(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111251784.1 (22)申请日 2021.10.25 (71)申请人 浙大城市学院 地址 310015 浙江省杭州市拱 墅区湖州街 51号 (72)发明人 万安平　王文晖　王博　景婷婷　 孙星　叶洋涵　刘璨贤　 (74)专利代理 机构 杭州九洲专利事务所有限公 司 33101 代理人 张羽振 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 20/00(2019.01) G06Q 10/04(2012.01)G06Q 10/06(2012.01) G06F 119/02(2020.01) (54)发明名称 一种基于XGBoost和Datawig机器学习的 RBCC健康管理方法 (57)摘要 本发明涉及一种基于XGBoost和Datawig机 器学习的RBCC健康管理方法， 包括步骤： 根据概 率分布获取RBCC健康状态数据， 得到数据集； 数 据预处理； 设定 XGBoost模型超 参数， 采用Pyt hon 语言搭建XGBoo st模型； 采用搭建好的XGBoost模 型分别对进口静压和进口温度进行XGBoost建 树。 本发明的有益效果是： 本发明利用RBCC飞行 马赫数和高度数据进行 实验， 对RBCC进口静压和 进口温度进行预测； 以RMSE、 R2‑score和模型平 均精准率作为模 型优劣的评价标准， 最终实现对 未来某一飞行状态下的发动机进口静压和进口 温度进行预测； 达到对RBCC健康状态管理的目 的， 为高超音速武器的发动机提供一种可靠、 精 确的健康管理模型， 从而提高武器设备的可靠 性。 权利要求书4页 说明书13页 附图6页 CN 113947028 A 2022.01.18 CN 113947028 A 1.一种基于XGBoost和Datawig机器学习的RBCC健康管理方法， 其特征在于， 包括以下 步骤： 步骤1、 根据概率分布获取RBCC健康状态数据， 得到数据集； 进行数据切割， 将数据集中 的RBCC健康状态数据划分为训练集和预测集； 步骤2、 数据预处 理： 将采集得到将数据集中的原 始RBCC健康状态数据进行归一 化； 上式中， x为原 始值； μ为均值； σ 为标准层， σ 的数值区间为[ ‑1， 1]； 为标准化后的值； 步骤3、 设定XGBo ost模型超参数， 搭建XGBo ost模型； 步骤4、 采用搭建好的XGBoost模型分别对进口静压和进口温度进行XGBoost建树； 进一 步使用Dataw ig方法对RBC C进口静压和进口温度进行 预测与评估。 2.根据权利要求1所述基于XGBoost和Datawig机器学习的RBCC健康管理方法， 其特征 在于： 步骤1中获取的RBC C健康状态数据包括冲压发动机进口静压数据和进口温度数据。 3.根据权利要求1所述基于XGBoost和Datawig机器学习的RBCC健康管理方法， 其特征 在于： 步骤1 中将RBCC健康状态数据的70％划分为训练集， 将RBCC健康状态数据的30％划分 为预测集； 训练集用于训练XGBoost模型和Datawig模型， 测试集用来评估XGBoost模型和 Datawig模型的预测精度。 4.根据权利要求1所述基于XGBoost和Datawig机器学习的RBCC健康管理方法， 其特征 在于， 步骤3具体包括如下步骤： 步骤3.1、 给定一个拥有n个样本和m个特征的数据集D＝(xi， yi)(|D|＝n， xi∈Rm， yi∈ R)， 定义函数如下： 上式中， xi为第i个自变量， yi为第i个因变量， yi为预测值， Rm为整个m维空间， R为整体实 数， φ(xi)为关于xi的函数， fk()为第k棵树的权 重函数； 步骤3.2、 构建XGBo ost模型的目标函数： Obj( θ )＝ L( θ )+Ω( θ )        (3) L( θ )是用来衡量预测值和 测量值之间误差的损失函数： Ω( θ )是用来衡量XGBoost模型复杂程度的函数， 用Ω( θ )来平滑各 叶子节点之间的权 重避免过拟合： 上式中， T为叶子节点的个数； 为正则化项， 用于防止XGBoost模型过拟合； w为 每个叶子节点的得分； γ和 λ为用来避免过拟合的控制因子；权　利　要　求　书 1/4 页 2 CN 113947028 A 2将式(3)中的目标函数写为： 上式中， 为损失函数， 用于反应添加的节点对目标函数影响； ft为第t 棵树的权 重函数； 步骤3.3、 判断目标函数Obj(t)值是否下降， 若目标函数Obj(t)值下降， 进行节点分裂， 分 裂后判断节 点分裂的增益函数Gain<0是否成立； 若Gain<0成立， 则不分裂叶子节 点； 若Gain <0不成立， 则加入待分裂叶子结点队列， 继续分裂叶子节 点； 若目标函数Obj(t)值不下降， 或 分裂后满足节 点分裂的增益函数Gain<0， 则不分裂叶子节 点； 当叶子节点分裂一次后， 左叶 子或右叶子样本数小于1时， 也 放弃分裂； 当创建新 树来拟合上次迭代遗留的残差时： 上式中， 为第t次迭代时样本i的预测值， ft(xi)为第t棵树的相关函数； 对式(6)进行二阶泰勒展开， 得到： 上式中， 分别是损失函数 对于 的一阶和二阶的偏导数； 对于第t次迭代， 和 都是常数， 所以式(9)又写为： 将式(5)代入式(10)中， 式(5)中Ω( θ )与式(10)中Ω(ft)表示同一含义， 均为平滑各叶 子节点之间的权 重； 将对样本的遍历转 化为对于叶子节点的遍历， 并合并相同的项： 权　利　要　求　书 2/4 页 3 CN 113947028 A 3