【技术实现步骤摘要】
基于类特定重定向极限学习机学习算法的航空发动机故障诊断方法
本专利技术针对航空发动机故障诊断，用极限学习机(ExtremeLearningMachine)改进算法解决正常类和故障类样本的类不平衡问题并用于航空发动机故障诊断。
技术介绍
近年来，分布不平衡的原始数据几乎在所有生活情景下都存在着，如生物医学中的应用、网络入侵、欺诈检测以及故障诊断，类别不平衡学习问题在机器学习领域一直备受关注。从被研究学者关注至今有十余年的时间，为应对类别不平衡学习问题，主要从两方面考虑：第一，是从数据层的角度考虑，为使训练样本的分布重新达到平衡，通过对训练样本进行重采样，使得训练数据集的分布发生改变，主要方法有上采样、下采样以及混合采样。第二，是从算法的层面考虑，主要是通过调整分类算法，而不改变训练样本数据集的分布，使得少数类样本得到更多的关注，主要方法有单类学习、代价敏感以及集成学习等。上采样方法平衡数据集是通过某些方法增加少数类样本来实现的。随机上采样(RandomOversampling，简称ROS)简单地对少数类进行随机复制，SMOTE(SyntheticMinorityOversamplingTechnique，简称SMOTE)方法，通过在少数类样本的邻域空间中选取邻近的样本增加样本数目，采样后的训练集在一定程度上和原始训练集的分布相似。Borderline-SMOTE算法在少数类边界区域使用SMOTE算法而不是在全部少数类上，比SMOTE算法有着更好地性能。下采样平衡数据集是通过某些方法减少多数类样本来实现的...
【技术保护点】
1.基于类特定重定向极限学习机学习算法的航空发动机故障诊断方法，其特征在于，包括如下步骤：/n步骤1：采集全飞行包线内，航空发动机各部件正常状态下的参数，记为正常样本，若干类故障状态下的参数，记为若干类故障样本；/n步骤2：将样本归一化后，训练类特定重定向极限学习机；/n步骤3：用训练好的类特定重定向极限学习机对航空发动机各部件进行故障诊断。/n
【技术特征摘要】
1.基于类特定重定向极限学习机学习算法的航空发动机故障诊断方法，其特征在于，包括如下步骤：
步骤1：采集全飞行包线内，航空发动机各部件正常状态下的参数，记为正常样本，若干类故障状态下的参数，记为若干类故障样本；
步骤2：将样本归一化后，训练类特定重定向极限学习机；
步骤3：用训练好的类特定重定向极限学习机对航空发动机各部件进行故障诊断。
2.根据权利要求1所述的基于类特定重定向极限学习机学习算法的航空发动机故障诊断方法，其特征在于，
步骤2中训练类特定重定向极限学习机包括如下步骤：
步骤2.1：建立类特定重定向极限学习机的数学模型：
式(1)和式(2)中，
其中，β代表输出层权重，C+和C-分别是故障样本和正常样本的正则化参数，N+代表故障样本的样本数目，N-代表正常样本的样本数目，H+和H-分别表示正常样本与故障样本的隐藏层节点输出，T+和T-分别表示正常样本与故障样本的目标矢量，c表示故障样本类别数目；
步骤2：式(1)的求解通过迭代方法求解，其中每次迭代包括两个步骤，第一步，计算
当和给定时，修改后的目标矢量写成：
式中，⊙表示矩阵对应的元素间相乘操作；此时，式(1)可简化为：
当N＞L时，最优权重为：
当N＜L时，最优权重为：
式中，I表示单位矩阵；
步骤3：计算
在给定时，R+定义为N+个正常样本点的回归残差，R-定义为N_个故障样本点的回归残差对于：
将式(12)和式(13)代入式(9)，在忽略常数项后，得到以下优化问题：
求解式(14)得出E+和E-为：
式中，0代表着矩阵的元素全为0；
步骤4：根据得到如下决策函数：
式中，ai和bi分别是第i个隐藏层节点的权重和偏置，xi为输入特征，h(x)是隐含层节点的激活函数，L代表隐藏层节点数目。
3.根据权利要求1所述的基于类特定重定向极限学习机学习算法的航空发动机故障诊断方法，其特征在于，步骤2中训练类特定重定向极限学习机包括如下步骤：
步骤1：建立类特定重定向极限学习机的数学模型：
式中，T+ij是T+中的第i行第j列的元素，而T-ij是T-中的第i行第j列的元素，其中T+，T-∈RN×c是实值矩阵...
【专利技术属性】
技术研发人员：赵永平，宋房全，李兵，吴奂，谈建峰，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。