【技术实现步骤摘要】
本专利技术涉及机器学习，具体是指一种基于机器学习的飞机油箱漏点定位方法及系统。
技术介绍
1、由于飞机油箱的结构较为复杂，因此检测其漏点的方法根据渗漏所发生区域的不同、现场的环境和工作条件的不同而应用不同的检漏方法，目前国内外有很多种漏点检测方法，但对于传统的定位模型存在无法精准定位漏点位置、对于数据处理速度慢、鲁棒性低的问题；一般参数优化算法存在无法动态地调整搜索策略以适应不同的超参数空间特性，精度不高的问题。
技术实现思路
1、针对上述情况，为克服现有技术的缺陷，本专利技术提供了一种基于机器学习的飞机油箱漏点定位方法及系统，针对传统的定位模型存在无法精准定位漏点位置、对于数据处理速度慢、鲁棒性低的问题，本方案通过使用深度隔离森林算法，用新的特征表示构建油箱漏点定位模型，并且进行训练，得到训练完成的油箱漏点定位模型，有效识别数据中的异常点，精准定位漏点位置，同时在处理噪声和异常点方面表现出较好的鲁棒性，对于不同类型和分布的数据具有较强的适应性，可以在多种异常检测场景中取得良好效果，提高模型的稳定性；针对一般参数优化算法存在无法动态地调整搜索策略以适应不同的超参数空间特性，精度不高的问题，本方案通过使用一种基于lipschitz bandit的超参数优化算法对油箱漏点定位模型进行调参，根据目标函数在超参数空间中的变化情况自适应地调整搜索策略，使其更有效率地搜索到最优解，同时改善模型的性能，使油箱漏点定位模型具有更好的预测精度、更高的漏点检测准确率等，从而提高系统的效率和准确性。p>
2、本专利技术采取的技术方案如下：本专利技术提供的一种基于机器学习的飞机油箱漏点定位方法，该方法包括以下步骤：
3、步骤1：数据采集，在油箱内外安装传感器采集油箱数据集，并且收集飞机操作状态，所述油箱数据集包括油箱内部的压力变化、油箱内的温度变化、油箱内液体的液位信息和油箱内液体的流动速率；
4、步骤2：数据清洗与特征工程，对油箱数据集进行清洗、处理异常值和选择特征，对油箱数据集中的每个数据点定义标签，包括正常状态和漏点状态，得到处理后的油箱数据集；
5、步骤3：特征提取，预训练一个cnn模型，使用这个cnn模型对处理后的油箱数据集进行特征提取，选择cnn模型中的中间层作为新的特征表示，得到新的数据集；
6、步骤4：数据集划分，使用交叉验证的方法将新的数据集划分为训练集和测试集；
7、步骤5：模型选择与训练，使用深度隔离森林算法，用新的特征表示构建油箱漏点定位模型，并且进行训练，得到训练完成的油箱漏点定位模型；
8、步骤6：模型评估，使用测试集对训练完成的油箱漏点定位模型进行评估，计算精确度、准确率和f1分数，得到评估结果；
9、步骤7：模型调整，根据评估结果对油箱漏点定位模型进行优化。
10、进一步地，在步骤3中，预训练一个cnn模型，使用这个cnn模型对处理后的油箱数据集进行特征提取，选择cnn模型中的中间层作为新的特征表示，具体包括以下步骤：
11、步骤31：预训练模型，选择cnn模型中的resnet模型作为预训练模型，并且使用处理后的油箱数据集对resnet模型进行训练，得到训练后的resnet模型；
12、步骤32：选择中间层，在训练后的resnet模型中选择中间层作为特征提取器；
13、步骤33：数据传递与特征提取，使用处理后的油箱数据集通过训练后的resnet模型，将处理后的油箱数据集传递到特征提取器，并提取特征提取器的输出作为新的特征表示；
14、步骤34：特征表示存储，将新的特征表示保存为新的数据集；
15、步骤35：特征表示效果评估，评估新的特征表示的质量和对异常检测任务的适用性，根据评估结果进行模型参数调整或选择其他cnn结构以提高特征表示的效果。
16、进一步的，在步骤5中，使用深度隔离森林算法，用新的特征表示构建油箱漏点定位模型，并且进行训练，得到训练完成的油箱漏点定位模型，具体包括以下步骤：
17、步骤51：初始化模型，构建油箱漏点定位模型并进行初始化，设置超参数，包括树的数量、树的深度、树的最大深度、叶子节点的最小样本数、特征选择的方式、样本采样的方式、随机种子和并行化计算设置；
18、进一步的，步骤51具体包括以下步骤：
19、步骤511：随机选择特征和阈值，从新的特征表示中随机选择一个特征和该特征的一个随机阈值；
20、步骤512：数据分割，根据所选的特征和随机阈值将新的数据集二元划分为两个子集，两个子集为包含选定特征值小于阈值的样本和包含选定特征值大于等于阈值的样本；
21、步骤513：递归构建子树，对于划分后的两个子集，继续递归地进行随机特征和阈值的选择，并划分数据，构建子树，直至达到树的最大深度；
22、步骤514：构建树，重复步骤511至步骤513，设置最大迭代次数，直至达到最大迭代次数停止重复；
23、步骤515：森林集成，计算数据点在树中的路径长度，路径越短的数据点被认为是异常点，森林集成的结果为每个数据点在每棵树上异常点的集合，所用公式如下：
24、；
25、其中，为数据点的路径长度，是树的节点总数，是数据点在路径上的期望长度，表示数据点在树中的路径长度；
26、步骤52：模型训练，使用新的数据集对油箱漏点定位模型进行训练，学习油箱漏点和正常状态的数据分布；
27、步骤53：模型评估，使用测试集对油箱漏点定位模型进行评估，得到评估结果；
28、步骤54：超参数调整，根据评估结果对油箱漏点定位模型进行调参，使用一种基于lipschitz bandit的超参数优化算法对油箱漏点定位模型进行调参；
29、进一步的，步骤54具体包括以下步骤：
30、步骤541：确定超参数范围，确定需要调优的超参数集合和它们的取值范围，作为一种基于lipschitz bandit的超参数优化算法的输入；
31、步骤542：定义目标函数，使用mes均方误差作为目标函数，并验证这个目标函数是否满足lipschitz连续性，满足则使用，不满足则更换目标函数；
32、步骤543：设置参数，设置一种基于lipschitz bandit的超参数优化算法的参数，包括超参数空间的维度和范围、lipschitz常数的估计和算法总迭代次数；
33、步骤544：算法运行，使用bandit策略在超参数空间中进行自适应搜索，根据目标函数的连续性和lipschitz性质寻找目标函数的最优值，算法根据lipschitz连续性信息进行自适应地探索和调整；
34、步骤545：评估结果，收集每次迭代的结果，进行比较后选择最优超参数组合；
35、步骤55：应用模型，应用油箱漏点定位模型对新的油箱数据进行预测和漏点定位。
36、本专利技术提供的一种基于机器学习本文档来自技高网...
【技术保护点】
1.一种基于机器学习的飞机油箱漏点定位方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的一种基于机器学习的飞机油箱漏点定位方法，其特征在于：步骤3包括以下步骤：
3.根据权利要求1所述的一种基于机器学习的飞机油箱漏点定位方法，其特征在于：步骤5包括以下步骤：
4.根据权利要求3所述的一种基于机器学习的飞机油箱漏点定位方法，其特征在于：步骤51包括以下步骤：
5.根据权利要求3所述的一种基于机器学习的飞机油箱漏点定位方法，其特征在于：步骤54包括以下步骤：
6.一种基于机器学习的飞机油箱漏点定位系统，用于实现如权利要求1-5中任一项所述的一种基于机器学习的飞机油箱漏点定位方法，其特征在于：包括数据采集模块、数据预处理模块、特征提取模块、机器学习模块、漏点定位模块、告警反馈模块和监控与优化模块；
【技术特征摘要】
1.一种基于机器学习的飞机油箱漏点定位方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的一种基于机器学习的飞机油箱漏点定位方法，其特征在于：步骤3包括以下步骤：
3.根据权利要求1所述的一种基于机器学习的飞机油箱漏点定位方法，其特征在于：步骤5包括以下步骤：
4.根据权利要求3所述的一种基于机器学习的飞机油箱漏点定位方法，其特征在于：步...
【专利技术属性】
技术研发人员：杨赵勇，杨轩，邱兵，
申请(专利权)人：四川航空股份有限公司，
类型：发明
国别省市：
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。