[发明专利]一种发动机装配工艺特征选择方法及系统

说明书

本发明公开一种发动机装配工艺特征选择方法及系统，涉及发动机装配技术领域，方法包括：获取发动机装配产生的装配样本；利用低方差过滤、互信息法、皮尔逊相关系数和肯德尔等级系数对装配样本进行过滤式特征选择，得到第一特征集；利用LGBM权重分析对第一特征集进行封装式特征选择，得到第二特征集；利用SVM重要度分析对第二特征集进行封装式特征选择，得到第三特征集；第三特征集包括对第二特征集进行封装式特征选择后，筛选出的多个对发动机振动影响最大的装配工艺特征。本发明能够有效地筛选出对发动机振动影响最大的关键装配工艺特征。

技术领域

本发明涉及发动机装配技术领域，特别是涉及一种发动机装配工艺特征选择方法及系统。

背景技术

振动超差一直是发动机装配生产过程中的关键问题之一，极大地阻碍了发动机的生产进度。影响发动机振动水平的因素有很多，不仅不同类型发动机中各种激振力的大小不同、性质各异，同一种型号发动机中各台发动机的激振力的情况也有差别。这些激振力主来源于以下几方面，一是来自转子在高速转动过程中产生的不平衡，其根源是转子的剩余动平衡量及轴承的影响，其次是零件产生的激振力，例如各种齿轮的轮齿撞击，轴承制造误差、磨损或缺陷，传动轴和齿轮的不平衡，各种旋转零件装配不当，紧度、间隙或同心度超差等都能产生激振力。由于实际装配工作中每台发动机的振动水平只有在总装完成之后才能测量，所以无法在装配前根据各个装配零部件的相关信息来计算最后的振动值。每台发动机的装配都是一个复杂耗时的工作，在总装完成后如果振动超差，需要对已装好的发动机进行拆解，更换零部件或者调整装配操作后重新装配测试。而且由于无法明晰导致振动超差的发动机关键装配工艺，每次的调试都有一定的盲目性，耗费大量的人力与时间成本。对发动机的装配数据进行分析，在所有的装配工艺特征中进行特征选择，提取出对振动影响最大的关键装配工艺特征，可以为装配人员的调试工作提供可供参考的重要排查目标，指导装配工艺的修正，提高发动机装配合格率。

特征选择是机器学习中一个重要的数据预处理过程，可以剔除不相关或冗余的特征，选取出与标签真正相关的特征，协助理解数据产生的过程。常用的特征选择方法包括过滤式方法和封装式方法。过滤式方法基于性能度量选择特征，不考虑算法模型，先对原始数据集进行特征选择，再训练模型。过滤式方法可以对单个特征进行排序或评估整个特征子集，具有较低的计算成本，更快的计算速度和更好的泛化能力，其度量方法大致可分为：信息、距离、一致性、相似性和统计度量。封装式方法是将算法模型作为选择过程中的一部分，使用算法模型来选择特征子集，其创建的模型被视为黑盒评估器。封装式方法由于需要迭代计算，所以计算成本相对过滤式方法较高。

已有研究中的特征选择工作通常只采用一种方法来筛选关键特征，即要么采用过滤式方法要么采用封装式方法，这样做无法避免因每一种方法的侧重点不同而导致忽略特征的其他信息、丢失一些重要信息，由于无法从多个角度对特征进行全面客观的筛选，因此无法有效地筛选出对发动机振动影响最大的关键装配工艺特征。

发明内容

本发明的目的是提供一种发动机装配工艺特征选择方法及系统，能够有效地筛选出对发动机振动影响最大的关键装配工艺特征。

为实现上述目的，本发明提供了如下方案：

一种发动机装配工艺特征选择方法，所述方法包括：

获取发动机装配产生的装配样本；所述装配样本包括发动机装配过程中的所有装配工艺特征以及发动机装配后的振动值；

利用低方差过滤、互信息法、皮尔逊相关系数和肯德尔等级系数对所述装配样本进行过滤式特征选择，得到第一特征集；所述第一特征集包括对所述装配样本进行过滤式特征选择后，筛选出的多个装配工艺特征；

利用LGBM权重分析对所述第一特征集进行封装式特征选择，得到第二特征集；所述第二特征集包括对所述第一特征集进行封装式特征选择后，筛选出的多个装配工艺特征；