| 针对测试数据维度高导致的剩余寿命预测精度低和收敛速度慢的问题, 本文提出一种基于极限梯度提升的高斯过程回归 (XGBoost-GPR) 模型用于航空发动机的剩余寿命预测. 该模型通过 XGBoost 方法对高维特征进行筛选来降低运算量, 并将筛选出的特征输入 GPR 模型预测航空发动机的剩余寿命及其置信区间, 旨在提高预测算法的收敛速度和预测精度. 采用美国航空航天局航空发动机数据集进行实验, 并与 GPR 模型和典型机器学习方法的预测效果进行对比, 实验结果表明 XGBoost-GPR 模型的均方根误差与评分函数均优于上述方法, 并且收敛速度较传统 GPR 预测模型平均减少 33%, 95% 置信区间覆盖真实值的比率比传统 GPR 模型平均提高 9.25%. |
