[发明专利]一种基于递归融合编码器的装备状态表征提取方法

权利要求书

1.一种基于递归融合编码器的装备状态表征提取方法，其特征在于包括：

第一步、监测参数时序化预处理，对于各多维参数数据样本，首先利用一定长度的滑窗对其进行切割，得到L个局部参数序列矩阵，其中L为需要配置的滑窗切分个数；接着，对各局部参数序列矩阵进行特征预提取，得到L个预提取特征向量，进一步对L个预处理特征向量进行标准化处理，得到L个标准化特征向量；第二步、RFA模型配置，首先构建RFA模型包含的递归编码模块、序贯融合层、递归解码模块，进而对RFA模型关键超参数进行配置，包括本征状态向量维度F，序贯融合层数N，特征融合比例C^(f)、C^(b)，训练轮次E，其中，C^(f)、C^(b)应是加和为1的正数；第三步、RFA模型无监督训练，选取装备正常状态下的多组标准化特征向量样本组成训练数据，以无监督方式完成RFA模型的训练；给定训练数据中某样本，即L个标准化特征向量，将其输入到递归编码模块分别进行正向、反向编码，得到2L个正向、反向编码向量；进而，将这些正、反向编码向量输入序贯融合层，依次进行时间维度、特征维度融合，得到1个维度为F的向量，即本征状态向量；接着，分别将第L个正向、反向编码向量输入到递归解码模块进行正向、反向解码以及线性变换，得到L个解码向量，并计算L个解码向量与前述输入的L个预处理特征向量间的重构误差；重复上述步骤，遍历训练数据全部样本，记为1轮训练，当训练轮次达到预设值E，训练完毕，输出RFA模型；第四步、鲁棒状态表征提取，给定待测数据样本，首先重复第一步所述时序化预处理，得到待测标准化特征向量；接着，针对训练完毕的RFA模型，去除其递归解码模块，保留递归编码模块与序贯融合层；进而，将待测标准化特征向量依次输入递归编码模块与序贯融合层，依第三步所述时间维度融合与特征维度融合对其进行变换，得到待测本征状态向量，该本征状态向量从时间、特征两个维度实现装备测试数据的鲁棒状态表征。

2.如权利要求1的装备状态表征提取方法，其特征在于：

第二步RFA模型配置中所述的递归编码模块采用双向编码，由2L个LSTM单元依次正向、反向连接；序贯融合层由N层全连接子层堆叠组成；递归解码模块采用双向解码，由另外2L个LSTM单元依次正向、反向连接。

3.如权利要求1的装备状态表征提取方法，其特征在于：

第二步RFA模型配置中所述序贯融合层的时间维度融合，其首先对2L个正向、反向编码向量沿时间轴拼接，得到2个正向、反向编码长向量O^(f)、O^(b)；进而，将拼接后的正、反编码长向量输入N层全连接子层进行时序融合，其公式为：

式中，·为乘积运算；分别为第i层全连接子层的正向权重矩阵、反向权重矩阵，分别为第i层全连接子层的正向偏置向量、反向偏置向量；经过N层时序融合后的输出即为正向时序融合向量、反向时序融合向量。

4.如权利要求1 的装备状态表征提取方法，其特征在于：

第二步RFA模型配置中所述序贯融合层的特征维度融合，给定配置项C^(f)、C^(b)，将前述FE^(f)、FE^(b)融合为本征状态向量FE，其公式为：

FE＝C^(f)⊙FE^(f)+C^(b)⊙FE^(b),

式中，⊙为点积运算。

5.如权利要求1的装备状态表征提取方法，其特征在于：

第三步RFA模型无监督训练中所述的训练数据可以仅为装备正常状态数据，无需使用实际中通常难以获取的故障数据。