[发明专利]涡轮诊断特性选择系统

权利要求书

1.一种机器学习系统，所述机器学习系统用于涡轮喷气发动机的诊断特性选择，其特征在于，包括：

处理器，所述处理器执行存储在存储器中的计算机可执行部件；

原始参数分析器，所述原始参数分析器识别与一组相应的原始参数相关联的特征，所述一组相应的原始参数与所述涡轮喷气发动机相关联，所述一组相应的原始参数来自传感器，并且包括涡轮风扇转速、风扇应力、废气温度、燃料流量或涡轮电流消耗；

模型构建器，所述模型构建器基于在所述一组相应的原始参数中的一个参数来构建分类模型，并计算赤池信息量准则AIC、曲线下面积AUC和按照阿尔法错误的假设接受p值；

排名部件，所述排名部件基于相应计算的赤池信息量准则AIC、曲线下面积AUC和按照阿尔法错误的假设接受p值来计算相应的原始参数的重要性排名；

排序部件，所述排序部件基于相应的原始参数的重要性排名，对特性进行排序；以及

选择部件，所述选择部件基于所述排序来选择至少两个特性，从而与构建所述分类模型相关地使用，其中，所述分类模型基于故障事件的可能性和成本，通过一个或多个外部用户界面设备来生成包括维护活动的咨询输出。

2.根据权利要求1所述的系统，其特征在于，进一步包括聚类部件，所述聚类部件将两个或更多个被选择的特性组合到相应群集中，并计算所述相应群集的赤池信息量准则AIC、曲线下面积AUC和按照阿尔法错误的假设接受p值。

3.根据权利要求2所述的系统，其特征在于，所述排名部件计算所述相应群集的重要性排名，并且所述排序部件基于重要性排名对所述相应群集进行排序，并基于所述群集排名进一步训练所述分类模型。

4.根据权利要求1所述的系统，其特征在于，进一步包括相互依存部件，所述相互依存部件学习与所述特性相关联的相互依存性。

5.根据权利要求1所述的系统，其特征在于，所述分类模型可操作地耦合到其他分类模型，并且相应的分类模型交叉学习。

6.根据权利要求1所述的系统，其特征在于，所述选择部件与构建所述模型相关地添加新特性，并比较在训练所述新特性前后的所述模型的准确性。

7.根据权利要求1所述的系统，其特征在于，进一步包括上下文部件，所述上下文部件与构建所述模型相关地将上下文参数添加到被选择的特性。

8.根据权利要求1所述的系统，其特征在于，所述分类模型被部分地训练，以进行基于效用的分析，其中相对于作出正确决策的好处，对作出某种错误决策的成本进行权衡。

9.一种促进构建分类模型的方法，所述方法用于涡轮喷气发动机的诊断特性选择，其特征在于，包括：

使用执行存储在存储器中的计算机可执行部件的处理器来进行以下行为：

使用原始参数分析器来识别与一组相应的原始参数相关联的特征，所述一组相应的原始参数与所述涡轮喷气发动机相关联，所述一组相应的原始参数来自传感器，所述一组相应的原始参数包括涡轮风扇转速、风扇应力、废气温度、燃料流量或涡轮电流消耗；

使用模型构建器，以基于在所述一组相应的原始参数中的一个参数来构建分类模型，并计算赤池信息量准则AIC、曲线下面积AUC和按照阿尔法错误的假设接受p值；

使用排名部件，以基于相应计算的赤池信息量准则AIC、曲线下面积AUC和按照阿尔法错误的假设接受p值来计算相应的原始参数的重要性排名；

使用排序部件，以基于相应的原始参数的重要性排名，对特性进行排序；以及

使用选择部件，以基于所述排序来选择至少两个特性，从而与构建所述分类模型相关地使用，其中，所述分类模型基于故障事件的可能性和成本，通过一个或多个外部用户界面设备来生成包括维护活动的咨询输出。

10.根据权利要求9所述的方法，其特征在于，进一步包括使用聚类部件将至少两个被选择的特性组合到相应群集中，并计算所述相应群集的赤池信息量准则AIC、曲线下面积AUC和按照阿尔法错误的假设接受p值。