[发明专利]一种发动机寿命预测方法、存储介质及计算设备

权利要求书

1.一种发动机寿命预测方法，其特征在于，包括以下步骤：

S1、依据特征之间的相关程度去除发动机状态数据中信息冗余的特征，同时根据特征与预测目标之间的相关性去除与预测目标相关系数绝对值小于0.15的特征；

S2、随机选取抽样特征子空间，以抽样特征子空间中的特征属性为节点，以最小化均方误差为依据选择最优分裂节点，通过迭代分裂节点构建决策回归树，得到不同抽样特征子空间上对应的决策树，不同抽样特征子空间上的决策树得到对应特征组合下的寿命预测结果；

S3、构建MLP模型结构和损失函数，通过Adam算法学习得到MLP模型参数；

S4、基于训练好的MLP模型集成多棵决策树的预测结果，得到发动机的剩余使用寿命。

2.根据权利要求1所述的方法，其特征在于，步骤S1具体为：

S101、设有m个样本，每个样本有N维特征，第i个特征表示为F_i，第k个样本表示为x_k＝[x_k1,x_k2,...,x_kN]^T，计算每两个特征之间以及每个特征和预测目标之间的Pearson相关系数；

S102、通过Pearson相关系数判断特征之间以及特征和预测目标之间的相关程度，根据相关系数进行特征选择。

3.根据权利要求2所述的方法，其特征在于，步骤S102具体为：

S1021、任意两个特征之间的Pearson相关系数大于0.95时，去掉其中一个特征；

S1022、任意一个特征和剩余寿命目标间相关系数的绝对值小于0.15时，去掉对应特征；

S1023、经过步骤S1021和S1022处理后剩余的特征作为特征选择结果。

4.根据权利要求1所述的方法，其特征在于，步骤S2具体为：

S201、使用Bootstrap随机抽样的方法重复n次得到n个抽样样本集；在每个抽样样本集上随机选择特征得到随机抽样子空间；

S202、在每个随机抽样子空间样本集sub_new_train_data[i]上构建一颗决策树，n个随机抽样子空间样本集共构建n棵决策树；

S203、决策树相关参数寻优。

5.根据权利要求4所述的方法，其特征在于，步骤S202具体为：

S2021、对每个随机抽样子空间样本集sub_new_train_data[i]，选择一个最优特征值进行节点分裂；最优分裂点的选取以最小化均方误差MSE为准则，均方误差MSE是真实值与预测值的差值的平方然后求和平均，计算如下：

其中，l为随机抽样子空间样本数，y_i为第i个样本对应的真实输出，为第i个样本对应的决策树的输出估计值；

S2022、在步骤S2021节点分裂的基础上得到的子节点上分别再选最优特征值进行下次分裂，重复分裂过程直到树的最大深度数max_depth达到给定的阈值。

6.根据权利要求4所述的方法，其特征在于，步骤S203具体为：

S2031、设定子空间最大特征数目可搜索范围为1到最大特征数目，随机抽样子空间的个数可搜索范围为50～200，决策树的最大深度数可搜索范围为1～10；

S2032、在每个可搜索特征数目上、每个可搜索随机抽样子空间的个数上和每个可搜索最大深度数上，采用网格搜索法搜索每一组参数下，对应的决策树在训练集上的均方误差MSE；

S2033、选择最小的均方误差MSE对应的特征数目为随机子空间的最大特征数、对应的子空间个数为随机抽样子空间的数目n、对应的深度数作为决策树的最大深度数max_depth。