[发明专利]涡轮诊断特性选择系统

说明书

涡轮诊断机器学习系统使用一个或多个参数或参数特征来构建一个或多个涡轮发动机性能模型。涡轮发动机性能的模型包括排名参数或参数特征，其排名由模型构建器基于AIC、AUC和p值的函数来计算，从而产生相应的重要性排名。然后，这些原始参数和原始参数特征根据其重要性排名被排序，并由选择部件选择以形成一个或多个已完成的模型。一个或多个模型可操作地耦合到一个或多个其他模型，以便于系统进一步的机器学习功能。

技术领域

本文公开的主题大体涉及特性选择，更具体地，涉及优化选择一个或多个涡轮喷气发动机参数，这些参数以一种或多种方式与故障事件相关联。

背景技术

当飞机在登机口或停机坪上延误时，实时操作设置中的飞行器或大多数关键设备中的发动机操作的损失通常会导致空闲时间。这种时间损失通常会导致超出预计操作预算的许多无关成本中的一个或多个。附加成本出现的形式可以是增加维护成本、不为客户提供服务的机会成本、对后续飞行计划做出的下游调整或对品牌做出的质量影响。

这种时间损失大体上取决于维护团队关于识别故障的直接原因的正确诊断故障事件的能力。正确识别关于设备故障事件的一个或多个性能参数可以直接指示导致故障的设备部件或零件。

这种将参数与设备故障准确链接的努力遇到了从非常大的参数候选分组中选择参数的挑战。当前的特性选择方法会导致故障事件和准确参数选择之间的时间损失限量。

上述一个或多个操作设置中当前特性选择方法的不足只是为了提供对当前方法的一些障碍的概述，而不是完全全面的。通过阅读以下详细描述，目前的技术水平的其他缺点以及在此描述的各种非限制性实施例的后续益处将变得更加明显。

发明内容

下面介绍了所公开主题的概要，以便对各种实施例的某些方面提供基本理解。本概要不是对各种实施例的广泛概述。它既不用于识别各种实施例的关键或重要元件，也不用于说明各种实施例的范围。其唯一目的是以简化的形式介绍公开的一些概念，作为后面介绍的更详细描述的前奏。

一个或多个实施例提供了用于选择一个或多个器材性能参数或“特性”的系统，包括原始参数分析器，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；模型构建器，基于在所述一组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或p值；排名部件，基于相应计算的AIC、AUC和p值来计算相应原始参数的重要性排名；排序部件，基于相应原始参数重要性排名，对特性进行排序；以及选择部件，基于所述排序来选择至少N个特性，N1，从而与构建所述分类模型相关地使用。

此外，在一个或多个实施例中，提供了一种选择一个或多个器材性能参数的方法，包括由包含至少一个处理器的系统识别与一组相应的原始性能参数相关联的一个或多个特征；由系统，基于在所述一组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)；由系统，基于相应计算的AIC、AUC和p值来计算相应原始参数的重要性排名；由系统，基于相应原始参数重要性排名，对特性进行排序；由系统，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。

此外，根据一个或多个实施例，提供了一种非暂时性计算机可读介质，其上存储由指令，该指令响应于执行，使得包括处理器的系统进行操作，所述操作包括：识别与一组相应原始参数相关联的特征；使用计算的赤池信息量准则(AIC)、曲线下面积(AUC)和根据阿尔法错误的假设接受(p值)，基于在所述一组原始参数或参数特征中的一个参数特征或原始参数来构建分类模型；基于相应计算的AIC、AUC和p值来计算相应原始参数或原始参数特征的重要性排名；基于相应原始参数或原始参数特征重要性排名，对特性进行排序；基于所述排序来选择至少一个或多个特性，从而与构建所述分类模型相关地使用。