摘要
性能参数预测技术是航空发动机健康管理的核心研究内容,越来越多的机器学习算法被应用于该领域,正则化极限学习机(Regularized extreme learning machine,RELM)是其中之一。但RELM的正则化参数确定非常消耗计算资源,使其在数据量较大的航空发动机性能参数预测领域表现出不适应性。本文使用前向和后向分割(Forward and backward segmentation,FBS)算法提升RELM性能,并引入自适应步长确定方法和一种改进的求解机制获得新的机器学习算法。新算法在保持良好泛化的同时,对正则化参数不敏感,极大地节省了计算资源。在公开数据集上的实验结果证明了新算法的优异性能。最后将新算法应用于航空发动机性能参数的预测,取得了优异的预测性能。
- 单位