郝姜偉　魯斌

摘要：根據(jù)飛機發(fā)動機狀態(tài)參數(shù)建立決策樹進行分類是發(fā)動機故障檢測的重要方法，本文針對單棵決策樹模型分類方法精度不高、容易出現(xiàn)過擬合等問題，提出使用組合單決策樹來提高計算精度的隨機森林算法，并將該方法進行仿真實驗。結果表明，隨機森林算法能夠解決單個決策樹過擬合問題，在解決飛機發(fā)動機故障診斷領域中具有廣闊的發(fā)展及應用前景。

關鍵詞：飛機發(fā)動機；故障診斷；隨機森林

中圖分類號：TP391 文獻標識碼：A 文章編號：1009-3044（2016）23-0158-03

Abstract：Establish decision tree for aircraft engines state parameters to classify is an important method of engine fault detection， the paper according to the accuracy of a single decision tree classification model is not high， prone to problems of over-fitting，propose the Random Forest algorithm which use a combination of a single decision tree classification model to improve the accuracy， and use it for simulation experiments.The results show that the Random Forest algorithm can solve the problem of over-fitting with a single tree，and it has a broad development prospect in solving aircraft engine fault diagnosis.

Key words：aircraft engine； fault diagnosis； random forest

隨著互聯(lián)網(wǎng)技術的持續(xù)快速發(fā)展，各種創(chuàng)新技術、前沿概念不斷影響著人們的生活，人類社會進入了一個前所未有的信息化時代。國內(nèi)航空市場發(fā)展迅速，飛機的數(shù)量不斷增加，航空維修行業(yè)在不斷發(fā)展。在航空業(yè)繁榮的背后，航空維修承擔著非常重要的作用，航空公司近百分之二十的飛行成本是維修費用。飛機安全飛行是航空公司的生命線，飛機發(fā)動機是航空器的“心臟”是安全飛行的基礎[1]，飛機發(fā)動機的重要性不言而喻。目前的航空領域正處于快速發(fā)展時期，新技術、新需求不斷出現(xiàn)，對維修方面也提出了更高的要求，按照原來的維修方法、要求，以及安全性、可靠性已無法滿足新時代的新的需求。在短時間內(nèi)，利用有效、可靠的技術手段完成維修任務變得越來越重要。

分類預測是數(shù)據(jù)挖掘技術領域的主要方法。利用數(shù)據(jù)挖掘技術，根據(jù)現(xiàn)有的數(shù)據(jù)，對未來發(fā)展趨勢進行準確、有效的分類和預測，受到了廣泛的關注和研究，而且其成果也不斷投入到我們的現(xiàn)實生活。其中應用很多優(yōu)秀的算法，比如決策樹、貝葉斯、k-近鄰分類、神經(jīng)網(wǎng)絡、支持向量機等。近幾年分類器在飛機發(fā)動機故障診斷領域也逐漸被推廣，但是單模型分類器會出現(xiàn)診斷精度不高、過擬合、訓練速度慢、陷入局部最優(yōu)解等缺點。

本文提出采用隨機森林算法對飛機發(fā)動機進行故障診斷，根據(jù)波音747-400（發(fā)動機型號為 PW-4000）發(fā)動機四個狀態(tài)參數(shù)進行初步診斷：低壓壓縮機轉速 NL；高壓壓縮機轉速 NH；排氣溫度 EGT；燃油流量 FF[3]。建立隨機森林的組合分類器模型，每個分類器起到互補的作用，將單決策樹錯誤判斷影響降低，最終根據(jù)每個決策樹的投票得出最終診斷結果，該方法具有速度快、準確率高等優(yōu)點。

1 決策樹和隨機森林

1.1 決策樹

決策樹，根據(jù)給定的無規(guī)律的樣本，推理得出樹狀的分類規(guī)則的方法，它的一個分支就是一個決策過程，每個決策過程中涉及一個數(shù)據(jù)的屬性[6]，然后遞歸直到滿足決策條件。其中樣本數(shù)據(jù)集中含有多個特征屬性和目標屬性，采用從上向下的原則，從根節(jié)點開始遍歷，直到每一個數(shù)據(jù)子集都有唯一的對應的目標。建立好決策樹后，輸入測試樣本，測試數(shù)據(jù)根據(jù)生成的決策樹，確定一條由根節(jié)點到葉節(jié)點的唯一路徑，葉節(jié)點即為測試樣本所屬類別[2]。決策樹算法有著很多良好的特性，比如說訓練時間復雜度較低、預測的過程比較快速、模型容易展示等。但是同時，單決策樹又有一些不好的地方，比如說容易過擬合。

1.2 隨機森林

隨機森林算法是Leo Breiman于2001年提出的一種新型分類和預測模型，是基于決策樹（decision tree）的分類器集成算法，用隨機的方式建立一個森林，由多個決策樹組成的集成分類器算法[5]，再輸入X時，每一棵樹只投一票給它認為最合適的類。

隨機森林通過在每個節(jié)點處隨機選擇特征進行分支，最小化了各棵分類樹之間的相關性，提高了分類精確度。由于每棵樹的生長速度很快，所以隨機森林的分類速度很快，并且很容易實現(xiàn)并行化。按這種算法得到的隨機森林中的每一棵都很弱，但是多顆決策樹組合起來就可以達到更精確的結果。即：將每一棵決策樹看成一個精通于某一個窄領域的專家，隨機森林中就有了很多個精通不同領域的專家決策樹，對待新的問題，用不同的角度去看待它，最后由各個專家，投票得到最終結果[4]。該算法具有需要調(diào)整的參數(shù)少、分類速度快、不用擔心過度擬合、能高效處理大樣本數(shù)據(jù)、能估計哪個特征在分類中更重要以及較強的抗噪音能力、數(shù)據(jù)集上表現(xiàn)良好等特點。

2 基于隨機森林算法的飛機發(fā)動機故障診斷步驟

隨機森林應用自助法重采樣技術生成整個決策樹分類器，其步驟如下：

1）從樣本集中用自助法（Boot-strap）重采樣選出n個樣本，預建立決策樹（CART），每個自助樣本集包括每棵分類樹的全部訓練數(shù)據(jù)。

2）在樹的每個節(jié)點上，從所有屬性中隨機選擇k個屬性，選擇出一個最佳分割屬性作為節(jié)點。

3）每棵樹最大限度地生長， 不進行剪枝操作；

4）將生成的多棵分類樹組成隨機森林，對新的數(shù)據(jù)進行判別與分類，分類結果按樹分類器的投票多少而定，最終決策結果根據(jù)如下公式給出：

用投票策略來得到最終結果。

基于隨機森林的飛機發(fā)動機故障診斷流程如圖1所示：

3 基于隨機森林算法的飛機發(fā)動機故障診斷的應用

本文使用Google開發(fā)的一種編譯型、可并行化、并具有垃圾回收功能的編程語言GoLang對隨機森林算法進行仿真實驗。

3.1 輸入特征

根據(jù)飛機發(fā)動機故障維修人員的經(jīng)驗，波音 747-400（發(fā)動機型號為 PW-4000）的故障可以通過如下四個參數(shù)進行初步診斷：低壓壓縮機轉速 NL；高壓壓縮機轉速 NH；排氣溫度 EGT；燃油流量 FF。故障診斷就是利用這些有限的參數(shù)所提供的特征信息來確定發(fā)動機的故障狀態(tài)的[3]。 選用文獻[3]的12個特征，即典型故障模式作為學習樣本輸入，如表1所示。

3.2 學習樣本和測試樣本

本文為每種故障分別選定20個樣本，總共240個學習樣本，將輸入和目標樣本作為算法入口進行分類學習，試驗中取100棵獨立決策樹組成隨機森林。根據(jù)文獻[3]典型故障模式輸入輸出樣本如表2所示。

本文進行多組實驗將隨機森林算法應用到飛機發(fā)動機故障診斷中，當選取的樣本集數(shù)量為100組，即數(shù)量較少、生成決策樹數(shù)量較少或樣本差異不明顯時，測試數(shù)據(jù)故障診斷錯誤率高達30%及以上，隨著樣本集數(shù)量以及樣本數(shù)據(jù)的不斷調(diào)整，錯誤率不斷降低。因此，正確選取學習樣本、確定適合的樣本數(shù)量、減少樣本數(shù)據(jù)的相關性是隨機森林算法能否準確決策的關鍵因素。

3.3 系統(tǒng)實現(xiàn)

前端借鑒MVC模式，使用Angularjs框架，結合HTML，CSS開發(fā)，數(shù)據(jù)通信基于http協(xié)議，采用RESTful風格，使用JSON數(shù)據(jù)格式進行數(shù)據(jù)傳送。服務端使用Google開發(fā)的一種編譯型、可并行化、并具有垃圾回收功能的編程語言GoLang。Web API層基于RESTful Web API開源框架Martini實現(xiàn)，分為路由管理、控制器、RPC代理三層，其中路由管理模塊負責資源的路由分配；控制器模塊定義了應用系統(tǒng)的行為，通過提供的HTTP方法向前端暴露資源；RPC代理模塊負責與模型層的通訊，使用MongoDB進行數(shù)據(jù)的存儲。實現(xiàn)結果如圖3和圖4所示：

4結論

本文研究了基于隨機森林算法的飛機發(fā)動機故障診斷方法，并通過實驗驗證該方法的有效性，實現(xiàn)了相應的web應用。實驗結果表明，利用該方法進行飛機發(fā)動機故障診斷能取得理想的效果，證明該方法的可行性，在解決飛機發(fā)動機故障診斷領域中具有廣闊的發(fā)展及應用前景。

參考文獻：

[1] 李愛. 航空發(fā)動機磨損故障智能診斷若干關鍵技術研究[D].南京航空航天大學，2013.

[2] 陶棟琦，薄翠梅，易輝. 基于隨機森林的變壓器故障檢測方法的研究[J]. 電子器件，2015（4）：840-844.

[3] 吳月偉. 基于徑向基神經(jīng)網(wǎng)絡的飛機發(fā)動機故障診斷研究[D].中國民用航空學院，2006.

[4] 尹玲. 基于心率變異和腦波分析的塑身腹帶著裝壓力舒適性研究[D].東華大學，2012.

[5] 鄢仁武，葉輕舟，周理. 基于隨機森林的電力電子電路故障診斷技術[J]. 武漢大學學報：工學版，2013（6）：742-746.

[6] 葉圣永，王曉茹，劉志剛，等. 基于隨機森林算法的電力系統(tǒng)暫態(tài)穩(wěn)定性評估[J]. 西南交通大學學報，2008（5）：573-577.