[发明专利]一种风电齿轮箱异常数据分类方法

权利要求书

1.一种风电齿轮箱异常数据分类方法，其特征在于：包括以下步骤：

步骤一：利用加速度传感器采集风场中各风电齿轮箱的振动数据共计N组，将数据放入数据集S中；

步骤二：将数据集S按合适的比例划分为训练集S_t、测试集S_e和预测集S_p；

步骤三：将数据集S中第i(1≤i≤N)组数据分成m段，计算各段数据的均值μ_im，有效值y_im，峭度β_im，进一步得出第i组数据各段均值的极差μ_iR与方差μ_iσ，各段有效值的极差y_iR与方差y_iσ，各段峭度的极差β_iR与方差β_iσ，构造出第i组数据的特征指标向量f_i＝[μ_iR,μ_iσ,y_iR,y_iσ,β_iR,β_iσ]，逐个计算出数据集S中每组数据的特征指标向量；

步骤四：初始化多目标粒子群算法，产生规模为P的粒子群，迭代次数设为K，令第j(1≤j≤P)个粒子的位置向量x_j＝[x_j1,x_j2]，其中x_j1为XGboost算法中的学习率，x_j2为XGboost算法中的决策树个数，令第j个粒子的速度向量v_j＝[v_j1,v_j2]，其中v_j1为随机初始化的x_j1的速度，v_j2为随机初始化的x_j2的速度，令第j个粒子的适应度向量fit_j＝[fit_j1,fit_j2]其中fit_j1为XGboost算法的准确率A，fit_j2为XGboost算法耗时T；

步骤五：将训练集S_t中的各组数据的特征指标向量，输入至P个粒子各自对应参数的XGboost算法中，对XGboost算法进行训练，使用训练完成的XGboost算法对测试集S_e进行预测，记录XGboost算法的准确率A与耗时T，并将其存入每个粒子的fit中；

步骤六：将P个粒子的fit进行比较，将处于Pareto支配地位或互不Pareto支配的粒子放入精英集，将粒子超空间划分网格，应用轮盘赌法在这些网格中随机选择一个精英集粒子作为群体初始最优解g_x，根据式(1)更新第j个粒子的第一次迭代速度根据式(2)更新第j个粒子的第一次迭代位置

其中，上标为1的表示第一次迭代所得值，w为惯性权重，c₁为加速常数，r₁为[0,1]之间的随机数，使更新具有随机性，提升搜索能力；

步骤七：根据式(3)和式(4)求解K次迭代后的粒子群中各粒子的速度和位置，并比较每次迭代后各粒子的fit，将处于Pareto支配地位或互不Pareto支配的粒子的位置向量存入精英集中，并将精英集中处于被Pareto支配的粒子扔出精英集，

其中，上标为k的表示第k次迭代所得值，上标为k-1的表示第k-1次迭代后所得值，c₂为加速常数，r₂为[0,1]之间的随机数，p_x_j为第j个粒子的历史最优解，g_x^k-1为第k-1次迭代的群体最优解，其余参数同步骤六；

步骤八：在精英集中选择合适的一个粒子位置向量，将其学习率和树的个数这两个超参数输入XGboost算法中，得到优化好的MOPSO-XGboost算法；

步骤九：利用优化好的MOPSO-XGboost算法对预测集S_p进行分类，从而区分出正常与各类异常的风电齿轮箱数据。