CN117688316A - 一种用于飞机载荷预测的数据降维处理方法 - Google Patents

Abstract

本申请提供了一种用于飞机载荷预测的数据降维处理方法，属于飞行器结构分析技术领域，该方法包括：步骤一、获取飞机的飞行参数，对所述飞行参数的数据集进行中心化得到新的飞行参数数据集，将所述新的飞行参数数据集划分为训练集和预测集；步骤二、对基于所述新的飞行参数数据集，建立飞行参数与载荷之间的LASSO线性回归模型；步骤三、选取目标函数；步骤四、选取交叉验证折数，并基于交叉验证方法对训练集下的回归模型进行训练；步骤五、开始线性回归模型训练，得到飞参特征重要性排序，去掉特征重要性排名最低的飞参；步骤六、重复步骤五，直到目标函数数值降低，得到剩余的飞行参数，所述剩余的飞行参数即为降维后的飞行参数。

Description

一种用于飞机载荷预测的数据降维处理方法

技术领域

本申请属于飞行器结构分析领域，特别涉及一种用于飞机载荷预测的数据降维处理方法。

背景技术

飞行参数数据主要记录飞机重要系统和部件的工作情况、状态信息等。飞机集成了大量的不同类型的传感器，这些传感器形成了海量的传感器数据。现有技术中记录飞行参数的传感器少则几十种、多则上百种。随着飞机服役时间的增长，这些传感器数据不断积累，成为飞机大数据的重要组成部分。当样本数量很大时，计算机存储的内存和运算的时间会增加，不能高效快速的输出分析结果，因此需要对传感器数据进行特征处理。特征提取是数据高维度特征的一种预处理方法，将高维度数据的重要特征保留下来，去除不重要的特征，从而实现提升数据处理速度的目标。

发明内容

本申请的目的是提供了一种用于飞机载荷预测的数据降维处理方法，以解决或减轻背景技术中的至少一个问题。

本申请的技术方案是：一种用于飞机载荷预测的数据降维处理方法，包括：

步骤一、获取飞机的飞行参数，对所述飞行参数的数据集进行中心化得到新的飞行参数数据集，将所述新的飞行参数数据集划分为训练集和预测集；

步骤二、对基于所述新的飞行参数数据集，建立飞行参数与载荷之间的LASSO线性回归模型；

步骤三、选取目标函数；

步骤四、选取交叉验证折数，并基于交叉验证方法对训练集下的回归模型进行训练；

步骤五、开始线性回归模型训练，得到飞参特征重要性排序，去掉特征重要性排名最低的飞参；

步骤六、重复步骤五，直到目标函数数值降低，得到剩余的飞行参数，所述剩余的飞行参数即为降维后的飞行参数。

优选的，在步骤一中，对所述飞行参数的数据集进行中心化得到新的飞行参数数据集的过程为：每一列飞行参数数据减去该列的均值，得到新数据集x，数据集列数为维度m，行数为样本数n。

优选的，在步骤二中，所述LASSO线性回归模型为：

y_i＝w·x_i+b

式中，x_i表示第i个m维的飞参样本向量；

w为m维的飞参权重向量；

y_i为第i个样本数据中的载荷值；

b为截距；

通过LASSO线性回归模型是对飞行参数进行压缩，选择重要的变量，在均方误差函数中引入惩罚项，表达式为：

式中，为引入惩罚项后的飞机权重向量，/>为惩罚项，λ为非负参数，l为训练集的样本数。

优选的，在步骤三中，所述目标函数选取决定系数评价回归模型的优劣程度，所述决定系数R²为：

式中，y_j为预测集中的第j个样本对应的载荷真实值，为相应的预测值，/>为预测集中所有载荷真实值的均值，预测集样本数一共为n个；决定系数R²越大，其值越接近1，表示模型预测效果越好。

优选的，在步骤四中，选取交叉验证折数不少于N，N＝5；

在交叉验证中，数据被多次划分，并且需要训练多个模型；在执行N折的交叉验证时，首先将数据划分为相等的N部分，每一部分称作折；

使用第1折作为测试集、其他折作为训练集来训练第一个模型，在第1折上评估预测模型精度；

之后构建第二个模型，这次使用第2折作为测试集，第1、3、..、N折中的数据作为训练集训练第一个模型，在第2折上评估预测模型精度；

继续重复上述过程，评估N个预测模型精度，取N个模型精度的平均值作为LASSO线性回归模型的精度。

优选的，本申请的方法还包括：

将原数据集和降维后的数据集输入到基于神经网络的飞行参数与载荷预测模型中，对比数据处理前后载荷预测输出的精度。

本申请的方法能够快速得到多个参数的最优取值，使得飞机关键结构预测载荷的输出满足精度要求，节省了大量的人力和物力，提升了处理飞机使用数据的效率，该方法可广泛应用于航空航天结构强度分析和健康监控之中。

附图说明

为了更清楚地说明本申请提供的技术方案，下面将对附图作简单地介绍。显而易见地，下面描述的附图仅仅是本申请的一些实施例。

图1为本申请的用于飞机载荷预测的数据降维处理方法示意图。

图2为本申请一实施例中的飞参数据特征提取前和特征提取后载荷预测结果的R²对比图。

具体实施方式

为使本申请实施的目的、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更加详细的描述。

为了实现飞机关键结构的飞行参数数据降维，为飞机关键结构载荷高效预测和载荷监控提供支持，本申请提供一种飞机载荷预测的数据降维处理方法，通过对飞行参数数据中的信息进行挖掘，去除数据中的不重要特征，得到特征重要的而且易于使用的数据。

如图1所示，本申请提供的飞机载荷预测的数据降维处理方法包括以下步骤：

步骤一、获取飞机的飞行参数(以下或简称飞参)数据，对仅包含飞行参数数据的数据集进行中心化，得到新数据集，将新的数据集划分为训练集和预测集；

其中，对仅包含飞参数值的数据集进行中心化方法为：每一列飞行参数数据减去该列的均值，得到新数据集x，数据集列数为维度m，行数为样本数n。

例如在本申请该实施例中，对大型运输机机翼4肋进行飞行参数记录，同时通过有限元计算得到相应的剪力、弯矩、扭矩载荷值。将获取样本数为160的数据集划分为样本数为l1＝121的训练集和样本数为l2＝39的预测集，每一个样本包含28个飞参数值(见表1)和对应的剪力、弯矩、扭矩3个载荷数值。

表1飞行参数列表

步骤二、对飞参数据中心化后，建立飞行参数与载荷之间的LASSO线性回归模型，该LASSO线性回归模型为：y_i＝w·x_i+b

式中，x_i表示第i个飞参样本，是一个m维的向量，w也是一个m维的向量，里面的值代表着对应飞参的权重；y_i是第i个样本数据中的载荷值，b是截距。

其中，LASSO线性回归是对飞行参数进行压缩，选择重要的变量，在均方误差函数中引入惩罚项，表达式为：

式中，为引入惩罚项后的飞机权重向量，/>为惩罚项，λ为非负参数，l为训练集的样本数。

步骤三、设置目标函数。

本申请中采用的目标函数为R²，R²称为决定系数或者拟合优度，常用于评价回归模型的优劣程度；

式中，y_j为预测集中的第j个样本对应的载荷真实值，为相应的预测值，/>为预测集中所有载荷真实值的均值，预测集样本数一共为n个。决定系数R²越大，其值越接近1，表示模型预测效果越好。

步骤四、设置交叉验证次数。

本申请中，选取交叉验证折数不少于N，N＝3。在交叉验证中，数据被多次划分，并且需要训练多个模型。以进行3折交叉验证为例，在执行3折交叉验证时，首先将数据划分为大致相等的三个部分，每一部分称作折。使用第1折作为测试集、其他折(第2折和第3折)作为训练集来训练第一个模型，在第1折上评估回归模型的精度。之后构建第二个模型，这次使用第2折作为测试集，第1、3折中的数据作为训练集评估回归模型的精度。再之后构建第三个模型，使用第3折作为测试集，第1、2折中的数据作为训练集评估回归模型的精度。回归模型的精度取三个模型精度的平均值。

步骤五、开始线性回归模型训练，得到飞参特征重要性排序，去掉特征重要性排名最低的飞参。

步骤六、重复步骤五，直到目标函数数值降低，此时得到剩余的飞参，该剩余的飞参就是特征提取之后的飞参。

例如在本申请该实施例中，导入训练集开始训练LASSO线性回归模型，得到飞参特征重要性排序结果，去掉特征重要性排名最后的飞参Xcg，将剩下的飞参作为训练集，继续构建飞参和载荷的LASSO线性回归模型，又得到飞参特征重要性排序结果，再次去掉特征重要性排名最后的飞参Ycg，继续重复上述步骤，直到目标函数R²的取值降低，停止构建回归模型，此时输出最终剩下的飞参。该实施例中，最终剩下的飞参个数为7，如表2所示。

表2特征提取后的飞行参数列表

本申请的方法中可选的还包括如下步骤：

步骤七、将原数据集和特征提取后/降维后的数据集输入到基于神经网络的飞参-载荷预测模型中，对比数据处理前后载荷预测输出的精度。

本申请该实施例中建立了基于神经网络的飞参-载荷预测模型，将原数据和特征提取后的数据输入到模型中，输出预测模型的决定系数R²。

图2所示为飞参数据特征提取前(维度28)和飞参数据特征提取后(维度7)三种载荷剪力、弯矩和扭矩预测结果决定系数R²的对比，从图中可以看出，特征提取前后载荷预测精度基本相当，即在数据降维的情况下，保证了预测的精度。

本申请提出的用于飞机载荷预测的数据降维处理方法通过对采集得到的包含多个飞参数据集进行特征提取，去除了数据集中的不重要特征，保留了数据集中重要的特征和信息，使得数据变得更加简洁和更易于使用，将特征提取后的数据输入到基于神经网络的飞参-载荷预测模型，实现了预测载荷的高效和精准输出，该方法为飞机飞参数据处理分析提供了支持，可提升飞机结构载荷预测模型的性能，可广泛应用于航空航天结构强度分析和飞机结构载荷监控之中。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (6)

1.一种用于飞机载荷预测的数据降维处理方法，其特征在于，包括：

步骤一、获取飞机的飞行参数，对所述飞行参数的数据集进行中心化得到新的飞行参数数据集，将所述新的飞行参数数据集划分为训练集和预测集；

步骤二、对基于所述新的飞行参数数据集，建立飞行参数与载荷之间的LASSO线性回归模型；

步骤三、选取目标函数；

步骤四、选取交叉验证折数，并基于交叉验证方法对训练集下的回归模型进行训练；

步骤五、开始线性回归模型训练，得到飞参特征重要性排序，去掉特征重要性排名最低的飞参；

步骤六、重复步骤五，直到目标函数数值降低，得到剩余的飞行参数，所述剩余的飞行参数即为降维后的飞行参数。

2.如权利要求1所述的用于飞机载荷预测的数据降维处理方法，其特征在于，在步骤一中，对所述飞行参数的数据集进行中心化得到新的飞行参数数据集的过程为：每一列飞行参数数据减去该列的均值，得到新数据集x，数据集列数为维度m，行数为样本数n。

3.如权利要求2所述的用于飞机载荷预测的数据降维处理方法，其特征在于，在步骤二中，所述LASSO线性回归模型为：

y_i＝w·x_i+b

式中，x_i表示第i个m维的飞参样本向量；

w为m维的飞参权重向量；

y_i为第i个样本数据中的载荷值；

b为截距；

通过LASSO线性回归模型是对飞行参数进行压缩，选择重要的变量，在均方误差函数中引入惩罚项，表达式为：

式中，为引入惩罚项后的飞机权重向量，/>为惩罚项，λ为非负参数，l为训练集的样本数。

4.如权利要求3所述的用于飞机载荷预测的数据降维处理方法，其特征在于，在步骤三中，所述目标函数选取决定系数评价回归模型的优劣程度，所述决定系数R²为：

式中，y_j为预测集中的第j个样本对应的载荷真实值，为相应的预测值，/>为预测集中所有载荷真实值的均值，预测集样本数一共为n个；决定系数R²越大，其值越接近1，表示模型预测效果越好。

5.如权利要求4所述的用于飞机载荷预测的数据降维处理方法，其特征在于，在步骤四中，选取交叉验证折数不少于N，N＝5；

在交叉验证中，数据被多次划分，并且需要训练多个模型；在执行N折的交叉验证时，首先将数据划分为相等的N部分，每一部分称作折；

使用第1折作为测试集、其他折作为训练集来训练第一个模型，在第1折上评估预测模型精度；

之后构建第二个模型，这次使用第2折作为测试集，第1、3、..、N折中的数据作为训练集训练第一个模型，在第2折上评估预测模型精度；

继续重复上述过程，评估N个预测模型精度，取N个模型精度的平均值作为LASSO线性回归模型的精度。

6.如权利要求1至5任一所述的用于飞机载荷预测的数据降维处理方法，其特征在于，还包括：

将原数据集和降维后的数据集输入到基于神经网络的飞行参数与载荷预测模型中，对比数据处理前后载荷预测输出的精度。