[发明专利]基于迁移学习的飞机辅助动力装置寿命预测方法

权利要求书

1.基于迁移学习的飞机辅助动力装置寿命预测方法，其特征在于，所述方法包括以下步骤：

步骤一、采集飞机辅助动力装置的试车测试仿真数据，作为源域数据；

采集任意一个飞机辅助动力装置的在翼监测数据，作为目标域数据，并将该目标域数据分为训练集和测试集；

步骤二、采用源域数据训练高斯过程回归预测模型，从源域数据中学习到特征提取的方法，从而得到含有特征提取方法的高斯过程回归预测模型；

步骤三、采用直推式迁移学习方法，使用训练集对步骤二中的含有特征提取方法的高斯过程回归预测模型进行训练，得到训练好的基于迁移学习的高斯过程回归预测模型；

步骤四、采用训练好的基于迁移学习高斯过程回归预测模型对测试集进行寿命预测，得到预测值，将该值作为飞机辅助动力装置的寿命预测结果；

所述方法还包括步骤五，

步骤五、根据预测值和测试集中在翼监测数据的标记值，获得均值误差和均方根误差，根据均值误差和均方根误差对飞机辅助动力装置的寿命预测结果进行评估，验证预测值的正确性；

采用源域数据D_S＝{(x_S1,y_S1),(x_S2,y_S2),…,(x_Sn,y_Sn)}训练高斯过程回归预测模型，从源域数据中学习到特征提取的方法，从而得到含有特征提取方法的高斯过程回归预测模型GP(0,K)，其中，(x_Sn,y_Sn)表示源域数据中第n个样例，x_Sn表示源域数据中第n个样本，y_Sn表示源域数据中第n个标记，n为正整数：

f(x)～GP(0,K) 公式1，

式中，K为协方差，

k(x_si,x_sj)代表x_si和x_sj的核函数，k(x_si,x_sj)表示为：

其中，σ_f为核函数的最大允许标准差，σ_n为n个样本对应的高斯白噪声的标准差、δ为克罗内克函数，为协方差函数的参数，q为样本的维度；协方差函数的参数、σ_f和σ_n组成超参数集合

根据共轭梯度公式：

获得似然公式p(y_s|x_s,θ)的最大值，从而获得σ_f、σ_n和式中，为偏导符号，x_s为源域样本，y_s为源域标记，

2.根据权利要求1所述基于迁移学习的飞机辅助动力装置寿命预测方法，其特征在于，

采用训练好的基于迁移学习高斯过程回归预测模型对测试集进行寿命预测，得到训练模型为：

式中，为测试集中第m次的预测值，m＝1,2,...,N，y_T为训练集中的标记值，K_*表示训练集和测试集的协方差，K_**为测试集的协方差，K_**＝k(x_*,x_*)，x_*为测试集中在翼监测数据的样本，K_*＝[k(x_*,x_T1)k(x_*,x_T2)…k(x_*,x_Tn)]，x_Tn为训练集中的样本，为K_*的转置，

将公式4变形为：

根据公式5获得预测值的分布，对分布取平均值作为预测值的估计值该估计值表示为：

将该估计值作为最终获得的预测值。

3.根据权利要求2所述基于迁移学习的飞机辅助动力装置寿命预测方法，其特征在于，均值误差EM为：

式中，N为预测步数，y为在测试集中在翼监测数据的标记。

4.根据权利要求3所述基于迁移学习的飞机辅助动力装置寿命预测方法，其特征在于，均方根误差RMSE为：