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。