[发明专利]机理数据双驱动结合的性能劣化故障根因定位方法

权利要求书

1.机理数据双驱动结合的性能劣化故障根因定位方法，其特征在于，该方法从可解释性需求、标签数据有限的情况出发，将性能劣化故障根因定位方法分解为两个步骤：

基于图神经网络的因果关系学习模块，考虑变量的物理性质和变量之间的理论物理关系，从异构角度建立因果关系学习模型，学习变量之间的影响关系，即因果关系；

基于介入指标和分布指标的因果推理模块，研究操纵特定变量值对其他特定变量的影响，从而推断不同样例中变量值对性能下降现象的影响程度，进而推断故障的根因集合及对应概率；

因果推理模块将因果关系学习模块的训练模型作为因素间因果关系表示的先验知识指导，计算指标介入后期望样本的偏差情况作为介入指标，再统计满足期望性能的历史样本的因素分布，计算性能劣化样本的分布异常情况作为分布指标，综合介入指标以及分布指标进行最终故障根本原因的推理。

2.根据权利要求1所述的机理数据双驱动结合的性能劣化故障根因定位方法，其特征在于，已知因果关系图，考虑变量之间的理论物理关系，设计基于泛化图神经网络的因果关系学习模型，构建变量之间因果关系的表示，具体包括以下步骤：

1)因果关系图解耦：

结合变量的物理性质、变量之间的理论物理关系以及数据严重缺失情况，将因果关系图分层进行解耦训练；

2)各分层关系学习模型解耦设计和训练：

结合专家知识和理论物理关系，将神经网络模块特点与关系特点进行对应选取，使用LSTM和全连接层基础神经网络单元以及残差连接、Attention机制神经网络模块进行基础关系的搭建，并对实际情况中可能出现的偏差情况进行相应改进。

3.根据权利要求2所述的机理数据双驱动结合的性能劣化故障根因定位方法，其特征在于，变量之间因果关系存在阈值判定类分段非线性关系时，采用全连接层和ReLU激活函数进行模型搭建，具体数学表示如下：

x′＝max(0，xW₂^T+b₂)。

4.根据权利要求2所述的机理数据双驱动结合的性能劣化故障根因定位方法，其特征在于，变量之间因果关系需要考虑空间结构并且存在相互影响关系时，采用Transformer模型中的Attention模块加权更新统一表示，公式表示如下：

y＝Attention(x₀，x₁，…，x_n)。

5.根据权利要求2所述的机理数据双驱动结合的性能劣化故障根因定位方法，其特征在于，变量之间因果关系为反馈关系时，设计全连接层将输出作为反馈变量，对受反馈的变量进行拼接和变量表示学习处理，即当变量x和变量y之间存在反馈关系，变量y由变量x生成，那么变量y的反馈变量y_up表示为：

y_up＝f_up(y)

x′＝f_b([x；y_up])

其中，f_up为线性模型，并且不同变量的反馈计算模型参数共享；f_b为常见的全连接层叠加激活函数层的形式。

6.根据权利要求2所述的机理数据双驱动结合的性能劣化故障根因定位方法，其特征在于，在变量之间的因果关系模糊时，采用集成学习方法，引入通用的神经网络模型，包括LSTM、Transformer和MLP，学习因果关系在理论之外的偏差部分，提升关系学习的准确率。