【技术实现步骤摘要】
本专利技术涉及变频器故障处理，特别是涉及一种基于xgboost故障诊断模型的变频器故障识别方法及监测装置。
技术介绍
1、变频器是一种广泛应用于工业生产中的设备，其稳定运行对于整个生产流程的顺利进行至关重要；然而，由于种种原因，变频器可能会发生故障，这时就需要进行快速的故障监测和诊断，以减少生产的停滞时间。
2、现有申请号cn201911064139.1的一种变频器的故障智能监测系统、方法及存储介质，其方法通为变频器的三相电流检测出变频器三相电流不平衡的问题，该方法为较为常规的，通过电流表简单检测数据进行阈值分析对比就能知道检测结果的问题；然而，由于变频器是一种高精度设备，在运行过程中极容易收到频率干扰、磁流量变换、振动及温度多种因素影响，现有监测方法在应用中存在故障判断类型单一、时效性差、监测精度低的问题，当变频器出现除三相电流不平衡外的其他问题时，无法及时通知生产人员，增加了生产的停滞时间，因此，现有技术中的监测系统不能满足生产需求。
技术实现思路
1、针对现有技术的不足，本专利技术的目的是提供一种能够有效提高故障监测效率和精度的基于xgboost故障诊断模型的变频器故障识别方法及监测装置。
2、本专利技术解决其技术问题所采用的技术方案是：
3、一种基于xgboost故障诊断模型的变频器故障识别方法，包括如下步骤：
4、s1：获取变频器历史故障数据集，并进行数据清洗、数据转换，并将数据划分为训练集和测试集；
5、s2：
6、s3：用测试集对最优xgboost故障诊断模型进行验证；
7、s4：当变频器出现故障后，将新故障数据集输入最优xgboost故障诊断模型进行故障诊断，得到变频器故障类型，将故障类型传输给相关工作人员；
8、其中，
9、步骤s2中，用训练集对xgboost故障诊断模型进行训练时，引入改进蜣螂优化算法(idbo算法)对xgboost故障诊断模型中部分超参数进行优化。
10、优选的，引入改进蜣螂优化算法(idbo算法)对xgboost故障诊断模型中部分超参数进行优化的具体步骤如下：
11、s21：先对蜣螂优化算法中的参数进行初始化设置，包括种群规模n、目标函数的维数d、初始值的上界lb、初始值的下界ub、最大迭代次数tmax；同时，人为设置多组不同的超参数作为初始dbo种群，将初始dbo种群映射到解空间中得到新种群；
12、s22：将新种群代入xgboost故障诊断模型，用训练集进行训练；
13、s23：得到训练结果对比训练集实际结果，对新种群的适应度值进行排序，选择n个适应度较优的个体作为最优种群，同时得到最优解，即适应度最优的个体；
14、s24：若运行次数达到最大迭代次数tmax后，终止运行并输出全局最优解及对应的适应度值，将最优解代入xgboost故障诊断模型得到的最优xgboost故障诊断模型；
15、反之，则将最优种群代入改进蜣螂优化算法，更新最优种群中所有个体的位置，将更新后的种群作为新种群，返回步骤s22，重新进行计算。
16、优选的，在步骤s21中，将初始dbo种群映射到解空间中得到新种群时，利用sin混沌1维映射将初始dbo种群映射到解空间中，得到sin混沌种群x，由种群x计算反向种群x′，将sin混沌种群x和反向种群x′组成新种群x*＝{x∪x′}。
17、优选的，步骤s23中，计算最优种群中所有个体的适应度值时采用以下方法进行，计算最优种群中每个个体的适应度fi以及所有个体的平均适应度值fv；
18、当fi<fv时，引入高斯变异扰动对最优种群中个体进行变异扰动更新，对性能进行对比，择优选取；
19、当fi≥fv时，对最优种群中的个体进行sin混沌扰动，将扰动前后的个体性能进行对比，择优选取；
20、择优选取时，需判断每个个体是否超出了初始值的上界lb或初始值的下界ub。
21、优选的，步骤s24中，将最优种群代入改进蜣螂优化算法，更新最优种群中所有个体的位置，具体步骤如下：
22、s241，滚球蜣螂的位置更新为：
23、xi(t+1)＝xi(t)+α×k×xi(t-1)+b×δx
24、δx＝|xi(t)-xw|
25、式中，t代表当前迭代次数，xi(t)表示第t次迭代时第i只蜣螂的位置信息，α是一个自然系数，表示是否偏离原来方向，根据概率法分配为-1或1，k∈(0,0.2)表示偏转系数，b∈(0,1)表示常数，k和b分别设定为0.1和0.3，xw表示全局最差的位置，△x用于模拟光强变化。当蜣螂遇到障碍物而不能前进时，则是通过跳舞来调整行进方向来取得新路径；
26、滚球蜣螂跳舞更新位置的公式如下：
27、xi(t+1)＝xi(t)+tan(θ)|xi(t)-xi(t-1)|
28、式中θ∈[0，π]表示偏转角，在θ等于0、π/2或π时，蜣螂的位置不会更新；
29、s242，育雏球位置更新如下：
30、bi(t+1)＝x*+b1×(bi(t)-lb*)+b2×(bi(t)-ub*)
31、式中，bi(t)是第t次迭代时第i个育雏球的位置信息，b1和b2代表两个大小为1×d的独立随机向量，d表示优化问题的维度；lb和ub分别表示优化问题的下界和上限，lb*和ub*分别表示优化问题的下界和上限。其中：
32、lb*＝mean(x*×(1-r),lb)
33、ub*＝mean(x*×(1-r),ub)
34、其中r＝1-t/tmax，tmax表示设定的最大迭代次数；
35、s243，小蜣螂位置更新公式如下：
36、xi(t+1)＝xi(t)+c1(xi(t)-lb*)+c2(xi(t)-ub*)
37、式中，xi(t)是第t次迭代时第i只小蜣螂的位置信息，c1表示遵循正态分布的随机数，c2∈(0,1)表示随机向量；
38、s244，小偷蜣螂位置更新如下：
39、xi(t+1)＝xb+arctan(|xi(t)-x*|+|xi(t)-xb|)
40、式中，xi(t)表示第i只小偷蜣螂第t次迭代的位置信息。
41、优选的，步骤s244中，在小偷蜣螂位置更新公式中通过添加贝塔分布的线性递减函数自适应惯性权重，改进后小偷蜣螂位置更新如下：
42、xi(t+1)＝ω(k)xb+arctan(|xi(t)-x*|+|xi(t)-xb|)
43、
44、式中，ωmax为0.9，ωmin为0.4，t为当前迭代次数，tmax为最大迭代次数，σ为惯性权本文档来自技高网...
【技术保护点】
1.一种基于XGBoost故障诊断模型的变频器故障识别方法，包括如下步骤：
2.如权利要求1所述的基于XGBoost故障诊断模型的变频器故障识别方法，其特征在于，引入改进蜣螂优化算法(IDBO算法)对XGBoost故障诊断模型中部分超参数进行优化的具体步骤如下：
3.如权利要求2所述的基于XGBoost故障诊断模型的变频器故障识别方法，其特征在于，在步骤S21中，将初始DBO种群映射到解空间中得到新种群时，利用Sin混沌1维映射将初始DBO种群映射到解空间中，得到Sin混沌种群X，由种群X计算反向种群X′，将Sin混沌种群X和反向种群X′组成新种群X*＝{X∪X′}。
4.如权利要求2所述的基于XGBoost故障诊断模型的变频器故障识别方法，其特征在于，步骤S23中，计算最优种群中所有个体的适应度值时采用以下方法进行，计算最优种群中每个个体的适应度fi以及所有个体的平均适应度值fv；
5.如权利要求2所述的基于XGBoost故障诊断模型的变频器故障识别方法，其特征在于，步骤S24中，将最优种群代入改进蜣螂优化算法，更新最优种群中所有
6.如权利要求5所述的基于XGBoost故障诊断模型的变频器故障识别方法，其特征在于，步骤S244中，在小偷蜣螂位置更新公式中通过添加贝塔分布的线性递减函数自适应惯性权重，改进后小偷蜣螂位置更新如下：
7.如权利要求4所述的基于XGBoost故障诊断模型的变频器故障识别方法，其特征在于，对最优种群中的个体进行高斯变异扰动及Sin混沌扰动后，加入贪婪规则来确定扰动后的个体的适应度是否优于扰动前的个体适应度，择优选取；f(x)表示x位置的适应度值，
8.如权利要求1所述的基于XGBoost故障诊断模型的变频器故障识别方法，其特征在于，步骤S2中需要优化的超参数包括分类器个数(n_estimators)、最小样本权重(min_child_weight)、学习率(learning_rate)、结构树深度(max_depth)、随机生成函数种子(seed)。
9.如权利要求l所述的基于XGBoost故障诊断模型的变频器故障识别方法，其特征在于，步骤S1中数据清洗、数据转换具体步骤如下：
10.一种基于XGBoost故障诊断模型的变频器故障监测装置，包括变频器，其特征在于，变频器与振动速度传感器、振动加速度传感器、振动位移传感器、智能温振传感器电连接，振动速度传感器上连接有速度数据采集卡，振动加速度传感器上连接有加速度数据采集卡，振动位移传感器上连接有位移数据采集卡，智能温振传感器上连接有温振数据采集卡，速度数据采集卡、加速度数据采集卡、位移数据采集卡和温振数据采集卡与微处理器通讯连接，微处理器上设置有如权利要求l所述的基于XGBoost故障诊断模型的变频器故障识别方法。
...【技术特征摘要】
1.一种基于xgboost故障诊断模型的变频器故障识别方法，包括如下步骤：
2.如权利要求1所述的基于xgboost故障诊断模型的变频器故障识别方法，其特征在于，引入改进蜣螂优化算法(idbo算法)对xgboost故障诊断模型中部分超参数进行优化的具体步骤如下：
3.如权利要求2所述的基于xgboost故障诊断模型的变频器故障识别方法，其特征在于，在步骤s21中，将初始dbo种群映射到解空间中得到新种群时，利用sin混沌1维映射将初始dbo种群映射到解空间中，得到sin混沌种群x，由种群x计算反向种群x′，将sin混沌种群x和反向种群x′组成新种群x*＝{x∪x′}。
4.如权利要求2所述的基于xgboost故障诊断模型的变频器故障识别方法，其特征在于，步骤s23中，计算最优种群中所有个体的适应度值时采用以下方法进行，计算最优种群中每个个体的适应度fi以及所有个体的平均适应度值fv；
5.如权利要求2所述的基于xgboost故障诊断模型的变频器故障识别方法，其特征在于，步骤s24中，将最优种群代入改进蜣螂优化算法，更新最优种群中所有个体的位置，具体步骤如下：
6.如权利要求5所述的基于xgboost故障诊断模型的变频器故障识别方法，其特征在于，步骤s244中，在小偷蜣螂位置更新公式中通过添加贝塔分布的线性递减函数自适应惯性权重，改进后小偷蜣螂位置更新如下...
【专利技术属性】
技术研发人员：李胜利，韩国庆，李小良，王玉福，刘辛颖，孙波，王成家，轩红新，边静，王超，宋巍，王淑红，刘贺扬，何莉，龙大鹏，郭志伟，高燕，李泽利，刘薇，张玉昆，杨青山，赵东，于川，齐雪梅，宋冰，
申请(专利权)人：中滦科技股份有限公司，
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。