CN117688316A - 一种用于飞机载荷预测的数据降维处理方法 - Google Patents
一种用于飞机载荷预测的数据降维处理方法 Download PDFInfo
- Publication number
- CN117688316A CN117688316A CN202311709774.7A CN202311709774A CN117688316A CN 117688316 A CN117688316 A CN 117688316A CN 202311709774 A CN202311709774 A CN 202311709774A CN 117688316 A CN117688316 A CN 117688316A
- Authority
- CN
- China
- Prior art keywords
- data
- flight parameters
- flight
- prediction
- fold
- 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
- 230000009467 reduction Effects 0.000 title claims abstract description 24
- 238000003672 processing method Methods 0.000 title claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000012417 linear regression Methods 0.000 claims abstract description 18
- 238000012795 verification Methods 0.000 claims abstract description 7
- 238000002790 cross-validation Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 6
- 238000000605 extraction Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 9
- 238000005452 bending Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
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
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:
yi=w·xi+b
式中,xi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;
yi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,yj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:yi=w·xi+b
式中,xi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;yi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,yj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:
yi=w·xi+b
式中,xi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;
yi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,yj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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311709774.7A CN117688316A (zh) | 2023-12-13 | 2023-12-13 | 一种用于飞机载荷预测的数据降维处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311709774.7A CN117688316A (zh) | 2023-12-13 | 2023-12-13 | 一种用于飞机载荷预测的数据降维处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117688316A true CN117688316A (zh) | 2024-03-12 |
Family
ID=90131527
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311709774.7A Pending CN117688316A (zh) | 2023-12-13 | 2023-12-13 | 一种用于飞机载荷预测的数据降维处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117688316A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117892639A (zh) * | 2024-03-15 | 2024-04-16 | 大连理工大学 | 一种飞参数据驱动的飞行器结构寿命预测方法 |
-
2023
- 2023-12-13 CN CN202311709774.7A patent/CN117688316A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117892639A (zh) * | 2024-03-15 | 2024-04-16 | 大连理工大学 | 一种飞参数据驱动的飞行器结构寿命预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108803520B (zh) | 一种基于变量非线性自相关性剔除的动态过程监测方法 | |
CN117688316A (zh) | 一种用于飞机载荷预测的数据降维处理方法 | |
CN111523081B (zh) | 一种基于增强门控循环神经网络的航空发动机故障诊断方法 | |
CN112417028B (zh) | 一种风速时序特征挖掘方法及短期风电功率预测方法 | |
CN110909802A (zh) | 一种基于改进的pso优化pnn平滑因子的故障分类方法 | |
CN111290967A (zh) | 一种软件缺陷预测方法、装置、设备及存储介质 | |
CN105512264A (zh) | 分布式数据库中并发工作负载的性能预测方法 | |
CN111985845B (zh) | 一种异构Spark集群的节点优先级调优方法 | |
CN113657814B (zh) | 一种航空网络风险预测方法及风险等级评估方法 | |
CN112308298B (zh) | 一种面向半导体生产线的多场景性能指标预测方法及系统 | |
CN112834221A (zh) | 一种基于eemd-mse和多尺度一维卷积神经网络轴承故障诊断方法 | |
CN110610226A (zh) | 一种发电机故障预测方法及装置 | |
CN111209316A (zh) | 一种信息素养数据挖掘方法、装置、电子设备及存储介质 | |
CN115345227A (zh) | 基于pca融合机器学习的剪力墙震损破坏模式预测方法 | |
CN115963420A (zh) | 一种电池soh影响因素分析方法 | |
CN111783242A (zh) | 一种基于rvm-kf的滚动轴承剩余寿命预测方法及装置 | |
CN114969958A (zh) | 一种飞机载荷预测的数据降维处理方法 | |
CN112733724A (zh) | 基于判别样本元挖掘器的亲属关系验证方法和装置 | |
CN112199285B (zh) | 一种测试案例优选方法、装置及电子设备 | |
Li | Remaining useful life prediction of bearings using fuzzy multimodal extreme learning regression | |
CN115169740A (zh) | 基于压缩感知的池化回声状态网络的序列预测方法及系统 | |
CN113435321A (zh) | 一种主轴轴承状态评估方法、系统、设备及可读存储介质 | |
CN114896841A (zh) | 一种基于领域自适应的在线结构损伤量化方法 | |
CN109190968B (zh) | 空管运行效率等级评估方法及其装置 | |
CN112052523A (zh) | 一种基于载荷特性比对的直升机旋翼动部件强度设计方法 |
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 |