[发明专利]一种动力舱状态实时监控评价方法

权利要求书

1.一种动力舱状态实时监控评价方法，其特征在于，包括：

步骤S1、通过多路传感器采集动力舱的多种状态数据；每种状态数据为一维时间序列；将状态数据按照时间维进行切片；

步骤S2、使用带有传感器数据标定模块的卷积神经网络提取数据切片的空间特征；所述传感器数据标定模块利用全局平均池化放大反应故障的状态数据；

步骤S3、使用带有故障类别解析模块的门控循环神经网络在所述空间特征上提取表征时间的特征序列，进而获得故障参数；所述故障类别解析模块从门控循环神经网络主通道提取第一特征序列经处理获得故障类型，同时将故障类型反馈到门控循环神经网络主通道中继续处理产生第二特征序列进而确定刻画故障严重程度的故障参数，第一特征序列和第二特征序列皆为表征时间的特征序列；

采用步骤S1～S3的方式依次处理各数据切片，实现故障类型和故障参数的提取；

步骤S4、根据熵值法，利用当前状态数据下一段时间的故障参数计算出动力舱运行状态的总评价得分。

2.如权利要求1所述的方法，其特征在于，所述步骤S1包括：将多路状态数据拼接为二维矩阵形式，按照时间分割为多个M×N的矩阵切片；M表示矩阵切片包括M个时间序列，N为状态数据的总类别数；

所述步骤S2包括：

步骤S2-1、将矩阵切片输入第一卷积模块，得到第一特征图；

步骤S2-2、将第一特征图按照状态数据种类的维度进行全局平均池化，再经过激活函数为sigmod函数的第一全连接网络得到N个范围在[0,1]之间的权重参数，将权重参数与第一特征图相乘得到标定后的状态数据；

步骤S2-3、将标定后状态数据输入进第二卷积模块，得到第二特征图。

3.如权利要求1所述的方法，其特征在于，

所述门控循环神经网络的主通道至少包括5层循环层；

将卷积神经网络得到的第二特征图输入门控循环神经网络中主通道的第一层循环层A，经过至少两层循环层的处理得到第一特征序列；产生第一特征序列的循环层即为循环层In；

所述第一特征序列分为两路分支，一路输入到作为所述故障类别解析模块的全连接网络分类器进行故障类型识别，另一路输入门控循环神经网络主通道后续的循环层；

所述全连接网络分类器确定出故障类别，将故障类别反馈给门控循环神经网络主通道的循环层Fb的输入；所述循环层Fb与循环层In之间至少间隔一个循环层，且循环层Fb与门控循环神经网络主通道最后的全连接层之间至少间隔一个循环层；所述全连接网络分类器包括输入层、至少2个隐含层和输出层，其中最后一个隐含层的神经元的输出值反馈给循环层Fb，与循环层Fb输出序列按照前后顺序拼接为新的一维序列后，由循环层Fb及其之后所有的循环层依次进行处理，得到第二特征序列；循环层Fb与所述全连接层之间间隔一个循环层，使得循环层Fb尽量靠近门控循环神经网络的出口；

所述第二特征序列经过门控循环神经网络主通道最后的全连接层得到故障参数。

4.如权利要求3所述的方法，其特征在于，所述门控循环神经网络的主通道包括5层循环层，命名为循环层A、B、C、D、E；所述第一特征序列由循环层B产生；循环层D为所述循环层Fb。