基于机器学习的涡轮发动机轮盘多类故障检测方法

⃝可在www.sciencedirect.com在线获取ScienceDirectICTExpress 7（2021）15www.elsevier.com/locate/icte基于机器学习的涡轮发动机轮盘多类故障检测方法卡拉·E马里奥？加西亚古仁洙·卡马纳韩国蔚山大学电气电子与计算机工程系，蔚山680-749接收日期：2020年11月30日;接收日期：2021年1月28日;接受日期：2021年1月28日在线预订2021年摘要航空发动机中旋转发动机部件的故障检测是一项具有挑战性的任务，必须不断进行监测以提供航空安全。本文提出了一种基于多层感知器（MLP）的故障程度实时检测方法在涡轮发动机盘中由于裂纹。为了进一步提高检测精度，同时降低计算复杂度，递归特征消除（RFE）是一种有效的特征选择方法。令人满意的是，仿真结果表明，所提出的框架是对操作条件的变化具有鲁棒性，并优于比较方法。c2021韩国通信和信息科学研究所（KICS）。出版社：Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。关键词：涡轮发动机盘;故障检测;多层感知器（MLP）;递归特征消除（RFE）1. 介绍旋转发动机部件故障检测是一个在航空安全、复杂动态网络、车载网络等实际工程领域有着广泛应用的研究课题。航空发动机涡轮盘故障检测是航空工业改善涡轮盘工作状态、保证涡轮盘高效运行的重要手段，涡轮盘故障可能导致灾难性事故。特别是，发动机故障可能危及飞行中飞机的安全[1]。从这个意义上说，识别旋转涡轮发动机盘中的缺陷在提高航空发动机的安全性和降低维护成本方面起着关键作用[2]。尽管由于存在环境干扰、分散的载荷条件、裂纹尺寸和材料特性，强大的检测监控系统可能难以实现。因此，需要实时故障检测机制以便对受到变化影响的变化的操作状态提供鲁棒的响应[3]。目前常用的发动机检测技术有磁粉检测、涡流检测、液体渗透检测、∗ 通讯作者。电子邮件地址：hotmail.com（C.E.Garcia），mario_camana@hotmail.com（M.R.Camana），iskoo@ulsan.ac.kr（I.Koo）。同行评审由韩国通信和信息科学研究所（KICS）负责https://doi.org/10.1016/j.icte.2021.01.009检测、射线检测和管道镜检查。这些技术的优点是能够检测正常和不寻常的不连续性和灵活性，可用于各种材料，如橡胶，塑料和金属。另一方面，缺点是其检查成本，并且其操作是使用基于一定数量的定期飞行小时的时间表来编程的[4]。感应热成像是另一种用于航空发动机的检测方法，其利用感应加热在红外摄像机的帮助下检测导电材料中的故障，以检测由缺陷引起的温度下降的存在[5]。结果表明，该技术需要一个直接的路径从红外相机的缺陷，以实现良好的检测。否则，很难检查小直径螺栓孔。用于故障检测的学习模型的发展已经引起了研究界和工业界的关注，其依赖于正常和故障数据（或仅正常数据）的收集来训练计算故障检测模型[6一般来说，这些模型中的大多数都是 通过机器学习技术[10，11]帮助预测事件，例如缺陷，入侵检测，表面裂纹检测[12]和覆盖预测[13]。传统的研究集中在定期检查和定期维护上，这在大型结构中具有局限性，并且必须处理意外发动机停机中的几个故障[14]。另一种方法是基于传感器系统2405-9595/2021韩国通信和信息科学研究所（KICS）。出版社：Elsevier B.V.这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。C.E. 加西亚，M.R.卡马纳和我。辜ICT Express 7（2021）1516能够在恶劣的环境条件下工作。例如，[15]和[16]中的作者通过利用从NASA格伦研究中心转子动力学实验室获得的实验测量结果提出了基于传感器的机制。虽然[15]中使用了高精度自旋系统来收集测量结果，但需要多次自旋来收集数据，以模拟发动机在实时应用中面临的不同条件。在[16]中，研究了感应监测系统（IMS）、Orca和一类支持向量机（OCSVM）算法，以监测涡轮发动机类转子盘。实验结果表明，该算法可以预测磁盘中的异常，其中Orca算法的准确率最高，达到98.33%。机器学习方法在进行预测时是数据驱动的。然而，一些数据集包含无用的信息，这降低了学习模型的准确性。解决针对这一问题，研究了特征选择或降维的方法。例如，在我们以前的工作[9]中，应用二进制粒子群优化（B-PSO）算法作为特征选择方法来选择有用的特征，而不是那些冗余或无用的特征，并且不能提供有用的信息来检测故障在涡轮发动机盘中。仿真结果表明，所提出的基于多层感知器（MLP）的方案与B-PSO实现了最高的二进制故障检测预测精度正常或破裂）与基准方案相比。在[12]中，使用多类支持向量机（MCSVM）来训练数据，这些数据具有通过称为递归特征消除（RFE）的特征选择方法选择的最佳特征。结果表明，MCSM-RFE框架的准确率超过95%.Chen等人提出了核主成分分析（KPCA）方法和K-最近邻（KNN）的组合，以减少冗余样本的数量[17]。因此，这种样本减少策略可以提高涡轮发动机盘实时故障检测的准确性。在特征空间中，通过最小化类内距离和最大化类间距离来拟合随时间变化的模型，并处理涡轮发动机轮盘可能面临的不同事件。结果表明，样本缩减技术提高了涡轮发动机轮盘故障检测的准确性。类似地，在[18]中，作者提出了一种基于自适应高斯混合模型（GMM）的旋转涡轮发动机盘故障检测方法，该方法可以根据时变过程数据进行更新。实验结果表明，GMM方法优于经典的GMM和多PCA基线方案。在文献[1]中，将支持向量机与基于KNN的方法应用于涡轮发动机轮盘的故障检测。实验结果表明，允许根据旋转涡轮发动机盘的状态进行及时更新的模型的重要性，因为通过应用自适应学习策略提高了传统静态模型的产量。另一方面，在[19]中 提出 了 一 种基 于 单 类大 矢 量 角区 域 和裕 度 （ 单类LARM）的故障检测方案，其提供了具有较少样本的高准确率。尽管上述工作表明它们优于基线方案，但所提出的方法不能识别旋转涡轮发动机盘中故障的严重程度，这可以提供有用的信息，以节省维修费用，计划预防措施，并通过迅速反应加强安全监控。在文献中，人工神经网络（ANN）已被用于故障检测的不同场景。比如说，研究了一种基于神经网络的拱桥损伤识别方法在[20]中，为了传输网络中的安全性和效率目的。结果表明，人工神经网络预测肋损伤和柱损伤的准确率分别为99%和97%。在裂纹或缺口检测的背景下，在[21]中，MLP被应用于检测薄铝板中的缺口型损伤。结果，MLP分类器正确地将数据分类为健康组和受损组，准确率为85%。在我们以前的工作[9]中，提出了一种基于MLP的二进制粒子群优化（B-PSO）方案，其中B-PSO被用作选择有用特征的特征选择方法。结果表明，B-PSO辅助的MLP算法具有最高的精度对于二进制故障检测预测（即，正常或破裂）与基准方案的比较。与以往的工作不同，我们考虑一个多类分类方案的基础上MLP分类的水平的裂纹，使我们能够预测在早期阶段的失败。此外，为了进一步提高预测的性能，基于RFE的特征选择方法被用来选择有用的特征，而不是那些冗余或无用的，不提供有用的信息来检测涡轮发动机盘中的故障。为此，RFE是一种有效的方法特征选择，其已经频繁地应用于工程领域中用于故障检测目的[9，22，23]，通过去除最不重要的特征，即使对于小样本特征选择[24]。我们的主要贡献概述如下。本文研究了涡轮发动机轮盘的多类故障检测方法，采用基于MLP的方法将样本分为正常、小裂纹和大裂纹。请注意，小裂纹和大裂纹构成故障样本，使我们能够确定故障的严重程度为了提高我们的框架的性能，我们提出RFE作为一种特征选择方法，它删除了数据集中不提供有用信息的冗余和不相关的特征。该技术在提高预测性能的同时降低了计算复杂度。我们通过仿真结果验证，建议的MLP分类器与RFE特征选择方法优于其他基准方法，如B-PSO和主成分分析（PCA）。同时，将MLP分类器算法与功能强大的随机森林（RF）算法进行了比较，取得了令人满意的结果.···C.E. 加西亚，M.R.卡马纳和我。辜ICT Express 7（2021）1517表1数据集的记录[16]。正常小裂缝大裂缝3krpm-3-min-no-notch.xls3krpm-3min-notch-1.xls3krpm-3-min-large-notch.xls4krpm-3min-no-notch.xls4krpm-3min-notch-1.xls4krpm-3-min-large-notch.xls5krpm-3min-no-notch.xls5krpm-3min-notch-1.xls5krpm-3-min-large-notch.xls表2参数说明[16]。图1.一、带 缺 口 的 测试盘[16]。本文的其余部分组织如下。系统模型和数据集在第2节中描述。该框架基于MLP分类器和RFE在第3节中进行了简要描述。在第4节中给出了建议的MLP分类器与RFE的模拟结果以及比较方法的结果。最后，在第5节中给出了结论。2. 系统模型和数据集我们利用了NASA格伦研究中心旋转动力学实验室[25]的数据集，该数据集是使用涡轮发动机盘的物理模拟器收集的。该系统基于高频叶尖间隙测量，通过捕获旋转发动机盘中的叶尖定时测量和叶片叶尖间隙来预测盘故障。如图1所示，通过监测电容电特性的电容传感器进行测量。两个表面之间距离的变化会导致电容率的变化。其主要思想是检测由裂纹引起的圆盘质心的任何变化。基准磁盘和具有小裂纹和大裂纹的圆盘被引入制定裂缝检测方案。数据集包括表1中列出的在以每分钟转数（rpm）为单位的三种不同速度下和在三种不同状态（正常、具有小裂纹或具有大裂纹图二. 提出了用于涡轮发动机盘多类故障检测的MLP-RFE框架。裂纹）。所有参数每转采样一次。每转一圈，测量32个叶片的边缘间隙，如表2所示。请注意，裂纹会导致发动机盘在旋转时发生微小变形。因此，通过盘的质心的变形产生速度相关的移位。这种变化可以通过分析由叶尖间隙轮廓测量的振动涡动振幅和相位请注意，本文中使用的涡轮发动机盘数据集的来源没有量化小裂纹和大裂纹。它只提供了关于盘的测量和0.381 mm的裂纹宽度的信息，而没有指定用于对故障级别进行分类的值。然而，数据集中的样本被标记为故障，包括磁盘上的正常，小和大裂纹[3]。3. 拟议框架建议的多类方案是由MLP分类器和RFE方法。我们用特征选择RFE方法选择的最佳特征训练MLP模型。拟议的框架如图所示。二、首先，我们将基于RFE的特征选择方法应用于历史数据集，以使用有助于提供良好预测准确性的有用特征来训练模型。然后，基于MLP的方案使用历史训练数据来拟合模型。MLP模型的目标是预测故障（正常、小裂纹或大裂纹）的程度。在检测到小裂纹和大裂纹时，将出现警告。在一定数量的样本α之后，MLP模型将被更新参数名称描述单位版本号转数测量整数同步时间时钟时间SRPM测量的RPMrpmMaxGap所有间隙传感器的最大间隙长度平均差距所有间隙传感器的平均间隙长度MinGap所有间隙传感器的最小间隙长度Gap0刀片0的测量间隙长度. . .. . .. . .Gap31铲刀31的测量间隙长度C.E. 加西亚，M.R.卡马纳和我。辜ICT Express 7（2021）1518||=关于我们||==+：→=特征，即xj=xj，1，.，xj，K.外部估计量算法1：递归特征消除算法。输入：训练数据集D ={（x1，y1），...，（xr，y r）}，其中r样本，其中eac{h样本j=}1，...，r由K组成以及要选择的特征的所需数量，N，N N do用数据集D和特征子集训练估计器Em。衡量每个特征的重要性增加计数器z z1。删除最不重要的特征f为了确定图三. MLP分类器。新子集z=z−1− {f}，|拉斯|为|z−1|-1。结果：N个特征的最终子集，即，将在基于MLP的方案的训练阶段中使用。由于涡轮发动机盘的操作过程不会保持恒定，因此，可以及时地使用新的样本来处理实时应用。提出的多类分类问题的首要目标之一是确定在早期阶段的实时故障检测裂纹的水平。因此，一旦识别出小裂纹，所提出的MLP-RFE框架就会给出如图所示的警告。2、可以采取适当的保养措施来预防这个小裂缝随着时间的推移而扩大。此外，我们使用6000个样本作为测试集来评估模型。3.1. 递归特征消除RFE是一种特征消除方法，用于评估特定特征对从不同类别中分类样本的贡献程度，并删除不太重要的特征以提高准确性。特征选择方法在文献中很受欢迎，因为它们降低了机器学习算法的计算复杂性，同时提高了预测性能[26，27]。RFE基于一个迭代过程，该过程根据特征的重要性对其进行排名[26]。为了衡量每个特征的重要性，RFE使用外部估计器为每个特征提供权重。首先，使用当前特征集训练外部估计器，其中每个特征的重要性用于从当前集合中移除最不重要的特征接下来，重复迭代过程，直到达到所需的特征数量。算法1总结了RFE过程，其中估计量表示为ε。在本文中，我们使用逻辑回归[28]作为外部估计来衡量特征的重要性，其中这些度量对应于逻辑回归中每个特征的系数值。3.2. 多层感知器分类器MLP的特点是由各种全连接层-一个输入层，一个或多个隐藏层，和一个输出层-如图所示。3.第三章。图四、 调整超参数的验证方案。输入数据被输入到输入层，结果通过输出层获得隐藏层的数量在本文中，我们根据在图4所示的拟议验证方案中执行的分析来设置超参数，其中数据集分为训练，验证和测试数据。为了使所提出的学习MLP模型更鲁棒，训练集考虑3000 rpm和4000 rpm下的500个样本，而验证集考虑3000 rpm、4000 rpm和5000 rpm下的900个样本。因此，我们建立了一个基于MLP的方案组成的一个隐藏层与100个神经元。一个隐藏层是一个函数， FRNR M，其中N 表示输入向量x j的大小，并且M3表示输出向量f（x）的大小。基本上，f（x）是一个函数，它计算每个神经元的输出（从输入层到隐藏层，再到输出层），以便在学习最佳参数的同时找到该分类器的最佳近似。在本文中，输出可以是以下类别之一：正常，裂缝或大裂缝。该过程从通过权重和偏置添加的输入权重开始。除了输入节点之外，每个节点都具有以非线性方式描述输入/输出关系的激活函数。在本文中，我们使用ReLU激活函数。之后，通过比较输出和实际值来计算误差。此错误端C.E. 加西亚，M.R.卡马纳和我。辜ICT Express 7（2021）1519（）下一页（）下一页=+图五、实 验 中使用的数据集。计算最后一个隐藏层中的每个神经元对每个输出神经元的误差的贡献。然后，通过反向传播方法更新权重以减小误差。反向传播方法通过在网络中向后传播误差梯度来因此，输出向量可以用以下矩阵表示法表示：f （ x ） =φb（2） +W（2） （ φ （ x ） ） ，（1）其中，b（2）是偏置向量，W（2）是隐藏层和输出层之间的权重矩阵，并且k是输出层的激活函数。在本文中，我们使用SoftMax激活函数，因为它适用于多类分类的目的，通过分配十进制概率到每个类。为隐藏层建立的向量φ（x）g b（1）W（1）x具有表示为b（1）的偏置向量和表示为g的ReLU激活函数。权重矩阵W（1）将输入向量连接到隐藏层。4. 仿真结果在本节中，我们展示了使用涡轮发动机盘数据集[25]的模拟结果。为了进行分析，我们根据每分钟转数和刀片0到刀片31的测量间隙选择了特征，这是三个不同类别（正常、小裂纹、大裂纹）的总共33个特征。模拟在具有16GB RAM和Intel Core i7- 6700 K CPU的计算机上进行，并在Anaconda环境中使用scikit-learn库根据数据集，我们根据数据的使用方式考虑了三个不同的部分：训练、验证和测试。训练数据用于通过RFE算法选择最佳特征并构建MLP模型。验证数据用于选择最佳模型并调整模型的超参数，例如学习率，批量大小，隐藏神经元的数量等。测试数据用于评估训练模型的最终准确性，并且包括在模型的训练过程中未见过的数据。在模拟中，我们使用了一个由500个样本组成的训练数据集，其中我们只考虑了三个类别的3000 rpm和4000 rpm图第六章 示例实例在3000 rpm。图第七章 5000 rpm下的示例实例。所有特征均标准化为零均值和单位方差。此外，验证数据集和测试数据集分别由900和6000个样品组成，其中考虑了3000、4000和5000 rpm的样品， 三个班级。图5显示了本文中考虑的数据集的分布。值得注意的是，在5000rpm时，在训练阶段不使用，使用这些数据分析模型对操作条件变化的鲁棒性。此外，我们提出了一个例子中的分类问题图。图6和图7示出了两个特征和3000个样本的值，其中两个特征和3000个样本的值被认为分别代表3000 rpm和5000 rpm场景下每个样本的类别。我们可以看到，5000 rpm是最具挑战性的场景，因为数据的分布不允许线性分类器。因此，我们选择了MLP，它适用于不可线性分离的数据。此外，最佳特征的选择是从预测中实现高性能的关键因素在本文中，我们考虑三个指标来分析数值结果：准确性，精确度和召回率。准确度是正确预测的样本与总样本的比率，并在测试数据上混淆矩阵在表3中定义，这使我们能够可视化所提出的方案的性能。矩阵的每一行代表真实类，而每一列代表预测类。C.E. 加西亚，M.R.卡马纳和我。辜ICT Express 7（2021）15表320精度=∑i=-=混淆矩阵。预测类正常小裂缝大裂缝正常C11C12C13真级小裂纹C21C22C23大裂缝C31C32C33表4特征选择分析。特征数准确度（%）精密度（%）召回率（%）299.83099.83199.830399.79999.80099.789499.99899.99899.998599.99699.99699.996699.98999.98999.9891097.46697.57397.466精确度和召回率分数基于混淆矩阵在每个类别中进行评估，如下所示：见图8。 批量选择。CII3Cj=1 CJ I（二）回忆i=∑3我我Ci j（三）j=1其中i表示每个类，i1表示正常，i2表示小裂纹和I3为大裂纹。此外，我们使用平均查准率和查全率来简化比较结果。4.1. 调整所提出的模型调整超参数的过程是基于图1所示的方案。四、在RFE算法中，我们使用逻辑回归作为估计器来分配用于执行特征选择的特征的系数。表4列出了RFE算法选择的不同数量特征的准确度、精确度和召回率得分。所选特征取决于训练数据集和RFE算法的参数。从表4中，我们可以看到，选择四个特性可以使我们实现三个考虑指标的最高性能，我们选择这些值进行进一步的模拟。所选特征取决于训练数据集和RFE算法的参数。在我们的模拟运行中，当目标是减少特征的数量时，选择间隙2、间隙17、间隙23和间隙31到四个2个特征的特定特征名称为gap17和gap31，3个特征的特定特征名称为gap2、gap17和gap31，5个特征为间隙1、间隙2、间隙17、间隙23和间隙31，特征为间隙1、间隙2、间隙17、间隙19、间隙23和间隙31，10个特征为RPM、间隙1、间隙2、间隙3、间隙17、间隙18、间隙19、间隙23、间隙30和间隙31。此外，我们考虑了基于MLP的方案的以下参数：学习率为0.001，批量大小为128，一个隐藏层包含100个隐藏神经元，ReLU作为激活函数，以及50个epoch。接下来，我们证明MLP模型的超参数见图9。 学习率选择。图 8显示了不同批量大小的时期数的平均准确度。观察到，最高的准确性是在128的批量大小下实现的，同时提供快速收敛。图图9示出了学习率和隐藏神经元具有不同值的时期数量方面的平均准确度，其中我们将学习率参数表示为lr，将隐藏神经元的数量表示为HN。我们可以看到，随着学习率的增加，算法收敛得更快。然而，学习率的高值可能导致低准确度，例如当学习率为0.1时。此外，我们可以看到，在100个隐藏神经元的情况下，学习率为0.001，并且使用ReLU作为激活函数，可以实现更高的准确性和相对快速的收敛。4.2. 与拟议模型的在这一小节中，我们展示了使用测试数据集的模拟结果，该数据集在训练中没有使用，超参数调整过程出于比较的目的，我们认为B-PSO [9]是一种比较特征选择算法，PCA [29]是一种比较降维技术。此外，我们将该方案与无特征选择的MLP算法进行了比较，并将其与RF算法进行了比较。结果在100次独立重复中取平均值，同时在每次重复中为训练数据集C.E. 加西亚，M.R.卡马纳和我。辜ICT Express 7（2021）15表521++++++故障分类问题的性能比较。算法准确度（%）精确度（%）召回率（%）RFE MLP（拟议）99.982 99.982最低工资PCA MLPBPSO MLPPCA-RF95.310 95.888 95.310表5显示了所提出的方案和比较方法的准确度、精确度和召回率。对于与PCA方法的比较，当RF算法使用森林中的100棵树时，使用8个分量获得了最高的精度。注意，由于传统RF算法不允许在新数据到达时更新分裂准则，因此RF模型在时间上是固定的。我们可以看到 所提出的方案实现了比较方法中最高的准确度、精确度和召回率。在本文中，基于RFE的方案从总共四个特征中选择了四个特征，的33个特征，作为训练MLP的最佳子集，这允许减少要优化的权重数量，的MLP的反向传播过程，同时减少计算时间。表6显示了建议方案和基线方案的每个类的精确度和召回率得分。据观察，所提出的计划提供了最好的性能为三类：正常，N，小裂纹，SC，和大裂纹，LC。值得注意的是，正常等级的高精度意味着在测试样品中正确检测到小裂纹和大裂纹，即，没有故障磁盘被误分类为正常磁盘。表7显示了所提出的方案的归一化混淆矩阵，这使我们能够可视化所提出的方案的性能。矩阵的每一行代表真实类，而每一列代表预测类。从表7中，我们可以确认，在任何测试样品中，小裂纹和假裂纹实例都没有被归类为正常，即，故障总是被正确地检测到。图图10示出了所提出的方案和比较方案的训练样本数量方面的平均准确度。我们可以看到，该方案优于比较方案时，使用200个训练样本，而达到稳定的准确性后，300个训练样本。最后图图11示出了所提出的方案和比较方案的每个类别的准确度，表明所提出的方案在所有类别中优于其他方法，同时在正常和小裂纹类别中实现了100%表6图10. 以训练样本数量表示的平均准确度。图十一岁平 均 每个级别的准确度。5. 结论在本文中，我们提出了一种新的方法，基于机器学习的计划命名为MLP辅助RFE技术，实时检测涡轮发动机盘的故障程度。具体而言，该计划是基于RFE技术的特征选择和MLP模型来分类正常的磁盘与小裂纹和大裂纹的磁盘。特征选择分析验证了所提出的FRE的有效性此外，基于MLP的方案的权重可以及时更新以处理涡轮发动机盘中的新条件。仿真结果表明，与不进行特征选择的方案以及PCA和B-PSO技术相比，基于RFE和MLP的方案具有更好的性能。此外，我们提供了一个适当的超参数设置，显着提高性能故障分类问题的精确度和召回率得分Alg.精确度N精密度SC Prec. LC建议N Rec. SC Rec. LCRFE MLP（prop）100 99.95 100 100 99.95最低工资100 95.54 100 98.19 100 97.14PCA MLP 97.02 99.20 100 100 96.92 99.22BPSO MLPPCA-RF 96.90 66.26 98.08 64.75 96.63 85.68电话：+86-10 - 855555522C.E. 加西亚，M.R.卡马纳和我。Koo ICT Express 7（2021）15表7所提出的方案的归一化混淆矩阵预测类正常小裂纹大裂纹正常1 0 0[8] I. Guyon，J. Weston，S. Barnhill，V.Vapnik，使用支持向量机进行癌症分类的基因选择，Mach。学习. 46（2002）389-422。[9] C.E. 加西亚，M.R.卡马纳岛Koo，实时故障检测涡轮发动机盘，在：ICT融合国际会议（ICTC），济州，韩国，2020年，pp。1比6和算法的收敛性。仿真结果证明了该模型的鲁棒性，具有较高的精度在测试数据中实现，其中包含在训练阶段中未使用的5000 rpm的样本。最后，所提出的方案能够检测测试数据集中的所有故障，因为不存在误分类为正常的小裂纹和大裂纹样本。CRediT作者贡献声明卡拉·E加西亚：概念化，方法论，软件，验证，形式分析，调查，数据管理，写作-原始草稿，写作-评论&编辑. 马里奥河Camana：可视化，数据管理，验证。顾仁秀资源，写作-评论编辑，监督，项目管理，资金获取.竞合利益作者声明，他们没有已知的可能影响本文所报告工作致谢这项工作得到了韩国国家研究基金会通过韩国政府科学和信息通信技术部（MSIT）的部分支持，拨款NRF-2018 R1 A2 B6001714。引用[1] J. Chen，X. Xu，X.张，基于自适应加权单类支持向量机的涡轮发动机轮盘故障检测，J。Comput. Eng. 2020（2020）1-10.[2] 联合Dinesh Kumar，J. Crocker，J. Knezevic，飞机发动机的渐进维修 ， 年 度 可 靠 性 和 可 维 修 性 ， 1999 年 会 议 录 （ 目 录 号 ：No.99CH36283），Symposium，1999.[3] A. Abdul-Aziz，M.R.北卡罗来纳州沃伊克Oza，B.L.马修斯，J.D.lekki，转子健康监测结合自旋测试和数据驱动的异常检测方法，结构。健康监测。11（1）（2011）3[4] M.S. Hameed，I.A. Manarvi，使用FEM和CFD定位裂纹压缩机叶片无损检测，2009年IEEE航空航天会议，2009年。[5] M. Genest，G. Li，使用感应热成像技术检测飞机发动机部件，2018年IEEE加拿大电气&计算机工程会议（CCECE），2018年。[6] Z. Zhao，F. Morstatter，S.夏尔马，西-地Alelyani，A. Anand，H.Liu ， Advancing feature selection research ， in ： ASU FeatureSelectionRepository，2010，pp. 1-28[7] P. Langley，机器学习中相关特征的选择，在：AAAI秋季相关性研讨会论文集，1994年，pp. 140-144Appl. 38（10）（2011）12699[12] S. Mustapha，A.布雷蒂湖叶，钢管表面裂纹分类的多尺度数据融合，无损检测。Eval.诊断 进展Eng. 系统1（2）（2018）.[13] CE Moreta，M.R.C.阿科斯塔岛古，数字地面预测电视覆盖使用机器学习回归，IEEE Trans. 广播. 65（4）（2019）702-712。[14] M. Woike，A.A.Aziz，N.奥扎湾马修斯，新的传感器和技术的结构健康监测推进系统，科学。世界J2013年（2013年）第1[15] A. Abdul-Aziz，M. Woike，G. Baaklini，J.R. 涡轮发动机使用旋转测试数据进行盘转子健康监测评估，在：智能传感器现象，技术，网络和系统集成，圣地亚哥，加利福尼亚州，美国，2012年，pp. 248-258[16] A.A. 阿齐兹，M。Woike，N.奥扎湾Matthews，G.Baakilini，推进使用旋转测试数据对涡轮发动机盘进行健康监测，见：结构和生物 系 统 的 ProcuratorHealth Monitoring ， SanDiego ， California ，United States，2010年，第10 0 页。431-440[17] J. Chen，X. Zhang， Y. 涡轮发动机轮盘故障检测基于自适应核主成分分析算法，ProcIMechE，I：J. 系统控制工程师230（7）（2016）651[18] J. Chen，X. Zhang，N. Zhang，K. Guo，汽轮机故障检测使用自适应高斯混合模型的发动机盘，Proc。 Eng. I 231（10）（2017）827[19] 陈杰，Y. Wei，H. Wang，X.张，涡轮发动机故障检测基于单类大矢量角域和边限的圆盘，Math. Probl. Eng. 2020（2020）1-11.[20] W.K.N. Jayasundara，使用Vi进行拱桥损伤检测，振动特性和人工神经网络，昆士兰科技大学，2020年。[21] 放大图片作者：SabithYoonus Nalakath 1，Kashif Saeed 2，KhalidA.Alnefaie 3，Detec-采用子空间识别和人工神经网络的缺口型损伤，国际。J. 紧急情况Technol. Adv. Eng. 4（8）（2014）。[22] S.S. 罗伊，S。Dey，S.自相关辅助随机森林基于分类器的轴承故障检测框架，IEEE Sens. J. 20（18）（2020）10792-10800。[23] I. Bandyopadhyay，P.普尔凯特角Koley，分类器的性能基于时域特征的逆变器驱动器的早期故障检测，IEEE Trans. 印第安纳INF. 15（1）（2019）3[24] X. 陈建章Jeong，增强的递归特征消除，在：第六届机器学习与应用国际会议（ICMLA 2007），2007年。[25] 旋转动力学实验室在美国宇航局格伦研究中心，磁盘缺陷数据，可用语言：https：//c3. nasa. 我们的目标是要在未来的几年里，在未来的几年里，[26] P.M. Granitto，C. Furlanello，F. Biasioli，F. Gasspectrometr，递归特 征 消 除 与 随 机 森 林 用 于 农 工 业 产 品 的 PTR-MS 分 析 ，Chemometr。内特尔实验室系统83（2）（2006）83[27] B.F. 达斯特，K.C.马莱茨基角Engelman，使用递归特性消除随机森林，以解决高维数据中的相关变量，BMC基因。19（1）（2018）65[28] C.M. Bishop，模式识别和机器学习，Springer，剑桥，2006年。[29] A. Tharwat，主成分分析-教程，Int. J. Appl. 模式识别。3（3）（2016）197真级小裂纹010[10]Y. 弗罗因德， R.E. 沙佩尔， 大 保证金 分类 使用大裂缝00.000540.99947感知器算法，马赫。学习. 37（3）（1999）277[11]L- Y. Chuang，S.- W.蔡角，澳-地H. Yang，改进的二进制粒子群算法优化使用鲶鱼效应的特征选择，专家系统。