一种多阶段任务系统性能评估方法及装置与流程

本发明涉及计算机技术领域，特别是涉及一种多阶段任务系统性能评估方法及装置。

背景技术：

多阶段任务系统pms，是指整个系统具有多个任务阶段，各任务阶段执行不同任务的复杂系统。pms中同一组件的工作方式、环境条件、系统配置以及失效判据等会随着任务阶段的变化而改变。随着科学技术的发展，现代系统变得越来越复杂和智能化，pms在航空航天、舰船作战、防空武器、核电站和无线传感网络等军事及国民经济建设的各个方面发挥着越来越重要的作用。pms的性能不仅影响到复杂系统质量的优劣和经济效用，关乎设备的工作可靠性与使用者的操作安全性，甚至会造成巨大的人力和物力损失。

但是，由于pms中多阶段的任务需求，使得模型需要同时考虑跨阶段的依赖性及阶段内的差异性；并且，pms中各组件的复杂化及任务的多样化，需要大量的冗余设计。因此，很难对pms的性能进行快速地评估。

技术实现要素：

本发明实施例的目的在于提供一种多阶段任务系统性能评估方法及装置，以实现对多阶段任务系统的性能进行有效评估。具体技术方案如下：

本发明实施的一方面，提供了一种多阶段任务系统性能评估方法，所述方法包括以下步骤：

步骤1：基于pms系统的特点，实施稀疏型、密集型及graph型的特征数据表示，生成pms系统对应特征矩阵集

步骤2：依据pms系统的任务阶段需求及系统结构冗余性参量，对中的子图进行匹配，获得任务段子图特征集

步骤3：根据pms各性能测试点之间损伤演化路径不出现冲突的因果机理，对实施分割，生成因子图特征集

步骤4：将因子图特征集输入至固定深度多层感知器mlp，训练获取各中目标节点的状态将各中状态最差的子集作为目标评估子图

步骤5：基于各目标节点的状态及中各可测节点对目标节点的位置，生成注意力算子α，用以区分各可测节点对目标节点的重要性；

步骤6：将α输入至注意力attention网络，自适应获取的目标邻域特征集

步骤7：将目标邻域特征集输入至自适应gru网络，得到pms系统性能的评估结果。

可选的，所述一种多阶段任务系统性能评估方法的步骤1，包括：

根据待处理系统数据的分布特点，将输入特征数据整合成稀疏型、密集型及graph型三类；

根据各任务阶段的设备额定参数、冗余元件激活与否指标，将pms的运行划分为不同的处理单元，作为pms的段；

设定pms系统典型性能退化参量为目标节点以及可测参量为状态节点

基于系统的损伤机理、测试点敏感分析方法，获取由于损伤传播至的演化路径graph；

融合多阶段任务系统的稀疏型、密集型及graph型特征数据，生成用于表征pms系统性能的特征集

可选的，所述一种多阶段任务系统性能评估方法的步骤2，包括：

根据pms系统的各任务阶段标签、不同任务段中各子系统额定参数、冗余元件激活门限指标，根据不同的任务段标签来选择中对应的目标路径，获得任务段子图特征集

可选的，所述一种多阶段任务系统性能评估方法的步骤3，包括：

选择中任意可测状态节点作为起始点

按起始点edge的反向，以损伤演化路径不出现冲突的因果机理遍历直至到达中的其它任意可测状态节点或中的目标节点

保留各遍历路径，得到因子图特征集

可选的，所述一种多阶段任务系统性能评估方法的步骤4，包括：

将因子图特征集输入至固定深度多层感知器mlp，用于训练分布式评估中各目标节点的状态

寻找中的最小值，即各损伤参数累积量的最大值，匹配出各中状态最差的子集作为目标评估子图

可选的，所述一种多阶段任务系统性能评估方法的步骤5，包括：

读取各中目标节点的状态

依次计算中各可测节点对的距离l；

生成注意力算子α,用以区分各可测节点相对目标节点的重要性。

可选的，所述一种多阶段任务系统性能评估方法的步骤6，包括：

将特征集注意力算子α输入至attention网络；

模型在attention机制引导下，自适应获取的目标邻域特征集构成最小评估节点集合，进一步删减中的无用节点。

可选的，所述一种多阶段任务系统性能评估方法的步骤7，包括：

将目标邻域特征集输入至自适应gru网络；

基于gru的深度自适应网络，挖掘目标邻域特征集内部各节点的相关性，聚合至目标节点实现pms性能的精准评估。

本发明实施的又一方面，提供了一种多阶段任务系统性能评估装置，所述装置包括：

第一生成模块，用于基于pms系统的特点，实施稀疏型、密集型及graph型的特征数据表示，生成pms系统对应特征矩阵集

获得模块，用于依据pms系统的任务阶段需求及系统结构冗余性参量，对中的子图进行匹配，获得任务段子图特征集

第二生成模块，用于根据pms各性能测试点之间损伤演化路径不出现冲突的因果机理，对实施分割，生成因子图特征集

作为模块，用于将因子图特征集输入至固定深度多层感知器mlp，训练获取各中目标节点的状态将各中状态最差的子集作为目标评估子图

第三生成模块，用于基于各目标节点的状态及中各可测节点相对目标节点的位置，生成注意力算子α，用以区分各可测节点对目标节点的重要性；

获取模块，用于将α输入至注意力attention网络，自适应获取的目标邻域特征集

得到模块，用于将目标邻域特征集输入至自适应gru网络，得到pms系统性能的评估结果。

可选的，所述第一生成模块，用于：

根据待处理系统数据的分布特点，将输入特征数据整合成稀疏型、密集型及graph型三类；

根据各任务阶段的设备额定参数、冗余元件激活与否指标，将pms的运行划分为不同的处理单元，作为pms的段；

设定pms系统典型性能退化参量为目标节点以及可测参量为状态节点

基于系统的损伤机理、测试点敏感分析方法，获取由于损伤传播至的演化路径graph；

融合多阶段任务系统的稀疏型、密集型及graph型特征数据，生成用于表征pms系统性能的特征集

可选的，所述获得模块，用于

根据pms系统的各任务阶段标签、不同任务段中各子系统额定参数、冗余元件激活门限指标，根据不同的任务段标签来选择中对应的目标路径，获得任务段子图特征集

可选的，所述第二生成模块，用于

选择中任意可测状态节点作为起始点

按起始点edge的反向，以损伤演化路径不出现冲突的因果机理遍历直至到达中的其它任意可测状态节点或中的目标节点

保留各遍历路径，得到因子图特征集

可选的，所述作为模块，用于

将因子图特征集输入至固定深度多层感知器mlp，用于训练分布式评估中各目标节点的状态

寻找中的最小值，即各损伤参数累积量的最大值，匹配出各中状态最差的子集作为目标评估子图

可选的，所述第三生成模块，用于

读取各中目标节点的状态

依次计算中各可测节点对的距离l；

生成注意力算子α,用以区分各可测节点相对目标节点的重要性。

可选的，所述获取模块，用于

将特征集注意力算子α输入至attention网络；

模型在attention机制引导下，自适应获取的目标邻域特征集构成最小评估节点集合，进一步删减中的无用节点。

可选的，所述得到模块，用于

将目标邻域特征集输入至自适应gru网络；

基于gru的深度自适应网络，挖掘目标邻域特征集内部各节点的相关性，聚合至目标节点实现pms性能的精准评估。

本发明实施的又一方面，还提供了一种多阶段任务系统性能评估设备，包括处理器、通信接口、存储器和通信总线，其中，所述处理器，所述通信接口，所述存储器通过所述通信总线完成相互间的通信；

所述存储器，用于存放计算机程序；

所述处理器，用于执行所述存储器上所存放的程序时，实现上述任一所述的多阶段任务系统性能评估方法。

本发明实施例提供的多阶段任务系统性能评估方法及装置，基于pms损伤演化机理的graph特征输入，实施数据融合的特征表示，根据pms的任务阶段需求及graph的因果机理，实施因子图分割；采用注意力机制自适应获取graph邻域；针对graph目标邻域，生成能够描述pms阶段相关性的自适应深度网络，挖掘最小评估子图的邻域信息，实现pms性能的评估。应用本发明实施例提供的方案，能够针对pms的行为和结构冗余特点，生成分布式框架中的评估子模块，实现快速缩减测试节点的数量，并增加对应深度学习模型的可解释性；特征图的拓扑结构能够随着graph网络的训练而更新，以实现邻域的自适应，从而对pms的性能进行精准评估。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种多阶段任务系统性能评估方法的流程示意图；

图2是本发明实施例提供的一种因子图分割过程示意图；

图3是本发明实施例提供的一种基于邻域自适应的最小评估子模块识别过程示意图；

图4是本发明实施例提供的一种多阶段任务系统性能评估装置的结构示意图；

图5是本发明实施例提供的一种多阶段任务系统性能评估设备的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参见图1，是本发明实施例提供的一种多阶段任务系统性能评估方法的流程示意图，该方法包括：

步骤1：基于pms系统的特点，实施稀疏型、密集型及graph型的特征数据表示，生成pms系统对应特征矩阵集

不同多阶段任务系统所对应的性能参量不同，比如，民航班机任务系统中，根据待处理系统数据的分布特点，将输入特征数据整合成稀疏型、密集型及graph型三类。

第一类为全局特征：包含稀疏特征，譬如任务识别号、阶段识别号、行为模式转换阈值、现场可更换单元lru更新、突发离散事件等；密集特征：包含各行为模式段所要求的参数包线、环境及负载状态变化等；第二类为graph特征：系统交联关系以及结构上的冗余设计等，可等效为空间信息。另外，pms各退化模式对应不同损伤传播路径，其性能节点之间固有的连通性，构成了天然的图结构，可以作为graph特征输入；第三类为局域特征：包含不同段内部各测试点、性能表征节点对应的时间序列等；

具体的，可以根据待处理系统数据的分布特点，将输入特征数据整合成稀疏型、密集型及graph型三类；

根据各任务阶段的设备额定参数、冗余元件激活与否指标，将pms的运行划分为不同的处理单元，作为pms的段；

设定pms系统典型性能退化参量为目标节点以及可测参量为状态节点

基于系统的损伤机理、测试点敏感分析方法，获取由于损伤传播至的演化路径graph；

融合多阶段任务系统的稀疏型、密集型及graph型特征数据，生成用于表征pms系统性能的特征集

步骤2：依据pms系统的任务阶段需求及系统结构冗余性参量，对中的子图进行匹配，获得任务段子图特征集

根据各任务阶段标签、不同任务段中各子系统额定参数、冗余元件激活门限等指标，对的冗余路径进行剔除，即根据不同的任务段签来选择中对应的目标路径，获得任务段子图特征集

步骤3：根据pms各性能测试点之间损伤演化路径不出现冲突的因果机理，对实施分割，生成因子图特征集

一种实现方式中，步骤3可以包括以下步骤b1-b6：

步骤b1、选择中任意可测状态节点为起始点

步骤b2、按起始点edge的反向，以损伤演化路径不出现冲突的因果机理遍历直至到达中的其它任意可测状态节点或中的目标节点

步骤b3、判断遍历到达中的其它任意可测状态节点或中的目标节点若到达，转步骤b4，否则转步骤b2；

步骤b4、保留节点历路径，生成对应子图；

步骤b5、判断中可测状态节点否全部遍历，若是，转步骤b6，否则转步骤b1；

步骤b6、各子图构成因子图集

具体的，使用因子图集匹配阶段任务，考虑损伤演化的路径冲突性，利用其反向传播的因果推理实现子图分割，以生成分布式框架中的评估子模块，有望快速缩减测试节点的数量，并增加对应深度学习模型的可解释性。

参见图2，是本发明实施例提供的一种子图分割过程示意图，整个过程中：

首先，综合系统结构及行为特征、失效机理、测试点敏感分析等方法，获取损伤演化路径传播路径为：path1及对应冗余路径path’1、path2及对应冗余路径path’2；其次，通过任务段及冗余分析，剔除的冗余路径为path’1、传播路径path2，得到任务段子图为再次，基于路径冲突规则对进行分割。例如节点流入路径分别为子图分割后生成的因子图集包含和

步骤4：将因子图特征集输入至固定深度多层感知器mlp，训练获取各中目标节点的状态将各中状态最差的子集作为目标评估子图

一种实现方式中，步骤4可以包括以下步骤c1-c2：

步骤c1、将因子图特征集输入至固定深度多层感知器mlp，用于训练分布式评估中各目标节点的性能状态

步骤c2、寻找中的最小值，即各损伤参数累积量的最大值，即匹配出各中状态最差的子集作为目标评估子图特征集

步骤5：基于各目标节点的状态及中各可测节点对目标节点的位置，生成注意力算子α，用以区分各可测节点对目标节点的重要性。

一种实现方式中，步骤5可以包括以下步骤d1-d3：

步骤d1、基于各目标节点的性能状态及中各可测节点对的位置，进行对比编码，生成状态权重w；

在实施中，可以利用以下表达式来根据节点状态&距离为各个节点分配权重：

其中，当si＝smin，即评估子模块mi的状态si为最差状态smin时，mi对应的状态权重wi为1，否则为0；lij＝1-nij/nimax为中各节点对目标节点的相对距离。nij表示从节点j到目标节点所需经过的节点数目，即二者之间的等效距离，这里称为距离数。nimax为最小评估子图mi中所能包含的最远距离数。

步骤d2、计算中各可测节点相对目标节点的距离l。

设相邻两个节点之间的距离均为1；以为起始点，沿着中边的正向遍历各节点；路径每增加一个节点的位置，则距离增加1，若同一节点的相对距离被赋值多次，应取其最小值；依次求出各可测节点相对的距离lij。

步骤d3、综合目标节点状态及对应各测试点位置的对比信息，实施归一化编码，生成注意力算子α。

步骤6：将α输入至注意力attention网络，自适应获取的目标邻域特征集

将特征集注意力算子α输入至attention网络，自适应获取的目标邻域特征集构成了最小评估节点集合，即进一步删减中的无用节点，动态获取最小目标子系统。这样的自我检测及修正机制，使得图的拓扑结构随着graph网络的训练而更新，能够自动地优化分布式评估结果，进一步缩减节点数目，降低pms性能评估的复杂度。

参见图3，是本发明实施例提供的一种基于邻域自适应的最小评估子模块识别过程示意图，整个过程中：

使用标号“ ”的数量表示该子图对目标节点的重要性。首先，以因子图集为输入，若评估子模块当前状态最差，则匹配其对应目标节点为当前目标节点，记为对应为当前的目标评估子图其次，对于中的节点1，其相对的距离数为1，记为①；对于节点2，由路径1获得距离数为2，记为②，由路径2获得距离数为⑤，故选最小值②；节点3的距离数为②……。依次类推，可计算以上节点的距离权重lij分别为0.75、0.5、0.5……，最终自适应的结果为最小评估子图

步骤7：将目标邻域特征集输入至自适应gru网络，得到pms系统性能的评估结果。

一种实现方式中，步骤7可以包括以下步骤e1-e2：

步骤e1、将目标邻域特征集输入至自适应gru网络；

步骤e2、基于gru的深度自适应网络，挖掘最小评估子图内部各节点的相关性，聚合至目标节点实现pms性能的精准评估。

参见图4，是本发明实施例提供的一种多阶段任务系统性能评估装置的结构示意图，该装置包括：

第一生成模块400，用于基于pms系统的特点，实施稀疏型、密集型及graph型的特征数据表示，生成pms系统对应特征矩阵集

获得模块410，用于依据pms系统的任务阶段需求及系统结构冗余性参量，对中的子图进行匹配，获得任务段子图特征集

第二生成模块420，用于根据pms各性能测试点之间损伤演化路径不出现冲突的因果机理，对实施分割，生成因子图特征集

作为模块430，用于将因子图特征集输入至固定深度多层感知器mlp，训练获取各中目标节点的状态将各中状态最差的子集作为目标评估子图

第三生成模块440，用于基于各目标节点的状态及中各可测节点对目标节点的位置，生成注意力算子α，用以区分各可测节点对目标节点的重要性；

获取模块450，用于将α输入至注意力attention网络，自适应获取的目标邻域特征集

得到模块460，用于将目标邻域特征集输入至自适应gru网络，得到pms系统性能的评估结果。

可选的，所述第一生成模块400，用于：

根据待处理系统数据的分布特点，将输入特征数据整合成稀疏型、密集型及graph型三类；

根据各任务阶段的设备额定参数、冗余元件激活与否指标，将pms的运行划分为不同的处理单元，作为pms的段；

设定pms系统典型性能退化参量为目标节点以及可测参量为状态节点

基于系统的损伤机理、测试点敏感分析方法，获取由于损伤传播至的演化路径graph；

融合多阶段任务系统的稀疏型、密集型及graph型特征数据，生成用于表征pms系统性能的特征集

可选的，所述获得模块410，用于

根据pms系统的各任务阶段标签、不同任务段中各子系统额定参数、冗余元件激活门限指标，根据不同的任务段标签来选择中对应的目标路径，获得任务段子图特征集

可选的，所述第二生成模块，用于

选择中任意可测状态节点作为起始点

按起始点edge的反向，以损伤演化路径不出现冲突的因果机理遍历直至到达中的其它任意可测状态节点或中的目标节点

保留各遍历路径，得到因子图特征集

可选的，所述作为模块，用于

将因子图特征集输入至固定深度多层感知器mlp，用于训练分布式评估中各目标节点的状态

寻找中的最小值，即各损伤参数累积量的最大值，匹配出各中状态最差的子集作为目标评估子图

可选的，所述第三生成模块，用于

读取各中目标节点的状态

依次计算中各可测节点对的距离l；

生成注意力算子α,用以区分各可测节点相对目标节点的重要性。

可选的，所述获取模块，用于

将特征集注意力算子α输入至attention网络；

模型在attention机制引导下，自适应获取的目标邻域特征集构成最小评估节点集合，进一步删减中的无用节点。

可选的，所述得到模块，用于

将目标邻域特征集输入至自适应gru网络；

基于gru的深度自适应网络，挖掘目标邻域特征集内部各节点的相关性，聚合至目标节点实现pms性能的精准评估。

本发明实施例提供的方案，基于pms损伤演化机理的graph特征输入，实施多态数据融合的特征表示，根据pms的任务阶段需求及graph的因果机理，实施因子图分割；采用注意力机制自适应获取graph邻域；针对graph目标邻域，生成能够描述pms阶段相关性的自适应深度网络，挖掘最小评估子图的邻域信息，实现pms性能的评估。应用本发明实施例提供的方案，能够针对pms的行为和结构冗余特点，生成分布式框架中的评估子模块，实现快速缩减测试节点的数量，并增加对应深度学习模型的可解释性；特征图的拓扑结构能够随着graph网络的训练而更新，以实现邻域的自适应，从而对pms的性能进行快速评估。

本发明实施例还提供了一种多阶段任务系统性能评估设备，如图5所示，包括处理器001、通信接口002、存储器003和通信总线004，其中，处理器001，通信接口002，存储器003通过通信总线004完成相互间的通信，

存储器003，用于存放计算机程序；

处理器001，用于执行存储器003上所存放的程序时，实现如下步骤：

步骤1：基于pms系统的特点，实施稀疏型、密集型及graph型的特征数据表示，生成pms系统对应特征矩阵集

步骤2：依据pms系统的任务阶段需求及系统结构冗余性参量，对中的子图进行匹配，获得任务段子图特征集

步骤3：根据pms各性能测试点之间损伤演化路径不出现冲突的因果机理，对实施分割，生成因子图特征集

步骤4：将因子图特征集输入至固定深度多层感知器mlp，训练获取各中目标节点的状态将各中状态最差的子集作为目标评估子图

步骤5：基于各目标节点的状态及中各可测节点对目标节点的位置，生成注意力算子α，用以区分各可测节点对目标节点的重要性；

步骤6：将α输入至注意力attention网络，自适应获取的目标邻域特征集

步骤7：将目标邻域特征集输入至自适应gru网络，得到pms系统性能的评估结果。

本发明实施例提供的方案，基于pms损伤演化机理的graph特征输入，实施多态数据融合的特征表示，根据pms的任务阶段需求及graph的因果机理，实施因子图分割；采用注意力机制自适应获取graph邻域；针对graph目标邻域，生成能够描述pms阶段相关性的自适应深度网络，挖掘最小评估子图的邻域信息，实现pms性能的评估。应用本发明实施例提供的方案，能够针对pms的行为和结构冗余特点，生成分布式框架中的评估子模块，实现快速缩减测试节点的数量，并增加对应深度学习模型的可解释性；特征图的拓扑结构能够随着graph网络的训练而更新，以实现邻域的自适应，从而对pms的性能进行快速评估。

上述电子设备提到的通信总线可以是外设部件互连标准(peripheralcomponentinterconnect，pci)总线或扩展工业标准结构(extendedindustrystandardarchitecture，eisa)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

通信接口用于上述电子设备与其他设备之间的通信。

存储器可以包括随机存取存储器(randomaccessmemory，ram)，也可以包括非易失性存储器(non-volatilememory，nvm)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。

上述的处理器可以是通用处理器，包括中央处理器(centralprocessingunit，cpu)、网络处理器(networkprocessor，np)等；还可以是数字信号处理器(digitalsignalprocessing，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现场可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘solidstatedisk(ssd))等。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

技术特征：

1.一种多阶段任务系统性能评估方法，其特征在于，所述方法包括以下步骤：

步骤1：基于pms系统的特点，实施稀疏型、密集型及graph型的特征数据表示，生成pms系统对应特征矩阵集

步骤2：依据pms系统的任务阶段需求及系统结构冗余性参量，对中的子图进行匹配，获得任务段子图特征集

步骤3：根据pms各性能测试点之间损伤演化路径不出现冲突的因果机理，对实施分割，生成因子图特征集

步骤4：将因子图特征集输入至固定深度多层感知器mlp，训练获取各中目标节点的状态将各中状态最差的子集作为目标评估子图

步骤5：基于各目标节点的状态及中各可测节点相对目标节点的位置，生成注意力算子α，用以区分各可测节点相对目标节点的重要性；

步骤6：将α输入至注意力attention网络，自适应获取的目标邻域特征集

步骤7：将目标邻域特征集输入至自适应gru网络，得到pms系统性能的评估结果。

2.如权利要求1所述的一种多阶段任务系统性能评估方法，其特征在于，在步骤1中包括：

根据待处理系统数据的分布特点，将输入特征数据整合成稀疏型、密集型及graph型三类；

根据各任务阶段的设备额定参数、冗余元件激活与否指标，将pms的运行划分为不同的处理单元，作为pms的段；

设定pms系统典型性能退化参量为目标节点以及可测参量为状态节点

基于系统的损伤机理、测试点敏感分析方法，获取由于损伤传播至的演化路径graph；

融合多阶段任务系统的稀疏型、密集型及graph型特征数据，生成用于表征pms系统性能的特征集

3.如权利要求1所述的一种多阶段任务系统性能评估方法，其特征在于，在步骤2中包括：

根据pms系统的各任务阶段标签、不同任务段中各子系统额定参数、冗余元件激活门限指标，不同的任务段标签来选择中对应的目标路径，获得任务段子图特征集

4.如权利要求1所述的一种多阶段任务系统性能评估方法，其特征在于，在步骤3中包括：

选择中任意可测状态节点作为起始点

按起始点边edge的反向，以损伤演化路径不出现冲突的因果机理遍历直至到达中的其它任意可测状态节点或中的目标节点

保留各遍历路径，得到因子图特征集

5.如权利要求1所述的一种多阶段任务系统性能评估方法，其特征在于，在步骤4中包括：

将因子图特征集输入至固定深度多层感知器mlp，用于训练分布式评估各中目标节点的状态

寻找中的最小值，匹配出各中状态最差的子集，作为目标评估子图

6.如权利要求1所述的一种多阶段任务系统性能评估方法，其特征在于，在步骤5中包括：

读取各中目标节点的状态

依次计算中各可测节点相对的距离l；

生成注意力算子α,用以区分各可测节点相对目标节点的重要性。

7.如权利要求1所述的一种多阶段任务系统性能评估方法，其特征在于，在步骤6中包括：

将特征集注意力算子α输入至attention网络；

模型在attention机制引导下，自适应获取的目标邻域特征集构成最小评估节点集合，进一步删减中的无用节点。

8.如权利要求1所述的一种多阶段任务系统性能评估方法，其特征在于，在步骤7中包括：

将目标邻域特征集输入至自适应gru网络；

基于gru的深度自适应网络，挖掘目标邻域特征集内部各节点的相关性，聚合至目标节点实现pms性能的精准评估。

9.一种多阶段任务系统性能评估装置，其特征在于，所述装置包括：

第一生成模块，用于基于pms系统的特点，实施稀疏型、密集型及graph型的特征数据表示，生成pms系统对应特征矩阵集

获得模块，用于依据pms系统的任务阶段需求及系统结构冗余性参量，对中的子图进行匹配，获得任务段子图特征集

第二生成模块，用于根据pms各性能测试点之间损伤演化路径不出现冲突的因果机理，对实施分割，生成因子图特征集

作为模块，用于将因子图特征集输入至固定深度多层感知器mlp，训练获取各中目标节点的状态将各中状态最差的子集作为目标评估子图

第三生成模块，用于基于各目标节点的状态及中各可测节点相对目标节点的位置，生成注意力算子α，用以区分各可测节点相对目标节点的重要性；

获取模块，用于将α输入至注意力attention网络，自适应获取的目标邻域特征集

得到模块，用于将目标邻域特征集输入至自适应gru网络，得到pms系统性能的评估结果。

10.一种多阶段任务系统性能评估设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，所述处理器，所述通信接口，所述存储器通过所述通信总线完成相互间的通信；

所述存储器，用于存放计算机程序；

所述处理器，用于执行所述存储器上所存放的程序，实现权利要求1-8任一所述的方法步骤。

技术总结
本发明实施例提供了一种多阶段任务系统PMS的性能评估方法，包括：在深度学习特征表示的基础上，基于PMS损伤演化机理的Graph特征输入，对其多态特征数据进行融合；根据PMS的任务阶段需求及Graph的因果机理，实施因子图分割，以获取合适的分布式评估框架；基于状态&位置对比编码的注意力算子设计，自适应获取分布式评估中的最小Graph邻域模块；对目标邻域进一步聚焦，生成能够描述PMS阶段相关性的门控循环单元GRU自适应深度网络，挖掘最小评估子图的邻域信息。应用本发明实施例提供的方案，有望增加对应深度学习模块的可解释性，大幅降低评估算法复杂度，提高模型泛化能力，从而对PMS的性能进行精准评估。

技术研发人员：李文娟;刘海强;龚文熔
受保护的技术使用者：西安科技大学
技术研发日：2020.01.18
技术公布日：2020.06.09