问题 |
E3S网页汇编
卷积197 2020
75线程国家ATI大会-#7人人享有清洁能源(ATI2020) |
|
---|---|---|
文章号 | 11014 | |
页数 | 14 | |
段内 | 涡轮机 | |
多尔市 | https://doi.org/10.1051/e3sconf/202019711014 | |
在线发布 | 2020年10月22日 |
使用不同的机器学习方法评价零件请求飞机引擎性能
塞林托大学工程创新系
*对应作者 :antonio.capodieci@unisalento.it
飞机起站时间变得越来越重要,因为运输解决方案变得更加复杂,运输业寻找新的竞争方式为实现此目标,传统舰队管理系统逐步扩展并配有新特征提高可靠性并随后提供更好的维护规划这项工作的主要目标是开发基于人工智能的迭代算法,以确定引擎清除计划及其维护工作,优化引擎客户可用性和维护费用,并获取集成部件采购计划并规划干预和实施维护策略为实现此目标,机器学习应用到车间数据集中,目的是优化仓库备件数、成本和准备时间数据集由特定引擎类型修复历史组成,从数年数队组成,并包含修复请求、引擎工作时间、法证证据和处理备件一般信息等信息使用这些数据输入数机学习模型,预测每个备件修复状态,改善仓库处理多标签分类法用于构建和训练机器学习模型,供每一备件使用,该模型预测部件修复状态像多级分类器那样要求每个分类器预测相应部分的修复状态(分类为“效率”、“重置”或“重置”),从两个变量开始:修复请求和引擎工作时并用混淆矩阵评价全球结果,从矩阵检索精度、精度、回调和F1-Score度量值,分析错误预测成本测试集每种备件相关模型计算出这些度量,然后通过平均结果获取最后单性能值以这种方式应用三种机器学习模型(Naïve贝叶斯、后勤回归和随机森林分类器)并比较结果纳伊夫贝叶斯后勤回归完全概率方法最优全局性能近80%,使模型大都正确化
必威西汉姆赞助作者版由EDPScience发布,2020
开存文章分发创用CC授权4.0允许在任何介质上不受限制使用、分发和复制,只要原创作品正确引用
当前用法度量显示文章视图累积计数(全文文章视图包括HTML视图、PDF和ePub下载,根据可用数据)和Vision4Press平台摘要视图
数据对应2015年后板状使用当前使用量度自在线发布后48-96小时提供并按周日每日更新
初始下载度量器可能花点时间