基于决策树的涡轴发动机气路健康评估方法

为解决涡轴发动机退化模式多、故障样本大、分类困难的问题,将梯度提升决策树（GBDT）算法应用于涡轴发动机气路健康评估。首先对涡轴发动机故障标签进行了拆解,针对每一类标签设计了一个分类器。通过特征重要度排序筛选了6个分类标签的输入特征,有效降低模型复杂度。通过遍历确定树的最优数量和深度,确保了分类的准确性。仿真结果表明,特征筛选减少测试时间16%～35%;相比广泛使用的支持向量机（SVM）算法,在特征数量相同条件下,GBDT测试时间缩短了31.88%～65.28%,相比极限学习机（ELM）,误诊样本数量低于其千分之一。可见GBDT算法在涡轴发动机大样本故障评估中表现出更高的分类精度,验证了其在发动机气路健康评估上的有效性。