[發明專利]一種基于XGBoost算法模型的風機主軸承故障監測與診斷方法

在審

• 申請號: 202010337698.1
• 申請日: 2020-04-26
• 公開（公告）號: CN111380686A
• 公開（公告）日: 2020-07-07
• 發明（設計）人: 黃文廣;劉廣臣;陳文;孫濤
• 申請（專利權）人: 華風數據（深圳）有限公司
• 主分類號: G01M13/04
• 分類號: G01M13/04
• 代理公司: 深圳市凱博企服專利代理事務所(特殊普通合伙) 44482
• 代理人: 李紹飛

本發明公開了一種基于XGBoost算法模型的風機主軸承故障監測與診斷方法，從SCADA系統的數據庫提取以一分鐘為時間間隔的數據作為原始數據集；從提取的原始數據中得到建立模型所需要的排名靠前的特征變量；根據系統故障記錄表刪去故障時間段以及其前后各一天的所有數據，并且篩選特征變量作為訓練模型的總數據，對總數據進行訓練集和檢驗集的劃分；確定模型參數建立基于XGBoost算法故障監測模型；將檢驗集帶入基于XGBoost算法故障監測模型，得到測試樣本對應的實際曲線與預測曲線對比圖、殘差圖和評價指標的計算結果；在基于XGBoost算法故障監測模型，發現異常后，將排名靠前的特征變量用作風機檢修過程中故障原因診斷與定位的參照。

技術領域

本發明涉及一種基于XGBoost算法模型的風機主軸承故障監測與診斷方法，主涉及風機的主軸承的故障監測與故障診斷技術領域。

背景技術

目前深度學習網絡在風電機組主軸承狀態分析運用廣泛，深度網絡在主軸承變量間提取重要特征；利用指數加權移動平均法提取其特征變化，判斷其趨勢是否偏離正常狀態。其中，對振動信號的研究常作為風機主軸承故障診斷的方案之一，利用小波包分解作為信號分析、圖像處理的方法，即分析樹表示小波包，多次迭代小波轉換輸入細節信息，對高頻帶信號的分辨率處理精細，根據分析信號引入最佳基函數與信號匹配。以及，在風機主軸承故障預測中，使用XGBoost算法的特征選取工具，對輸入變量特征的重要性進行排序，篩選出與被解釋變量最相關的特征變量，確定關聯程度，判斷其可作為主軸承故障的指標。然而現有技術在實際使用中：

(1)深度學習網絡優化存在梯度消失問題，很難進行優化，深度學習網絡大多缺乏時效性，時間成本過大。

(2)小波包分析常用于振動信號的研究，對數據類型更有要求。

(3)在故障原因診斷的過程之中，現有的回歸模型只能夠給出故障狀態判斷，缺少對故障部位或者原因進行分析且準確性欠缺，單模型排序在實際中仍然不能為風機維修給出具有較高準確性的實質性建議。

因此，迫切需要一種基于XGBoost算法模型的風機主軸承故障監測與診斷方法，以解決現有技術中存在的這一問題。為了解決上述技術問題，特提出一種新的技術方案。

發明內容

本發明的目的在于提供一種基于XGBoost算法模型的風機主軸承故障監測與診斷方法，以解決上述背景技術中提出的問題。

為實現上述目的，本發明提供如下技術方案：一種基于XGBoost算法模型的風機主軸承故障監測與診斷方法，所述方法包含下述步驟：

步驟一，從SCADA系統的數據庫提取以一分鐘為時間間隔的數據作為原始數據集；

步驟二，運用Pearson相關系數、XGBoost算法、CatBoost算法和隨機森林算法對原始數據集中的特征變量進行綜合打分，從提取的原始數據中得到建立模型所需要的排名靠前的特征變量；

步驟三，根據系統故障記錄表刪去故障時間段以及其前后各一天的所有數據，并且篩選在并網狀態下的特征變量作為訓練模型的總數據，并對總數據進行訓練集和檢驗集的劃分；

步驟四，利用機器學習常用調參方法網格搜索的方式檢索最優的參數組合，確定模型參數建立基于XGBoost算法故障監測模型；

步驟五，將步驟三的檢驗集帶入步驟四的基于XGBoost算法故障監測模型，得到測試樣本對應的實際曲線與預測曲線對比圖、殘差圖和評價指標的計算結果；

步驟六，在基于XGBoost算法故障監測模型，發現異常后，將排名靠前的特征變量用作風機檢修過程中故障原因診斷與定位的參照。

優選地，所述步驟一通過刪除日期時間列，刪除控制狀態列的列處理方式把數據處理成以一分鐘為時間間隔。