[發(fā)明專利]一種針對(duì)航空發(fā)動(dòng)機(jī)高壓轉(zhuǎn)子故障診斷的集成學(xué)習(xí)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010586544.6
• 申請(qǐng)日: 2020-06-24
• 公開(kāi)（公告）號(hào): CN111737918B
• 公開(kāi)（公告）日: 2022-09-27
• 發(fā)明（設(shè)計(jì)）人: 張碩;李隆齊;王晨;孫希明;周鶴洋
• 申請(qǐng)（專利權(quán)）人: 大連理工大學(xué)
• 主分類號(hào): G06F30/27
• 分類號(hào): G06F30/27;G06K9/62;G06N20/20
• 代理公司: 大連理工大學(xué)專利中心 21200
• 代理人: 溫福雪;侯明遠(yuǎn)

1.一種針對(duì)航空發(fā)動(dòng)機(jī)高壓轉(zhuǎn)子故障診斷的集成學(xué)習(xí)方法，該方法用于預(yù)測(cè)航空發(fā)動(dòng)機(jī)在未來(lái)飛行時(shí)間中是否會(huì)發(fā)生高壓轉(zhuǎn)子故障問(wèn)題；首先，利用隨機(jī)森林中的基尼系數(shù)公式求出各類數(shù)據(jù)特征的權(quán)重；然后，利用特征選擇方法挑選出各類數(shù)據(jù)中重要程度較高的特征；最后，采用三種集成學(xué)習(xí)方法來(lái)進(jìn)行航空發(fā)動(dòng)機(jī)故障診斷模型的構(gòu)建；最后，對(duì)比三種方法的實(shí)際診斷效果，選取故障診斷率高的模型用于故障診斷工作；

其特征在于，具體步驟如下：

步驟1：針對(duì)航空發(fā)動(dòng)機(jī)高壓轉(zhuǎn)子故障數(shù)據(jù)，利用隨機(jī)森林中的基尼系數(shù)方法求出各類數(shù)據(jù)特征的權(quán)重；

隨機(jī)森林基尼系數(shù)模型如下：

其中GI_m是節(jié)點(diǎn)m的基尼系數(shù)，Σ代表求和符號(hào)，c為類別總數(shù)，p_mk表示節(jié)點(diǎn)m中類別k所占的比例，為特征X_j在節(jié)點(diǎn)m的重要性，GI_l和GI_r分別代表分枝后兩個(gè)新節(jié)點(diǎn)的基尼系數(shù)，為特征X_j在第i棵樹(shù)的重要性，M為第i棵樹(shù)中利用特征X_j分枝的節(jié)點(diǎn)集合，為特征X_j在整個(gè)隨機(jī)森林的重要性，n為隨機(jī)森林包含的樹(shù)木棵樹(shù)，VIM_j為特征X_j的權(quán)重；

步驟2：設(shè)計(jì)一種基于權(quán)重的特征選擇方法進(jìn)行特征抽?。?/p>

(1)構(gòu)造特征子集；

(2)對(duì)所構(gòu)造的子集進(jìn)行評(píng)價(jià)；

(3)確定停止查找的條件；

(4)對(duì)得到的最優(yōu)或次優(yōu)子集進(jìn)行評(píng)估；

利用該方法對(duì)挑選出步驟1中公式(2)挑選出的特征進(jìn)行進(jìn)一步的提取，利用分類器的預(yù)測(cè)精度作為評(píng)價(jià)依據(jù)，舍棄重要程度低的特征，保留重要程度高的特征，最終將選取出重要程度高的特征用于進(jìn)一步故障診斷模型構(gòu)建；

步驟3：針對(duì)步驟2中挑選的重要程度較高的特征，采用三種boosting集成學(xué)習(xí)方法進(jìn)行構(gòu)建故障診斷模型并進(jìn)行分析對(duì)比；

(1)Adaboost；

(2)Gbdt；

(3)Xgboost；

步驟如下：

對(duì)于包含n個(gè)樣本和M維特征的訓(xùn)練樣本集，D＝{(x_i,y_i)},i＝1,2,…,N,x_i∈R^M,y_i∈R,xgboost算法的最終預(yù)測(cè)值由多個(gè)分類回歸決策樹(shù)函數(shù)相加所構(gòu)成的集成模型計(jì)算構(gòu)成，表示為：

其中，K為決策樹(shù)數(shù)量；f_k(x_i)為第k棵CART對(duì)數(shù)據(jù)集中第i個(gè)樣本的計(jì)算分值；F為所有cart函數(shù)構(gòu)成的函數(shù)空間；

相較于gbdt，xgboost集成模型學(xué)習(xí)目標(biāo)函數(shù)考慮損失函數(shù)和正則項(xiàng)兩部分，正則項(xiàng)用于控制模型的復(fù)雜度，避免模型過(guò)度擬合，其表達(dá)式為：

式中：T和ω分別表示樹(shù)f_k中葉子結(jié)點(diǎn)的數(shù)量和葉子權(quán)重；γ和λ為正則項(xiàng)系數(shù)；

記為第t次迭代時(shí)第i個(gè)樣本實(shí)例的預(yù)測(cè)值，新添加CART決策樹(shù)f_t使得目標(biāo)函數(shù)進(jìn)一步減小，將目標(biāo)函數(shù)展開(kāi)成二階泰勒函數(shù)的形式，并移除常數(shù)項(xiàng)，將其表示為：

式中：和是關(guān)于損失函數(shù)的一階和二階導(dǎo)數(shù)。