一种考虑多路响应特征耦合的干扰敏感度评估方法与流程

本发明属于基于深度学习的概率预测领域，具体是一种考虑多路响应特征耦合的干扰敏感度评估方法。

背景技术：

1、电磁环境指的是电子系统在既定工作环境中执行规定任务时可能遇到的各种传导型和辐射型电磁发射。在电子设备大量使用的大环境下，复杂电磁环境所包含的元素越来越多，使得电磁环境更加的复杂多变。电磁敏感度的精确评估对电子设备的安全使用有着很重要的意义。

2、目前对于电磁敏感度的评估方法，主要是采用试验方法获得电子系统的效应类型和敏感度阈值。由于试验条件和成本的限制，试验不具有很强的外推性。而且设备的电磁敏感度分析时存在很多不确定性，如传感器的安装位置等。

3、考虑到在单电磁场激励作用下设备的多路响应可能有依赖关系，由此所带来的特征数据变化也有可能具有诱发性或依存性的因果关系，以机器学习为主的干扰敏感度评估方法，只是通过历史数据拟合数据分布规律来进行数据预测，缺少对特征的深层次分析，也没有考虑到设备的传感器之间所存在影响关系，这可能会导致设备状态评估的可靠性和准确性降低。

4、我们考虑引入一种结合图网络的改进transformer模型的深度神经网络学习方法，既可以考虑到传感器空间的特征耦合，又可以对在电磁场激励下的时序数据进行处理，更可靠的来对设备的干扰敏感度进行评估。

技术实现思路

1、为了解决上述问题，本发明提出一种考虑多路响应特征耦合的干扰敏感度评估方法，基于空间信息的图transformer模型(spatio graph transformer fusion network，简写为sgtfn)，该模型中采用图网络来学习不同传感器的位置信息对于电磁激励的响应所隐含的相互作用关系，抽取这些不同传感器的空间特征的依赖性，加强不同传感器响应数据特征和设备的干扰敏感度之间的可靠性。将处理之后的数据经过transformer模型进行处理，结合空间位置以及时序上的相互作用，构建更准确的故障概率预测模型，对设备受到干扰的电磁敏感度进行等级评估。

2、为实现上述目的，本发明提供了如下方案：

3、一种考虑多路响应特征耦合的干扰敏感度评估方法，包括以下步骤：

4、步骤s1，获取电磁设备在电磁场作用下的不同传感器的响应数据和空间位置信息，将不同传感器记作不同节点，响应数据是电压以及电流数据；

5、步骤s2，对采集到的这些数据进行预处理，利用图网络层来从不同节点上的响应数据中学习各传感器之间的关系，对传感器的空间位置信息进行空间关系的特征提取，将空间位置信息编码到各节点的响应数据的边缘信息中，得到含有空间位置信息的边缘特征矩阵；

6、步骤s3，将经过图网络层处理后的边缘特征矩阵进行特征映射，得到与响应数据维度相同的边缘信息矩阵，同时利用transformer解码器中的注意力机制来捕获电磁设备的不同传感器的响应数据在时间维度上的表达全局依赖关系的边缘信息矩阵εij，利用transformer多层编码器的注意力机制将边缘信息矩阵εij与注意力评分融合，建立在电磁场的激励作用下电磁设备的不同传感器的响应数据与电磁设备是否故障之间的关系映射，以此来对电磁设备的运行情况进行预测；

7、步骤s4，建模完成之后，通过softmax分类器进行最终处理，得到电磁设备的故障概率，以此来评估电磁设备的干扰敏感度。

8、进一步的，对于步骤s1有以下具体实现：

9、对于不同传感器的响应数据，分别建立所属于传感器的标签，对这些响应数据进行初步的分类，为了表示方便，将每一个传感器记为一个节点，其响应数据引入嵌入向量xi来进行表示，即：xi∈rd×i，i∈{1,2,...n}，其中，i表示传感器的数量，d为单个传感器采集到的时间序列样本的时间点数量，xi表示第i个传感器的第d个时间点的响应数据，可以是电流数据或者电压数据。设备运行状态采用one-hot编码，记故障为(0，1)，未故障为(1，0)；

10、进一步的，对于步骤s2，有以下具体实现：

11、步骤s21，建立一个图网络层，将每个节点上的响应数据xi＝{ii(vi)}作为图网络层的输入，传感器的空间位置信息通过建立一个多源响应图g(x,e)来表示，其中，x表示多源响应图的节点，是由每个传感器的响应数据的组成的特征矩阵，即x＝{x1,x2,...xn}，e为多源响应图的边集合，表示传感器的空间位置信息以及它们之间的连通性，图网络层根据节点之间的距离或者相似度学习各个节点的邻接矩阵ak[i,j]，ak[i,j]表示节点j到节点i有第k条边，ak[i,j]是不为零的邻接矩阵。用邻接矩阵ak[i,j]来表示节点的边信息，即边集合e＝{ak[i,j]}。

12、步骤s22，根据步骤s21建立的多源响应图g(x,e)，将这个多源响应图进行空间位置信息的特征提取，得到聚合邻接矩阵ak[i,j]特征的节点特征矩阵y。采用一个空间卷积块来对这些不同位置上的传感器的响应数据做空间位置信息的特征提取，空间卷积块表达式如下：

13、

14、其中，是归一化图拉普拉斯矩阵in是单位矩阵，d是dii＝∑j∑kak[i,j]的对角矩阵，dii表示节点i的度矩阵，λ是l的特征值对角矩阵，θ为网络中可学习的空间卷积核的参数,relu为激活函数。通过上式的计算来寻找传感器在空间位置上的特征依赖，得到新的节点特征矩阵y。

15、步骤s23，根据计算出来的含有邻居信息的节点特征矩阵y＝{yi}，通过计算节点间的归一化距离信息更新节点之间连接的边的属性，记为边缘特征矩阵eij，计算公式如下：

16、

17、其中，ni表示节点i聚合了所有邻居信息节点的集合，k表示节点i的所有邻居节点，d(i,j)表示两个节点之间的更新的标准化距离，根据卷积后的节点距离来计算节点之间的边信息，更有效地表示传感器的空间位置关系，方便后续的注意力融合。

18、进一步的，对于步骤s3，有以下具体实现：

19、由于单个传感器中的响应数据具有时序信息，引入transformer模型的编码器来进行处理。通过transformer模型的编码器将响应数据的时序信息进行处理，利用解码器结构来将时序信息以及空间位置信息进行融合，达到本发明的目的。transformer模型的输入为传感器采集到的响应数据以及每条响应数据对应的故障值，通过建立历史响应数据中传感器响应数据与故障值之间的映射关系，达到预测故障值的目的。解码器依靠注意力机制融合边缘特征矩阵后将电流和电压这两种类型的数据进行拼接。之后再送入前馈神经网络。最终transformer模块输出编码结果s＝{s1...sn}。具体操作为：

20、步骤s31，获取步骤s1和s2处理之后的数据集，包括由各个传感器响应数据组成的特征矩阵x＝{x1,x2,...xn}以及表示空间位置信息的边缘特征矩阵eij，其中xi表示电流数据或者电压数据两种可能的类型。针对数据的空间位置信息的处理，为了方便后续将空间位置信息融合至时序数据里面，把节点i和j之间的边缘特征矩阵eij进行线性映射，将其投影到与特征矩阵x维度相同的边缘信息矩阵εij。表达式如下：

21、εij＝beij+b   (3)

22、其中，b和b为可学习的输入线性映射层的参数。

23、步骤s32，将特征矩阵x＝{x1,x2...xn}作为编码器的输入矩阵，输入至transformer模型来计算相同位置序列的时序响应数据之间的影响关系。针对同一传感器的响应数据xi，输入到transformer模型的编码器中，经过编码器来计算出解码器键矩阵yk以及值矩阵yv。编码器和解码器的结构都是由多个相同的编码层组成，每层编码层都是由自注意力机制和前馈神经网络所组成，编码器中的第一层编码层输入为原始输入，后面每一层都是以前一层的输出作为输入。同时，解码器的一部分输入也是x，另一部分输入则是上一层编码层的输出，通过掩蔽多头注意机制计算出查询矩阵yq，这三个矩阵主要包含的是相应数据的时序信息。计算过程如下：

24、yq＝enqx,yk＝enkx,yv＝wvx   (4)

25、其中，enq,enk为编码层训练过程，wv为预先训练好的权重矩阵。

26、步骤s33，利用transformer模型的解码器部分进行计算时，解码器的部分输入是特征矩阵x，将其输入掩蔽多头注意力机制，掩蔽多头注意力保留了自回归属性，确保预测结果仅依赖于已预测的数据，通过计算可以得到上述的查询矩阵yq。利用计算好的三个矩阵以及步骤s31得到的边缘信息矩阵εij，计算响应数据的时序以及空间位置的融合注意力分数，具体操作如下：

27、步骤s331，根据上述训练好的查询矩阵yq、键矩阵yk、值矩阵yv，将动态边缘注意力weεij添加到局部注意力分数中，将其输入放缩点积注意力模块中，得到自注意力矩阵。具体公式为：

28、

29、其中，dk是k的维度,we为模型中可训练的动态边缘权重矩阵，用于描述不同特征之间的相关性。采用尺度化以避免点积过大造成softmax梯度过低。

30、步骤s332,由于输入数据是由电压和电流两种不同类型的数据组成的特征向量，故在进行注意力拼接时，考虑引入转换系数矩阵λ将两种类型的数据进行统一拼接，以此来得到多头注意力的输出。根据公式(5)分别计算电流数据和电压数据的注意力系数之后在多头注意力的拼接中完成统一拼接，具体公式如下：

31、

32、其中，||表示拼接，λi,λu分别是模型中训练得到的电流以及电压进行统一拼接时的转换系数矩阵，⊙表示按元素计算的乘积，i＝1,...p表示注意力的头数，j＝1,...n表示传感器的编号。多组dk维空间内的注意力分布采用||拼接注意力层输出，也就是结合了设备响应数据中电流和电压在时序上以及空间上的影响系数对响应数据的更新。

33、步骤s34，将步骤s33得到的矩阵输入到前馈神经网络，经过参数训练后的前馈神经网络模型输出的结果通过残差连接与层归一化后得到每条响应数据对应的该设备的故障状态，计算公式如下：

34、

35、其中，为注意力层经过残差归一化后的输出向量，w1,w2为线性变换的权重矩阵，b1,b2为偏置参数。故障信息采用one-hot编码，表示为si＝(0,1)或si'＝(1,0)，其中si表示设备故障，si'表示设备未故障。

36、进一步的，对于步骤s4，具体实现如下：

37、将步骤s3得到的故障状态向量s＝{s1...sn}，使用softmax分类器将设备的故障状态进行分类，输出设备在电磁场的激励作用下会产生故障的概率，公式如下：

38、p(z＝j|x)＝softmax(s)   (8)

39、其中，x表示模型的输入数据，j表示故障数据，z表示预测数据。

40、由上式所得概率初步鉴定设备的安全等级，以此来评估设备的干扰敏感度。

41、本发明的有益效果在于：

42、1.本发明采取了结合图网络的改进transformer模型来对电磁激励下设备的响应数据进行处理，相比于传统方法，本发明无论是在需求方面还是准确度方面都有明显的优越性。

43、2.本发明提出了考虑多路响应特征耦合的一种对设备电磁敏感度进行评估的方法。在transformer模型的基础上引入了图网络来对数据进行预处理，通过图的特性来构建出各传感器在不同空间位置上的隐含的作用关系，更有利于挖掘设备内部再点电磁激励的作用下各部位之间的影响关系。

44、3.本发明的transformer模型中的注意力机制，通过引入边缘注意力，更好的利用了图网络的引进，对比单纯的图注意力网络有更全面的考虑。对于结构不同输入特征维度和不同位置传感器的注意力分布，更加准确的验证了电磁激励下设备的多路响应和设备电磁敏感度之间的映射关系。实现了对多路响应数据在时间和空间上相互依赖的捕获。

45、4.本发明在引用transformer模型时，着重利用该模型内部的注意力机制，通过将多头注意力拼接的方式稍作修改，可以使其更加方便于电磁设备的应用，根据设备再不同位置所能测量到的数据类型不同，可以在不需要测量设备特性的前提下来使用传感器中的不同数据类型的响应数据，使其更加通用并且准确。实现了多种数据类型的直接拼接。