CN119494037A 一种矢量推进器的寿命预测方法及系统 （青岛哈尔滨工程大学创新发展中心）

本发明公开了一种矢量推进器的寿命预测方法及系统，属于矢量推进器寿命预测技术领基于三分支融合卷积神经网络构建寿命预测模2将特征图x'输入到频谱注意力分支模块中，分别进行最大池化操作和平均池化操作，3输出向量LeRB-k+1，由Ln构成Ln为输出向量中的第m个元素；向量或最大池化向量的第m个元素相邻的k个频谱的集合；(m是每个的共享参数，表示与平均池化向量或最大池化向量的第m个元素相邻的n个频通过逐元素加法将两个共享选择性多层感知器的输出合并在一起得到核(H,1)和(1,V)执行两个独立的全局平均池化操作来编码特征图X'"，核(H,1)表示在水平其中，x(h,p)表示在高度h和第p个通道处的输入特征像素，x(q,v)表示在宽度v和第q个通道处的输入特征像素，表示在水平方向上的第个全局平均池化结果，x1卷积核的卷积层、BN层以及Leaky_R将特征权重矩阵GM与特征图X'经过逐元素乘法后依次输入BN层和Leaky_ReLU层，4Leaky_ReLU层的输出与特征权重矩阵GM经过逐元素乘法后输入到第一特征提取模块，第一特征提取模块的输出与特征权重矩阵GM经过逐元素乘法后输入到第二特征提取模块，第二特征提取模块的输出与特征权重矩阵GM经过逐元素乘法后输入到第三特征提取模所述第一特征提取模块依次包括深度可分离卷积层、EM_IBi_LSTM网络、自注意力模7.根据权利要求6所述的一种矢量推进器的寿命预的隐藏状态与注意力加权的上下文向量拼接在一起形成一个新的特征向量contact；9.一种矢量推进器的寿命预测系统，采用如权利要求1_8任一项所述的一种矢量推进5所述传感器包括水听器、温度传感器、压力传感器、振动信号传感器所述数据处理单元用于对预处理后的数据进行特征提取、模型训练和所述数据存储单元用于存储预处理后的数据和预测结果，方便用户进所述显示器用于将预测结果和实施监测数据可视化67步骤5：采用训练集和测试集对寿命预测模型进行训练和测试，在实际应用过程藏层的输出向量LeRB-k+1，由Ln构成Ln为输出向量中的第m个8均池化向量或最大池化向量的第m个元素相邻的k个频谱的集合；(n是每个的共享参先在每个通道上用两个空间维度的核(H,1)和(1,V)执行两个独立的全局平均池化操作来编码特征图X'"，核(H,1)表示在水平方向上的大小为H，垂直方向上的大小为1的池化其中，x(h,p)表示在高度h和第p个通道处的输入特征像素，x(q,v)表示在宽度v联操作将特征图U沿着空间的水平和垂直方向分割成两个张量函数处理，随后通过逐元素乘法进行特征融合，最终获得空间注意力权重矩阵将特征权重矩阵GM与特征图X'经过逐元素乘法后依次输入BN层和Leaky_ReLU第一特征提取模块的输出与特征权重矩阵GM经过逐元素乘法后输入到第二特征提取模块，第二特征提取模块的输出与特征权重矩阵GM经过逐元素乘法后输入到第三特征提取模块，第三特征提取模块的输出与特征图x'经过逐元素乘法后依次输入卷积层和分类器，9模块、BN层和Leaky_ReLU层；所述第二特征提取模块依次包括深度膨胀卷积层、EM_IBi_IBi_LSTM通过动态调整LSTM层中隐藏单元的数量来适应不同输入数据的复杂性，意力得分score，最后将当前时刻的隐藏状态与注意力加权的上下文向量拼接在一起形成一个新的特征向量contact；所述数据处理单元用于对预处理后的数据进行特征提取、模型训练和预测分析，所述显示器用于将预测结果和实施监测数据可视化从而建模所有频谱特征的长期依赖关系，将k值设为9，隐藏层的输出向量LeRB-k+1，由Ln构成Ln为输出向量中的第m个元素；均池化向量或最大池化向量的第m个元素相邻的k个频谱的集合；(n是每个的共享参用两个空间维度的核(H,1)和(1,V)执行两个独立的全局平均池化操作来编码特(H,1)表示在水平方向上的大小为H，垂直方向上的大小为1的池化核，核(1,V)表示在小相当于原始数据块SXS的大小。为了在描述过程中清晰地区分水平方向和垂直方向的其中，x(h,p)表示在高度h和第p个通道处的输入特征像素，x(q,v)表示在宽度v的水平和垂直方向分割成两个张量矩阵uy和Uv，然后输入到带有1×1卷积核的卷积层、将特征权重矩阵GM与特征图X'经过逐元素乘法后依次输入BN层和Leaky_ReLU第一特征提取模块的输出与特征权重矩阵GM经过逐元素乘法后输入到第二特征提取模块，第二特征提取模块的输出与特征权重矩阵GM经过逐元素乘法后输入到第三特征提取模块，第三特征提取模块的输出与特征图x'经过逐元素乘法后依次输入到卷积层和分类第一特征提取模块依次包括深度可分离卷积层、EM_IBi_LSTM网络、自注意力模[0042]性能优化：这种动态调整机制使得模型能够在处理不同复杂度的数据时更加高it=tanh(wxxt+wnht-1+bc)；记忆单元状态更新隐藏状态化原则，通过迭代更新簇的参数来最大化数据的似然函数。标准差δ是EM聚类的一个超参其中是给定数据点属于第个簇的概率，是在给定的第δ),以及一个用于调整高斯分布概率密度的标准差δ。算法的初始化阶段首先随机初始化每计算每个数据点xi属于每个簇的概率，并根据当前的簇参数和标准差δ计算高斯分布的概为了计算查询Q和K之间的相关性，通过点积操作QK"来度量查询和键之间的相于注意力分数表明了值对的重要性，加权求和可以使得模型更多地关注重要的时间步骤，接在一起形成一个新的特征向量contact；表达式如下：r个时间步骤的注意力分数，