一种基于BiLSTM混合模型的重力波仪寿命退化计算方法

本发明涉及气象设备寿命退化分析计算机应用，具体为一种基于bilstm混合模型的重力波仪寿命退化计算方法。

背景技术：

1、大多数设备的寿命退化主要基于特定应用环境，无法对设备退化特征进行有效提取，从而导致无法满足应用的时效性和计算的准确性。由于重力波仪气象设备部署位置偏远，对重力波仪退化特征的有效提取，一方面能够有效提高重力波仪的寿命退化分析的准确率，另一方面在一定程度上可，能够缩短计算时间，可实时预测出重力波仪的剩余寿命。

2、重力波仪在无环境干扰下场景下的寿命退化分析存在以下两方面问题：一方面，重力波仪自身部件损耗和长时间运行造成的设备结构变化和使用条件的改变等，都会使重力波仪在不同运行期间性能的稳定性、退化速度等方面表现出较为明显的差异，导致重力波仪的可靠性发生显著改变；另一方面，重力波仪自身材料属性、尺寸参数、设计公差等因素导致其所服从的退化规律与一般设备不同，无法使用单一模型对重力波仪进行准确的寿命退化分析。

3、为了解决这些问题，本发明考虑重力波仪在无环境干扰条件下的自然退化规律，提出一种基于bilstm混合模型的重力波仪寿命退化方法。该方法通过数字孪生技术构建重力波仪数字孪生体，实时监测远端物理实体的运行状态和退化过程属性参数；通过数字孪生体，可以更精确地采集重力波仪实时数据，使剩余寿命预测模型能够及时调整与优化，从而提高计算的准确性和满足应用的时效性。

4、在对重力波仪进行寿命退化计算时，设备的各个组成部件也存在不同的退化规律，该方法首先针对影响重力波仪有效退化的组成部件特征信息进行提取，将其作为退化指标，然后建模分析预测寿命退化状态，最后计算得到重力波仪预测剩余寿命。这种方法基于数字孪生技术，一定程度上减少了运行和计算的时间，同时也解决了设备部署于远端无法进行人工维护的问题。

技术实现思路

1、本发明所要解决的技术问题是：

2、为了解决无环境干扰条件下重力波仪寿命退化计算时间长，且难以选取有效特征且导致计算精确低的问题，本发明提供一种基于bilstm混合模型的重力波仪寿命退化计算方法。

3、为了解决上述技术问题，本发明采用的技术方案为：

4、一种基于bilstm混合模型的重力波仪寿命退化计算方法，其特征在于，包括：

5、采集重力波仪状态数据；

6、根据重力波仪状态数据，基于lasso模型构建重力波仪寿命退化指标；

7、将重力波仪退化指标对应的退化特征输入到xgboost模型对重力波仪寿命退化状态进行预测；

8、将重力波仪寿命退化状态内重力波仪退化指标对应的状态数据输入到ma-bilstm模型计算重力波仪剩余寿命。

9、本发明进一步的技术方案：所述的重力波仪状态数据来源于3个子系统和3种核心部件，所述3个子系统包括转动温度光谱测量子系统、大视场重力波成像子系统、精细光谱检测子系统；所述3种核心部件包括ccd相机、tec空调、滤光轮。

10、本发明进一步的技术方案：所述基于lasso模型构建重力波仪寿命退化指标，具体为：

11、将影响重力波仪寿命退化参数集所采集的状态数据作为退化特征，将剩余寿命作为目标变量；基于lasso模型进行重力波仪退化特征筛选；

12、结合bic准则选择最优lasso模型：为了确定最优lasso模型，采用贝叶斯信息准则选择合适的正则化参数；

13、确定重力波仪退化指标序列：在lasso回归模型中设置重力波仪退化特征阈值k，当重力波仪的退化特征权重值小于k时，证明该退化特征的重要性较低，可以直接放弃此退化特征；在阈值范围内的重力波仪退化特征变量是有价值的特征变量，将其选入到重力波仪退化指标中。

14、本发明进一步的技术方案：所述对重力波仪寿命退化状态进行预测，具体为：

15、将重力波仪退化指标对应的状态数据作为xgboost模型的输入；构建每一棵回归树，找到最优分裂点，使目标函数减少量最大；利用分裂点预测每个叶子节点，找出使目标函数最小的值；将新的回归树的预测值乘以学习率，加到当前预测值上，得到更新后的预测值。

16、本发明进一步的技术方案：所述重力波仪寿命退化状态分为健康、退化、故障和失效四种状态：健康状态表示重力波仪的正常工作状态，占重力波仪总体寿命70％～100％；退化状态表示重力波仪性能下降但仍可使用，占重力波仪总体寿命20％～70％；故障状态是重力波仪部分部件还能正常使用，占重力波仪总体寿命10％～20％；失效状态表示重力波仪无法正常工作，占重力波仪总体寿命0％～10％。

17、本发明进一步的技术方案：所述将重力波仪寿命退化状态内重力波仪退化指标对应的状态数据输入到ma-bilstm模型计算重力波仪剩余寿命，所述ma-bilstm模型包括多头注意力机制层和bilstm层；具体为：

18、将重力波仪寿命退化状态内重力波仪退化指标对应的状态数据输入到多头注意力机制层提取退化特征；

19、将多头注意力层输出的退化特征输入到bilstm层中进行迭代训练；

20、采用群智能优化算法优化ma-bilstm模型参数，使用gwo算法对ma-bilstm模型进行参数优化，优化后的ma-bilstm模型预测重力波仪剩余寿命值。

21、一种计算机系统，其特征在于包括：一个或多个处理器，计算机可读存储介质，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述的方法。

22、一种计算机可读存储介质，其特征在于存储有计算机可执行指令，所述指令在被执行时用于实现上述的方法。

23、本发明的有益效果在于：

24、本发明提供的一种基于bilstm混合模型的重力波仪寿命退化计算方法，即基于无环境干扰下的重力波仪寿命退化计算方法。对数据集进行预处理时，采取了多通道滑动窗口对数据进行重采样，减小了重力波仪状态数据噪声；利用lasso算法构建退化指标将不重要的特征系数压缩为0，使模型系数尽可能地稀疏，实现准确的参数估计与降维，有效地解决重力波仪退化特征之间存在多重共线性的问题，降低模型复杂度，提高模型泛化能力；采用xgboost模型对重力波仪寿命退化状态进行预测，减少了模型运行时间；采用bilstm混合模型预测重力波仪的剩余寿命，通过融合多头注意力机制的bilstm解决了bilstm在提取关键特征的能力不足的问题，充分利用重力波仪时间序列数据之间的内在联系，然后利用群智能优化算法gwo优化融合多头注意力机制bilstm参数，增强了模型的泛化能力，提高了模型预测计算的准确率。

25、综上所述，本发明通过结合数据处理技术、有效退化特征选择方法、高效预测计算模型以及模型参数优化策略，为重力波仪寿命退化预测提供了一个全面、高效且精确的解决方案方法，显著提高了在无环境干扰条件下重力波仪寿命退化预测计算性能，不仅可应用于重力波仪气象设备寿退化计算和远程运维，而且可应用于一般设备退化建模分析，为设备设计迭代优化和远程运维提供技术支撑。