申请/专利权人：山东大学

申请日：2020-02-28

公开（公告）日：2020-07-24

公开（公告）号：CN111444940A

主分类号：G06K9/62(20060101)

分类号：G06K9/62(20060101)

优先权：

专利状态码：失效-发明专利申请公布后的驳回

法律状态：2024.03.19#发明专利申请公布后的驳回;2020.08.18#实质审查的生效;2020.07.24#公开

摘要：本发明涉及一种风机关键部位故障诊断方法，包括：获取SCADA系统的运行监控记录和故障记录，确定实验数据集；对实验数据集进行预处理，将预处理之后的故障类数据和正常类数据进行编码；对预处理后的实验数据集进行分层抽样，利用ReliefF算法计算SCADA系统中各观测特征参数在故障多分类中所占的权重大小，筛选出相关度较高的观测特征参数，更新实验数据集；将更新后的实验数据集划分为训练集和测试集，将训练集输入XGBoost模型进行训练，确定XGBoost的最优化目标函数，优化XGBoost模型；将测试集数据输入优化后的XGBoost模型，对测试集数据进行故障多分类测试。该方法可根据SCADA系统记录数据中的实际故障进行调整，更具可行性，方法简单，识别故障精确度高。

主权项：1.一种风机关键部位故障诊断方法，其特征在于，包括以下步骤：步骤1：获取SCADA系统的运行监控记录和故障记录，根据故障记录和SCADA系统运行监控记录确定正常数据集和各类别故障数据集，合并正常数据集和故障数据集作为实验数据集；对实验数据集进行预处理，将预处理之后的故障类数据和正常类数据进行编码；步骤2：对预处理后的实验数据集进行分层抽样，利用ReliefF算法计算SCADA系统中各观测特征参数在故障多分类中所占的权重大小；将观测特征参数按照权重大小排序，筛选出相关度较高的观测特征参数，根据筛选后的相关度较高的观测特征参数更新实验数据集；步骤3：将更新后的实验数据集按比例划分为训练集和测试集，将训练集数据按照分层抽样的方式输入XGBoost模型进行训练，确定XGBoost的最优化目标函数，优化XGBoost模型；步骤4：将测试集数据输入优化后的XGBoost模型，对测试集数据进行故障多分类测试。

全文数据：

权利要求：

百度查询： 山东大学 风机关键部位故障诊断方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD