基于逻辑回归的APU性能状况评估

向阳; XIANG Yang

+高级检索

引 en

基于逻辑回归的APU性能状况评估

向阳^1,2
机构：
1. 上海交通大学,上海 200240
2. 东方航空技术有限公司,上海 200335
×

1. 上海交通大学,上海 200240；
2. 东方航空技术有限公司,上海 200335；

APU performance degradation assessment based on logistic regression

XIANG Yang^1,2
Affiliation：
1. Shanghai Jiao Tong University, Shanghai 200240 , China
2. Eastern Airlines Technic Co., Ltd, Shanghai 200335 , China
×

1. Shanghai Jiao Tong University, Shanghai 200240 , China；
2. Eastern Airlines Technic Co., Ltd, Shanghai 200335 , China；

作者简介:

向阳,男,硕士研究生,工程师。主要研究方向:航空工程。E-mail:lalayang@sjtu.edu.cn

通讯作者:

向阳,E-mail:lalayang@sjtu.edu.cn

中图分类号:V228

文献标识码:A

DOI:10.19416/j.cnki.1674-9804.2021.02.010

全文
评论
参考文献
出版信息

参考文献 1

CHEN X,LYU Z,REN H,et al.APU feature integration based on multi-variant flight data analysis[C]//2016 IEEE International Conference on Prognostics and Health Management(ICPHM).[S.l.:s.n.],2016.

查找原文

参考文献 2

GORINEVSKY D,DITTMAR K,MYLARASWAMY D,et al.Model-based diagnostics for an aircraft auxiliary power unit[C]//Proceedings of the 2002 International Conference on Control Applications(Vol.1).[S.l.:s.n.],2002.

查找原文

参考文献 3

丁慧锋.基于预防性维修的APU性能评估建模与监控方法[J].航空维修与工程,2012(6):52-54.

查找原文

参考文献 4

毛建良.CT5ATP在GTCP131-9B APU管理中的作用[J].航空维修与工程,2013(6):71-72.

查找原文

参考文献 5

刘连胜,张晗星,刘晓磊,等.面向飞机辅助动力装置在翼剩余寿命预测的性能参数扩增方法[J].仪器仪表学报,2020,41(7):107-116.

查找原文

参考文献 6

蔡坤烨,蔡景,周迪,等.基于SVM方法的APU故障预测方法[J].南京航空航天大学学报,2019,51(4):466-473.

查找原文

参考文献 7

宋哲,高建平,潘龙帅,等.基于主成分分析和改进支持向量机的锂离子电池健康状态预测[J/OL].汽车技术,2020(11):21-27 [2020-11-05].https://doi.org/10.19620/j.cnki.1000-3703.20191038.

查找原文

参考文献 8

李琪.电梯安全剩余使用寿命模型及应用研究[D].哈尔滨:哈尔滨工业大学,2018.

查找原文

参考文献 9

雷金波.基于逻辑回归和支持向量机的设备状态退化评估与趋势预测研究[D].上海:上海交通大学,2008.

查找原文

参考文献 10

殷逸冰.面向气路部件健康管理的静电监测技术研究[D].南京:南京航空航天大学,2018.

查找原文

参考文献 11

王奉涛,王贝,敦泊森,等.改进Logistic回归模型的滚动轴承可靠性评估方法[J].振动.测试与诊断,2018,38(1):123-129;210.

查找原文

参考文献 12

周建民,黎慧,张龙,等.基于EMD和逻辑回归的轴承性能退化评估[J].机械设计与研究,2016,32(5):72-75;79.

查找原文

参考文献 13

付宇,殷逸冰,冯正兴,等.融合静电信号和气路参数的发动机性能评估方法[J].推进技术,2019,40(2):449-455.

查找原文

目录contents

摘要 Abstract
关键词 Keywords
0 引言
1 APU参数特征提取
1.1 APU报文
1.2 主成分分析(PCA)
1.3 特征提取
2 基于逻辑回归的APU性能状况评估
2.1 逻辑回归模型
2.2 基于逻辑回归模型的APU性能评估流程
2.3 训练样本选取
2.4 模型训练与测试
3 结论
参考文献

摘要

针对飞机辅助动力装置(Auxiliary Power Unit,简称APU)性能评估研究中单参数评估不全面的问题,提出了基于逻辑回归模型的方法,融合多参数来对飞机APU性能状况进行全面评估。首先,对APU参数数据来源进行分析,选择基于实时报文数据的APU性能评估方法,并结合APU的工作原理以及实际工作情况,挑选出可以反映APU性能状态的特征参数,然后利用主成分分析法(Principal Component Analysis,简称PCA)对原始特征参数进行降维处理。其次,以APU正常性能状态历史数据和性能严重衰退状态历史数据建立逻辑回归模型。最后,根据回归模型得到APU全寿命周期的健康指数(Health Index,简称HI)并对其进行验证。结果表明,APU性能健康指数曲线能很好的反映APU各个阶段的性能变化情况,可以为后续的视情维修策略的制定提供技术参考。

Abstract

To solve the problem of incomplete single parameter evaluation in the performance evaluation of auxiliary power units (APU), this paper presented a method based on the logistic regression model for a complete performance evaluation of APU by integrating multiple parameters. Firstly, the source of APU parameter data was analyzed; a method for APU performance evaluation based on real-time message data was selected. Combined with the operating principle and real working condition of the APU, characteristic parameters that can reflect its performance were selected, and then the original characteristic parameters were reduced by principal component analysis (PCA). Secondly, the logistic regression model was built with the historical data of the APU in normal and severely degraded performances. Lastly, the health index (HI) of APU life cycle was obtained and verified based on the regression model. The results show that the APU performance health index curve can well reflect the performance changes of APU in each stage, and can provide technical reference for the subsequent development of condition based maintenance strategy. The results show that the health index curve of APU performance can well reflect its changes in different periods, and can provide technical references for the later formulation of on-condition maintenance strategies.

关键词

辅助动力装置；主成分分析；逻辑回归；性能评估

Keywords

auxiliary power units ； principal component analysis ； logistic regression ； performance evaluation

0 引言
飞机辅助动力装置是一个安装于飞机尾部的小型燃气涡轮发动机,相比于主发动机,除了不能为飞机提供动力外,其余功能非常相似,其主要作用就是可以独立地为飞机提供气源和电源。在地面,APU可以提供高压气源用于启动主发动机;在飞行中可以作为气源和电源的应急备份使用。在航线维护过程中,APU若发生故障,依据最低设备清单(Minimum Equipment List,简称MEL)是属于可以保留的项目,但它的失效会影响到整架飞机的运行品质。另外,APU整体部件价格昂贵,翻修周期比较长、费用高、存储成本大,这给APU有效周转也带来一定压力。因此,对APU进行在翼性能评估,为视情维修提供信息支持,提前做出维护决策,具有重要的意义。
随着航空技术的不断进步,特别是随着发动机系统以及环控系统监测技术的发展,对APU性能状态进行评估的研究也越来越多。CHEN Xi^[1]等着重分析了APU在启动阶段的过程,从快速存取记录器数据中提取高维的时间序列,通过动态时间规整进行相似度量之后,采用层次聚类分析来识别启动过程中样本的异常值,以此来评估APU的性能状态。D.Gorinevsky^[2]等提出了一种基于模型的APU涡轮系统诊断方法,对经常导致叶轮机械性能恶化的早期故障进行了诊断、趋势分析和预测。丁慧锋^[3]通过ACARS获得飞机APU运行参数,应用统计分析的方法得到关键参数,并对参数进行修正后经过长期的数据分析获得关键参数的阈值,以此来评估APU性能。毛建良^[4]针对某种型号的APU涡轮叶片移位的缺陷,详细的探讨了叶片移位对APU的影响,并结合实际工作经验,确定了以CT5ATP作为界定值,结合孔探结果、修后使用时间作为APU性能监测的手段。刘连胜等^[5]为解决样本数据过少而导致剩余使用寿命预测模型泛化能力不足的问题,采用了基于生成对抗网络的方法来对APU的排气温度(Exhaust Gas Temperature,简称EGT)参数进行维度上的扩增,并对生成参数的质量进行评价,试验结果表明参数维度的扩增对于提高APU剩余使用寿命预测结果的准确性起到了一定的效果。根据工程实践经验,排气温度在一定程度上能反映APU的性能衰退状态,目前大多数研究都是基于排气温度的趋势变化来进行,而实际上APU的系统结构相当复杂,上面遍布了各种传感器,收集的参数众多,若只单独考虑EGT这一指标来评估其性能状况,取得的效果往往不是最佳。随着空地数据链的使用,航空公司能收集到的参数越来越丰富,基于此,本文利用APU报文中获得的大量相关参数,从中提取有价值的信息来更加全面的对APU性能状况进行评估。
1 APU参数特征提取
1.1 APU报文
飞机APU数据的获取有三种方式:一是存储在快速存取记录器(QAR)中,在飞机落地后通过人工的方式直接下载或者通过无线网络自动上传到航空公司的服务器上,QAR记录的参数种类相对丰富,它以秒为记录单位,每次可以记录上百种参数;二是通过飞机通讯与寻址系统(ACARS)数据链,根据预先定义的逻辑条件以飞机状态监视系统(ACMS)报文的形式实时上传;三是通过APU上自带的数据记忆模块(DMM),它记录了APU的历史数据,需要专用的设备去APU舱下载。考虑到APU性能变化是一个长期的过程,没有必要将参数收集的时间间隔缩短到秒,另外通过DMM收集的数据不具有实时性,本文所有的参数都是基于ACMS号报文在线收集。其中,A13号报文是APU的启动/慢车报文,一条A13号报文代表了APU工作一个循环的状态信息,它包含了APU运行过程中的主要参数。
A13号报文如图1所示,报头由CC段和CE段组成,包含了航班信息、引气活门状态以及总温和高度。E1段记录了此台APU的履历信息,包括APU的序号以及运行的循环数和小时数;N1段至S3段记录了飞机主发动机启动时APU的运行参数,其中N1、S1和N2、S2分别记录第一台发动机和第二台发动机启动时APU的运行参数;N3段和S3段记录了APU在空载关车前的运行参数。V1段则记录了APU自启动时的参数^[6]。
当主发动机启动时,APU功率保持最大,此时最能体现APU的性能状况,故选择N1和S1段的参数作为APU整体性能评估参数。由于APU输出转速是恒定的,如果因负载的变化(如引气负载、电力负载)而导致转速的变化,APU控制组件会通过改变燃油流量来增加或减小输出功率,从而保证转速的恒定。所以NA(APU转速)如果不发生变化,对整个评估模型没有任何贡献,故将其删除。另外,APU的自启动时间也能从一定程度上反映APU的性能状态。通过以上分析,最终选用表1中参数来建立模型。
图1 A13号报文
表1 APU报文参数
1.2 主成分分析(PCA)
由于模型中变量之间可能会相互作用,其信息有重叠的部分,存在一定冗余,会导致问题分析变得复杂^[7]。因此,在创建任何模型之前,对变量进行相关分析显得很有必要,既可以避免变量之间的相关性,又能降低指标维度,使模型尽可能简单并且实用。主成分分析法就是通过正交变换将一组可能存在共线性现象的变量转换为一组两两之间互不相关的变量,转换后的这组变量就叫主成分^[8]。
主成分分析算法具体步骤如下:
获取样本矩阵。设有n个性能参数,每个参数采集的样本数量为p,则构成一个n *p型样本矩阵X:

X = [\begin{matrix} x_{11} & x_{12} & \dots & x_{1 p} \\ x_{21} & x_{22} & \dots & x_{2 p} \\ ⋮ & ⋮ & ⋮ & ⋮ \\ x_{n 1} & x_{n 2} & \dots & x_{n p} \end{matrix}]

(1)

为消除各个参数不同量纲的影响,对X进行标准化处理:

X_{i} = \frac{x_{i} - u_{i}}{σ_{i}}

(2)

式中:u_i,σ_i分别为X_i各分量的均值和标准差;i=1,2,…,p。
计算特征参数之间的相关系数矩阵:

R = [\begin{matrix} r_{11} & r_{12} & \dots & r_{1 m} \\ r_{21} & r_{22} & \dots & r_{2 m} \\ ⋮ & ⋮ & \dots & ⋮ \\ r_{m 1} & r_{m 2} & \dots & r_{m m} \end{matrix}]

(3)

提取其中累计贡献率满足要求(一般大于80%即可)的前m个特征值,按从大到小的顺序排列,并求得相对应的特征向量,组成一个新的特征向量矩阵u_pm。
则主成分Z可以表示为:

Z = {[z_{1}, z_{2}, \dots, z_{m}]}^{T} = u_{p m} \times {[x_{1}, x_{2}, \dots, x_{p}]}^{T}

(4)

1.3 特征提取
利用PCA对原始特征参数进行降维,得到四个主元M₁、M₂、M₃、M₄,结果如表2所示:
表2 主成分特征值
2 基于逻辑回归的APU性能状况评估
2.1 逻辑回归模型
逻辑回归模型应用场景较多,可用于分类及预测,其主要应用于流行病理学研究中,比较常用的情形是探索某疾病的影响因素分析,另外在个人信用评估领域和经济预测领域应用也较多。逻辑回归模型具有模型简单清晰、可解释性强等特点,另外,逻辑回归模型中参数较少且易于估计,可以采用似然估计的方法将其参数估计出来,因此相对威布尔比例故障模型具有参数易于估计和不需要假设的优点^[11-12]。
由于具有二分类甚至多分类的特点,逻辑回归模型也常用于机械设备性能如发动机轴承磨损退化评估模型中。复杂机械设备的性能衰退过程具有一定的趋势和规律,其过程大致可分为正常完好状态、异常状态和故障状态这三个阶段,因此,逻辑回归模型的输出变量可以为正常和失效的二分类变量或输出变量为正常、异常和故障状态的多分类变量。在不发生意外结构损伤的情况下,APU气路性能的衰退过程也是一个缓慢变化的过程,类似于机械设备的衰退过程,其性能参数发生缓慢的变化,并且其状态演变过程的规律也是相似的^[9-10],因此逻辑回归模型适用于APU的性能状态评估。
对于二项分类,设 $P (y = 1 ∣ x) = p$ 为因变量,y=1相对于某事件x发生的概率,则有 $P (y = 0 ∣ x) = 1 p$ 。假设有k个协变量组成的向量 $x = (x_{1}, x_{2}, \dots {x_{k})}^{T}$ ,逻辑回归模型可以表示为:

P_{i} (y_{i} = 1 ∣ x_{i}) = \frac{1}{1 + e^{- g (x)}}

(5)

式中: $g (x) = α + β_{l} x_{1} + β_{2} x_{2} + \dots + β_{k} x_{k}, y_{i}$ 取0或1,其中 $y_{i}$ =0表示事件未发生, $y_{i}$ =1表示事件确定发生; $P_{i} (y_{i} = 1 ∣ x_{i})$ 表示因变量相对于第i个事件发生的概率, $P_{i}$ ∈(0,1);β₁, β₂,…,β_k表示协变量对应的回归系数,α表示回归截距;
将(5)式改写为:

P_{i} (y_{i} = 1 ∣ x_{i}) = \frac{e^{α + β_{1} x_{1} + β_{2} x_{2} + \dots + β_{k} x_{k}}}{1 + e^{α + β_{1} x_{1} + β_{2} x_{2} + \dots + β_{k} x_{k}}}

(6)

对(6)式进行变换:

\begin{matrix} 1 - P_{i} = 1 - \frac{e^{α + β_{1} x_{1} + β_{2} x_{2} + \dots + β_{k} x_{k}}}{1 + e^{α + β_{1} x_{1} + β_{2} x_{2} + \dots + β_{k} x_{k}}} \\ = \frac{1}{1 + e^{α + β_{1} x_{1} + β_{2} x_{2} + \dots + β_{k^{x} k}}} \end{matrix}

(7)

对式(7)两边进行对数变换:

I n (\frac{P_{i}}{1 - P_{i}}) = α + β_{1} x_{1} + β_{2} x_{2} + \dots + β_{k} x_{k}

(8)

式(8)将逻辑函数转换成自然对数,其重要性在于有许多可利用的线性回归模型的性质^[13]。
若APU的性能状态在t时刻分为正常与失效两种状态,分别用y_i=0和y_i=1来表示,x=(x₁,x₂,…x_k)^T表示在t时刻APU不同的性能特征参数向量。很明显在t时刻APU的性能状态参数y_i和由特征参数向量x存在某种对应关系,并且这种对应关系为非线性的。在逻辑回归模型中,选择能反映APU性能状态的特征参数作为对应的自变量,然后利用APU样本数据对模型进行训练,那么对于APU实时特征参数向量都有一个对应的性能衰退指标值,这样就能简单直观的评估APU当前的性能状态。
逻辑回归模型参数估计一般采用最大似然法(Maximum Likelihood,简称ML),在此之前,先建立似然函数。y_i的概率函数为:

P (y_{i}) = P_{i} {(1 - P_{i})}^{1 - y_{i}}

(9)

于是,y₁, y₂,…, y_k的似然函数为:

L = \prod_{i = 1}^{k} P (y_{i}) = \prod_{i = 1}^{k} P_{i}^{y_{i}} {(1 - P_{i})}^{(1 - y_{i})}

(10)

对式(10)取自然对数,得:

I n L = \sum_{i = 1}^{n} [y_{i} (α + β x_{i}) - I n (1 + e^{α + β x_{i}})

(11)

令 $\frac{\partial I n L}{\partial α} = 0, \frac{\partial I n L}{\partial β_{j}} = 0$ 可求得回归模型参数估计值 $\hat{α}$ , $\hat{β 1}$ , $\hat{β 2}$ ,…, $\hat{β k}$ ,其中:j=0,1,…,k。
2.2 基于逻辑回归模型的APU性能评估流程
APU性能健康指标值HI(Health Index,简称HI),用来表征APU的健康状态,HI值在逻辑回归模型中就等于P值,HI=1时表示APU性能正常,HI=0时表示APU性能衰退严重。
(1)分别采集在APU性能正常完好状态下和性能严重衰退状态下的特征参数数据作为训练样本集。由于各性能参数量纲不同,为消除影响先对数据进行标准化处理。
(2)令APU性能正常的HI值为0.9,令APU性能衰退严重的HI值为0.1。利用训练样本对逻辑回归模型进行训练。
(3)将APU的生命周期样本数据同样进行预处理后,最后得到四维特征向量,作为测试样本输入。
(4)将测试样本数据输入已经估算好的回归模型中,计算得到全寿命周期APU的HI值,由此来对APU进行性能状态评估。
2.3 训练样本选取
APU性能正常状态的样本相对来说比较多,可选择的范围也比较大,考虑到APU故障所具有的演化规律,应尽量选择早期的样本数据。由于EGT受外界环境温度的影响,在APU使用前期,其数值跟LCIT(压气机进口温度)有相同的变化趋势,如图2和图3所示,实际中可以通过平移变换将EGT和LCIT表示在同一图上,取EGT和LCIT较为贴合的一段作为正常样本。现有5台完整的从APU大修后装机到性能严重衰退拆下期间的样本数据,随机取其中4台APU前200组的数据作为正常样本,后100组的数据作为异常样本和训练样本。
图2 5#APU EGT时序图
图3 5#APU LCIT时序图
2.4 模型训练与测试
将训练样本对逻辑回归进行训练,可以得到回归模型中的未知参数值,结果如表3所示。
表3 逻辑回归模型参数值
训练后的回归模型为:

P = \frac{e^{- 6.117 + 3.490 M_{1} + 2.345 M_{2} + 0.205 M_{3} + 0.368 M_{4}}}{1 + e^{- 6.117 + 3.490 M_{1} + 2.345 M_{2} + 0.205 M_{3} + 0.368 M_{4}}}

(12)

将5#APU的数据输入到逻辑回归模型,可以得到不同APU参数所对应性能退化指标HI。如图4所示,其中横坐标表示APU运行小时数,纵坐标表示性能退化指标HI。
图4 性能退化指标HI
从图4可以看出,APU性能前期处于最佳状态其HI值保持在0附近,到后期的时候APU性能衰退趋势明显,特别是在HI=0.8即6 500FH后衰退速度加剧。在3 256FH~4 465FH期间,APU性能指数稍有波动,但变化不大。一方面,在这段时间内,如图2所示,APU的EGT处于第二个波峰期,相对于第一个波峰期,EGT平均温度增大了20℃左右,导致性能指数略有增大,随后EGT温度开始缓慢下降,性能指数其后一段时间保持不变。另一方面,也说明了性能指数对EGT的敏感性相对其他参数而言要强一些,EGT对整个模型的贡献更大。最后,APU在6 670FH时,性能衰退严重,按照本方法此时应更换APU送场大修,实际上航空公司采用视情维修策略,直到6 985FH时才进行更换APU。因此,利用回归模型拟合的APU性能指数能够在APU性能衰退早期进行预警,达到优化送修的目的。
3 结论
本文利用基于PCA和逻辑回归方法对APU性能衰退过程进行评估,通过APU全寿命周期数据对所提出的方法进行验证,可以得到如下结论:
1)通过PCA对信息进行整合提取的思想,对相对高维的特征参数集进行降维处理,得到的主元特征能够反映APU的性能状态。
2)基于逻辑回归模型的APU状态评估能够提前反映APU的退化状态。当HI值小于0.2以下时,可以认为APU性能完好,当HI值大于0.8时,可以认为APU性能衰退严重。
参考文献
- [1] CHEN X,LYU Z,REN H,et al.APU feature integration based on multi-variant flight data analysis[C]//2016 IEEE International Conference on Prognostics and Health Management(ICPHM).[S.l.:s.n.],2016.
- [2] GORINEVSKY D,DITTMAR K,MYLARASWAMY D,et al.Model-based diagnostics for an aircraft auxiliary power unit[C]//Proceedings of the 2002 International Conference on Control Applications(Vol.1).[S.l.:s.n.],2002.
- [3] 丁慧锋.基于预防性维修的APU性能评估建模与监控方法[J].航空维修与工程,2012(6):52-54.
- [4] 毛建良.CT5ATP在GTCP131-9B APU管理中的作用[J].航空维修与工程,2013(6):71-72.
- [5] 刘连胜,张晗星,刘晓磊,等.面向飞机辅助动力装置在翼剩余寿命预测的性能参数扩增方法[J].仪器仪表学报,2020,41(7):107-116.
- [6] 蔡坤烨,蔡景,周迪,等.基于SVM方法的APU故障预测方法[J].南京航空航天大学学报,2019,51(4):466-473.
- [7] 宋哲,高建平,潘龙帅,等.基于主成分分析和改进支持向量机的锂离子电池健康状态预测[J/OL].汽车技术,2020(11):21-27 [2020-11-05].https://doi.org/10.19620/j.cnki.1000-3703.20191038.
- [8] 李琪.电梯安全剩余使用寿命模型及应用研究[D].哈尔滨:哈尔滨工业大学,2018.
- [9] 雷金波.基于逻辑回归和支持向量机的设备状态退化评估与趋势预测研究[D].上海:上海交通大学,2008.
- [10] 殷逸冰.面向气路部件健康管理的静电监测技术研究[D].南京:南京航空航天大学,2018.
- [11] 王奉涛,王贝,敦泊森,等.改进Logistic回归模型的滚动轴承可靠性评估方法[J].振动.测试与诊断,2018,38(1):123-129;210.
- [12] 周建民,黎慧,张龙,等.基于EMD和逻辑回归的轴承性能退化评估[J].机械设计与研究,2016,32(5):72-75;79.
- [13] 付宇,殷逸冰,冯正兴,等.融合静电信号和气路参数的发动机性能评估方法[J].推进技术,2019,40(2):449-455.

基本信息

中图分类号: V228
文献标识码: A
DOI: 10.19416/j.cnki.1674-9804.2021.02.010

基金信息

引用信息

向阳.基于逻辑回归的APU性能状况评估[J].民用飞机设计与研究,2021(2):67-72.

XIANG Y. APU performance degradation assessment based on logistic regression[J].Civil Aircraft Design and Research,2021(2):67-72(in Chinese).

稿件历史

参考文献

[1] CHEN X,LYU Z,REN H,et al.APU feature integration based on multi-variant flight data analysis[C]//2016 IEEE International Conference on Prognostics and Health Management(ICPHM).[S.l.:s.n.],2016.
[2] GORINEVSKY D,DITTMAR K,MYLARASWAMY D,et al.Model-based diagnostics for an aircraft auxiliary power unit[C]//Proceedings of the 2002 International Conference on Control Applications(Vol.1).[S.l.:s.n.],2002.
[3] 丁慧锋.基于预防性维修的APU性能评估建模与监控方法[J].航空维修与工程,2012(6):52-54.
[4] 毛建良.CT5ATP在GTCP131-9B APU管理中的作用[J].航空维修与工程,2013(6):71-72.
[5] 刘连胜,张晗星,刘晓磊,等.面向飞机辅助动力装置在翼剩余寿命预测的性能参数扩增方法[J].仪器仪表学报,2020,41(7):107-116.
[6] 蔡坤烨,蔡景,周迪,等.基于SVM方法的APU故障预测方法[J].南京航空航天大学学报,2019,51(4):466-473.
[7] 宋哲,高建平,潘龙帅,等.基于主成分分析和改进支持向量机的锂离子电池健康状态预测[J/OL].汽车技术,2020(11):21-27 [2020-11-05].https://doi.org/10.19620/j.cnki.1000-3703.20191038.
[8] 李琪.电梯安全剩余使用寿命模型及应用研究[D].哈尔滨:哈尔滨工业大学,2018.
[9] 雷金波.基于逻辑回归和支持向量机的设备状态退化评估与趋势预测研究[D].上海:上海交通大学,2008.
[10] 殷逸冰.面向气路部件健康管理的静电监测技术研究[D].南京:南京航空航天大学,2018.
[11] 王奉涛,王贝,敦泊森,等.改进Logistic回归模型的滚动轴承可靠性评估方法[J].振动.测试与诊断,2018,38(1):123-129;210.
[12] 周建民,黎慧,张龙,等.基于EMD和逻辑回归的轴承性能退化评估[J].机械设计与研究,2016,32(5):72-75;79.
[13] 付宇,殷逸冰,冯正兴,等.融合静电信号和气路参数的发动机性能评估方法[J].推进技术,2019,40(2):449-455.

出版刊物

微信公众号二维码

手机版网站二维码

我要投稿投稿指南联系我们二维码

TOP

分享给微信好友或者朋友圈

使用微信“扫一扫”功能。

基于逻辑回归的APU性能状况评估

APU performance degradation assessment based on logistic regression

摘要

Abstract

关键词

Keywords

0 引言

1 APU参数特征提取

1.1 APU报文

1.2 主成分分析(PCA)

(1)

(2)

(3)

(4)

1.3 特征提取

2 基于逻辑回归的APU性能状况评估

2.1 逻辑回归模型

(5)

(6)

(7)

(8)

(9)

(10)

(11)

2.2 基于逻辑回归模型的APU性能评估流程

2.3 训练样本选取

2.4 模型训练与测试

(12)

3 结论

参考文献

基本信息

基金信息

引用信息

稿件历史

参考文献

出版刊物

微信公众号二维码

手机版网站二维码