CN117647367B - 一种基于机器学习的飞机油箱漏点定位方法及系统 - Google Patents
一种基于机器学习的飞机油箱漏点定位方法及系统 Download PDFInfo
- Publication number
- CN117647367B CN117647367B CN202410119518.0A CN202410119518A CN117647367B CN 117647367 B CN117647367 B CN 117647367B CN 202410119518 A CN202410119518 A CN 202410119518A CN 117647367 B CN117647367 B CN 117647367B
- Authority
- CN
- China
- Prior art keywords
- oil tank
- model
- data
- leakage point
- point positioning
- 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.)
- Active
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 title claims abstract description 25
- 239000002828 fuel tank Substances 0.000 title description 11
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000000605 extraction Methods 0.000 claims abstract description 31
- 230000006870 function Effects 0.000 claims abstract description 21
- 238000011156 evaluation Methods 0.000 claims abstract description 19
- 230000002159 abnormal effect Effects 0.000 claims abstract description 16
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 230000008859 change Effects 0.000 claims abstract description 9
- 238000004140 cleaning Methods 0.000 claims abstract description 7
- 238000012544 monitoring process Methods 0.000 claims abstract description 7
- 238000002955 isolation Methods 0.000 claims description 9
- 239000007788 liquid Substances 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000010354 integration Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 230000005856 abnormality Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000009471 action Effects 0.000 description 3
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M3/00—Investigating fluid-tightness of structures
- G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
- G01M3/26—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors
- G01M3/32—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors for containers, e.g. radiators
- G01M3/3281—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors for containers, e.g. radiators removably mounted in a test cell
- G01M3/329—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors for containers, e.g. radiators removably mounted in a test cell for verifying the internal pressure of closed containers
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64F—GROUND OR AIRCRAFT-CARRIER-DECK INSTALLATIONS SPECIALLY ADAPTED FOR USE IN CONNECTION WITH AIRCRAFT; DESIGNING, MANUFACTURING, ASSEMBLING, CLEANING, MAINTAINING OR REPAIRING AIRCRAFT, NOT OTHERWISE PROVIDED FOR; HANDLING, TRANSPORTING, TESTING OR INSPECTING AIRCRAFT COMPONENTS, NOT OTHERWISE PROVIDED FOR
- B64F5/00—Designing, manufacturing, assembling, cleaning, maintaining or repairing aircraft, not otherwise provided for; Handling, transporting, testing or inspecting aircraft components, not otherwise provided for
- B64F5/60—Testing or inspecting aircraft components or systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Manufacturing & Machinery (AREA)
- Transportation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明涉及机器学习技术领域,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,所述方法包括以下步骤:数据采集、数据清洗与特征工程、特征提取、数据集划分、模型选择与训练、模型评估和模型调整,本发明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;同时一种基于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;所述系统包括数据采集模块、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。
Description
技术领域
本发明涉及机器学习技术领域,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。
背景技术
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。
发明内容
针对上述情况,为克服现有技术的缺陷,本发明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。
本发明采取的技术方案如下:本发明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:
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;
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;
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;
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;
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;
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;
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。
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:
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;
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;
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;
步骤34:特征表示存储,将新的特征表示保存为新的数据集;
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。
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:
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;
进一步的,步骤51具体包括以下步骤:
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;
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;
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;
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;
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:
;
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;
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;
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;
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;
进一步的,步骤54具体包括以下步骤:
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;
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;
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;
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;
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;
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。
本发明提供的一种基于机器学习的飞机油箱漏点定位系统,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,具体包括以下内容:
所述数据采集模块采集来自油箱内外的油箱数据集,并且收集飞机操作状态,将采集的油箱数据集和飞机操作状态发送至数据预处理模块;
所述数据预处理模块接收数据采集模块发送的数据,对数据进行清洗、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并发送至特征提取模块;
所述特征提取模块接收特征提取模块发送的油箱数据集,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,得到新的数据集并传输给机器学习模块;
所述机器学习模块接收特征提取模块发送的新的数据集,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;
所述漏点定位模块采用训练完成的油箱漏点定位模型对实时数据或历史数据进行分析和预测,识别油箱漏点的位置和可能性,得到漏点定位结果并发送至告警反馈模块;
所述告警反馈模块接收漏点定位模块发送的漏点定位结果,根据漏点定位结果生成告警信息,提醒操作人员采取相应的行动;
所述监控与优化模块监控整个系统运行状态,对油箱漏点定位模型进行更新、优化或改进。
采用上述方案本发明取得的有益效果如下:
(1)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。
(2)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。
附图说明
图1为本发明提供的一种基于机器学习的飞机油箱漏点定位方法的流程示意图;
图2为步骤3的流程示意图;
图3为步骤5的流程示意图;
图4为步骤51的流程示意图;
图5为步骤54的流程示意图;
图6为本发明提供的一种基于机器学习的飞机油箱漏点定位系统的模块示意图。
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例;基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
实施例一,参阅图1,本发明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:
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;
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;
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;
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;
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;
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;
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。
实施例二,参阅图2,本实施例基于上述实施例,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:
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;
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;
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;
步骤34:特征表示存储,将新的特征表示保存为新的数据集;
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。
实施例三,参阅图3、图4和图5,本实施例基于上述实施例,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:
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;
步骤51具体包括以下步骤:
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,并为这个特征设置一个阈值;
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;
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;
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;
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:
;
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;
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;
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;
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;
步骤54具体包括以下步骤:
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;
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;
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;
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;
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;
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。
实施例四,参阅图6,本发明提供的一种基于机器学习的飞机油箱漏点定位系统,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,具体包括以下内容:
所述数据采集模块采集来自油箱内外的油箱数据集,并且收集飞机操作状态,将采集的油箱数据集和飞机操作状态发送至数据预处理模块;
所述数据预处理模块接收数据采集模块发送的数据,对数据进行清洗、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并发送至特征提取模块;
所述特征提取模块接收特征提取模块发送的油箱数据集,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,得到新的数据集并传输给机器学习模块;
所述机器学习模块接收特征提取模块发送的新的数据集,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;
所述漏点定位模块采用训练完成的油箱漏点定位模型对实时数据或历史数据进行分析和预测,识别油箱漏点的位置和可能性,得到漏点定位结果并发送至告警反馈模块;
所述告警反馈模块接收漏点定位模块发送的漏点定位结果,根据漏点定位结果生成告警信息,提醒操作人员采取相应的行动;
所述监控与优化模块监控整个系统运行状态,对油箱漏点定位模型进行更新、优化或改进。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
以上对本发明及其实施方式进行了描述,这种描述没有限制性,附图中所示的也只是本发明的实施方式之一,实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本发明的保护范围。
Claims (2)
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:
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;
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;
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;
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;
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;
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;
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;
步骤3包括以下步骤:
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;
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;
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;
步骤34:特征表示存储,将新的特征表示保存为新的数据集;
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;
步骤5包括以下步骤:
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;
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;
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;
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;
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;
步骤51包括以下步骤:
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,并为这个特征设置一个阈值;
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;
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;
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;
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:
;
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;
步骤54包括以下步骤:
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;
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;
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;
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;
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。
2.一种基于机器学习的飞机油箱漏点定位系统,用于实现权利要求1所述的一种基于机器学习的飞机油箱漏点定位方法,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,具体包括以下内容:
所述数据采集模块采集来自油箱内外的油箱数据集,并且收集飞机操作状态,将采集的油箱数据集和飞机操作状态发送至数据预处理模块;
所述数据预处理模块接收数据采集模块发送的数据,对数据进行清洗、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并发送至特征提取模块;
所述特征提取模块接收特征提取模块发送的油箱数据集,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,得到新的数据集并传输给机器学习模块;
所述机器学习模块接收特征提取模块发送的新的数据集,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;
所述漏点定位模块采用训练完成的油箱漏点定位模型对实时数据或历史数据进行分析和预测,识别油箱漏点的位置和可能性,得到漏点定位结果并发送至告警反馈模块;
所述告警反馈模块接收漏点定位模块发送的漏点定位结果,根据漏点定位结果生成告警信息,提醒操作人员采取相应的行动;
所述监控与优化模块监控整个系统运行状态,对油箱漏点定位模型进行更新、优化或改进。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410119518.0A CN117647367B (zh) | 2024-01-29 | 2024-01-29 | 一种基于机器学习的飞机油箱漏点定位方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410119518.0A CN117647367B (zh) | 2024-01-29 | 2024-01-29 | 一种基于机器学习的飞机油箱漏点定位方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117647367A CN117647367A (zh) | 2024-03-05 |
CN117647367B true CN117647367B (zh) | 2024-04-16 |
Family
ID=90046297
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410119518.0A Active CN117647367B (zh) | 2024-01-29 | 2024-01-29 | 一种基于机器学习的飞机油箱漏点定位方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117647367B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111814385A (zh) * | 2020-05-28 | 2020-10-23 | 平安科技(深圳)有限公司 | 预测加工件质量的方法、装置和计算机设备 |
WO2021007812A1 (zh) * | 2019-07-17 | 2021-01-21 | 深圳大学 | 一种深度神经网络超参数优化方法、电子设备及存储介质 |
CN112861903A (zh) * | 2020-12-03 | 2021-05-28 | 南京航空航天大学 | 一种基于改进深度森林的齿轮箱故障诊断方法 |
CN113255546A (zh) * | 2021-06-03 | 2021-08-13 | 成都卡莱博尔信息技术股份有限公司 | 一种用于飞机系统传感器故障的诊断方法 |
CN113408743A (zh) * | 2021-06-29 | 2021-09-17 | 北京百度网讯科技有限公司 | 联邦模型的生成方法、装置、电子设备和存储介质 |
CN114511014A (zh) * | 2022-01-21 | 2022-05-17 | 北京城建勘测设计研究院有限责任公司 | 基于图像深度学习算法的地铁隧道渗漏水检测系统及方法 |
KR20220151257A (ko) * | 2021-05-06 | 2022-11-15 | 한양대학교 산학협력단 | 강화 학습 및 가우시안 프로세스 회귀 기반 하이퍼 파라미터 최적화 |
CN115526227A (zh) * | 2022-08-15 | 2022-12-27 | 中国电子科技集团公司第五十四研究所 | 一种直升机飞行数据瞬时异常检测方法 |
CN116844566A (zh) * | 2023-05-15 | 2023-10-03 | 海纳科德(湖北)科技有限公司 | 一种小样本数据下气体泄漏故障检测方法及装置 |
CN116881819A (zh) * | 2023-09-07 | 2023-10-13 | 成都理工大学 | 一种基于孤立森林的斜拉索工作状态监测方法 |
CN117033928A (zh) * | 2023-07-14 | 2023-11-10 | 成都老鹰信息技术有限公司 | 基于机器学习的卫星互联网流量识别系统 |
CN117349797A (zh) * | 2023-12-04 | 2024-01-05 | 四川航空股份有限公司 | 基于人工智能的飞机故障检测方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10600005B2 (en) * | 2018-06-01 | 2020-03-24 | Sas Institute Inc. | System for automatic, simultaneous feature selection and hyperparameter tuning for a machine learning model |
US11900231B2 (en) * | 2019-12-31 | 2024-02-13 | Paypal, Inc. | Hierarchy optimization method for machine learning |
US20210256422A1 (en) * | 2020-02-19 | 2021-08-19 | Google Llc | Predicting Machine-Learned Model Performance from the Parameter Values of the Model |
EP3997547A4 (en) * | 2020-07-10 | 2023-06-21 | Feedzai - Consultadoria e Inovação Tecnológica, S.A. | BANDIT-BASED TECHNIQUES FOR FAIRNESS-CONSCIOUS HYPERPARAMETER OPTIMIZATION |
-
2024
- 2024-01-29 CN CN202410119518.0A patent/CN117647367B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021007812A1 (zh) * | 2019-07-17 | 2021-01-21 | 深圳大学 | 一种深度神经网络超参数优化方法、电子设备及存储介质 |
CN111814385A (zh) * | 2020-05-28 | 2020-10-23 | 平安科技(深圳)有限公司 | 预测加工件质量的方法、装置和计算机设备 |
CN112861903A (zh) * | 2020-12-03 | 2021-05-28 | 南京航空航天大学 | 一种基于改进深度森林的齿轮箱故障诊断方法 |
KR20220151257A (ko) * | 2021-05-06 | 2022-11-15 | 한양대학교 산학협력단 | 강화 학습 및 가우시안 프로세스 회귀 기반 하이퍼 파라미터 최적화 |
CN113255546A (zh) * | 2021-06-03 | 2021-08-13 | 成都卡莱博尔信息技术股份有限公司 | 一种用于飞机系统传感器故障的诊断方法 |
CN113408743A (zh) * | 2021-06-29 | 2021-09-17 | 北京百度网讯科技有限公司 | 联邦模型的生成方法、装置、电子设备和存储介质 |
CN114511014A (zh) * | 2022-01-21 | 2022-05-17 | 北京城建勘测设计研究院有限责任公司 | 基于图像深度学习算法的地铁隧道渗漏水检测系统及方法 |
CN115526227A (zh) * | 2022-08-15 | 2022-12-27 | 中国电子科技集团公司第五十四研究所 | 一种直升机飞行数据瞬时异常检测方法 |
CN116844566A (zh) * | 2023-05-15 | 2023-10-03 | 海纳科德(湖北)科技有限公司 | 一种小样本数据下气体泄漏故障检测方法及装置 |
CN117033928A (zh) * | 2023-07-14 | 2023-11-10 | 成都老鹰信息技术有限公司 | 基于机器学习的卫星互联网流量识别系统 |
CN116881819A (zh) * | 2023-09-07 | 2023-10-13 | 成都理工大学 | 一种基于孤立森林的斜拉索工作状态监测方法 |
CN117349797A (zh) * | 2023-12-04 | 2024-01-05 | 四川航空股份有限公司 | 基于人工智能的飞机故障检测方法及系统 |
Non-Patent Citations (2)
Title |
---|
供水管网系统监测与漏损定位方法的研究;郑文君;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20240115(第01期);C038-1261 * |
基于强化学习的超参数优化方法;陈森朋;吴佳;陈修云;;小型微型计算机系统;20200409(04);9-14 * |
Also Published As
Publication number | Publication date |
---|---|
CN117647367A (zh) | 2024-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7769561B2 (en) | Robust sensor correlation analysis for machine condition monitoring | |
CN110363337B (zh) | 一种基于数据驱动的抽油机量油方法及系统 | |
NO343417B1 (no) | System og fremgangsmåte for tilstandsvurdering av nedihullsverktøy | |
US11971280B2 (en) | Metering and correcting methods and systems for ultrasonic gas meters based on smart gas internet of things | |
CN113539382B (zh) | 一种亚磷酸二甲酯关键工艺参数的预警定位方法及系统 | |
EP1960853A1 (en) | Evaluating anomaly for one-class classifiers in machine condition monitoring | |
CN112016251A (zh) | 一种核动力装置故障的诊断方法及系统 | |
EP1958034B1 (en) | Use of sequential clustering for instance selection in machine condition monitoring | |
CN113898334B (zh) | 一种抽油机井多功能综合测试仪参数智能分析方法及系统 | |
CN108961460B (zh) | 基于稀疏esgp与多目标优化的故障预测方法及装置 | |
CN114896861A (zh) | 基于平方根容积卡尔曼滤波的滚动轴承剩余寿命预测方法 | |
CN117647367B (zh) | 一种基于机器学习的飞机油箱漏点定位方法及系统 | |
CN117520960A (zh) | 基于XGBoost和特征组合的轴承故障诊断方法 | |
CN110866347A (zh) | 显示器件的寿命预估方法和装置、存储介质 | |
CN117405175B (zh) | 海洋环境智能监测系统 | |
CN116991146A (zh) | 一种超声波清洗装置的控制方法及系统 | |
CN117077051A (zh) | 一种大坝监测异常数据自适应识别方法 | |
CN114490603A (zh) | 一种基于增量局部异常因子的机械流式数据清洗方法 | |
CN115508511B (zh) | 基于网格化设备全参数特征分析的传感器自适应校准方法 | |
CN117939504B (zh) | 基于干扰感知的自组网抗干扰方法及相关装置 | |
CN117093899B (zh) | 基于相异差和双流扩维图的燃气管网泄漏检测方法及系统 | |
CN117195946B (zh) | 一种基于扩展卡尔曼滤波的wsn机动目标跟踪方法 | |
CN117235434B (zh) | 林业碳汇项目基线构建方法、系统、终端及介质 | |
Fezai et al. | Online statistical hypothesis test for leak detection in water distribution networks | |
CN116451161A (zh) | 大坝变形监测数据异常值自适应识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |