趙娟娟，劉廣臣*，王瑞桃，徐曉宇，張玫潔，黃文廣

(1.魯東大學(xué) 數(shù)學(xué)與統(tǒng)計(jì)科學(xué)學(xué)院，山東 煙臺(tái) 264000；2.華風(fēng)數(shù)據(jù)(深圳)有限公司,廣東 深圳 518110)

風(fēng)電機(jī)組設(shè)備龐大，地處偏遠(yuǎn)、維修成本高，對(duì)風(fēng)機(jī)過(guò)去和現(xiàn)在狀態(tài)進(jìn)行分析，實(shí)現(xiàn)對(duì)未來(lái)運(yùn)行狀態(tài)的估計(jì)和預(yù)判，進(jìn)而可以在風(fēng)機(jī)故障發(fā)生前對(duì)故障進(jìn)行有效地識(shí)別并預(yù)警，大大降低經(jīng)濟(jì)損失，提高工作效率，延長(zhǎng)機(jī)組壽命。

溫度作為發(fā)生故障的重要標(biāo)志，溫度過(guò)高或過(guò)低會(huì)影響機(jī)組的正常運(yùn)行。文獻(xiàn)[1-2]依據(jù)發(fā)電機(jī)在故障中的運(yùn)行特征，改進(jìn)極端梯度提升(XGBoost)算法進(jìn)行改進(jìn)，建立故障監(jiān)測(cè)模型。文獻(xiàn)[3]提出了一種隨機(jī)森林(BF)算法與LightGBM算法結(jié)合的模型來(lái)對(duì)風(fēng)機(jī)葉片狀態(tài)進(jìn)行分類預(yù)測(cè)。文獻(xiàn)[4-5]改進(jìn)支持向量機(jī)(SVM)建立風(fēng)電機(jī)組故障預(yù)測(cè)模型。文獻(xiàn)[6]提出一種將多元狀態(tài)估計(jì)技術(shù)(MSET)和集成學(xué)習(xí)結(jié)合的齒輪箱故障預(yù)警方法。文獻(xiàn)[7-13]建立不同神經(jīng)網(wǎng)絡(luò)模型來(lái)對(duì)齒輪箱的運(yùn)行狀態(tài)進(jìn)行監(jiān)測(cè)。文獻(xiàn)[14-17]應(yīng)用深層網(wǎng)絡(luò)融合SCADA數(shù)據(jù)進(jìn)行故障預(yù)警。文獻(xiàn)[18]提出基于多點(diǎn)最優(yōu)調(diào)整的最小熵解卷積(MOMEDA)與1.5維能量譜相結(jié)合的故障診斷方法降低漏判誤判。文獻(xiàn)[19]提出了一種利用DFIG定子電流信號(hào)進(jìn)行非平穩(wěn)狀態(tài)下風(fēng)電傳動(dòng)齒輪箱故障診斷的新方法。文獻(xiàn)[20-22]基于PCA對(duì)最優(yōu)變量選擇進(jìn)行風(fēng)電機(jī)組故障檢測(cè)與識(shí)別。

本文對(duì)齒輪箱油溫(gearbox_oil_temperature _gearbox)建模分析，研究?jī)?nèi)容包括：(1)在正常狀態(tài)的風(fēng)電機(jī)歷史數(shù)據(jù)上進(jìn)行方差排序、Pearson相關(guān)系數(shù)和遞歸特征消除(Recursive Feature Elimination,REF)方法篩選特征變量，生成不同特征組合的三個(gè)數(shù)據(jù)集；(2)在不同數(shù)據(jù)集上建立齒輪箱油溫的輕量級(jí)梯度提升機(jī)LightGBM模型，綜合模型擬合效果和訓(xùn)練耗時(shí)選擇性能最優(yōu)的數(shù)據(jù)集，并且選取時(shí)下流行的極限提升樹(shù)XGBoost和CatBoost算法模型作為對(duì)照算法；(3)根據(jù)LightGBM模型預(yù)測(cè)的齒輪箱油溫值與真實(shí)值的偏離程度[23-24]，在偏差較大時(shí)啟動(dòng)預(yù)警，工作人員檢修時(shí)可根據(jù)模型輸出特征重要性排序結(jié)合專業(yè)經(jīng)驗(yàn)對(duì)部件進(jìn)行檢修。

1 風(fēng)機(jī)齒輪箱油溫分析

風(fēng)電機(jī)組[25]組成包括葉片、輪轂、齒輪箱、發(fā)電機(jī)、制動(dòng)器、偏航系統(tǒng)、塔身等，該系統(tǒng)結(jié)構(gòu)復(fù)雜，運(yùn)行時(shí)各個(gè)部件緊密聯(lián)系，互相影響。風(fēng)電機(jī)組的工作原理,簡(jiǎn)單來(lái)說(shuō)：在風(fēng)力作用下，風(fēng)電機(jī)組的葉片推動(dòng)葉輪轉(zhuǎn)動(dòng)，進(jìn)而促使傳動(dòng)系統(tǒng)驅(qū)動(dòng)發(fā)電機(jī)工作，進(jìn)而實(shí)現(xiàn)風(fēng)力機(jī)械能向電能轉(zhuǎn)換。齒輪箱是傳動(dòng)系統(tǒng)的關(guān)鍵部件，也是整個(gè)機(jī)組發(fā)生故障比例最高的部件，一旦齒輪箱發(fā)生故障，就必須更換整個(gè)傳動(dòng)系統(tǒng)。因此，齒輪箱故障是造成機(jī)組停機(jī)時(shí)間較長(zhǎng)的因素之一。

齒輪箱油冷系統(tǒng)既減少了機(jī)械器件之間的摩擦又起到散熱效果，保證了齒輪箱正常工作。油冷系統(tǒng)的散熱原理是通過(guò)控制溫控閥從而控制潤(rùn)滑油通路及散熱片的冷卻作用來(lái)實(shí)現(xiàn)齒輪箱溫度調(diào)節(jié)的。潤(rùn)滑油性質(zhì)易受環(huán)境溫度影響，當(dāng)潤(rùn)滑油溫度較低時(shí)，其流動(dòng)性差；當(dāng)潤(rùn)滑油溫度較高時(shí)，潤(rùn)滑油品的黏度較低，內(nèi)部機(jī)械部件表面的油膜很薄，可能導(dǎo)致邊界潤(rùn)滑程度不足，摩擦力增大，磨損嚴(yán)重。另外，高溫容易造成齒輪油的氧化，油品品質(zhì)難以保證。綜上，低溫或高溫齒輪箱潤(rùn)滑油都難以為齒輪提供充分的潤(rùn)滑。在通常情況下，當(dāng)齒輪箱溫度超過(guò)極限值時(shí)，整個(gè)機(jī)組無(wú)法正常運(yùn)作，風(fēng)機(jī)將會(huì)自動(dòng)停機(jī)。毋庸置疑，停機(jī)造成的供電量不足以及相關(guān)檢測(cè)維修，都會(huì)導(dǎo)致一筆巨大的經(jīng)濟(jì)損失。

因而，齒輪箱油溫是否保持在一個(gè)合適的范圍內(nèi)，直接影響到風(fēng)機(jī)組的正常運(yùn)行。研究發(fā)現(xiàn)，齒輪箱油溫過(guò)高時(shí)，風(fēng)機(jī)組的自我保護(hù)機(jī)制使得它低功率運(yùn)行，甚至可能停機(jī)，影響供電量；同時(shí)，齒輪油的潤(rùn)滑冷卻能力被影響，使得油液老化變快，齒輪箱故障甚至報(bào)廢。齒輪箱油溫過(guò)低時(shí)，風(fēng)力機(jī)組也會(huì)有相應(yīng)的保護(hù)機(jī)制使得機(jī)組不能正常運(yùn)行。影響油溫高的因素有很多[26]，包括翅片結(jié)構(gòu)選型不適、機(jī)艙密封不嚴(yán)、潤(rùn)滑油問(wèn)題,以及溫控閥失效、油溫傳感器失靈等。

利用傳統(tǒng)人工排查耗時(shí)費(fèi)力，大數(shù)據(jù)背景下，采用大數(shù)據(jù)技術(shù)作為故障預(yù)警、設(shè)備診斷、運(yùn)行優(yōu)化、標(biāo)準(zhǔn)化提升的有效途徑,可以為風(fēng)電場(chǎng)設(shè)計(jì)建設(shè)各個(gè)環(huán)節(jié)提供精準(zhǔn)的數(shù)據(jù)支持，因此，本文利用建模分析油溫波動(dòng)，進(jìn)而進(jìn)行故障預(yù)警勢(shì)在必行。

2 模型方法體系

2.1 LightGBM模型

輕量級(jí)梯度提升機(jī)LightGBM[27]是由微軟推出的基于決策樹(shù)模型的分布式Boosting集成算法，是對(duì)GBDT算法的改進(jìn)，還可以稱之為帶有基于梯度的單邊采樣(GOSS)和互斥特征捆綁(EFB)新GBDT算法。隨著大數(shù)據(jù)的出現(xiàn)(無(wú)論是在特征數(shù)量上還是數(shù)據(jù)數(shù)量上)，傳統(tǒng)的Boosting算法，如XGBoost、CatBoost、GBDT等集成學(xué)習(xí)算法面臨巨大挑戰(zhàn)。決策樹(shù)構(gòu)造過(guò)程中，需要計(jì)算分裂點(diǎn)的信息增益，傳統(tǒng)算法需要根據(jù)所有數(shù)據(jù)樣本計(jì)算每個(gè)特征的信息增益，計(jì)算過(guò)程煩瑣，且樣本越大特征越多，面臨的計(jì)算負(fù)擔(dān)也越重。這使得這些算法在處理大數(shù)據(jù)時(shí)非常耗時(shí)并且在準(zhǔn)確性和效率之間難以權(quán)衡，與之相比，LightGBM利用GOSS及EFB，不需要掃描所有的樣本點(diǎn)尋找最佳切分點(diǎn)，效率更高，減少內(nèi)存使用，對(duì)硬件要求也有所降低，不損失精度同時(shí)縮短耗時(shí)。

2.1.1 LightGBM 算法原理

圖1 LightGBM算法原理圖Fig.1 Schematic diagram of LightgBM algorithm

2.1.2 LightGBM算法核心

1)基于Histogram的決策樹(shù)算法

輕量級(jí)梯度提升機(jī)LightGBM是基于Histogram的決策樹(shù)算法，它不是在排序后的特征值上尋找分割點(diǎn)，而是將連續(xù)的特征值放入離散的K個(gè)箱(bin)中，即將連續(xù)特征離散化成K個(gè)數(shù), 訓(xùn)練時(shí)只需要遍歷K個(gè)離散值而不用遍歷所有樣本數(shù)據(jù)。若需要進(jìn)行特征選擇，構(gòu)造K值特征直方圖，根據(jù)離散值遍歷尋找增益最高的分割點(diǎn)。Histogram方法由傳統(tǒng)的遍歷所有數(shù)據(jù)變?yōu)楸闅vK個(gè)離散化數(shù)據(jù)，降低數(shù)據(jù)分隔復(fù)雜度，大大縮短時(shí)間，同時(shí)存儲(chǔ)時(shí)用8位整型,可以減少內(nèi)存占用。

2)單邊梯度采樣GOSS

數(shù)據(jù)樣本梯度的不同直接影響信息增益的大小。根據(jù)信息增益的定義，梯度較大的實(shí)例(即訓(xùn)練不足的實(shí)例)對(duì)信息增益的貢獻(xiàn)更大。因此，梯度較小的樣本對(duì)信息增益影響較小，在保證一定準(zhǔn)確性的情況下，可以隨機(jī)去除低梯度樣本，保留高梯度樣本。基于以上分析，為了減少樣本量，GOSS算法保留大梯度樣本，對(duì)剩余小梯度樣本進(jìn)行隨機(jī)采樣，并且，為了補(bǔ)償原始數(shù)據(jù)分布，小梯度樣本數(shù)據(jù)引入常數(shù)乘子。計(jì)算信息增益時(shí)使用方差增益進(jìn)行計(jì)算。大大減少了樣本的數(shù)據(jù)量，提高了訓(xùn)練速度并減少了內(nèi)存消耗。

圖2 GOSS算法原理圖Fig.2 Schematic diagram of Goss algorithm

3)互斥特征綁定EFB

在實(shí)際應(yīng)用中，雖然有大量的特征，但特征空間是稀疏的，也就是說(shuō)，許多特征(幾乎)是互斥的，即它們很少同時(shí)取非零值，這就為減少特征維度提供了思路，在精度損失較小條件下，可以將多個(gè)互斥特征捆綁在一起，從而將特征維度變低，減少計(jì)算復(fù)雜度。以上就是互斥特征綁定EFB算法的思想，大大減少了特征數(shù)量。EFB算法將最優(yōu)捆綁問(wèn)題簡(jiǎn)化為圖著色問(wèn)題(特征作為頂點(diǎn)，如果它們不互斥，則兩個(gè)特征有公共邊)，并采用常數(shù)近似比的貪心算法求解。

圖3 EFB算法原理圖Fig.3 Schematic diagram of EFB algorithm

2.1.3 LightGBM算法優(yōu)點(diǎn)

(1)LightGBM是在Histogram算法的基礎(chǔ)之上，從遍歷樣本變?yōu)楸闅v直方圖，縮短了時(shí)間消耗，所占內(nèi)存空間減少。

(2)EFB算法捆綁互斥特征，將時(shí)間復(fù)雜度從所有特征降為捆綁后的少量特征，有效避免不必要值特征的計(jì)算。

(3)LightGBM在取樣時(shí)，GOSS算法選擇梯度大的樣本點(diǎn)，對(duì)于其他樣本點(diǎn)依據(jù)一定比例抽取，保證模型精度，減少計(jì)算量。

(4)LightGBM支持特征變量的并行和樣本數(shù)據(jù)并行計(jì)算。

(5)LightGBM選用帶有深度限制的Life-wise算法機(jī)制，在同等分裂次數(shù)時(shí)，可以降低誤差，提升精確度。

2.2 模型評(píng)價(jià)指標(biāo)

本文通過(guò)對(duì)齒輪箱油溫預(yù)測(cè)溫度與實(shí)測(cè)溫度之間的均方誤差(Mean Squared Error,MSE)、均方根誤差(root mean square error, RMSE)、平均絕對(duì)誤差(mean absolute error,MAE)、平均相對(duì)誤差絕對(duì)值(mean absolute percent error,MAPE)、擬合優(yōu)度(R squared)和建模耗費(fèi)時(shí)長(zhǎng)這五項(xiàng)指標(biāo)的計(jì)算，進(jìn)而判斷模型的可靠性。

(1)

(2)

(3)

(4)

3 齒輪箱油溫預(yù)警實(shí)現(xiàn)

3.1 數(shù)據(jù)來(lái)源及數(shù)據(jù)預(yù)處理

用于分析的數(shù)據(jù)來(lái)自深圳××數(shù)據(jù)公司某風(fēng)場(chǎng)C33號(hào)風(fēng)機(jī)的SCADA[28-29]數(shù)據(jù)庫(kù)2018年1月至2020年12月分鐘級(jí)歷史運(yùn)行數(shù)據(jù)，共1519203行73列，占據(jù)存儲(chǔ)空間461200KB。

共提供71個(gè)特征用于研究。在整個(gè)數(shù)據(jù)集中ControllerState列表示風(fēng)機(jī)運(yùn)行狀態(tài)，包括待機(jī)狀態(tài)、故障狀態(tài)、維修狀態(tài)、檢查狀態(tài)等，可以以此對(duì)風(fēng)機(jī)歷史數(shù)據(jù)進(jìn)行清洗。研究目標(biāo)齒輪箱油溫值波動(dòng)，對(duì)數(shù)據(jù)進(jìn)行如下處理：(1)根據(jù)控制狀態(tài)ControllerState列篩選風(fēng)機(jī)正常運(yùn)行數(shù)據(jù)行，刪除風(fēng)機(jī)待機(jī)、維修及故障狀態(tài)數(shù)據(jù)行，為了減少波動(dòng)的影響，根據(jù)風(fēng)機(jī)故障記錄刪除故障發(fā)生前后一天內(nèi)的數(shù)據(jù)。(2)對(duì)于缺失數(shù)據(jù)，考慮到數(shù)據(jù)量比較大，刪除個(gè)別樣本并不會(huì)影響模型的最終效果，對(duì)于缺失數(shù)據(jù)行，本文進(jìn)行刪除處理。(3)不同特征由于其量方式以及量綱不同導(dǎo)致數(shù)值差別較大，比如發(fā)電機(jī)速度1058.9，發(fā)電機(jī)溫度9.7，直接用原始數(shù)據(jù)容易減弱數(shù)值小的變量的影響，用Z-score方法對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，通過(guò)處理，去除量綱影響，可使建模更可信。

3.2 特征工程

數(shù)據(jù)量過(guò)大，特征過(guò)多，往往會(huì)給機(jī)器學(xué)習(xí)的算法帶來(lái)維度災(zāi)難，并且在現(xiàn)實(shí)應(yīng)用中，時(shí)間消耗也是需要考慮的重要因素。選擇部分重要特征，在確保一定精度條件下降低學(xué)習(xí)任務(wù)的難度，提升模型的效率，減少算法學(xué)習(xí)時(shí)間，增加模型的可解釋性，使模型泛化能力更強(qiáng)。本文的特征工程主要聚焦特征變量貢獻(xiàn)大小及其與目標(biāo)的相關(guān)性兩個(gè)方面。

(1)特征是否發(fā)散：如果一個(gè)特征是不發(fā)散的，那么對(duì)于辨別樣本而言，該特征并沒(méi)有起到影響。用低方差過(guò)濾進(jìn)行特征選擇，篩選方差較高特征變量。

(2) 特征與目標(biāo)的相關(guān)性：計(jì)算Pearson相關(guān)系數(shù)，Pearson相關(guān)系數(shù)可以直接明了地刻畫特征和響應(yīng)變量之間關(guān)系，這一方法關(guān)注的重點(diǎn)是變量之間的線性相關(guān)關(guān)系，取值范圍是[-1,1]，越靠近1或-1說(shuō)明變量之間相關(guān)性越高，越靠近0表示變量之間相關(guān)性越低。

(3)考慮到Pearson相關(guān)系數(shù)反映的是與目標(biāo)變量的線性相關(guān)關(guān)系，不能反映非線性的相關(guān)關(guān)系，進(jìn)而采用遞歸特征消除(REF)進(jìn)行特征排序，遞歸消除特征法去掉一些權(quán)值系數(shù)較低的特征，組成新的特征集合。

用以上方式進(jìn)行特征變量篩選，產(chǎn)生三個(gè)數(shù)據(jù)集:①使用全部特征變量(70個(gè)特征變量)，構(gòu)成數(shù)據(jù)集1；②基于方差排序篩選排名前30的變量，構(gòu)成數(shù)據(jù)集2；③在②的基礎(chǔ)上，使用Pearson相關(guān)系數(shù)和遞歸特征消除兩種方式篩選綜合排名前14的變量，構(gòu)成數(shù)據(jù)集3。

表1 特征變量綜合排序(前14)Tab.1 Comprehensive ranking of characteristic variables (top 14)

3.3 模型訓(xùn)練

3.3.1 劃分訓(xùn)練集、測(cè)試集

表2 數(shù)據(jù)集劃分Tab.2 Data set partition

3.3.2 LightGBM參數(shù)調(diào)優(yōu)及模型預(yù)測(cè)效果

(1)參數(shù)調(diào)優(yōu)

1)隨機(jī)搜索(RandomizedSearchCV)：

隨機(jī)搜索顧名思義就是隨機(jī)搜索進(jìn)行超參數(shù)組合進(jìn)行嘗試，同樣尋找在驗(yàn)證集上精度最高的超參數(shù)組合，但搜索機(jī)理不通。若搜索范圍是連續(xù)的，則根據(jù)分布進(jìn)行隨機(jī)采樣，若搜索范圍是離散數(shù)值，則等概率采樣，組合超參數(shù)。隨機(jī)參數(shù)搜索也會(huì)輸出超參數(shù)組合中最優(yōu)的組合。由于是隨機(jī)采樣的，容易錯(cuò)過(guò)一些重要的信息，也正因如此，搜索速度更快，適合大規(guī)模數(shù)據(jù)。

2)網(wǎng)格搜索(GridSearchCV)：

網(wǎng)格搜索法，在指定范圍內(nèi)尋找在驗(yàn)證集上精度最高的超參數(shù)組合，網(wǎng)格搜索會(huì)遍歷給定范圍內(nèi)所有超參數(shù)組合，由于沒(méi)有錯(cuò)過(guò)任何超參數(shù)，搜索效果很好，但面臨大規(guī)模數(shù)據(jù)，時(shí)間代價(jià)較高，面臨著維度災(zāi)難，數(shù)據(jù)較大時(shí)，通常不予選擇。

尋找最優(yōu)超參數(shù)組合時(shí)先使用Randomized SearchCV大致確定超參數(shù)范圍，再經(jīng)過(guò)GridSearchCV確定最優(yōu)組合，不同規(guī)模數(shù)據(jù)超參數(shù)調(diào)優(yōu)結(jié)果如表3所示。

表3 不同數(shù)據(jù)集的LightGBM的參數(shù)調(diào)優(yōu)結(jié)果Tab.3 Parameter tuning results of LightGBM for different data sets

(2) 模型擬合效果

基于上述超參數(shù)訓(xùn)練模型，并用測(cè)試集數(shù)據(jù)進(jìn)行擬合，對(duì)比輕量級(jí)梯度提升機(jī)LightGBM模型在三個(gè)數(shù)據(jù)集參數(shù)調(diào)優(yōu)后的評(píng)價(jià)指標(biāo)(見(jiàn)表4)，綜合誤差和模型訓(xùn)練時(shí)長(zhǎng)，LightGBM在數(shù)據(jù)集2的表現(xiàn)更好。

表4 LightGBM在不同數(shù)據(jù)集的表現(xiàn)Tab.4 Performance of LightGBM in different data set

圖4 數(shù)據(jù)集2—LightGBM齒輪箱油溫?cái)M合曲線Fig.4 Dataset 2—Fitting curve of oil temperature based on Lightg BM gear box

圖5 不同數(shù)據(jù)集模型訓(xùn)練時(shí)長(zhǎng)Fig.5 Training duration of different dataset models

3.3.3 其他模型效果

選擇boosting另外兩個(gè)流行算法XGBoost和CatBoost作為對(duì)照，模型訓(xùn)練時(shí)，選用輕量級(jí)梯度提升機(jī)LightGBM性能最佳的數(shù)據(jù)集2，同樣按8∶2劃分?jǐn)?shù)據(jù)集，并使用同樣的調(diào)參方式(Randomized SearchCV和Grid SearchCV)，表5是XGBoost和CatBoost模型參數(shù)調(diào)優(yōu)結(jié)果。綜合比較LightGBM、XGBoost及CatBoost模型的評(píng)價(jià)指標(biāo)測(cè)度值和模型訓(xùn)練耗時(shí)，LightGBM算法在時(shí)效性較優(yōu)的同時(shí)，準(zhǔn)確率最高，具有更好的魯棒性。

表5 XGBoost、CatBoost的參數(shù)調(diào)優(yōu)結(jié)果Tab.5 Parameter tuning results of XGBoost and CatBoost

圖6 不同模型評(píng)價(jià)指標(biāo)Fig.6 Evaluation indexes of different models

圖7 不同模型訓(xùn)練時(shí)長(zhǎng)Fig.7 Training duration of different models

3.3.4 模型故障診斷

對(duì)于實(shí)時(shí)運(yùn)行數(shù)據(jù)，調(diào)用訓(xùn)練完成的LightGBM模型對(duì)齒輪箱油溫進(jìn)行預(yù)測(cè)，若預(yù)測(cè)值偏離真實(shí)值較大，表示風(fēng)機(jī)齒輪箱可能會(huì)發(fā)生故障，可以此作為提前預(yù)警的標(biāo)志。預(yù)警信號(hào)發(fā)出，需要對(duì)風(fēng)電機(jī)組檢修，檢查整個(gè)風(fēng)電機(jī)組部件工程龐大，此時(shí)可以參照LightGBM模型訓(xùn)練輸出的重要性排序結(jié)果優(yōu)先檢查故障發(fā)生可能性較高的部件，盡量降低風(fēng)機(jī)停機(jī)損耗。

表6 特征重要性排序(前10)Tab.6 Rank of feature importance(top 10)

3.4 實(shí)例分析

本文為了驗(yàn)證模型LightGBM模型的實(shí)用性及可靠性，基于風(fēng)場(chǎng)某臺(tái)風(fēng)機(jī)為期三年的歷史數(shù)據(jù)，篩選此風(fēng)機(jī)故障原因?yàn)辇X輪箱油溫的故障記錄，共查到2個(gè)歷史故障，故障時(shí)段分別為2018年6月8日16時(shí)57分—23時(shí)00分；2019年6月9日9時(shí)38分—11時(shí)05分。對(duì)于齒輪箱油溫的兩個(gè)歷史故障調(diào)用訓(xùn)練完成的LightGBM模型，輸入故障發(fā)生前的數(shù)據(jù)進(jìn)行預(yù)測(cè)。觀察故障即將發(fā)生時(shí)齒輪箱油溫的變化趨勢(shì)，若基于模型的預(yù)測(cè)值與真實(shí)值偏離較大，方可啟動(dòng)預(yù)警提醒。

縱觀圖8和圖9的2個(gè)故障的模型效果圖，2018年6月8日的故障事前擬合效果更好，2019年6月9日故障事前擬合稍微欠缺。分析齒輪箱油溫真實(shí)值與模型預(yù)測(cè)值波動(dòng)趨勢(shì)，明顯兩個(gè)故障在發(fā)生前，預(yù)測(cè)溫度都有大幅度下降趨勢(shì)，齒輪箱油溫預(yù)測(cè)值與其真實(shí)值趨勢(shì)偏離較大，認(rèn)為其即將發(fā)生故障。故以上2個(gè)故障基于LightGBM模型都可以識(shí)別出來(lái)，此模型效果較優(yōu)，可以用此模型進(jìn)行齒輪箱油溫的故障預(yù)警。

圖8 齒輪箱油溫6月8日故障預(yù)警圖Fig.8 Failure warning chartof gearbox oil temperature on June 8

圖9 齒輪箱油溫6月9日故障預(yù)警圖Fig.9 Failure warning chartof gearbox oil temperature on June 9

4 結(jié)論

本文在特征變量篩選時(shí)，使用方差排序、Pearson相關(guān)系數(shù)和遞歸特征消除淘汰低貢獻(xiàn)變量；選擇boosting當(dāng)前三大流行算法(LightGBM、XGBoost、CatBoost)建立齒輪箱油溫模型。綜合比較不同模型的評(píng)價(jià)指標(biāo)及訓(xùn)練時(shí)長(zhǎng)，LightGBM算法的監(jiān)測(cè)模型性能最佳；在齒輪箱油溫預(yù)測(cè)值與真實(shí)值偏離較大時(shí)發(fā)出預(yù)警提示，維修人員在對(duì)大部件檢修時(shí)，結(jié)合LightGBM模型的特征重要性排序及專業(yè)經(jīng)驗(yàn)逐個(gè)預(yù)檢。

實(shí)現(xiàn)風(fēng)機(jī)故障預(yù)警可在故障發(fā)生前提醒工作人員檢修關(guān)鍵部件，減少停機(jī)頻率。目前風(fēng)電機(jī)組的運(yùn)行和維護(hù)還處于發(fā)展階段。本文對(duì)于齒輪箱故障預(yù)警的研究極具實(shí)際意義。