周俊曦，王欣

（中国民用航空飞行学院计算机学院，广汉 618307）

0 引言

人工智能技术在工业设备维护领域的应用越来越广，设备剩余寿命预测是其中最重要的应用领域之一。本文将采用机器学习算法对航空发动机的故障数据建立模型，以数据驱动的方式来对其健康状态进行预测，从而减少设备维护的成本。使用机器学习里的集成学习模型预测设备的剩余寿命，对于降低安全事故风险、降低设备维护成本、保障生命财产安全具有重要意义。

目前在国外已经有很多人用机器学习的方法对发动机的剩余寿命进行预测，并且做了一定的改进，而国内在这方面的应用就寥寥无几。P.Arpaia等人［1］使用隐马尔可夫模型检测流体机械故障，该方法在CERN的螺杆压缩机的故障检测上有比较高的准确性。唐王［2］使用改进的SVR方法对航空发动机的余寿进行预测，使它的RMSE值为20.96。叶景［3］使用XGBoost用于交通流量预测来缓解交通拥堵提高交通运行效率，使得模型预测值RMSE为10.2。Yang等［4］提出了一种基于空间的最小二乘支持向量回归的预测模型方法。同时基于支持向量机的模型在短时交通流量预测中的多次应用均取得良好的预测精度。上述文献所用的方法大多是单个分类器，单个分类器普遍存在泛化能力较弱、分类精度较低的缺点，如果采用集成学习模型就可以克服以上缺点。集成学习模型就是把多个单一的学习模型结合起来并获得更好的泛化能力和更高的预测精度。……