CN112734130A - 一种双馈型风机主轴的故障预警方法 - Google Patents

一种双馈型风机主轴的故障预警方法 Download PDF

Info

Publication number
CN112734130A
CN112734130A CN202110081138.9A CN202110081138A CN112734130A CN 112734130 A CN112734130 A CN 112734130A CN 202110081138 A CN202110081138 A CN 202110081138A CN 112734130 A CN112734130 A CN 112734130A
Authority
CN
China
Prior art keywords
temperature
data
main shaft
value
lightgbm
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110081138.9A
Other languages
English (en)
Other versions
CN112734130B (zh
Inventor
林涛
严寒
李波函
左逸琳
王瑞祥
石琳
张哲�
程淑伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hebei University of Technology
Original Assignee
Hebei University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hebei University of Technology filed Critical Hebei University of Technology
Priority to CN202110081138.9A priority Critical patent/CN112734130B/zh
Publication of CN112734130A publication Critical patent/CN112734130A/zh
Application granted granted Critical
Publication of CN112734130B publication Critical patent/CN112734130B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Operations Research (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Biophysics (AREA)
  • Development Economics (AREA)
  • Molecular Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Water Supply & Treatment (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)

Abstract

本发明为一种双馈型风机主轴的故障预警方法，该方法包括以下步骤：从风机设备中选取主轴温度以及与主轴相关部件的温度相关数据；采用皮尔逊相关系数从原始数据集中选取与主轴温度相关性较高的特征；利用鲸鱼算法对LightGBM预测模型中参数进行寻优，获得优化后的LightGBM正常主轴温度预测模型；将测试集数据输入到优化后的LightGBM正常主轴温度预测模型中，得到对应的主轴温度预测值，进行残差分析获得主轴温度预警阈值；从待预警的风机数据中选取与主轴温度相关性较高的特征数据，将这些特征数据输入到优化后的LightGBM正常主轴温度预测模型，得到当前待预警的风机主轴温度预测值，进行残差分析，来判断主轴温度状态，从而实现对风机主轴故障的早期预警。

Description

一种双馈型风机主轴的故障预警方法
技术领域
本发明涉及一种故障预警方法，具体说是一种双馈型风机主轴的故障预警方法，尤其是基于改进鲸鱼算法优化LightGBM的风机主轴故障预警方法。
背景技术
随着风能作为一种可再生的清洁能源被各国广泛的开发利用，使风机装机容量不断增加。由于风电机组通常工作在环境恶劣、风力变化复杂的条件下，造成风电机组故障频发，因此有效实现风机中关键部件故障的早期预警逐渐受到重视。主轴作为风电机组重要的组成部分之一，也是机组中故障频发的部分，主轴故障甚至会引起整个风电机组不能正常运行。因此，在主轴故障前进行有效的故障预警对整个风电机组的安全运行具有重要意义。
随着科学技术的发展，风电机组设备的结构越来越复杂，其运行状态也因所处在恶劣环境中而呈现复杂性和多样性的特点。因此，为保障风电机组安全稳定运行，国内外学者做了大量有关风电机组中关键部件故障预警方面的研究，主要方法包括：传统信号处理方法如VMD，机器学习算法如支持向量机、极端梯度提升机，深度学习算法如深度神经网络、卷积神经网络等等。然而，对于传统温度、振动信号处理方法，由于其频率特征中往往存在噪声，模型得到结果较差，无法反映风电机组实际的故障情况。传统的机器学习算法仅适用于数据量有限的样本空间，而风机数据采集与监视系统(Supervisory Control And DataAcquisition,SCADA)数据变量多、数据规模大，传统机器学习算法在处理此类大样本数据集时往往表现出建模时间过长、精度不够的弊端。虽然深度学习算法在图像处理、文字识别等领域表现优异，但并不适合处理特征明显的风机SCADA数据等结构化数据。风机SCADA系统参数繁杂，具有高维度、大样本的特点，因此需要寻找更高效的机器学习算法来处理大规模结构化SCADA数据。
发明内容
传统的风机故障预警一般通过设定单一恒定预警阈值实现，本发明针对恒定阈值预警无法满足复杂工况下预警要求的问题，提出一种基于改进鲸鱼算法优化LightGBM的风机主轴故障预警方法。该方法首先采用皮尔逊相关系数进行特征选择从而剔除冗余特征，然后通过改变鲸鱼算法的收敛因子和增加惯性权重的方式来提高算法的寻优能力，并采用改进鲸鱼算法(Whale Optimization Algorithm,WOA)优化LightGBM实现模型超参数的自动寻优，在降低人为主观调参耗时的同时提高模型的预测精度，最后采用滑动窗口法对风机主轴进行故障预警，解决恒定阈值预警所带来的故障误报、不报等问题。
本发明的技术方案为：一种基于改进鲸鱼算法优化LightGBM的风机主轴故障预警方法，其具体包括以下步骤：
S1：从风机设备中选取主轴温度以及与主轴相关部件的温度相关数据，进行数据预处理后构成原始数据集；
除主轴温度数据外，还选取了齿轮箱入口油温、齿轮箱输入轴轴温、齿箱润滑油内部油压、齿轮箱油槽温度、齿轮箱输出轴轴温、发电机轴承温度、发电机转速、叶轮转速1、机舱温度、环境温度、有功功率；用与主轴相关部件的温度预测主轴温度，主轴在高速快速转动过程中，其相关部件的温度相关数据也同步升高，
S2：采用皮尔逊相关系数从原始数据集中选取与主轴温度相关性较高的特征，组成新数据集，并将新数据集划分成训练集和测试集，原始数据集中的数据都是正常工作时的数据；
S3：采用训练集，利用改进鲸鱼算法对LightGBM预测模型中的学习率learning_rate、树的最大深度max_depth和叶子节点数num_leaves进行寻优，LightGBM预测模型的输入为选取的与主轴温度相关性较高的所有特征，输出为预测的主轴温度，获得优化后的LightGBM正常主轴温度预测模型；
S4：将测试集数据输入到优化后的LightGBM正常主轴温度预测模型中，得到对应的主轴温度预测值，选取M个连续的残差点数为滑动窗口长度，计算滑动窗口内残差均值，进行残差分析获得主轴温度预警阈值；具体是：窗口每次向前滑动1个残差点，计算滑动窗口内所有残差平均值T，记录残差平均值绝对值最大Tmax为主轴温度预警阈值；
S5：从待预警的风机数据中选取步骤S2所选定的与主轴温度相关性较高的特征数据，将这些特征数据(可能为故障数据，也可能为正常数据)输入到优化后的LightGBM正常主轴温度预测模型，得到当前待预警的风机主轴温度预测值，比较该预测值与对应的实际值的差值，获得残差点，计算滑动窗口内的残差平均值T，比较残差平均值的绝对值与主轴温度预警阈值的大小，来判断主轴温度状态，从而实现对风机主轴故障的早期预警，该方式避免了误报警，不会受到异常参数的影响。
具体地，当滑动窗口内温度残差平均值的绝对值|T|大于预警阈值|Tmax|时进行报警。
而且，步骤S1的实现过程为：
S1.1：所述与主轴温度相关数据来自于双馈型风机
本文中所有数据均来自风机SCADA系统，要用“相关数据”对主轴温度数据进行预测，SCADA系统中数据类型特别多，只能根据经验人为选取一些与主轴温度相关数据，所有这里的“相关数据”是指人为选取的与主轴温度相关的数据，在S2中，利用皮尔逊相关系数法，计算这些人为选取的相关数据的相关系数值，并选取相关系数值大于0.5的数据作为最终建模变量；
S1.2：对原始数据集中的缺失数据，可手动输入一个在接受范围内的人工经验值，对于明显偏离正常范围的数据进行剔除；
而且，步骤S2的实现过程为：
S2.1：计算主轴温度数据x：{x1，x2，...，xn}与其他数据y：{y1，y2，...，yn}的皮尔逊相关系数，公式如下：
Figure BDA0002909175690000031
式中，r为相关系数，
Figure BDA0002909175690000032
为x的平均值，xi为x中第i个数据，
Figure BDA0002909175690000033
为y的平均值，yi为y中第i个数据；
S2.2：剔除|r|＜0.5的数据，选取|r|≥0.5的数据作为建模变量；
S2.3：选取1000条数据集作为测试集(总共13300，进行数据处理之后，剩余12956条，即新数据集有12956条数据)，其余数据全部作为训练集；
而且，步骤S3的实现过程为：
S3.1：初始化LightGBM，设置其超参数，包括学习率learning_rate、树的最大深度max_depth和叶子节点数num_leaves；
S3.2：初始化鲸鱼群，确定种群规模N，最大迭代次数tmax；
S3.3：以实际值与预测值的均方误差MSE作为适应度函数；
S3.3：计算个体适应度值，找出最优适应度鲸鱼，记录其位置向量并将当前最优个体记为Xbest(t)；
S3.4：判断随机概率P是否小于0.5，若P不小于0.5，则按照螺旋搜寻策略进行鱼群位置更新，即按照公式(4)更新；若P＜0.5时，再判断|A|是否小于1，若是则按照围捕猎物策略进行鱼群位置更新，即按照公式(3)更新；若|A|不小于1，则按照随机搜寻策略进行鱼群位置更新，即按照公式(5)更新；
X(t+1)＝w(t)·Xbest(t)-A·|C·Xbest(t)-X(t)| (3)
X(t+1)＝w(t)·Xbest(t)+|Xbest(t)-X(t)|·ebl·cos(2πl) (4)
X(t+1)＝w(t)·Xrand(t)-A·|C·Xrand(t)-X(t)|(5)；
其中，Xrand(t)为当前随机的一个鲸鱼位置，b为常数，l是位于[-1，1]之间的随机数，A和C均为系数向量；X(t+1)为第t+1次迭代下的鲸鱼位置向量，X(t)为当前鲸鱼位置向量，w(t)为惯性权重；
再判断是否达到最大迭代次数，若没有达到，则取适应度最小鲸鱼作为当前最佳鲸鱼，迭代次数累加1，按照公式(1)计算新的迭代次数下的系数a的值，进而获得|A|，同时按照公式(2)获得新的迭代次数下的惯性权重，随机产生随机概率P，重新判断P的值，确定鱼群位置更新策略，在选定的更新策略中带入新迭代次数下的系数向量A和惯性权重的值来进行鱼群位置更新；
Figure BDA0002909175690000034
Figure BDA0002909175690000035
若达到最大迭代次数，则将最优参数赋给LightGBM预测模型，即找到使模型预测准确率最高的学习率learning_rate、树的最大深度max_depth和叶子节点数num_leaves，优化结束。
与现有技术相比，本发明的有益效果是：
本发明采用滑动窗口方式进行故障预警，能避免现有残差分析故障时有异常数据情况时，存在的误报警问题。
本发明将轻梯度提升机(Light Gradient Boosting Machine,简写LightGBM)应用到风机主轴故障预测中，具有训练速度快、占用内存低、准确率高的特点，与传统故障预警方法相比，LightGBM还支持并行学习，能够在处理大规模数据的同时保证故障预测精度。同时本发明选取改进鲸鱼算法(WOA)针对人为设置选参问题进行优化，这样在使用LightGBM时可以进行自动调节参数，提升算法性能，能用来处理大量数据用时短且准确性高。
本发明的显著进步是：首先利用皮尔逊相关系数选取与主轴温度高度相关的建模变量，避免了不相关的建模变量使模型出现过拟合；然后通过改进鲸鱼算法的收敛因子和增加惯性权重提高算法寻优能力，并采用改进鲸鱼算法对LightGBM进行优化，避免了其在选择超参数时的盲目性，提高了算法的预测准确率；最后采用优化后的LightGBM正常主轴温度预测模型，利用滑动窗口法对主轴故障进行预警，不仅可以减小残差值的波动范围还能有效的消除误报警点的个数，使得预警算法更加稳定和精确，能够适应于大数据量主轴温度的故障精确预测。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。
图1为本发明实施例中的一个基于鲸鱼优化算法改进LightGBM的风机主轴故障预警方法流程图；
图2为本发明实施例中的一个与主轴温度相关特征的皮尔逊相关系数图；
图3为本发明实施例中的一个基于鲸鱼优化算法改进LightGBM的流程图；
图4为本发明实施例中的一个基于优化后的LightGBM正常主轴温度预测模型的正常主轴温度预测残差效果图；
图5为本发明实施例中的一个主轴正常运行时滑动窗口内残差平均值；
图6为本发明实施例中的一个基于每两个点的时间间隔为10分钟的故障主轴温度预测残差效果图；
图7为本发明实施例中的一个故障主轴滑动窗口内残差平均值。
具体实施方式
为了更加清晰的阐述本发明的技术方案，下面结合附图及实例，对本发明进一步详细描述。本发明的实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
本发明实施例所述的一种基于改进LightGBM的风机主轴故障预警方法流程图如图1所示，具体实施步骤如下：
S1：从风机设备中选取主轴温度以及与其相关数据，进行数据预处理后构成原始数据集：其具体步骤包括：
S1.1：所述与主轴温度相关数据来自于双馈型风机；
S1.2：对原始数据集中的缺失数据，可手动输入一个在接受范围内的人工经验值，对于明显偏离正常范围的数据进行剔除。
本发明选择华北地区某风场单台风机，该风机为双馈型，风机SCADA系统以10min时间间隔为数据采集的存盘周期。除主轴温度数据外，还选取了齿轮箱入口油温、齿轮箱输入轴轴温、齿箱润滑油内部油压、齿轮箱油槽温度、齿轮箱输出轴轴温、发电机定子绕组温度、发电机转速、叶轮转速1、机舱温度、环境温度、有功功率作为原始数据集，每种数据类型包含近13300条数据。由于通信设备错误、极端天气条件或人为干扰会造成数据缺失或异常值，对于缺失数据可手动输入一个在接受范围内的人工经验值，例如上一时刻的数值，对于明显偏离正常范围的异常值，例如温度超过历史上限制，进行剔除。
S2：采用皮尔逊相关系数从原始数据集中选取与主轴温度相关性较高的特征，并将新数据集划分成训练集和测试集，其具体步骤包括：
S2.1：计算主轴温度数据x：{x1，x2，...，xn}与其他数据y：{y1，y2，...，yn}的皮尔逊相关系数，公式如下：
Figure BDA0002909175690000051
式中，r为相关系数，
Figure BDA0002909175690000052
为主轴温度数据x的平均值，xi为x中第i个数据，
Figure BDA0002909175690000053
为y的平均值，yi为y中第i个数据，y为除主轴温度外的其他数据，n为数据总数；
S2.2：剔除|r|＜0.5的数据，选取|r|≥0.5的数据作为建模变量，所选取的与主轴温度相关性较高的特征构成新的数据集；
S2.3：选取1000条数据集作为测试集，其余数据全部作为训练集。
皮尔逊相关系数是用来研究变量之间相关程度的量，其具有收敛快、可解释性好的特点，因此选择皮尔逊相关系数对特征变量进行筛选。本发明利用步骤S2.1中公式计算步骤S1中数据与主轴温度数据的皮尔逊相关系数，根据表1剔除不相关和弱相关的数据，其余数据作为模型输入特征变量，筛选后的数据具体相关系数值如图2所示，其中，齿轮箱入口油温、齿轮箱输入轴轴温、齿箱润滑油油压、齿轮箱油槽温度、齿轮箱输出轴轴温、发电机定子绕组温度、发电机转速、叶轮转速1为所选取的特征，构成新的数据集。
表1 |r|取值与相关性
Figure BDA0002909175690000054
S3：采用训练集，利用鲸鱼算法对LightGBM预测模型中的学习率learning_rate、树的最大深度max_depth和叶子节点数num_leaves进行寻优，获得优化后的LightGBM正常主轴温度预测模型；具体步骤包括：
S3.1：初始化LightGBM，设置其超参数，包括学习率learning_rate、树的最大深度max_depth和叶子节点数num_leaves；
S3.2：初始化鲸鱼群，确定种群规模N，最大迭代次数tmax；
S3.3：以实际值与预测值的均方误差MSE作为适应度函数；
S3.3：计算个体适应度值，找出最优适应度鲸鱼，记录其位置向量并将当前最优个体记为Xbest(t)；
S3.4：鲸鱼种群通过采取不同的策略，如围捕猎物、螺旋搜寻和随机搜寻进行位置更新，直到满足最大迭代次数；
S3.5：找到使模型预测准确率最高的学习率learning_rate、树的最大深度max_depth和叶子节点数num_leaves。
鲸鱼算法的原理如下：
1、围捕猎物
鲸鱼群在捕食时，会根据距离猎物最近的鲸鱼更新自己的位置，通过围捕猎物行为来更新位置的数学模型为：
D＝|C·Xbest(t)-X(t)|
X(t+1)＝Xbest(t)-A·D
式中，t为当前迭代次数，X(t)为当前鲸鱼位置向量，Xbest(t)为当前最佳鲸鱼位置向量，A和C为系数向量，D为围捕猎物下当前鲸鱼与最优鲸鱼之间距离。
A＝2a·r1-a
C＝2r2
Figure BDA0002909175690000061
式中，r1和r2是位于[0，1]之间的随机数，tmax为最大迭代次数，a为随迭代次数而减小的系数，在迭代过程中线性减小。
2、螺旋搜寻
鲸鱼可以通过其独有的螺旋运动搜寻猎物，其螺旋更新位置的表达式为：
D′＝|Xbest(t)-X(t)|
X(t+1)＝D′·ebl·cos(2πl)+Xbest(t)
式中，D′表示螺旋搜寻下当前鲸鱼与最佳位置鲸鱼之间的距离，b为常数，l是位于[-1，1]之间的随机数。
3、随机搜寻
为提高WOA的全局寻优能力，鲸鱼在搜寻猎物时，也可根据鱼群个体的位置进行随机搜寻，其数学表达式为：
D*＝|C·Xrand(t)-X(t)|
X(t+1)＝Xrand(t)-A·D*
式中，Xrand(t)为当前随机的一个鲸鱼位置，D*是当前鲸鱼与随机鲸鱼之间距离。
改进鲸鱼优化算法：
1、非线性收敛因子：
在WOA中，参数a的取值决定着算法的寻优质量，而在实际迭代过程中a的值是线性递减的，不能很好的满足实际的寻优过程，因此设计一种非线性的收敛策略，在保证算法搜索能力的同时提高算法后期收敛速度。本发明对a设计的一种新的非线性收敛方式：
Figure BDA0002909175690000071
改进后的a前期变化缓慢，能够提高全局搜索能力，在算法后期，a迅速减小，能够提高局部搜索能力。
2、惯性权重
对于鲸鱼算法来说，既希望在算法迭代前期拥有大范围的搜索空间，又希望在算法后期拥有较强的局部搜索能力。因此针对上述问题，在算法迭代过程中加入惯性权重，能够提高算法种群多样性和整体收敛性能。本文设计的惯性权重如下：
Figure BDA0002909175690000072
这种惯性权重w(t)随着算法迭代在[1，1.5]之间非线性变化，能够保证算法迭代初期具有较大的权重，提高搜索范围，在算法迭代后期增强收敛速度和精度。改进后的鲸鱼优化算法位置更新公式为：
X(t+1)＝w(t)·Xbest(t)-A·|C·Xbest(t)-X(t)| (3)
X(t+1)＝w(t)·Xbest(t)+|Xbest(t)-X(t)|·ebl·cos(2πl) (4)
X(t+1)＝w(t)·Xrand(t)-A·|C·Xrand(t)-X(t)|(5)
判断随机数P是否小于0.5，若P不小于0.5，则按照螺旋搜寻策略进行鱼群位置更新，即按照公式(4)更新；若P＜0.5时，再判断|A|是否小于1，若是则按照围捕猎物策略进行鱼群位置更新，即按照公式(3)更新；若|A|不小于1，则按照随机搜寻策略进行鱼群位置更新，即按照公式(5)更新；
再判断是否达到最大迭代次数，若没有达到，则取适应度最小鲸鱼作为当前最佳鲸鱼，迭代次数累加1，按照公式(1)计算新的迭代次数下的系数a的值，进而获得|A|，同时按照公式(2)获得新的迭代次数下的惯性权重，随机产生随机数P，重新判断P的值，确定鱼群位置更新策略，在选定的更新策略中带入新迭代次数下的系数向量A和惯性权重的值来进行鱼群位置更新；
若达到最大迭代次数，则将最优参数赋给LightGBM模型，优化结束。
在引入惯性权重之后，随着算法迭代次数的增加，惯性权重会动态调整，使的最优鲸鱼位置Xbest(t)在不同时刻对鲸鱼个体位置变化的指导不同。能够提高算法的寻优能力和收敛速度。
利用改进鲸鱼算法优化LightGBM具体流程图如图3所示。本发明利用python中的scikit-learn库建立LightGBM温度预测模型，并利用鲸鱼优化算法对其进行改进。初始的LightGBM模型关键参数设置为my_model＝lgb.LGBMRegressor(learning_rate＝1，max_depth＝5，num_leaves＝31)。初始化鲸鱼优化算法的参数设置为种群规模N＝20，最大迭代次数tmax＝40。适应度函数选用实际值与预测值的均方误差MSE，公式如下：
Figure BDA0002909175690000081
式中，n为主轴温度样本个数，yi为温度实际值，
Figure BDA0002909175690000082
为温度预测值。
鲸鱼优化算法中，每个鲸鱼的位置代表一个可行解，在鲸鱼捕食的过程中，它们会通过三种行为来更新自己的位置，分别是：围捕猎物、螺旋搜寻以及随机搜寻。鲸鱼优化算法中鲸鱼位置更新策略由概率P和系数|A|的值共同决定。当P≥0.5，鲸鱼进入螺旋搜寻阶段；当P＜0.5时，鲸鱼会根据|A|的值来选择围捕猎物或是随机搜寻。当|A|≥1时，鲸鱼会进行随机搜索；当|A|＜1时，鲸鱼会围捕最佳猎物。
最终，采用鲸鱼算法利用训练集对LightGBM预测模型寻优结果为学习率learning_rate＝0.1，树的最大深度max_depth＝7和叶子节点数num_leaves＝1456。
S4：将测试集输入到优化后的LightGBM正常主轴温度预测模型中，通过残差分析获得主轴温度预测阈值。
测试集输入到优化后的LightGBM正常主轴温度预测模型中，获得其对应的主轴温度预测数据，对温度预测数据进行残差分析，即计算温度预测值与温度实际值的差值获得残差点，选取M(M＝50)个连续的残差点数为滑动窗口长度，窗口每次向前滑动1个残差点，计算窗口内所有残差平均值T，记录绝对值最大平均值Tmax为主轴预警阈值；
本发明中，优化后的LightGBM正常主轴温度预测模型与未进行优化的LightGBM预测模型进行对比。为合理评价模型性能，本发明利用平均绝对误差MAE、均方根误差RMSE和平均绝对百分比误差MAPE作为评价指标，其数学表达式如下：
Figure BDA0002909175690000083
Figure BDA0002909175690000084
Figure BDA0002909175690000085
式中，n为主轴温度样本个数，yi为温度实际值，
Figure BDA0002909175690000086
为温度预测值。表2则定量的显示了改进的LightGBM预测模型在预测准确率上的优势。
表2 2种模型预测性能对比
Figure BDA0002909175690000087
S5：采用滑动窗口的主轴故障预警方法，通过计算滑动窗口内残差均值与主轴温度预测阈值来判断主轴温度状态从而实现对风机主轴故障的有效预警：
选取主轴故障前后共计1000条数据，通过数据处理后，确定与主轴温度相关性较高的特征数据输入到优化后的LightGBM正常主轴温度预测模型中，获得当前主轴故障下的主轴温度预测值，设定滑动窗口大小与步骤S4中大小相同，利用滑动窗口对主轴温度预测值进行残差分析，当滑动窗口内温度残差平均值的绝对值|T|大于预警阈值|Tmax|时进行报警。
本发明中，通过对主轴正常状态下的温度预测模型进行残差分析(即对测试集中数据进行分析)，如图4所示，选取50个连续的残差点为滑动窗口长度，窗口每次向前滑动1个残差点，计算每个窗口内的残差均值。图5为经过滑动窗口计算后的残差均值曲线，可以明显看出，残差均值绝对值最大值为|Tmax|＝0.47，因此设主轴温度预警阈值为0.47。
主轴温度预警阈值的设置，在正常主轴预测结果中，找到最大残差绝对值即为阈值，残差是预测值和实际值之间的差值，不同厂家或不同地区使用的风机，同型号的风机其优化后的LightGBM正常主轴温度预测模型可以不变，但对于其不同风机测试集数据不同，所确定的主轴温度预警阈值会不同，在风机环境及参数确定后，则该主轴温度预警阈值认为为常数。
故障主轴温度预测残差图如图6所示，通过查看主轴故障记录发现，该风机主轴在对应图中第643个点发出报警。由图6可以看出，在第180个点左右模型预测残差开始出现波动并在第643个点左右开始逐步增大。由图7可以看出，滑动窗口内的残差均值在第120个点突破主轴预警阈值0.47发出警报，比实际报警点提前了大概三天，图7中两条虚线记为预警阈值线，实线与虚线的第一个交点位置认为是报警位置，每两个点的时间间隔为10分钟。因此不难看出，本发明不仅能够提高模型预测精度，而且能够有效实现主轴故障的早期预警。
本发明的关键点在于：(1)通过改进鲸鱼算法的收敛因子和增加惯性权重来提高算法寻优能力。(2)本发明可以实现风机主轴故障的预测，采用改进WOA优化LightGBM参数空间，提高LightGBM算法预测能力。(3)采用滑动窗口法进行故障预警，可以减小残差值的波动范围还能有效的消除误报警点的个数，使得预警算法更加稳定和精确。
本发明未述及之处适用于现有技术。

Claims (6)

1.一种双馈型风机主轴的故障预警方法，该方法包括以下步骤：
S1：从风机设备中选取主轴温度以及与主轴相关部件的温度相关数据，进行数据预处理后构成原始数据集；
S2：采用皮尔逊相关系数从原始数据集中选取与主轴温度相关性较高的特征，组成新数据集，并将新数据集划分成训练集和测试集，原始数据集中的数据都是正常工作时的数据；
S3：采用训练集，利用鲸鱼算法对LightGBM预测模型中的学习率learning_rate、树的最大深度max_depth和叶子节点数num_leaves进行寻优，获得优化后的LightGBM正常主轴温度预测模型；
S4：将测试集数据输入到优化后的LightGBM正常主轴温度预测模型中，得到对应的主轴温度预测值，选取M个连续的残差点数为滑动窗口长度，计算滑动窗口内残差均值，进行残差分析获得主轴温度预警阈值；
S5：从待预警的风机数据中选取步骤S2所选定的与主轴温度相关性较高的特征数据，将这些特征数据输入到优化后的LightGBM正常主轴温度预测模型，得到当前待预警的风机主轴温度预测值，比较该预测值与对应的实际值的差值，获得残差点，计算滑动窗口内的残差平均值T，比较残差平均值的绝对值与主轴温度预警阈值的大小，来判断主轴温度状态，从而实现对风机主轴故障的早期预警。
2.根据权利要求1所述的预警方法，其特征在于，步骤S4中，残差分析的过程是：窗口每次向前滑动1个残差点，计算滑动窗口内所有残差平均值T，记录残差平均值绝对值最大Tmax为主轴温度预警阈值；
步骤S5中，当滑动窗口内温度残差平均值的绝对值|T|大于主轴温度预警阈值时进行报警。
3.根据权利要求1所述的预警方法，其特征在于，原始数据集中包括的数据有主轴温度数据、齿轮箱入口油温、齿轮箱输入轴轴温、齿箱润滑油内部油压、齿轮箱油槽温度、齿轮箱输出轴轴温、发电机轴承温度、发电机转速、叶轮转速1、机舱温度、环境温度、有功功率。
4.根据权利要求1所述的预警方法，其特征在于，而且，步骤S2的实现过程为：
S2.1：计算主轴温度数据与其他数据的皮尔逊相关系数r，
S2.2：剔除|r|<0.5的数据，选取|r|≥0.5的数据作为建模变量；
S2.3：选取1000条数据集作为测试集，其余数据全部作为训练集。
5.根据权利要求1所述的预警方法，其特征在于，鲸鱼算法对LightGBM预测模型的优化过程是：
S3.1：初始化LightGBM，设置其超参数，包括学习率learning_rate、树的最大深度max_depth和叶子节点数num_leaves；
S3.2：初始化鲸鱼群，确定种群规模N，最大迭代次数tmax；
S3.3：以实际值与预测值的均方误差MSE作为适应度函数；
S3.3：计算个体适应度值，找出最优适应度鲸鱼，记录其位置向量并将当前最优个体记为Xbest(t)；
S3.4：判断随机概率P是否小于0.5，若P不小于0.5，则按照螺旋搜寻策略进行鱼群位置更新，即按照公式(4)更新；若P＜0.5时，再判断|A|是否小于1，若是则按照围捕猎物策略进行鱼群位置更新，即按照公式(3)更新；若|A|不小于1，则按照随机搜寻策略进行鱼群位置更新，即按照公式(5)更新；
X(t+1)＝w(t)·Xbest(t)-A·|C·Xbest(t)-X(t)| (3)
X(t+1)＝w(t)·Xbest(t)+|Xbest(t)-X(t)|·ebl·cos(2πl) (4)
X(t+1)＝w(t)·Xrand(t)-A·|C·Xrand(t)-X(t)| (5)；
其中，Xrand(t)为当前随机的一个鲸鱼位置，b为常数，l是位于[-1，1]之间的随机数，A和C均为系数向量；X(t+1)为第t+1次迭代下的鲸鱼位置向量，X(t)为当前鲸鱼位置向量，w(t)为惯性权重；
再判断是否达到最大迭代次数，若没有达到，则取适应度最小鲸鱼作为当前最佳鲸鱼，迭代次数累加1，按照公式(1)计算新的迭代次数下的系数a的值，进而获得|A|，同时按照公式(2)获得新的迭代次数下的惯性权重，随机产生随机概率P，重新判断P的值，确定鱼群位置更新策略，在选定的更新策略中带入新迭代次数下的系数向量A和惯性权重的值来进行鱼群位置更新；
Figure FDA0002909175680000021
Figure FDA0002909175680000022
若达到最大迭代次数，则将最优参数赋给LightGBM预测模型，优化结束。
6.根据权利要求1所述的预警方法，其特征在于，滑动窗口长度为50，鲸鱼算法中种群规模N＝20，最大迭代次数tmax＝40。
CN202110081138.9A 2021-01-21 2021-01-21 一种双馈型风机主轴的故障预警方法 Expired - Fee Related CN112734130B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110081138.9A CN112734130B (zh) 2021-01-21 2021-01-21 一种双馈型风机主轴的故障预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110081138.9A CN112734130B (zh) 2021-01-21 2021-01-21 一种双馈型风机主轴的故障预警方法

Publications (2)

Publication Number Publication Date
CN112734130A true CN112734130A (zh) 2021-04-30
CN112734130B CN112734130B (zh) 2022-06-10

Family

ID=75594562

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110081138.9A Expired - Fee Related CN112734130B (zh) 2021-01-21 2021-01-21 一种双馈型风机主轴的故障预警方法

Country Status (1)

Country Link
CN (1) CN112734130B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113484749A (zh) * 2021-06-15 2021-10-08 国网山东省电力公司嘉祥县供电公司 发电机故障诊断及预测方法
CN113653608A (zh) * 2021-08-30 2021-11-16 华能威宁风力发电有限公司 一种风电机组主轴承温度故障诊断方法
CN116861218A (zh) * 2023-07-25 2023-10-10 上海华菱电站成套设备股份有限公司 一种矿井提升机关键设备状态监测预警系统
CN117351706A (zh) * 2023-10-07 2024-01-05 广东艾百智能科技有限公司 一种公路数监控与数据闭环分析系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110414155A (zh) * 2019-07-31 2019-11-05 北京天泽智云科技有限公司 一种带有单测点的风机部件温度异常检测和报警方法
CN110516831A (zh) * 2019-06-18 2019-11-29 国网（北京）节能设计研究院有限公司 一种基于mwoa算法优化svm的短期负荷预测方法
CN110594107A (zh) * 2019-10-24 2019-12-20 内蒙古青电云电力服务有限公司 一种基于快速梯度提升机的风电机组故障检测方法及装置
CN110685868A (zh) * 2019-10-25 2020-01-14 长沙理工大学 一种基于改进梯度提升机的风电机组故障检测方法及装置
CN110991666A (zh) * 2019-11-25 2020-04-10 远景智能国际私人投资有限公司 故障检测方法、模型的训练方法、装置、设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110516831A (zh) * 2019-06-18 2019-11-29 国网（北京）节能设计研究院有限公司 一种基于mwoa算法优化svm的短期负荷预测方法
CN110414155A (zh) * 2019-07-31 2019-11-05 北京天泽智云科技有限公司 一种带有单测点的风机部件温度异常检测和报警方法
CN110594107A (zh) * 2019-10-24 2019-12-20 内蒙古青电云电力服务有限公司 一种基于快速梯度提升机的风电机组故障检测方法及装置
CN110685868A (zh) * 2019-10-25 2020-01-14 长沙理工大学 一种基于改进梯度提升机的风电机组故障检测方法及装置
CN110991666A (zh) * 2019-11-25 2020-04-10 远景智能国际私人投资有限公司 故障检测方法、模型的训练方法、装置、设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SANTOSH: "Fuzzy clustering algorithm based on modified whale optimization algorithm for automobile insurance fraud detection", 《EVOLUTIONARY INTELLIGENCE》 *
龙霞飞: "大型风力发电机组齿轮箱智能化故障诊断方法研究", 《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅱ辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113484749A (zh) * 2021-06-15 2021-10-08 国网山东省电力公司嘉祥县供电公司 发电机故障诊断及预测方法
CN113653608A (zh) * 2021-08-30 2021-11-16 华能威宁风力发电有限公司 一种风电机组主轴承温度故障诊断方法
CN116861218A (zh) * 2023-07-25 2023-10-10 上海华菱电站成套设备股份有限公司 一种矿井提升机关键设备状态监测预警系统
CN117351706A (zh) * 2023-10-07 2024-01-05 广东艾百智能科技有限公司 一种公路数监控与数据闭环分析系统

Also Published As

Publication number Publication date
CN112734130B (zh) 2022-06-10

Similar Documents

Publication Publication Date Title
CN112734130B (zh) 一种双馈型风机主轴的故障预警方法
CN108334059B (zh) 基于粒子群算法优化bp神经网络模型故障诊断方法
CN113361186A (zh) 一种基于完全数据风电机组故障诊断方法
CN111680788A (zh) 基于深度学习的设备故障诊断方法
CN111624522A (zh) 基于蚁群优化rbf神经网络控制变压器故障诊断方法
CN112906935A (zh) 一种风电场超短期功率预测方法
CN116454863A (zh) 一种基于改进天鹰优化算法的风电功率组合预测模型的最优权重确定方法
Li et al. Rolling bearing fault diagnosis under variable working conditions based on joint distribution adaptation and SVM
CN109886488B (zh) 考虑风速时滞性的分散式风电场分层混合短期预测方法
Saufi et al. Machinery fault diagnosis based on a modified hybrid deep sparse autoencoder using a raw vibration time-series signal
Li et al. Neural architecture search for fault diagnosis
CN116388232B (zh) 风电调频综合惯性控制方法、系统、电子设备和存储介质
CN117232809A (zh) 基于dematel-anp-critic组合赋权的风机主轴故障预诊断方法
Zhao et al. A multi-fault diagnosis method of gear-box running on edge equipment
CN113408076A (zh) 基于支持向量机模型的小样本机械剩余寿命预测方法
CN113743018A (zh) 基于eemd-foa-grnn的时间序列预测方法
Li et al. A Fault Diagnosis Method Based on an Improved Deep Q-Network for the Inter-Turn Short Circuits of a Permanent Magnet Synchronous Motor
CN114065433A (zh) 一种基于sma优化算法的轴承剩余使用寿命预测方法
Xian et al. State recognition of motor pump based on multimodal homologous features and XGBoost
Huangfu et al. Short-term Forecast of Wind Speed Based on Hybrid Multi-Stage Decomposition and LSTM Optimized by an Improved WOA
Xie et al. Bearing health monitoring based on SSA optimization of AlexNet hyperparameter
CN117454324A (zh) 风速风向仪故障预警方法、系统、电子设备及存储介质
Xiaoyu et al. Rolling bearing fault classification method based on data simulation collaborative drive and transfer learning
CN117807426A (zh) 一种注意力引导下多小波对抗网络的故障诊断方法及系统
CN116976850A (zh) 基于XGBoost算法的海上风电多维度预维护检修方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220610