典型文献
基于集成学习的涡扇发动机剩余寿命预测
文献摘要：
针对现有基于神经网络的剩余使用寿命预测方法存在训练时间较长的问题,提出一种基于XGBoost(extreme?gradient?boosting,?XGBoost)算法的预测模型.首先,清洗历史数据,重构出涡扇发动机剩余使用寿命的完整退化轨迹数据;其次,分析各个特征与剩余使用寿命之间的相关性,依据零方差标准筛选可用特征;最后,通过XGBoost算法建立剩余使用寿命预测模型,并采用网格搜索法优化模型参数.结果表明,基于XGBoost算法的模型预测性能优于GBDT(gradient?boosting?decision?tree),其中,拟合优度(r2)提升了约5％;均方根误差(RMSE)降低约6.83％;训练时间缩短近4/5.与CNN-LSTM方法相比,虽然XGBoost方法的预测精度略低,但训练时间较短,综合效率更高.
文献关键词：
剩余使用寿命预测;XGBoost;特征选择;涡扇发动机
中图分类号：
作者姓名：
张豹;刘琼;吴细宝;陈雯柏
作者机构：
北京信息科技大学自动化学院,北京 100192
文献出处：
引用格式：
[1]张豹;刘琼;吴细宝;陈雯柏-.基于集成学习的涡扇发动机剩余寿命预测)[J].中国测试,2022(07):47-52
A类：
B类：
集成学习,涡扇发动机,剩余寿命预测,剩余使用寿命预测,寿命预测方法,训练时间,XGBoost,extreme,gradient,boosting,历史数据,退化轨迹,轨迹数据,寿命预测模型,网格搜索法,预测性能,GBDT,decision,tree,拟合优度,r2,RMSE,略低,综合效率,特征选择
AB值：
0.28766
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
