設(shè)備的性能狀態(tài)退化數(shù)據(jù)集，并利用所述不同任務(wù)場景下不同批次且不同型號設(shè)備的性能狀態(tài)退化數(shù)據(jù)集對所述基于mcl-man的性能退化預(yù)測模型組網(wǎng)進行動態(tài)更新，得到動態(tài)更新后的基于mcl-man的性能退化預(yù)測模型組網(wǎng)；預(yù)測模塊，用于獲取待預(yù)測設(shè)備的歷史健康指數(shù)hi軌跡梯度，通過將所述待預(yù)測設(shè)備的歷史健康指數(shù)hi軌跡梯度輸入至所述動態(tài)更新后的基于mcl-man的性能退化預(yù)測模型組網(wǎng)中，預(yù)測所述待預(yù)測設(shè)備的未來性能退化軌跡。

11、本發(fā)明實施例還提供了一種電子設(shè)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(zhí)行時，實現(xiàn)所述的持續(xù)學習性能退化預(yù)測方法的步驟。

12、本發(fā)明的有益效果是:構(gòu)建多模型聯(lián)合的網(wǎng)絡(luò)化模型交聯(lián)結(jié)構(gòu)，在獨立的性能退化預(yù)測神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)上構(gòu)建模型組網(wǎng)，以適應(yīng)動態(tài)變化的新增性能退化預(yù)測任務(wù)并擬合hi軌跡之間多對多的復雜映射關(guān)系；面向性能退化預(yù)測任務(wù)，將生物持續(xù)學習中的互補學習系統(tǒng)理論引入人工神經(jīng)網(wǎng)絡(luò)持續(xù)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(yù)測模型動態(tài)更新過程，以解決模型結(jié)構(gòu)大小對持續(xù)學習能力的限制。