CN109753742A - 一种基于不均衡样本的航空发动机故障诊断方法、系统 - Google Patents
一种基于不均衡样本的航空发动机故障诊断方法、系统 Download PDFInfo
- Publication number
- CN109753742A CN109753742A CN201910028648.2A CN201910028648A CN109753742A CN 109753742 A CN109753742 A CN 109753742A CN 201910028648 A CN201910028648 A CN 201910028648A CN 109753742 A CN109753742 A CN 109753742A
- Authority
- CN
- China
- Prior art keywords
- sample
- unbalanced
- feature
- tested
- subset
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本申请涉及一种基于不均衡样本的航空发动机故障诊断方法、系统。所述基于不均衡样本的航空发动机故障诊断方法包括:获取不均衡样本集的不均衡样本特征集;对不均衡样本特征集进行采样,从而生成多个均衡样本特征子集;为每个均衡样本特征子集生成与每个均衡样本特征子集对应的训练后的集成分类器,各个训练后的集成分类器形成一个训练后的集成分类器组;获取航空发动机待测试集的待测试特征集;生成与均衡样本特征子集数量相同的均衡样本待测试特征子集;将均衡样本待测试特征子集输入至训练后的集成分类器组中,从而获得对应的航空发动机是否故障的结果。本申请提供的基于不均衡样本的航空发动机故障诊断方法通过进行采样,具有更可靠的准确性。
Description
技术领域
本申请涉及控制台技术领域,尤其涉及一种基于不均衡样本的航空发动机故障诊断方法、基于不均衡样本的航空发动机故障诊断系统、电子设备以及计算机可读存储介质。
背景技术
民航发动机作为飞机上最主要的部件之一,对其进行故障诊断研究,不仅可以保证飞机的安全运行,也可以保证生命及财产安全。
民航发动机故障主要有气路故障、机械零部件故障以及附件故障三种。据中国民航科学技术研究院对我国2011-2015年民航事故统计,气路故障大约占发动机故障的60%左右。
近年来,很多学者针对民航发动机气路故障诊断做了深入研究,总结其研究方法,大致可以分为三类:基于模型的故障诊断方法、基于知识的故障诊断方法和基于数据的故障诊断方法。随着机器学习、深度学习等人工智能技术的快速发展,基于数据的故障诊断方法通过构建智能算法模型挖掘发动机数据间的内部特征,越来越广泛的应用到发动机状态监测中。
民航发动机数据参数多、参数之间关系复杂、正常样本与故障样本比例不均衡。传统的发动机故障诊断方法在处理发动机数据时存在两个问题。一方面,传统的特征提取方法如主成分分析(Principal Component Analysis,PCA)、线性判别分析(LinearDiscriminant Analysis,LDA)等难以挖掘民航发动机数据间的深层特征。
另一方面,传统的分类器大部分以最大化全部样本分类准确率为目标,难以保证我们比较关注的故障样本有很好的准确率。在工程应用领域,一般认为多数类与少数类样本数量比高于2:1时,样本分布具有不均衡性。
因此,针对以上不足,需要提供一种技术方案来克服或至少减轻现有技术的至少一个上述缺陷。
申请内容
本申请要解决的技术问题在于,针对现有技术中的缺陷,提供了一种控制台。
为了解决上述技术问题,本申请提供了一种基于不均衡样本的航空发动机故障诊断方法,所述基于不均衡样本的航空发动机故障诊断方法包括:获取不均衡样本集的不均衡样本特征集,其中,所述不均衡样本特征集包括正常样本特征以及故障样本特征,所述正常样本特征的数量与故障样本特征的数量不同;对所述不均衡样本特征集进行采样,从而生成多个均衡样本特征子集,每个均衡样本特征子集包括正常样本特征以及故障样本特征,其中,正常样本特征与故障样本特征的数量相同;为每个均衡样本特征子集生成与每个均衡样本特征子集对应的训练后的集成分类器,各个训练后的集成分类器形成一个训练后的集成分类器组;获取航空发动机待测试集的待测试特征集,所述待测试特征集包括多个待测试特征,每个航空发动机待测试样本对应一个待测试特征;对所述待测试特征集进行采样,从而生成与均衡样本特征子集数量相同的均衡样本待测试特征子集;将各个均衡样本待测试特征子集输入至训练后的集成分类器组中,从而获得各个均衡样本待测试特征子集对应的航空发动机是否故障的结果。
可选地,在获取不均衡样本集的不均衡样本特征集之前包括:获取不均衡样本集,其中,不均衡样本集包括正常样本以及故障样本,所述正常样本的数量与所述故障样本的数量不同,一个所述正常样本对应一个所述正常样本特征,一个所述故障样本特征对应一个故障样本特征;在获取航空发动机待测试集的待测试特征集之前包括:获取航空发动机待测试集,所述航空发动机待测试集包括多个航空发动机待测试样本;
可选地,所述获取不均衡样本集的不均衡样本特征集包括:将不均衡样本集输入至训练后的特征提取模型中,从而获得各个待测试特征。
可选地,为每个均衡样本特征子集生成与每个均衡样本特征子集对应的训练后的集成分类器包括:为每个均衡样本子集建立一个对应的集成分类器;采用各个均衡样本特征子集对各自对应的集成分类器进行训练,从而获得各个训练后的集成分类器。
可选地,所述对所述不均衡样本集进行采样包括对所述不均衡样本集进行下采样。
可选地,为每个均衡样本特征子集生成与每个均衡样本特征子集对应的训练后的集成分类器之后包括:获取不均衡测试集,所述不均衡测试集包括正常样本以及故障样本,其中,所述正常样本的数量与所述故障样本的数量不同;将不均衡测试样本集输入至训练后的特征提取模型中,从而获得不均衡测试样本特征集;对所述不均衡测试样本特征集进行采样,从而生成与均衡样本特征子集数量相同的均衡样本测试特征子集,每个均衡样本测试特征子集包括正常样本以及故障样本,其中,正常样本与故障样本的数量相同将各个均衡样本测试特征子集输入至通过训练后的分类器组中,从而获得每个均衡样本测试特征子集对应的结果,根据获得的结果判断训练后的特征提取模型以及训练后的分类器组是否准确。
可选地,根据获得的结果判断训练后的特征提取模型以及训练后的分类器组是否准确包括:采用混肴矩阵和/或ROC曲线判断是否准确。
本申请还提供了一种基于不均衡样本的航空发动机故障诊断系统,所述基于不均衡样本的航空发动机故障诊断系统包括:
特征获取模块,所述特征获取模块用于获取不均衡样本集的不均衡样本特征集以及获取航空发动机待测试集的待测试特征集,其中,所述不均衡样本特征集包括正常样本特征以及故障样本特征,所述正常样本特征的数量与故障样本特征的数量不同,所述待测试特征集包括多个待测试特征,每个航空发动机待测试样本对应一个待测试特征;
采样模块,所述采样模块用于对对所述不均衡样本特征集进行采样,从而生成多个均衡样本特征子集,每个均衡样本特征子集包括正常样本特征以及故障样本特征,其中,正常样本特征与故障样本特征的数量相同;以及对所述待测试特征集进行采样,从而生成与均衡样本特征子集数量相同的均衡样本待测试特征子集;
集成分类器生成模块,所述集成分类器生成模块用于为每个均衡样本特征子集生成与每个均衡样本特征子集对应的训练后的集成分类器,各个训练后的集成分类器形成一个训练后的集成分类器组;
故障诊断模块,所述故障诊断模块用于将各个均衡样本待测试特征子集输入至训练后的集成分类器组中,从而获得各个均衡样本待测试特征子集对应的航空发动机是否故障的结果。
本申请还提供了一种电子设备,包括存储器、处理器以及存储在所述存储器中并能够在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的基于不均衡样本的航空发动机故障诊断方法。
本申请还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时能够实现如上所述的基于不均衡样本的航空发动机故障诊断方法。
实施本申请的基于不均衡样本的航空发动机故障诊断方法,具有以下有益效果:
本申请提供的基于不均衡样本的航空发动机故障诊断方法通过进行采用,从而将不均衡样本变为均衡样本,具有更可靠的准确性。
附图说明
图1是本申请实施例一的基于不均衡样本的航空发动机故障诊断方法的流程示意图;
图2是本申请一个实施方式提供的基于不均衡样本的航空发动机故障诊断系统的结构示意图;
图3是能够实现根据本申请一个实施例提供的基于不均衡样本的航空发动机故障诊断方法的计算设备的示例性结构图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
图1是本申请实施例一的基于不均衡样本的航空发动机故障诊断方法的流程示意图;
图2是本申请一个实施方式提供的基于不均衡样本的航空发动机故障诊断系统的结构示意图;
图3是能够实现根据本申请一个实施例提供的基于不均衡样本的航空发动机故障诊断方法的计算设备的示例性结构图。
如图1至图3所示,本申请实施例提供的基于不均衡样本的航空发动机故障诊断方法包括:
S1:获取不均衡样本集的不均衡样本特征集,其中,所述不均衡样本特征集包括正常样本特征以及故障样本特征,所述正常样本特征的数量与故障样本特征的数量不同;
S2:对所述不均衡样本特征集进行采样,从而生成多个均衡样本特征子集,每个均衡样本特征子集包括正常样本特征以及故障样本特征,其中,正常样本特征与故障样本特征的数量相同;
S3:为每个均衡样本特征子集生成与每个均衡样本特征子集对应的训练后的集成分类器,各个训练后的集成分类器形成一个训练后的集成分类器组;
S4:获取航空发动机待测试集的待测试特征集,所述待测试特征集包括多个待测试特征,每个航空发动机待测试样本对应一个待测试特征;
S5:对所述待测试特征集进行采样,从而生成与均衡样本特征子集数量相同的均衡样本待测试特征子集;
S6:将各个均衡样本待测试特征子集输入至训练后的集成分类器组中,从而获得各个均衡样本待测试特征子集对应的航空发动机是否故障的结果。
本申请提供的基于不均衡样本的航空发动机故障诊断方法通过进行采样,从而将不均衡样本变为均衡样本,具有更可靠的准确性。
在本实施例中,在获取不均衡样本集的不均衡样本特征集之前包括:
获取不均衡样本集,其中,不均衡样本集包括正常样本以及故障样本,所述正常样本的数量与所述故障样本的数量不同,一个所述正常样本对应一个所述正常样本特征,一个所述故障样本特征对应一个故障样本特征;
在获取航空发动机待测试集的待测试特征集之前包括:
获取航空发动机待测试集,所述航空发动机待测试集包括多个航空发动机待测试样本。
在本实施例中,所述获取不均衡样本集的不均衡样本特征集包括:将不均衡样本集输入至训练后的特征提取模型中,从而获得各个待测试特征。
在本实施例中,特征提取模型采用DBN模型。
在本实施例中,特征提取模型采用不均衡样本集进行训练。
在本实施例中,为每个均衡样本特征子集生成与每个均衡样本特征子集对应的训练后的集成分类器包括:
为每个均衡样本子集建立一个对应的集成分类器;
采用各个均衡样本特征子集对各自对应的集成分类器进行训练,从而获得各个训练后的集成分类器。
在本实施例中,正常样本的数量至少为所述故障样本的数量的两倍。更具体地,通常超过3倍。
在本实施例中,对不均衡样本特征集进行采样包括对不均衡样本特征集进行下采样。可以理解的是,还可以使用过采样技术。
在本实施例中,生成多个均衡样本子集中的多个为奇数个。
在本实施例中,为每个均衡样本特征子集生成与每个均衡样本特征子集对应的训练后的集成分类器之后包括:
获取不均衡测试集,所述不均衡测试集包括正常样本以及故障样本,其中,所述正常样本的数量与所述故障样本的数量不同;
将不均衡测试样本集输入至训练后的特征提取模型中,从而获得不均衡测试样本特征集;
对所述不均衡测试样本特征集进行采样,从而生成与均衡样本特征子集数量相同的均衡样本测试特征子集,每个均衡样本测试特征子集包括正常样本以及故障样本,其中,正常样本与故障样本的数量相同
将各个均衡样本测试特征子集输入至通过训练后的分类器组中,从而获得每个均衡样本测试特征子集对应的结果,根据获得的结果判断训练后的特征提取模型以及训练后的分类器组是否准确。
采用这种方式,可以对训练后的特征提取模型与训练后的分类器组进行检验,从而确定训练后的特征提取模型以及训练后的分类器组输出的结果是否准确。
在本实施例中,根据获得的每组测试特征对应的结果判断特征提取模型以及分类器组是否准确包括:
采用混肴矩阵和/或ROC曲线判断是否准确。
下面以举例的方式对本申请进行详细阐述。可以理解的是,该举例并不构成对本申请的任何限制。
前提条件:具有航空发动机故障诊断样本1000个(已知航空发动机是否具有故障)。航空发动机待测试样本500个(未知航空发动机是否具有故障)。
收集到的1000个航空发动机故障诊断样本,其中正常样本900个,故障样本100个。按照7:3的比例将1000个航空发动机故障诊断样本划分为不均衡样本集与不均衡测试集,样本分布如表1所示。
正常样本 | 故障样本 | 合计 | |
训练集 | 630 | 70 | 700 |
测试集 | 270 | 30 | 300 |
合计 | 900 | 100 | 1000 |
获取不均衡样本集(包括700个样本,其中630个正常样本,70个故障样本)。
获取不均衡样本集的不均衡样本特征集(700个样本就有700个不均衡样本特征集,其中,630个正常样本特征,70个故障样本特征)。在本实施例中,利用700个不均衡样本集,训练DBN特征提取模型,得到DBN网络结构参数,如隐层节点数、隐藏层数。
选取最优的DBN特征提取模型来获得上述的不均衡样本特征集。
对所述不均衡样本特征集进行采样,从而生成多个均衡样本特征子集。具体地,对不均衡样本集进行下采样,此时得到T个均衡样本子集,每个均衡样本子集包含140个样本特征(70个正常样本特征与70个故障样本特征)。
针对每一个均衡样本特征子集(就是140个样本)生成一个训练后的集成分类器(每个集成分类器包括M个单一分类器,M个单一分类器的线性组合,也就是每个集成分类器包含M个弱分类器,M值是自己根据需要确定,一般取奇数个)。
每个集成分类器的结果由M个单一分类器采用投票决策的方式决定,举例来说,一个样本输入至集成分类器,M个单一分类器均输出结果(例如,故障或者正常),假设M为9时,其中4个为正常,5个为故障,则集成分类器输出为故障。
获取航空发动机待测试集(500个航空发动机待测试样本),可以理解的是,这500个为同一个航空发动机在一段时间或者多段时间内采集的样本。
获取航空发动机待测试集的待测试特征集。(500个航空发动机待测试样本就对应有500个待测试特征,500个待测试特征总称为待测试特征集)。
对所述待测试特征集进行采样,从而生成与均衡样本特征子集数量相同的均衡样本待测试特征子集。
可以理解的是,在上述采样中,采样次数T选取根据模型的准确率确定。比如当采样次数为1时对应的准确率为90%;当采样次数为2时对应的准确率为89%;当采样次数为3时对应的准确率为92%;当采样次数为4时对应的准确率为91.2%;那么我们选取最大准确率对应的采样次数3。
将各个均衡样本待测试特征子集输入至训练后的集成分类器组中,从而获得各个均衡样本待测试特征子集对应的航空发动机是否故障的结果。
本申请还提供了一种基于不均衡样本的航空发动机故障诊断系统,所述基于不均衡样本的航空发动机故障诊断系统包括特征获取模块21、采样模块22、集成分类器生成模块23以及故障诊断模块24。
特征获取模块用于获取不均衡样本集的不均衡样本特征集以及获取航空发动机待测试集的待测试特征集,其中,不均衡样本特征集包括正常样本特征以及故障样本特征,正常样本特征的数量与故障样本特征的数量不同,待测试特征集包括多个待测试特征,每个航空发动机待测试样本对应一个待测试特征;
采样模块用于对对所述不均衡样本特征集进行采样,从而生成多个均衡样本特征子集,每个均衡样本特征子集包括正常样本特征以及故障样本特征,其中,正常样本特征与故障样本特征的数量相同;以及对待测试特征集进行采样,从而生成与均衡样本特征子集数量相同的均衡样本待测试特征子集;
集成分类器生成模块用于为每个均衡样本特征子集生成与每个均衡样本特征子集对应的训练后的集成分类器,各个训练后的集成分类器形成一个训练后的集成分类器组;
故障诊断模块用于将各个均衡样本待测试特征子集输入至训练后的集成分类器组中,从而获得各个均衡样本待测试特征子集对应的航空发动机是否故障的结果。
需要说明的是,前述对方法实施例的解释说明也适用于本实施例的装置,此处不再赘述。
本申请还提供了一种电子设备,包括存储器、处理器以及存储在所述存储器中并能够在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的基于不均衡样本的航空发动机故障诊断方法。
图3是能够实现根据本申请一个实施例提供的基于不均衡样本的航空发动机故障诊断方法的计算设备的示例性结构图。
如图3所示,电子设备包括输入设备501、输入接口502、中央处理器503、存储器504、输出接口505以及输出设备506。其中,输入接口502、中央处理器503、存储器504以及输出接口505通过总线507相互连接,输入设备501和输出设备506分别通过输入接口502和输出接口505与总线507连接,进而与电子设备的其他组件连接。具体地,输入设备504接收来自外部的输入信息,并通过输入接口502将输入信息传送到中央处理器503;中央处理器503基于存储器504中存储的计算机可执行指令对输入信息进行处理以生成输出信息,将输出信息临时或者永久地存储在存储器504中,然后通过输出接口505将输出信息传送到输出设备506;输出设备506将输出信息输出到电子设备的外部供用户使用。
也就是说,图3所示的电子设备也可以被实现为包括:存储有计算机可执行指令的存储器;以及一个或多个处理器,该一个或多个处理器在执行计算机可执行指令时可以实现结合图1描述的基于不均衡样本的航空发动机故障诊断方法。
在一个实施例中,图3所示的电子设备可以被实现为包括:存储器504,被配置为存储可执行程序代码;一个或多个处理器503,被配置为运行存储器504中存储的可执行程序代码,以执行上述实施例中的基于不均衡样本的航空发动机故障诊断方法。
本申请还提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时能够实现如上所述的基于不均衡样本的航空发动机故障诊断方法。
本申请虽然以较佳实施例公开如上,但其实并不是用来限定本申请,任何本领域技术人员在不脱离本申请的精神和范围内,都可以做出可能的变动和修改,因此,本申请的保护范围应当以本申请权利要求所界定的范围为准。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动,媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数据多功能光盘(DVD)或其他光学存储、磁盒式磁带、磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
此外,显然“包括”一词不排除其他单元或步骤。装置权利要求中陈述的多个单元、模块或装置也可以由一个单元或总装置通过软件或硬件来实现。第一、第二等词语用来标识名称,而不标识任何特定的顺序。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,模块、程序段、或代码的一部分包括一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地标识的方框实际上可以基本并行地执行,他们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或总流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
在本实施例中所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可用于存储计算机程序和/或模块,处理器通过运行或执行存储在存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现装置/终端设备的各种功能。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
在本实施例中,装置/终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种基于不均衡样本的航空发动机故障诊断方法,其特征在于,所述基于不均衡样本的航空发动机故障诊断方法包括:
获取不均衡样本集的不均衡样本特征集,其中,所述不均衡样本特征集包括正常样本特征以及故障样本特征,所述正常样本特征的数量与故障样本特征的数量不同;
对所述不均衡样本特征集进行采样,从而生成多个均衡样本特征子集,每个均衡样本特征子集包括正常样本特征以及故障样本特征,其中,正常样本特征与故障样本特征的数量相同;
为每个均衡样本特征子集生成与每个均衡样本特征子集对应的训练后的集成分类器,各个训练后的集成分类器形成一个训练后的集成分类器组;
获取航空发动机待测试集的待测试特征集,所述待测试特征集包括多个待测试特征,每个航空发动机待测试样本对应一个待测试特征;
对所述待测试特征集进行采样,从而生成与均衡样本特征子集数量相同的均衡样本待测试特征子集;
将各个均衡样本待测试特征子集输入至训练后的集成分类器组中,从而获得各个均衡样本待测试特征子集对应的航空发动机是否故障的结果。
2.如权利要求1所述的基于不均衡样本的航空发动机故障诊断方法,其特征在于,在获取不均衡样本集的不均衡样本特征集之前包括:
获取不均衡样本集,其中,不均衡样本集包括正常样本以及故障样本,所述正常样本的数量与所述故障样本的数量不同,一个所述正常样本对应一个所述正常样本特征,一个所述故障样本特征对应一个故障样本特征;
在获取航空发动机待测试集的待测试特征集之前包括:
获取航空发动机待测试集,所述航空发动机待测试集包括多个航空发动机待测试样本。
3.如权利要求2所述的基于不均衡样本的航空发动机故障诊断方法,其特征在于,所述获取不均衡样本集的不均衡样本特征集包括:
将不均衡样本集输入至训练后的特征提取模型中,从而获得各个待测试特征。
4.如权利要求2所述的基于不均衡样本的航空发动机故障诊断方法,其特征在于,为每个均衡样本特征子集生成与每个均衡样本特征子集对应的训练后的集成分类器包括:
为每个均衡样本子集建立一个对应的集成分类器;
采用各个均衡样本特征子集对各自对应的集成分类器进行训练,从而获得各个训练后的集成分类器。
5.如权利要求1所述的基于不均衡样本的航空发动机故障诊断方法,其特征在于,所述对所述不均衡样本特征集进行采样包括对所述不均衡样本特征集进行下采样。
6.如权利要求1所述的基于不均衡样本的航空发动机故障诊断方法,其特征在于,为每个均衡样本特征子集生成与每个均衡样本特征子集对应的训练后的集成分类器之后包括:
获取不均衡测试集,所述不均衡测试集包括正常样本以及故障样本,其中,所述正常样本的数量与所述故障样本的数量不同;
将不均衡测试样本集输入至训练后的特征提取模型中,从而获得不均衡测试样本特征集;
对所述不均衡测试样本特征集进行采样,从而生成与均衡样本特征子集数量相同的均衡样本测试特征子集,每个均衡样本测试特征子集包括正常样本以及故障样本,其中,正常样本与故障样本的数量相同
将各个均衡样本测试特征子集输入至通过训练后的分类器组中,从而获得每个均衡样本测试特征子集对应的结果,根据获得的结果判断训练后的特征提取模型以及训练后的分类器组是否准确。
7.如权利要求6所述的基于不均衡样本的航空发动机故障诊断方法,其特征在于,根据获得的结果判断训练后的特征提取模型以及训练后的分类器组是否准确包括:
采用混肴矩阵和/或ROC曲线判断是否准确。
8.一种基于不均衡样本的航空发动机故障诊断系统,其特征在于,所述基于不均衡样本的航空发动机故障诊断系统包括:
特征获取模块,所述特征获取模块用于获取不均衡样本集的不均衡样本特征集以及获取航空发动机待测试集的待测试特征集,其中,所述不均衡样本特征集包括正常样本特征以及故障样本特征,所述正常样本特征的数量与故障样本特征的数量不同,所述待测试特征集包括多个待测试特征,每个航空发动机待测试样本对应一个待测试特征;
采样模块,所述采样模块用于对对所述不均衡样本特征集进行采样,从而生成多个均衡样本特征子集,每个均衡样本特征子集包括正常样本特征以及故障样本特征,其中,正常样本特征与故障样本特征的数量相同;以及对所述待测试特征集进行采样,从而生成与均衡样本特征子集数量相同的均衡样本待测试特征子集;
集成分类器生成模块,所述集成分类器生成模块用于为每个均衡样本特征子集生成与每个均衡样本特征子集对应的训练后的集成分类器,各个训练后的集成分类器形成一个训练后的集成分类器组;
故障诊断模块,所述故障诊断模块用于将各个均衡样本待测试特征子集输入至训练后的集成分类器组中,从而获得各个均衡样本待测试特征子集对应的航空发动机是否故障的结果。
9.一种电子设备,包括存储器、处理器以及存储在所述存储器中并能够在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的基于不均衡样本的航空发动机故障诊断方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时能够实现如权利要求1至7中任一项所述的基于不均衡样本的航空发动机故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910028648.2A CN109753742A (zh) | 2019-01-11 | 2019-01-11 | 一种基于不均衡样本的航空发动机故障诊断方法、系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910028648.2A CN109753742A (zh) | 2019-01-11 | 2019-01-11 | 一种基于不均衡样本的航空发动机故障诊断方法、系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109753742A true CN109753742A (zh) | 2019-05-14 |
Family
ID=66405500
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910028648.2A Pending CN109753742A (zh) | 2019-01-11 | 2019-01-11 | 一种基于不均衡样本的航空发动机故障诊断方法、系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109753742A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111091543A (zh) * | 2019-12-12 | 2020-05-01 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车摇枕弹簧丢失故障目标检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763466A (zh) * | 2010-01-20 | 2010-06-30 | 西安电子科技大学 | 基于动态样本选择集成的生物信息识别方法 |
CN106973057A (zh) * | 2017-03-31 | 2017-07-21 | 浙江大学 | 一种适用于入侵检测的分类方法 |
CN108416369A (zh) * | 2018-02-08 | 2018-08-17 | 同济大学 | 基于Stacking和翻转随机降采样分类方法、系统、介质及设备 |
-
2019
- 2019-01-11 CN CN201910028648.2A patent/CN109753742A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763466A (zh) * | 2010-01-20 | 2010-06-30 | 西安电子科技大学 | 基于动态样本选择集成的生物信息识别方法 |
CN106973057A (zh) * | 2017-03-31 | 2017-07-21 | 浙江大学 | 一种适用于入侵检测的分类方法 |
CN108416369A (zh) * | 2018-02-08 | 2018-08-17 | 同济大学 | 基于Stacking和翻转随机降采样分类方法、系统、介质及设备 |
Non-Patent Citations (1)
Title |
---|
闵行等: "组合降采样极限学习机", 《信息技术》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111091543A (zh) * | 2019-12-12 | 2020-05-01 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车摇枕弹簧丢失故障目标检测方法 |
CN111091543B (zh) * | 2019-12-12 | 2020-10-09 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车摇枕弹簧丢失故障目标检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107957957A (zh) | 测试用例的获取方法和装置 | |
US7333962B2 (en) | Techniques to organize test results | |
CN104182335B (zh) | 软件测试方法和装置 | |
WO2019085061A1 (zh) | 基金系统自动化测试管理方法、装置、设备及存储介质 | |
CN108764674A (zh) | 一种基于规则引擎的风险控制方法和装置 | |
CN106951364A (zh) | 测试方法及装置 | |
CN109271808A (zh) | 一种基于数据库敏感发现的数据静态脱敏系统和方法 | |
CN103761189B (zh) | 一种测试用例管理方法及系统 | |
CN106502889B (zh) | 预测云软件性能的方法和装置 | |
CN107977647A (zh) | 一种适合公安实战的人脸识别算法评测方法 | |
CN108734304A (zh) | 一种数据模型的训练方法、装置、及计算机设备 | |
CN110414277B (zh) | 基于多特征参数的门级硬件木马检测方法 | |
CN106156355A (zh) | 日志处理方法及装置 | |
CN111174370A (zh) | 故障检测方法及装置、存储介质、电子装置 | |
CN106201856A (zh) | 一种多版本性能测试方法及装置 | |
CN110032505A (zh) | 软件质量确定装置、软件质量确定方法和软件质量确定程序 | |
US9620244B1 (en) | Determining categories for memory fail conditions | |
CN108897686A (zh) | 全分录自动化测试方法和装置 | |
CN111931047A (zh) | 基于人工智能的黑产账号检测方法及相关装置 | |
CN110515755A (zh) | 接口功能验证方法、装置、设备及计算机可读存储介质 | |
CN107966648B (zh) | 一种基于相关性矩阵的嵌入式故障诊断方法 | |
CN109032850A (zh) | 现场装置调试系统和现场装置调试方法 | |
CN106681905A (zh) | 软件测试装置及其软件测试方法 | |
CN106709026A (zh) | 数据处理方法及系统 | |
CN110362569A (zh) | 数据表的校验方法及装置、电子设备、存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190514 |