一種航空發(fā)動(dòng)機(jī)運(yùn)行可靠性評(píng)估方法

馬紅亮，馮蘊(yùn)雯，劉騫，劉佳奇

（1.中航西飛民用飛機(jī)有限責(zé)任公司 客戶(hù)服務(wù)中心，西安710089）

（2.西北工業(yè)大學(xué) 航空學(xué)院，西安710072）

0 引 言

航空發(fā)動(dòng)機(jī)被譽(yù)為“工業(yè)之花”，是飛機(jī)的核心部分，運(yùn)行在高溫、變載荷等極端條件下，其正常運(yùn)行可以保證飛機(jī)的性能及可靠性［1-2］。隨著技術(shù)不斷迭代發(fā)展，長(zhǎng)時(shí)間的實(shí)驗(yàn)實(shí)現(xiàn)難度較大且成本較高，基于故障數(shù)據(jù)的傳統(tǒng)可靠性分析方法受到了限制。在這種背景下，面向飛行任務(wù)的航空發(fā)動(dòng)機(jī)運(yùn)行過(guò)程中的可靠性分析受到廣泛關(guān)注［3-4］。運(yùn)行可靠性基于運(yùn)行過(guò)程中每臺(tái)發(fā)動(dòng)機(jī)監(jiān)測(cè)的信息，考慮運(yùn)行過(guò)程中多因素影響，搭建運(yùn)行可靠性模型，計(jì)算其運(yùn)行過(guò)程中的可靠性［5-6］。對(duì)于航空發(fā)動(dòng)機(jī)而言，其運(yùn)行可靠性定義為：在規(guī)定的運(yùn)行時(shí)間內(nèi)，規(guī)定的運(yùn)行條件下，完成運(yùn)行過(guò)程中規(guī)定功能的能力。由于航空發(fā)動(dòng)機(jī)具有可靠性高、失效樣本不足、試驗(yàn)費(fèi)用高昂等特點(diǎn)，同時(shí)不同架次、不同機(jī)型、不同航線(xiàn)運(yùn)行的發(fā)動(dòng)機(jī)故障及性能退化并不相同，每一臺(tái)發(fā)動(dòng)機(jī)的可靠性對(duì)于運(yùn)營(yíng)商和主機(jī)廠(chǎng)都十分重要。

國(guó)際民航組織（International Civil Aviation Or‐ganization，簡(jiǎn)稱(chēng)ICAO）在安全管理體系中指出，危險(xiǎn)的識(shí)別應(yīng)該是積極而具有前瞻性的，有必要積極查明尚未發(fā)生的危害［7］；美國(guó)聯(lián)邦航空管理局（Federal Aviation Administration，簡(jiǎn)稱(chēng)FAA）提出了安全性“監(jiān)視/數(shù)據(jù)分析”過(guò)程［8］。然而，航空組織尚未提供具體的航空發(fā)動(dòng)機(jī)運(yùn)行可靠性實(shí)施方法。運(yùn)行可靠性除了考慮時(shí)間相依的概率外，還需考慮設(shè)備自身健康狀況、外部環(huán)境、系統(tǒng)運(yùn)行條件和系統(tǒng)運(yùn)行行為等因素的影響。長(zhǎng)期以來(lái)，飛行數(shù)據(jù)的記錄與獲取并不規(guī)范，基于運(yùn)行數(shù)據(jù)的可靠性研究并不充分。近年來(lái)，隨著先進(jìn)的傳感器技術(shù)、數(shù)據(jù)采集及傳輸技術(shù)的發(fā)展，在一定程度上為結(jié)合運(yùn)行數(shù)據(jù)的航空發(fā)動(dòng)機(jī)運(yùn)行安全評(píng)估創(chuàng)造了條件［9-10］。國(guó)內(nèi)外研究者通過(guò)數(shù)據(jù)分析的方法對(duì)航空器運(yùn)行可靠性開(kāi)展了初步的研究，H.Lee等［11］使用飛行數(shù)據(jù)記錄器的傳感器數(shù)據(jù)來(lái)預(yù)測(cè)可能發(fā)生的飛行性能異常，提出了一個(gè)發(fā)動(dòng)機(jī)健康監(jiān)測(cè)框架，用于檢測(cè)性能異常從而保障系統(tǒng)安全性；C.Petcharin等［12］針對(duì)隨著時(shí)間推移發(fā)動(dòng)機(jī)可靠性下降問(wèn)題，基于CF6發(fā)動(dòng)機(jī)開(kāi)展了運(yùn)行可靠性和維護(hù)優(yōu)化研究；洪驥宇［6］使用深度學(xué)習(xí)算法，依托復(fù)雜可靠性與運(yùn)行可靠性分析理論，研究了狀態(tài)參數(shù)與航空發(fā)動(dòng)機(jī)運(yùn)行可靠性之間的時(shí)變、非線(xiàn)性問(wèn)題；周媛［13］基于數(shù)據(jù)驅(qū)動(dòng)方法，圍繞航空大數(shù)據(jù)問(wèn)題，開(kāi)展了發(fā)動(dòng)機(jī)數(shù)據(jù)采集及狀態(tài)監(jiān)測(cè)過(guò)程中的諸多問(wèn)題研究，其中關(guān)于狀態(tài)監(jiān)視、數(shù)據(jù)重構(gòu)、退化模式識(shí)別三個(gè)方面的研究具有很高的指導(dǎo)價(jià)值；陳保家等［14］為了提高少失效或零失效數(shù)據(jù)條件下的航空發(fā)動(dòng)機(jī)軸承運(yùn)行可靠性評(píng)估精度和可信性，提出了一種基于比例協(xié)變量模型和Logistic回歸模型混合的可靠性評(píng)估方法；孫闖等［15］針對(duì)小樣本條件下的航空發(fā)動(dòng)機(jī)運(yùn)行可靠性評(píng)估提出了有效手段；趙軍等［16］基于典型的民航發(fā)動(dòng)機(jī)的飛行快速存取記錄器（Quick Access Re‐corder，簡(jiǎn)稱(chēng)QAR）數(shù)據(jù)，對(duì)案例發(fā)動(dòng)機(jī)進(jìn)行性能分析。為了實(shí)現(xiàn)對(duì)研究對(duì)象的運(yùn)行條件、工作狀態(tài)、可靠性裕度等方面的綜合評(píng)價(jià)，馮蘊(yùn)雯等［5，17］面向飛機(jī)運(yùn)行過(guò)程，應(yīng)用智能算法開(kāi)展了航空發(fā)動(dòng)機(jī)運(yùn)行可靠性、運(yùn)行安全性研究，達(dá)到了較好的效果。然而，由于航空發(fā)動(dòng)機(jī)運(yùn)行過(guò)程中所涵蓋的數(shù)據(jù)具有類(lèi)型多、數(shù)量大、時(shí)變、強(qiáng)耦合、非線(xiàn)性等特點(diǎn)［17］，導(dǎo)致航空發(fā)動(dòng)機(jī)運(yùn)行可靠性分析的效率和精度還不夠高。

為了合理解決上述問(wèn)題，本文提出一種航空發(fā)動(dòng)機(jī)運(yùn)行可靠性評(píng)估方法。結(jié)合航空發(fā)動(dòng)機(jī)工作特性、航空發(fā)動(dòng)機(jī)工作狀態(tài)、飛機(jī)運(yùn)行狀態(tài)及外部環(huán)境等多重因素評(píng)估航空發(fā)動(dòng)機(jī)運(yùn)行過(guò)程中動(dòng)態(tài)溫度裕度以體現(xiàn)運(yùn)行可靠性；將隨機(jī)森林算法和分層抽樣法結(jié)合后對(duì)運(yùn)行數(shù)據(jù)進(jìn)行分析，計(jì)算各特征重要度；以某型號(hào)飛機(jī)一次北京—烏魯木齊的飛行任務(wù)為例對(duì)所提出方法進(jìn)行驗(yàn)證。

1 隨機(jī)森林與分層抽樣法結(jié)合

隨機(jī)森林（Random Forest，簡(jiǎn)稱(chēng)RF）作為一種基于決策樹(shù)的機(jī)器學(xué)習(xí)算法由美國(guó)研究者Leo Breiman［18］于2001年提 出，通 過(guò) 訓(xùn) 練多 個(gè) 弱 模 型（決策樹(shù)）來(lái)組成一個(gè)強(qiáng)模型，具有性能優(yōu)越、結(jié)構(gòu)簡(jiǎn)單、可解釋性強(qiáng)的優(yōu)勢(shì)。RF作為實(shí)現(xiàn)人工智能的一種方法，其在航空領(lǐng)域廣泛應(yīng)用，例如葉博嘉等［19］以航空器在進(jìn)近飛行為標(biāo)簽，采用RF算法建立了基于機(jī)器學(xué)習(xí)的航空器進(jìn)近飛行時(shí)間預(yù)測(cè)模型。RF基于決策樹(shù)原理，抽取隨機(jī)化bagging樣本于原始樣本中，采用bootstrap技術(shù)［20］構(gòu)建單棵決策樹(shù)。在決策樹(shù)的各個(gè)節(jié)點(diǎn)上，RF采取隨機(jī)特征子空間的策略篩選分裂點(diǎn)并將其分裂。分裂后，將決策樹(shù)進(jìn)行組合，再采取投票方式獲得預(yù)測(cè)結(jié)果［20］。

1.1 隨機(jī)森林

假設(shè)X∈R D，n個(gè)樣本（X，Y）包含于數(shù)據(jù)集Dn中。基于Leo Breiman提出的方法［18］，將諸多具有獨(dú)立訓(xùn)練特性的決策樹(shù)構(gòu)成森林。其中，單棵樹(shù)的構(gòu)建流程可以視為一個(gè)數(shù)據(jù)空間的劃分。換言之，假設(shè)R D是一個(gè)完整的數(shù)據(jù)空間，則分支節(jié)點(diǎn)可作為R D的一個(gè)分區(qū)，其中每個(gè)分區(qū)可認(rèn)為是超矩形單元。RF算法步驟為：

（1）首先，采取等權(quán)重有放回隨機(jī)抽樣方式，在Dn中抽取數(shù)量相等的n個(gè)數(shù)據(jù)點(diǎn)，為構(gòu)造樹(shù)做準(zhǔn)備工作，稱(chēng)為bootstrap采樣［20］。

（2）然后，分別在步驟（1）中得到的數(shù)據(jù)集中構(gòu)造決策樹(shù)。對(duì)節(jié)點(diǎn)而言，從D個(gè)特征中抽取m個(gè)特征（m

（3）最后，獨(dú)立地預(yù)測(cè)各個(gè)基分類(lèi)器決策樹(shù)，采用多數(shù)投票的方式，在各個(gè)樹(shù)的結(jié)果基礎(chǔ)上，計(jì)算得出最后的結(jié)果。

一般情況下，研究人員常選用為均方差、均方根誤差和絕對(duì)平均誤差來(lái)評(píng)價(jià)RF在回歸分析過(guò)程中結(jié)果的好壞，三個(gè)評(píng)價(jià)指標(biāo)分別用MSE、RMSE和MAE表示。三個(gè)評(píng)價(jià)指標(biāo)的計(jì)算公式如式（1）~式（3）所示［5］。

式中：N為訓(xùn)練集的樣本數(shù)；yi為RF訓(xùn)練中的實(shí)際值；為RF訓(xùn)練中的預(yù)測(cè)值。

本文中，決定系數(shù)γ2用于評(píng)估RF的擬合效果，其值越大，擬合結(jié)果越優(yōu)（γ2<1），其計(jì)算如式（4）所示［5］。

式中：yi為RF訓(xùn)練中的實(shí)際值；y?i為預(yù)測(cè)值；yˉi為期望值。

然而，當(dāng)高維數(shù)據(jù)多、特征數(shù)量大時(shí)，真實(shí)有用的信息特征的占比會(huì)少，易導(dǎo)致簡(jiǎn)單隨機(jī)抽樣方法創(chuàng)建的特征子空間不包含有用信息的特征。因此會(huì)造成構(gòu)建的決策樹(shù)的性能低，對(duì)決策樹(shù)的性能產(chǎn)生影響，導(dǎo)致RF的性能也隨之降低。為了優(yōu)化這個(gè)問(wèn)題，本文中將分層抽樣法與隨機(jī)森林算法結(jié)合。

1.2 隨機(jī)森林算法結(jié)合分層抽樣法

為了獲得具有代表性的數(shù)據(jù)樣本，分層抽樣（Stratified Sampling）法通過(guò)引入分層變量的方式將數(shù)據(jù)分成若干個(gè)子組，依據(jù)子組與目標(biāo)樣本的大小比例進(jìn)行隨機(jī)抽樣。

本文采用基于主成分的規(guī)則將特征集劃分為若干子集。將變換后的特征集用累積特征值比率的方式劃分為信息量多和少兩部分，其中主成分和特征值一一對(duì)應(yīng)。假設(shè)已經(jīng)按降序排列的協(xié)方差矩陣的特征值為λ1，λ2，…，λF（l），則累積特征值比率R定義為

式中：R為若保留前r個(gè)特征值，保留數(shù)據(jù)中的100R%的差異。

基于累積比率R，把前r個(gè)特征值對(duì)應(yīng)的特征分配給A1，作為信息豐富的部分。將后F（l）-r個(gè)特征值對(duì)應(yīng)的特征分配到A2，作為信息較少的部分。從A1和A2兩個(gè)部分隨機(jī)選擇特征進(jìn)行子空間的分層抽樣，如式（6）~式（7）所示。

式中：p為子空間的特征數(shù)；D1為A1中的特征數(shù)量；p1為A1的特征數(shù)；p2為A2的特征數(shù)。

將兩部分特征合并形成用于構(gòu)建樹(shù)的特征子空間。通過(guò)上述過(guò)程，各節(jié)點(diǎn)的子空間包含豐富的信息且其特征含信息量較少，進(jìn)而構(gòu)建出較優(yōu)的樹(shù)。

通過(guò)隨機(jī)森林算法與分層抽樣法結(jié)合，增加了基本決策樹(shù)的強(qiáng)度和決策樹(shù)之間的差異性，可以提升隨機(jī)森林算法在高維數(shù)據(jù)下的性能。

2 運(yùn)行可靠性分析方法

2.1 特征提取

QAR記錄數(shù)據(jù)量大，參數(shù)廣且頻率高，通常認(rèn)為QAR數(shù)據(jù)用于日常運(yùn)行監(jiān)控［21］。隨著快速發(fā)展的無(wú)線(xiàn)QAR傳輸技術(shù)逐漸得到應(yīng)用，QAR數(shù)據(jù)的分析與應(yīng)用方法受到研究者的重視。

航空發(fā)動(dòng)機(jī)運(yùn)行在高溫、變載荷等極端條件下，其運(yùn)行可靠性受運(yùn)行狀態(tài)、運(yùn)行環(huán)境、自身健康狀況等多因素影響。通過(guò)簡(jiǎn)化歸類(lèi)，本文考慮當(dāng)前運(yùn)行環(huán)境、飛機(jī)瞬時(shí)狀態(tài)、發(fā)動(dòng)機(jī)當(dāng)前工作狀態(tài)3大類(lèi)影響因素，以提取的QAR數(shù)據(jù)為依據(jù)，對(duì)運(yùn)行過(guò)程中的11個(gè)具體特征進(jìn)行提取，如表1所示。

表1 3類(lèi)因素及11個(gè)特征Table 1 3 types of factors and 11 characteristics

2.2 運(yùn)行可靠性評(píng)價(jià)

以往研究認(rèn)為，監(jiān)視及預(yù)測(cè)氣動(dòng)熱力性能參數(shù)在航空發(fā)動(dòng)機(jī)狀態(tài)監(jiān)控領(lǐng)域十分重要。結(jié)合前述航空發(fā)動(dòng)機(jī)運(yùn)行可靠性影響因素及特征的提取，本文以瞬態(tài)排氣溫度裕度RT來(lái)表示飛機(jī)運(yùn)行過(guò)程中發(fā)動(dòng)機(jī)的運(yùn)行可靠性，如式（8）所示。

式中：T為隨時(shí)間變化的排氣溫度；Ta為許用排氣溫度。

“為政以德，譬如北辰，居其所而眾星共之”[1]，“七十者衣帛食肉，黎民不饑不寒，然而不王者，未之有也。”[2]，無(wú)論是執(zhí)行政事堅(jiān)持以德為重，強(qiáng)調(diào)君主身具高德還是施政的目的與結(jié)果是造福百姓以申民德都是儒家強(qiáng)調(diào)以德治國(guó)的鮮明體現(xiàn)并且儒家找到了禮作為判斷行為是否具備德的標(biāo)準(zhǔn)，提倡以禮的重建來(lái)挽救禮崩樂(lè)壞的現(xiàn)實(shí)社會(huì)。

運(yùn)行可靠性分析流程如圖1所示。

圖1 運(yùn)行可靠性分析流程圖Fig.1 Flow chart of operation reliability analysis

3 案例分析

本文以B737-800飛機(jī)為例，基于某航空公司北京—烏魯木齊一次航班的QAR數(shù)據(jù)，進(jìn)行航空發(fā)動(dòng)機(jī)運(yùn)行可靠性研究，提取包含3類(lèi)因素11個(gè)子特征的QAR數(shù)據(jù)。B737-800配備了兩臺(tái)CFM 56-7B發(fā)動(dòng)機(jī)，該發(fā)動(dòng)機(jī)性能優(yōu)良且傳感器豐富。根據(jù)第1節(jié)中介紹的運(yùn)行可靠性分析方法，先提取影響發(fā)動(dòng)機(jī)運(yùn)行可靠性的特征并依據(jù)指標(biāo)RT進(jìn)行運(yùn)行可靠性評(píng)價(jià)；結(jié)合評(píng)價(jià)結(jié)果，采用結(jié)合分層抽樣的隨機(jī)森林法進(jìn)行擬合、預(yù)測(cè)；隨后對(duì)提取的11個(gè)特征進(jìn)行重要度評(píng)價(jià)并總結(jié)航空發(fā)動(dòng)機(jī)運(yùn)行可靠性規(guī)律。

3.1 運(yùn)行可靠性

以排氣溫度裕度RT表示航空發(fā)動(dòng)機(jī)運(yùn)行可靠性，M表示從QAR數(shù)據(jù)中提取的3類(lèi)因素11個(gè)子特征的值的集合，RT與M的關(guān)系可以表示為

在本案例中，設(shè)定許用排氣溫度Ta取值為950℃，結(jié)合所提取的QAR數(shù)據(jù)，依據(jù)提出的航空發(fā)動(dòng)機(jī)運(yùn)行可靠性分析方法，對(duì)案例航班任務(wù)過(guò)程中航空發(fā)動(dòng)機(jī)的時(shí)變排氣溫度裕度RT進(jìn)行計(jì)算，結(jié)果如圖2所示（其中1 kn=0.514 444 m/s）。

圖2 特征時(shí)序圖Fig.2 The time varying eigenvalues

運(yùn)行過(guò)程中的排氣溫度裕度如圖3所示。

圖3 運(yùn)行過(guò)程中的排氣溫度裕度Fig.3 The value of exhaust temperatare magin during operation

在時(shí)刻8∶55至9∶00期間RT值較高，此階段為起飛之前，低壓轉(zhuǎn)子和高壓轉(zhuǎn)子轉(zhuǎn)速較低，排氣溫度值較低，排氣溫度裕度值在0.55附近；隨后飛機(jī)進(jìn)入起飛階段，此時(shí)低壓轉(zhuǎn)子和高壓轉(zhuǎn)子轉(zhuǎn)速處于高值（在95%rpm附近），期間燃油流量大、滑油溫度高、排氣溫度高，排氣溫度裕度在0.15~0.25之間，數(shù)值較小且波動(dòng)較大。在時(shí)刻9∶20至12∶15期間，飛機(jī)處于巡航階段，氣壓高度保持在36 000 ft（1 ft=0.304 8 m）附近，此時(shí)飛機(jī)運(yùn)行平穩(wěn)，低壓轉(zhuǎn)子轉(zhuǎn)速、高壓轉(zhuǎn)子轉(zhuǎn)速、燃油流量和排氣溫度等較起飛階段有所降低，排氣溫度裕度較起飛階段有所提高。

時(shí)刻12∶15之后飛機(jī)處于下降階段，此時(shí)艙外溫度不斷升高，計(jì)算空速、氣壓高度、馬赫數(shù)不斷降低。由圖2（c）、圖2（d）顯示的左右迎角和高、低壓轉(zhuǎn)子轉(zhuǎn)速變化可知，在此區(qū)間內(nèi)，飛機(jī)姿態(tài)調(diào)整頻繁，轉(zhuǎn)子轉(zhuǎn)速不斷變化，排氣溫度不斷變化，導(dǎo)致排氣溫度裕度變化劇烈。但是，此區(qū)間內(nèi)排氣溫度裕度均值較高，為0.4~0.65，這是由于在降落階段飛機(jī)階梯式下降，對(duì)發(fā)動(dòng)機(jī)動(dòng)力需求相對(duì)較小。

3.2 擬合分析

在上述提取的運(yùn)行數(shù)據(jù)中，以時(shí)間為序隨機(jī)抽取5 000組數(shù)據(jù)，其中3 750組數(shù)據(jù)用于創(chuàng)建訓(xùn)練樣本，1 250組數(shù)據(jù)用作測(cè)試樣本。計(jì)算結(jié)果如圖4所示。

圖4 排氣溫度裕度的預(yù)測(cè)結(jié)果Fig.4 Prediction results of exhaust temperature margin

各特征對(duì)于排氣溫度裕度的重要度計(jì)算結(jié)果如圖5所示，可以看出：對(duì)排氣溫度裕度影響最大的前三個(gè)特征分別是左發(fā)n2、左發(fā)n1和運(yùn)行時(shí)間；航空發(fā)動(dòng)機(jī)排氣溫度裕度與發(fā)動(dòng)機(jī)當(dāng)前工作狀態(tài)因素中的高壓轉(zhuǎn)子轉(zhuǎn)速、低壓轉(zhuǎn)子轉(zhuǎn)速以及飛機(jī)運(yùn)行狀態(tài)中的運(yùn)行時(shí)間關(guān)聯(lián)性最大。這是由于一方面高低壓轉(zhuǎn)子轉(zhuǎn)速?gòu)膫?cè)面體現(xiàn)了發(fā)動(dòng)機(jī)運(yùn)行功率；另一方面飛機(jī)運(yùn)行過(guò)程中按照航空公司的計(jì)劃進(jìn)行飛行，導(dǎo)致運(yùn)行時(shí)間與排氣溫度相關(guān)度較大。此外，對(duì)航空發(fā)動(dòng)機(jī)排氣溫度裕度影響較小的三個(gè)特征分別為艙外溫度、右側(cè)迎角和左側(cè)迎角。綜合實(shí)際運(yùn)行經(jīng)驗(yàn)，以上關(guān)于排氣溫度裕度的特征重要度分析具有合理性。

圖5 排氣溫度裕度的各特征重要度Fig.5 The importance of each characteristic of exhaust temperatare magin

根據(jù)擬合結(jié)果，結(jié)合式（1）~式（4）得出結(jié)合分層抽樣的森林算法分析的平方平均誤差為1.501 6×10-5，均方根誤差為0.003 9，絕對(duì)平均誤差為0.002 4，決定系數(shù)γ2為0.980 1。

通過(guò)傳統(tǒng)隨機(jī)森林算法進(jìn)行擬合計(jì)算，其中，傳統(tǒng)隨機(jī)森林算法可參照葉博嘉等［19］關(guān)于機(jī)器學(xué)習(xí)算法的研究。擬合計(jì)算結(jié)果通過(guò)式（1）~式（4）得出平方平均誤差為9.231 0×10-5，均方根誤差為0.021 0，絕對(duì)平均誤差為0.014 8，決定系數(shù)γ2為0.972 2。

結(jié)合分層抽樣的隨機(jī)森林性能驗(yàn)證結(jié)果如表2所示。

表2 結(jié)合分層抽樣的隨機(jī)森林性能結(jié)果Table 2 Performance results of RF based on stratified sampling

從表2可以看出：相較于傳統(tǒng)隨機(jī)森林算法，結(jié)合分層抽樣的隨機(jī)森林算法擬合結(jié)果的MSE、RMSE和MAE值均變小，決定系數(shù)γ2更接近于1，相較于傳統(tǒng)隨機(jī)森林算法擬合結(jié)果有了明顯提升。綜上所述，通過(guò)結(jié)合分層抽樣的隨機(jī)森林算法擬合精度得到提高。

4 結(jié) 論

（1）本文提出了一種支持評(píng)估飛機(jī)任務(wù)過(guò)程中航空發(fā)動(dòng)機(jī)運(yùn)行可靠性的方法。所提方法考慮當(dāng)前運(yùn)行環(huán)境、飛機(jī)瞬時(shí)狀態(tài)、發(fā)動(dòng)機(jī)當(dāng)前工作狀態(tài)3類(lèi)因素，將隨機(jī)森林算法與分層抽樣法有機(jī)結(jié)合對(duì)數(shù)據(jù)進(jìn)行擬合、預(yù)測(cè)并計(jì)算特征重要度，在一定程度上解決了運(yùn)行數(shù)據(jù)量大、維度高導(dǎo)致的數(shù)據(jù)處理困難問(wèn)題。

（2）對(duì)航空發(fā)動(dòng)機(jī)運(yùn)行可靠性影響較大的前三個(gè)特征分別是高壓轉(zhuǎn)子轉(zhuǎn)速、低壓轉(zhuǎn)子轉(zhuǎn)速和運(yùn)行時(shí)間。

（3）本文所提出的方法可為航空發(fā)動(dòng)機(jī)運(yùn)行可靠性評(píng)估提供理論支撐。為制定飛機(jī)維修計(jì)劃和綜合保障方案提供一定的參考。