申请/专利权人：四川航空股份有限公司

申请日：2024-01-29

公开（公告）日：2024-04-16

公开（公告）号：CN117647367B

主分类号：G01M3/32

分类号：G01M3/32;B64F5/60;G06F18/20;G06F18/2433;G06N20/00

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2024.03.22#实质审查的生效;2024.03.05#公开

摘要：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Lipschitzbandit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。

主权项：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Lipschitzbandit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Lipschitzbandit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Lipschitzbandit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。

全文数据：

权利要求：

百度查询： 四川航空股份有限公司 一种基于机器学习的飞机油箱漏点定位方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD