[发明专利]基于混合机器学习的航空发动机剩余使用寿命预测模型

权利要求书

1.一种基于混合机器学习的航空发动机剩余使用寿命预测模型，其特征在于，步骤如下：

建立自组织映射网络与梯度提升回归树相结合的混合机器学习模型，以预测航空发动机的剩余使用寿命；SOM通过自动发现样本中的内在规律和基本属性来自组织并自适应地更改网络参数和结构；混合机器学习模型看作是SOM的修改版，保留标准训练过程后映射到神经元的数据点以构建GBRT；每个神经元都建立一个GBRT；

混合机器学习模型SGBRT分为四层：输入层、SOM层、回归层和输出层；在训练阶段，将训练的特征向量输入到输入层，然后将输入的原始数据在SOM层中进行聚类；在回归层中，将聚类得到的子数据集分别构建为GBRT；在测试阶段，将测试集的特征向量输入到输入层，然后在SOM层判断特征向量属于哪一类；接下来，在回归层中，将特征向量输入到构造类的GBRT中；经过上述步骤，预测值将输出到输出层；

(1)在SOM层接收到训练数据后，神经元计算该训练数据与自身携带的权向量之间的距离，距离最近的神经元成为竞争获胜者，称为获胜神经元；然后获胜神经元及其邻近的神经元的权向量将被调整，以使得这些权向量与当前输入样本的距离缩小；这个过程不断迭代，直至收敛；分为初始化、竞争过程、合作过程、权值调整四步；

(1.1)假设输入层特征向量x写成：X＝{x_i:i＝1,...,K}，其中有K个特征向量；输入单元i和神经元j之间的连接权重写成m_ji＝{m_ji:j＝1,...,N；i＝1,...,K}，其中神经元的总数为N；网络权值选择较小的随机初始值；

(1.2)对于每个输入的特征向量，神经元计算它们各自的判别函数值，获胜神经元为具有最小判别函数值的特定神经元；判别函数定义为特征向量x和每个神经元j的权向量m_ji之间的平方欧几里德距离，即：

即为获胜神经单元是权重向量与特征向量最接近的神经元；

(1.3)在SOM中的神经元中有一个类似于神经生物学的拓扑邻域；S_ji为神经元网格上神经元j和输入单元i之间的横向距离，则拓扑邻域取：

其中，I(x)是获胜神经元的输入单元索引；该函数在获胜的神经元中为最大的，且关于获胜神经元对称；当距离达到无穷大时，它单调地衰减为零；σ为拓扑邻域的有效宽度，拓扑邻域的大小随着时间收缩；

(1.4)SOM必须含有某种自适应或学习的过程，通过这个过程，输出节点自组织形成输入和输出之间的特征映射；不仅获胜的神经元能够得到权重更新，它的邻居也将更新它们的权重；权重更新方式为：

Δm_ji＝η(t)·T_j,I(x)(t)·(x_i-m_ji)

其中，η(t)为学习率，t为循环次数；该更新适用于在多轮迭代中的所有训练的特征向量X；每个学习权重更新的效果是将获胜的神经元及其邻居的权向量m_ji向特征向量X移动；对该过程的迭代进行会使得网络的拓扑有序；

(2)对于回归层中的每个聚类后的簇，都会构建GBRT来预测航空发动机的RUL；GBRT是集成学习算法的Boosting类型；

(2.1)Boosting框架使用多组基础模型分别进行训练，并且所有基础模型的结果都线性组合以获得更可靠的预测，公式如下所示：

其中，h_d(x)代表基本模型；d为基本模型的个数，D为基本模型的总个数；总体模型的训练目标是使预测值F(x)逼近真实值y，使用贪婪算法的思想使每个基本模型分别承担部门预测任务，并关注每个基本模型产生的误差：

F_d(x)＝F^d-1(x)+h_d(x)

(2.2)通过引入任意损失函数L，反向梯度的拟合公式：

其中h为循环次数，H为最大循环次数；

(2.3)GBRT是一种不断发展的集成学习模型，其基本功能使用树形结构；使用E树函数累加来预测输出如公式所示：

其中，e表示树的索引；Γ是树上的叶子数；每个F对应一个独立的树结构；使用线性搜索来估计叶节点区域的值，最小化损失函数，然后更新回归树。