一种基于IWOA改进LightGBM的风机主轴轴承故障诊断方法技术

本发明专利技术提供了一种基于IWOA改进LightGBM的风机主轴轴承故障诊断方法，其可实现风力发电机的故障诊断，有利于降低风力发电机的运营维护成本，其包括以下步骤：S1、在风机主轴轴承异常状态时，利用皮尔逊相关系数法获得相关性最高的特征数据，并作为风机运行的输入特征数据；S2、通过获得的特征数据构建数据集，基于鲸鱼算法IWOA对LightGBM算法的超参数进行优化，将优化后的超参数重新赋予LightGBM算法中；S3、优化后的超参数重新赋予LightGBM算法中后，获得IWOA

【技术实现步骤摘要】
一种基于IWOA改进LightGBM的风机主轴轴承故障诊断方法


[0001]本专利技术涉及风力发电机故障检测
，具体为一种基于IWOA改进LightGBM的风机主轴轴承故障诊断方法。

技术介绍

[0002]风能作为一种可再生、无污染的新能源，获得了越来越多的关注，风力发电机常处于交变载荷作用下的复杂工况，其组件也会受到不同程度的影响甚至损坏，因此风力发电机的状态监测与实时故障诊断对监测预防各部件损坏、降低运营维护成本具有重大意义。
[0003]现有风机主轴轴承故障诊断存在以下问题：1.工况复杂，轴承与其他部件之间互相耦合，轴承数据中存在大量干扰数据，轴承数据集合中存在大量的干扰噪声，有效信息会淹没在噪声中，难以提取；2.常用的风机主轴轴承故障诊断方法难以实现有效信息的准确提取，如频域处理方法和时频处理方法难以避免模态混叠和端点效应；3.基于图的风机主轴轴承故障诊断方法，多利用欧式距离定义图结构，而欧式距离算法消耗的时间资源较大，且欧式距离易受量纲的影响，难以准确刻画轴承有效信息。

技术实现思路

[0004]为解决现有技术中存在的技术问题，本专利技术的目的在于提供一种基于IWOA改进 LightGBM的风机主轴轴承故障诊断方法，其可缩短计算时间，实现对风机主轴轴承故障的有效预警，并提升诊断准确性。
[0005]其技术方案是这样的：
[0006]一种基于IWOA改进LightGBM的风机主轴轴承故障诊断方法，其特征在于：包括以下步骤：
[0007]S1、在风机主轴轴承异常状态时，利用皮尔逊相关系数法获得相关性最高的特征数据，并作为风机运行的输入特征数据；
[0008]S2、通过获得的特征数据构建数据集，基于鲸鱼算法IWOA对LightGBM算法的超参数进行优化，将优化后的超参数重新赋予LightGBM算法中，其中，超参数包括学习率 learnin_rate、树的最大深度max_depth、叶子节点数num_leaves、估计量n_estimators；
[0009]S3、优化后的超参数重新赋予LightGBM算法中后，获得IWOA
‑
LightGBM温度预测模型，实现对风机主轴轴承温度实际值与预测值的变化趋势进行监测；
[0010]S4、通过风机主轴轴承温度实际值与预测值之间的残差分析得到风机主轴轴承当前状态偏离正常状态的程度，从而实现对风机主轴轴承故障的有效预警。
[0011]进一步地，在所述步骤S1中，通过皮尔逊相关系数法获取特征数据的步骤包括：
[0012]S1.1、设定风机主轴轴承温度数据变量定义为X(X1,X2,...,X
n
)，其他任意一种数据变量定义为Y(Y1,Y2,...,Y
n
)；
[0013]S1.2、根据计算公式：计算得到变量X和Y之间的相关性r；
[0014]其中，n为样本中数据的个数，X
n
、Y
n
分别为样本中第n个变量数据，分别为样本的平均值；相关性r取值范围是
‑
1～1；
[0015]S1.3、选取|r|值最大时的变量数据，即为相关性最高的特征数据；
[0016]进一步地，在所述步骤S2中，优化步骤包括：
[0017]S2.1、获取数据集，初始化LightGBM算法与鲸鱼算法IWOA；
[0018]S2.2、以均方误差作为鲸鱼算法IWOA的适应度，即适应度
[0019]S2.3、选取适应度最小鲸鱼作为当前最佳鲸鱼，依据概率分配鲸鱼算法IWOA不同惯性因子；
[0020]S2.4、更新鱼群位置，更新最佳鲸鱼，从而获得鲸鱼算法IWOA新的极值点，也就是鱼群位置，若更新鱼群的迭代次数达到最大，则将优化后的超参数重新赋予LightGBM算法中，否则重复所述步骤S2.3；
[0021]进一步地，在所述步骤S4中，实现预警的步骤包括：
[0022]S4.1、风机主轴轴承温度实际值与预测值之间的差值为残差，则在某段时间内，残差序列为[σ1,σ2,...,σ
n
]；
[0023]S4.2、通过公式计算得到残差的平均值为：
[0024]S4.3、将残差的平均值与设定的预警阈值相比较，若超过预警阈值的范围，则判定为温度异常点，并对该温度异常点进行标记输出，从而实现对风机主轴轴承故障的有效预警；
[0025]进一步地，所述步骤S4还包括，在得到温度异常点后，选取宽度为n的滑动窗口，利用滑动窗口法消除温度异常点对温度预测模型的影响。
[0026]本专利技术的有益效果是，其通过采用基于IWOA优化Light GBM构建风力发电机的温度预测模型，可实现对风机主轴轴承温度实际值与预测值的变化趋势监测，不仅减少了训练数据量，且可在不影响精度时提升训练速度，同时通过残差分析和滑动窗口法，可以消除温度异常点对温度预测模型的影响，从而实现对风机主轴轴承故障的有效预警。
附图说明
[0027]图1是本专利技术的流程示意图。
具体实施方式
[0028]如图1所示，本专利技术一种基于IWOA改进LightGBM的风机主轴轴承故障诊断方法，依次通过特征选取模块、参数优化模块、温度预测模块、故障预警模块实现对风机主轴轴承故障诊断预警。
[0029]具体包括以下步骤：
[0030]S1、在风机主轴轴承异常状态时，利用皮尔逊相关系数法获得相关性最高的特征数据，并作为风机运行的输入特征数据；
[0031]步骤S1是轴承数据的预处理，其目的在于对原始采集的轴承数据进行约简，从庞大的数据集合中筛选出最为合适的数据集，实现滤波操作，从而提高算法效率。
[0032]在所述步骤S1中，通过皮尔逊相关系数法获取特征数据的步骤包括：
[0033]S1.1、设定风机主轴轴承温度数据变量定义为X(X1,X2,...,X
n
)，其他任意一种数据变量定义为Y(Y1,Y2,...,Y
n
)；
[0034]S1.2、根据计算公式：计算得到变量X和Y之间的相关性r；
[0035]其中，n为样本中数据的个数，X
n
、Y
n
分别为样本中第n个变量数据，分别为样本的平均值；相关性r取值范围是
‑
1～1；
[0036]S1.3、选取|r|值最大时的变量数据，即为相关性最高的特征数据；
[0037]S2、通过获得的特征数据构建数据集，基于鲸鱼算法IWOA对LightGBM算法的超参数进行优化，将优化后的超参数重新赋予LightGBM算法中，其中，超参数包括学习率 learnin_rate、树的最大深度max_depth、叶子节点数num_leaves、估计量n_estimators；
[0038]其中，步骤S2中采用鲸鱼算法来对超参数进行优化，由于原始数据集较大，干扰噪声较多，因此本专利技术实施例中使用的数据集为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于IWOA改进LightGBM的风机主轴轴承故障诊断方法，其特征在于：包括以下步骤：S1、在风机主轴轴承异常状态时，利用皮尔逊相关系数法获得相关性最高的特征数据，并作为风机运行的输入特征数据；S2、通过获得的特征数据构建数据集，基于鲸鱼算法IWOA对LightGBM算法的超参数进行优化，将优化后的超参数重新赋予LightGBM算法中，其中，超参数包括学习率learnin_rate、树的最大深度max_depth、叶子节点数num_leaves、估计量n_estimators；S3、优化后的超参数重新赋予LightGBM算法中后，获得IWOA
‑
LightGBM温度预测模型，实现对风机主轴轴承温度实际值与预测值的变化趋势进行监测；S4、通过风机主轴轴承温度实际值与预测值之间的残差分析得到风机主轴轴承当前状态偏离正常状态的程度，从而实现对风机主轴轴承故障的有效预警。2.根据权利要求1所述的一种基于IWOA改进LightGBM的风机主轴轴承故障诊断方法，其特征在于：在所述步骤S1中，通过皮尔逊相关系数法获取特征数据的步骤包括：S1.1、设定风机主轴轴承温度数据变量定义为X(X1,X2,...,X
n
)，其他任意一种数据变量定义为Y(Y1,Y2,...,Y
n
)；S1.2、根据计算公式：计算得到变量X和Y之间的相关性r；其中，n为样本中数据的个数，X
n
、Y
n
分别为样本中第n个变量数据，分别为样本的平均值；相关性r取值...

【专利技术属性】
技术研发人员：王晓宁，翁存兴，李海宏，崔源，高征，刘聪，
申请(专利权)人：北京华能新锐控制技术有限公司，
类型：发明
国别省市：