[发明专利]一种发动机寿命预测方法、存储介质及计算设备

说明书

本发明公开了一种发动机寿命预测方法、存储介质及计算设备，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程度小的特征；随机选取抽样样本集，在随机抽样样本集上随机选取特征子空间，在得到的随机抽样子空间上建立决策回归树，不同随机抽样子空间上的决策树得到对应特征组合下的寿命预测结果；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；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。本发明通过学习的方法集成不同随机抽样子空间上决策树的预测值，提高预测准确率和可靠性，为航空发动机的保养和故障预测提供依据。

技术领域

本发明属于航空涡扇发动机剩余寿命预测技术领域，具体涉及一种基于MLP集成随机抽样子空间决策树的发动机寿命预测方法、存储介质及计算设备。

背景技术

正确预测航空发动机剩余寿命是合理维护发动机和保证飞行器安全的重要手段。航空发动机相关的众多参数能体现发动机的工作状态和剩余寿命。目前随着智能化仪表和计算机存储技术的广泛应用，大量的参数数据可以得到有效地监测、收集和存储。基于收集的数据进行挖掘成为发动机剩余寿命预测的有效方式和手段之一。这种基于数据驱动的方法不需要分析故障状态和各参数之间的工作机理，也不依赖于专家的知识与经验，但需要充分挖掘数据隐藏的信息才能更好地预测发动机的剩余寿命。

目前，在发动机数据挖掘方法上主要有基于统计的方法、基于机器学习的方法或结合统计方法和机器学习的组合预测方法等。统计学方法主要侧重于分析属性之间的关系，基于此建立退化模型或从相似性角度出发计算发动机的剩余使用寿命。近年来随着机器学习方法在工业场景中的广泛应用，其也被越来越多地用来自动挖掘隐藏在发动机相关监测数据中的信息。

以往的研究工作应用一定的方法和技术手段实现对航空发动机剩余使用寿命的预测，促进了这一领域的研究进展，但用于数据分析和挖掘的属性的选取无特定的规律。有的方法采用与发动机相关的14个检测参数，还有的方法采用7个或8个参数。为了避免特征选择不恰当给预测带来的损失问题，有必要研究不同属性特征组合下的预测性能。随机子空间有利于探测不同特征组合，决策树方便在子空间上建立预测模型。为避免单一决策树可能带来的不够可靠和稳健的问题，同时为了考虑不同子空间上的预测结果，以多层感知器(Multi-Layer Perceptron，MLP)自学习集成子空间决策树的方式给出预测结果。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于MLP集成随机抽样子空间决策树的发动机寿命预测方法、存储介质及计算设备，以探讨多种特征组合下的发动机剩余寿命，以MLP自学习的方式集成多种特征组合下基于决策树的预测结果。

本发明采用以下技术方案：

一种发动机寿命预测方法，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，得到不同抽样子空间上对应的决策树，不同抽样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。

具体的，步骤S1具体为：