[发明专利]一种改进贝叶斯优化的LightGBM故障诊断方法

说明书

本发明公开了一种改进贝叶斯优化的LightGBM故障诊断方法，包括以下步骤：1)确定LightGBM模型需要优化的超参数及超参数取值范围；2)对贝叶斯优化算法进行改进，得到改进贝叶斯优化算法GP‑ProbHedge；3)使用步骤2)的方法结合五折交叉验证方式选取故障诊断模型最优超参数组合；4)构建改进贝叶斯优化LightGBM故障诊断模型，并给出模型迭代过程及优化结果。通过采用上述技术，与现有技术相比，本发明提出一种改进的贝叶斯优化算法对故障模型的参数进行优化选取，通过对传统贝叶斯优化算法的采集函数及其高斯过程的协方差函数进行改进，同时提出改进贝叶斯优化LightGBM故障诊断方法，对设备的故障进行诊断预测。

技术领域

本发明涉及故障诊断技术领域，尤其涉及一种改进贝叶斯优化的LightGBM故障诊断方法。

背景技术

目前故障诊断的研究热点主要为基于机器学习算法的数据驱动故障诊断方法，但是基于该方法构建的故障诊断模型仍存在大量参数不确定的情况，导致模型故障诊断精度波动大的问题。不同超参数的变化对故障诊断模型的预测准确率影响非常大，选取一个较好的参数组合可以发挥出故障诊断模型的优越性能，并很大程度提升故障诊断识别率，从而给企业带来巨大经济效益。那么如何选取可以使模型达到最高识别准确度的超参数组合将至关重要，也越来越受到研究者的重视。

发明内容

针对现有技术中存在的上述问题，为了解决超参数不确定性给故障诊断准确度带来影响的问题，本发明目的在与提供一种改进贝叶斯优化的LightGBM故障诊断方法，用于解决超参数不确定性给故障诊断模型准确度带来影响的问题，以此提高故障诊断精度及模型鲁棒性。

本发明的技术方案如下：

一种改进贝叶斯优化的LightGBM故障诊断方法，其特征在于包括以下步骤：

1)确定LightGBM模型需要优化的超参数及超参数取值范围；

2)对贝叶斯优化算法进行改进，得到改进贝叶斯优化算法GP-ProbHedge；

3)使用步骤2)的方法结合五折交叉验证方式选取故障诊断模型最优超参数组合；

4)构建改进贝叶斯优化LightGBM故障诊断模型，并给出模型迭代过程及优化结果。

所述的一种改进贝叶斯优化的LightGBM故障诊断方法，其特征在于步骤1)的确定LightGBM模型需要优化的超参数及超参数取值范围如下：

超参数max_depth设定取值范围为区间[1,11]；

超参数learning_rate设定取值范围为区间[0.1,0.9]；

超参数colsample_bytree设定取值范围为区间[0.1,0.9]；

超参数subsample设定取值范围为区间[0.1,0.9]；

超参数max_bin设定取值范围为区间[25,150]。

所述的一种改进贝叶斯优化的LightGBM故障诊断方法，其特征在于步骤2)的对贝叶斯优化算法进行改进的步骤如下：

2.1)高斯过程改进：采用多策略组合形式的协方差函数用来同时捕捉目标函数的平滑性和振幅，协方差函数如式(1)所示：

其中，r＝|λ-λ′|，λ表示当前评估点，λ′表示下一个评估点，l为协方差函数的超参数，属于Matérn协方差函数簇，用来捕捉目标函数的波动情况；用来捕捉目标函数的长期变化趋势，ρ₁以及ρ₂分别为式中两项的系数，用来表示相应组合形式的协方差函数偏向于捕捉目标整体趋势或周期性；