【技术实现步骤摘要】
本专利技术所属领域为海上风力发电机组故障诊断，具体涉及一种基于机器学习算法的风电机组主轴承故障诊断方法。
技术介绍
1、近年来，随着全球环境的恶化以及化石燃料的枯竭，风能作为一种在大自然中获取简便、清洁、可靠的能源，使风电成为了一种快速发展的可再生能源，受到越来越多的重视。海上风电场位于近海地区，风电机组位置的布置较为分散并且远离控制中心，有时甚至会出现极端恶劣天气，一旦出现故障很难对风电机组进行及时的维修。风电场对于风电机组由于故障的停机容忍度很低，轴承也是风力发电机中广泛使用的重要部件，风机的主轴与叶片直接相连，属于低转速区域，主轴轴承的运行工况为低速重载。风机主轴作为风力发电机的核心旋转部件，主轴轴承一旦发生故障，可能会导致主轴受力不均匀、转轴中心偏转等现象，进而致使风机长时间停机，产生高昂的维修成本。随着风电机组的广泛应用，对其可靠性和可维护性的要求越来越高。传统的故障诊断方法存在准确性不高、诊断不及时等问题。
技术实现思路
1、本专利技术的目的在于，提供一种基于机器学习算法的风电机组主轴承故障诊断方法。本专利技术能够提高风电机组主轴承故障诊断准确性和故障预警能力，提高主轴承故障预警的通用性，降低整体故障诊断成本。
2、本专利技术的技术方案：一种基于机器学习算法的风电机组主轴承故障诊断方法，包括以下步骤：
3、步骤一：获取风电机组的运行数据，对运行数据进行预处理、归一化处理以及特征提取处理，得到数据集；
4、步骤二：构建xgboost模型
5、步骤三：通过所述最优xgboost模型，预测风电机组的主轴承温度，对主轴承温度的预测值和真实值的差值进行自适应阈值监测，完成风电机组的主轴承故障诊断；
6、步骤四：利用迁移学习将最优xgboost模型迁移到其他风电机组中，基于其他风电机组的运行数据对其主轴承温度进行预测，进而实现其他风电机组的主轴承故障诊断。
7、前述的基于机器学习算法的风电机组主轴承故障诊断方法中，步骤一中，所述风电机组的运行数据由scada系统采集。
8、前述的基于机器学习算法的风电机组主轴承故障诊断方法中，所述数据预处理包括剔除风电机组的运行数据中的缺失值、异常值和未正常工作时的数据，然后通过3σ法则对参数的异常值进行处理。
9、前述的基于机器学习算法的风电机组主轴承故障诊断方法中，所述归一化处理为最大最小值归一化，公式如下；
10、所述数据归一化的过程如下：
11、
12、式中，xmax和xmin分别表示运行数据中某个特征参数中的最大值和最小值；x则表示特征参数的当前处理值；x*表示归一化处理后的值。
13、前述的基于机器学习算法的风电机组主轴承故障诊断方法中，所述特征提取处理包括先采用pearson相关系数法计算特征参数两两之间的相关系数，再采用xgboost模型中的特征重要性指标筛选特征，计算方法采用“gain”权重形式。
14、前述的基于机器学习算法的风电机组主轴承故障诊断方法中，步骤二中，所述xgboost模型的构建过程如下：
15、给定n个样本和m个特征的训练集:
16、d＝(xi,yi)(|d|＝n,xi∈rm,yi∈r)；
17、定义预测值函数如下:
18、
19、其中，为第i个样本xi的预测值；k表示的是xgboos模型中的所有决策树；fk是第k颗回归决策树；fk(xi)表示的是第k颗决策树中第i个样本的分数；
20、xgboost模型采用前向加法模型，用多棵决策树共同决策，并且每棵决策树的结果都是目标值与之前所有决策树的预测结果之差，并将所有的结果累加得到最终的结果；xgboos模型的损失函数如下:
21、
22、其中，l(θ)表示xgboos模型的损失函数，n是样本数量，t为叶子节点的个数，ωj是每个叶子节点的得分，γ和λ是正则化参数；xgboost模型的损失函数由经验损失和正则化项构成，在给定的训练参数范围内，使得损失函数最小，得到最优模型。
23、前述的基于机器学习算法的风电机组主轴承故障诊断方法中，步骤三中，所述预测风电机组主轴承温度，并对主轴承温度的预测值和真实值的差值进行自适应阈值监测具体为：
24、数据集中数据经过数据预处理、归一化处理和特征提取后，对xgboost模型超参数进行调整，选择最大深度、学习率及弱评估器对xgboost模型进行调整，使用网格化搜索对模型超参数调整进行优化，得到预测效果最优的xgboost模型，对主轴承温度进行预测；然后通过均方根误差和平均绝对百分比误差对模型预测效果进行评价。
25、与现有技术相比，本专利技术具有以下有益效果：
26、本专利技术使用xgboost模型构建xgboost模型，对风电机组的主轴承温度进行精准预测，通过对其误差进行自适应阈值计算，能够在早期就准确发现故障隐患。本专利技术在海上风电机组的xgboost模型迁移至同风电场和其他陆上风电场中，对其他型号的风电机组进行主轴承故障预警，而且预警效果良好，能够降低风电机组的故障预警模型的成本，对于提高风电机组发电效率和确保风电机组安稳运行有着重要的意义。此外，本专利技术使用scada系统获取的数据，大部分风电场中都会部署scada系统，能够提高xgboost模型在不同风电场的泛化性，避免了使用振动信号，降低了成本。
本文档来自技高网...【技术保护点】
1.基于机器学习算法的风电机组主轴承故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于机器学习算法的风电机组主轴承故障诊断方法，其特征在于：步骤一中，所述风电机组的运行数据由SCADA系统采集。
3.根据权利要求1所述的基于机器学习算法的风电机组主轴承故障诊断方法，其特征在于：所述数据预处理包括剔除风电机组的运行数据中的缺失值、异常值和未正常工作时的数据，然后通过3σ法则对参数的异常值进行处理。
4.根据权利要求1所述的基于机器学习算法的风电机组主轴承故障诊断方法，其特征在于：所述归一化处理为最大最小值归一化，公式如下；
5.根据权利要求1所述的基于机器学习算法的风电机组主轴承故障诊断方法，其特征在于：所述特征提取处理包括先采用Pearson相关系数法计算特征参数两两之间的相关系数，再采用XGBoost模型中的特征重要性指标筛选特征，计算方法采用“gain”权重形式。
6.根据权利要求1所述的基于机器学习算法的风电机组主轴承故障诊断方法，其特征在于：步骤二中，所述XGBoost模型的构建过程如下：p>
7.根据权利要求1所述的基于机器学习算法的风电机组主轴承故障诊断方法，其特征在于：步骤三中，所述预测风电机组主轴承温度，并对主轴承温度的预测值和真实值的差值进行自适应阈值监测具体为：
...【技术特征摘要】
1.基于机器学习算法的风电机组主轴承故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于机器学习算法的风电机组主轴承故障诊断方法，其特征在于：步骤一中，所述风电机组的运行数据由scada系统采集。
3.根据权利要求1所述的基于机器学习算法的风电机组主轴承故障诊断方法，其特征在于：所述数据预处理包括剔除风电机组的运行数据中的缺失值、异常值和未正常工作时的数据，然后通过3σ法则对参数的异常值进行处理。
4.根据权利要求1所述的基于机器学习算法的风电机组主轴承故障诊断方法，其特征在于：所述归一化处理为最大最小值归一化，公式如下；
【专利技术属性】
技术研发人员：纪晓声，龚文斌，万安平，纪云松，马士东，刘海南，姚法仍，邵佳良，敖立争，张运宁，李远，杨敏冬，
申请(专利权)人：浙大城市学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。