[发明专利]一种风电齿轮箱异常数据分类方法

说明书

本发明涉及一种风电齿轮箱异常数据分类方法，首先将采集到的风场中各风电齿轮箱的振动数据放入数据集中并划分为训练集、测试集和预测集，将数据集内数据分段，计算各段各参数值，然后初始化多目标粒子群算法，用训练集来训练各粒子对应参数的XGboost算法，对测试集进行预测，记录准确率与耗时，并生成精英集，通过迭代改变粒子群的位置与速度，并更新精英集，在精英集中选择合适的一个粒子，将学习率和树的个数输入算法中，得到优化好的MOPSO‑XGboost算法，最后利用优化好的MOPSO‑XGboost算法对预测集进行分类，从而区分出正常与各类异常的风电齿轮箱数据。本发明具有高分类准确率和低模型算法耗时等优点。

技术领域

本发明涉及风电数据预处理技术领域，特别涉及一种风电齿轮箱异常数据分类方法。

背景技术

风电齿轮箱是风力发电机组中传动系统的重要组成部分，具有故障率高，维修时间长，维修成本大等特点，利用风电齿轮箱数据进行分析处理来达到状态监测和故障诊断的目的显得尤为重要。然而对于风电齿轮箱来说，可利用的数据并不一定都是合格的。由于传感器故障、恶劣环境干扰等原因，很多测量到的风电齿轮箱数据质量往往存在异常，分析处理严重异常的数据可能会得到错误结果，同时也造成时间和系统资源的浪费。因此，风电齿轮箱大数据质量筛查，既是对时间和资源的合理利用，更是大数据分析处理结果可靠性的前提保证。

目前风电机组的数据质量筛查方法主要是针对风电功率数据以及风速数据的异常值检测方法，而对风电齿轮箱数据质量筛查的研究较少，对于风电机组数据质量筛查，很多专利研究将其视为异常值检测与剔除问题，如专利申请号为201710809929.2的专利，以及申请号为201910361399.9的专利等等。虽然剔除异常值可以保证数据的可靠性，但是对于风电齿轮箱数据而言，单纯依靠异常值检测并不能直接判断出传感器故障类型。而如果将风电齿轮箱数据质量筛查视为多分类问题，区分出各类异常数据，则不仅能保证数据质量可靠，也能及时排查传感器故障。

发明内容

为了克服上述现有的缺点，本发明的目的在于提供一种基于MOPSO-XGboost算法的风电齿轮箱异常数据分类方法，相比原有XGboost算法或其他常见分类算法，可以更加准确的进行风电齿轮箱异常数据分类。

为实现上述目的，本发明方案采取的技术方案为：

一种基于MOPSO-XGboost算法的风电齿轮箱异常数据分类方法，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；