[发明专利]一种基于融合模型的风电机组齿轮箱故障预警方法

权利要求书

1.一种基于融合模型的风电机组齿轮箱故障预警方法，其特征在于，具体包括以下内容：

步骤1：选择SCADA一个月的历史数据，剔除包含“无数据”和所有状态变量都为“0”的值的变量，再用四分位原理剔除噪音得到数据集；

步骤2：对数据集归一化处理，利用Pearson相关系数分别与齿轮箱温度做相关性计算，剔除冗余特征，得到样本集；

步骤3：首先在样本集中随机选取80％的数据对XGBoost模型作第一次训练，通过网格搜索和交叉验证对XGBoost模型进行参数优化，得到温度预测值y1；

步骤4：将训练数据输入LSTM模型进行训练，通过迭代更新权值和偏置使误差最小，获得齿轮箱温度预测模型，输出齿轮箱温度预测值y2；

步骤5：通过误差倒数法对温度预测值y1和y2进行加权组合，得到不同预测温度值情况下的权重w1、w2，最后计算齿轮箱温度值预测结果y，得到LSTM-XGBoost融合模型；

步骤6：将样本集剩余的20％数据加载到训练好的LSTM-XGBoost模型中对齿轮箱温度预测；

步骤7：将融合模型的预测结果与单一的XGBoost，LSTM和GBDT模型的预测结果作对比，通过计算RMSE、MAE、MRE和R2的值验证LSTM-XGBoost模型在齿轮箱温度预测拥有良好的适用性；

步骤8：计算融合模型的预测输出值与输入数据集之间的重构误差，依据马氏距离设定阈值，若重构误差超出阈值上限，则对齿轮箱运行状态进行故障预警，反之，则齿轮箱正常运行；

步骤9：将SCADA实时数据加载到LSTM-XGBoost模型中，实现齿轮箱温度预测与故障预警。

2.根据权利要求1所述的一种基于融合模型的风电机组齿轮箱故障预警方法，其特征在于：所述步骤1中四分位原理具体内容为：设QL为下四分位数，表示全部观察值中有四分之一的数据取值比它小；QU为上四分位数，表示全部观察值中有四分之一的数据取值比它大；IQR为四分位间距，是上四分位数QU与下四分位数QL之差，期间包含了全部观察值的一半；其中，最小估计值便为：QL-k*IQR，最大估计值便为：QU+k*IQR；其中k＝1.5(中度异常)，k＝3(重度异常)，异常值通常被定义为小于QL-1.5*IQR或大于QU+1.5*IQR。

3.根据权利要求1所述的一种基于融合模型的风电机组齿轮箱故障预警方法，其特征在于：所述步骤2中的Pearson相关系数计算方法为：设(X_i,Y_i)(i＝1,2,…,n)为取自总体(X,Y)的样本，则样本的Pearson相关系数的计算公式为：

其中，r为Pearson相关性系数，为X的平均值，为Y的平均值，n为样本数。

4.根据权利要求1所述的一种基于融合模型的风电机组齿轮箱故障预警方法，其特征在于：所述步骤8中马氏距离具体内容为：马氏距离表示数据的协方差距离，是一种有效的计算两个未知样本集的相似度的方法，不受量纲的影响，由原始数据与均值之差计算出的二点之间的马氏距离相同；对于一个均值为μ＝(μ₁,μ₂,μ₃,…μ_p)^T，协方差矩阵为S的多变量x＝(x₁,x₂,x₃,…x_p)^T，其马氏距离为：