[發明專利]基于類特定重定向極限學習機學習算法的航空發動機故障診斷方法

在審

• 申請號: 202010142315.5
• 申請日: 2020-03-04
• 公開（公告）號: CN111368370A
• 公開（公告）日: 2020-07-03
• 發明（設計）人: 趙永平;宋房全;李兵;吳奐;談建峰
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G06F30/15
• 分類號: G06F30/15;G06N20/00
• 代理公司: 南京瑞弘專利商標事務所(普通合伙) 32249
• 代理人: 秦秋星

本發明提供一種基于類特定重定向極限學習機學習算法的航空發動機故障診斷方法，對正常類樣本和故障類樣本分別添加不同的正則化參數C⁺和C^?以保持分類邊界位于理想位置，并采用ε?dragging的思想，使用兩種不同的重定向策略對目標矢量進行修改，使不同標簽之間的間隔盡可能的大，從而建立分類效果優良的分類器。本發明在類不平衡學習問題中，對正常類和故障類樣本引入兩個不同的正則化參數改善重定向極限學習機的性能；并使用兩種不同的重定向策略，使性能指標G?mean優秀，提升了算法分類效果，相比于WELM算法和CS?ELM算法在故障診斷中有著更好的性能。

技術領域

本發明針對航空發動機故障診斷，用極限學習機(Extreme Learning Machine)改進算法解決正常類和故障類樣本的類不平衡問題并用于航空發動機故障診斷。

背景技術

近年來，分布不平衡的原始數據幾乎在所有生活情景下都存在著，如生物醫學中的應用、網絡入侵、欺詐檢測以及故障診斷，類別不平衡學習問題在機器學習領域一直備受關注。從被研究學者關注至今有十余年的時間，為應對類別不平衡學習問題，主要從兩方面考慮：第一，是從數據層的角度考慮，為使訓練樣本的分布重新達到平衡，通過對訓練樣本進行重采樣，使得訓練數據集的分布發生改變，主要方法有上采樣、下采樣以及混合采樣。第二，是從算法的層面考慮，主要是通過調整分類算法，而不改變訓練樣本數據集的分布，使得少數類樣本得到更多的關注，主要方法有單類學習、代價敏感以及集成學習等。

上采樣方法平衡數據集是通過某些方法增加少數類樣本來實現的。隨機上采樣(Random Oversampling，簡稱ROS)簡單地對少數類進行隨機復制，SMOTE(SyntheticMinority Oversampling Technique，簡稱SMOTE)方法，通過在少數類樣本的鄰域空間中選取鄰近的樣本增加樣本數目，采樣后的訓練集在一定程度上和原始訓練集的分布相似。Borderline-SMOTE算法在少數類邊界區域使用SMOTE算法而不是在全部少數類上，比SMOTE算法有著更好地性能。下采樣平衡數據集是通過某些方法減少多數類樣本來實現的。隨機下采樣(Random Under-sampling，簡稱RUS)簡單地對多數類進行一定數量的隨機刪減，基于聚類的采樣方法(Sampling Based on Clustering，簡稱SBC)，利用聚類的方法對訓練數據集進行劃分，將多數類樣本和少數類樣本區分。代價敏感學習為不同類別的樣本賦予不同的錯分代價提升分類的性能，對少數類賦予更大的權重。N代價敏感支持向量機(CostSensitive Support Vector Machine)對正負類施加不同的正則化懲罰系數，不再追求最小錯誤率而是關注最小化代價，CS-SVM算法在不平衡學習上有著更好地分類性能。模糊支持向量機(Fuzzy Support Vector Machine)，通過模糊隸屬度函數為每個樣本確定隸屬度，從而提升超平面對少數類的泛化性。熵模糊支持向量機(Entropy-based FuzzySupport Vector Machine)根據熵確定每個樣本的隸屬度，相比FSVM分類性能有一定的改善。