全文摘要
本发明实施例提供了一种基于物联网的风机故障评价方法、系统及设备。在本发明实施例的方法中，首先对采集到的状态信息数据进行预处理并得出能够与分类器匹配的数据集，然后通过机器学习对数据集进行故障分类，分类后再通过建立的风机故障程度评价模型对故障程度进行评价，最终计算出故障程度值。本发明的方法是基于物联网进行的，从数据采集和处理到故障的评价与计算，节约了大量的人力，同时评价的结果也较为准确。本发明的技术方案不仅能够对风机故障进行分类，还可以对故障程度进行定量的展现，从而使得故障评估也更为直观。
主设计要求
1.一种基于物联网的风机故障评价方法，其特征在于，所述方法包括：S1、采集指定时段内风机设备的状态信息数据，并对状态信息数据进行预处理，得出能够与分类器匹配的数据集；S2、通过XGBoost模型获得数据集的各特征的特征权重，选取符合预设特征权重条件的特征；S3、通过k-fold交叉验证将特征选择后的所述数据集随机分为K个大小相同的子数据，K-1个子数据作为训练集，1个子数据作为测试集，分别输入到对应的分类器中；S4、基于TPE算法，对全部分类器通过加权投票表决的方式进行预测，其中，分类器e的投票权重ξe为分类器的e的数量，f为分类器的种类总数，运行TPE算法K次，通过K次交叉验证选择验证误差最小时的分类器数量为最优分类器数量；S5、将所述最优分类器数量输入至深度级联森林模型中，深度级联森林模型进行逐次运行直至满足预设精度，获得风机故障的分类结果；S6、建立风机故障程度评价模型，该模型包括耗电损失、维修成本、停车成本和寿命损失分别对应的数值组与数值组权重向量；S7、计算每种故障对于每个数值的灰色权评估矩阵，将灰色权评估矩阵与对应的数值权重向量相乘获得故障程度评价向量，通过故障程度评价向量计算出故障程度值。
设计方案
1.一种基于物联网的风机故障评价方法，其特征在于，所述方法包括：
S1、采集指定时段内风机设备的状态信息数据，并对状态信息数据进行预处理，得出能够与分类器匹配的数据集；
S2、通过XGBoost模型获得数据集的各特征的特征权重，选取符合预设特征权重条件的特征；
S3、通过k-fold交叉验证将特征选择后的所述数据集随机分为K个大小相同的子数据，K-1个子数据作为训练集，1个子数据作为测试集，分别输入到对应的分类器中；
S4、基于TPE算法，对全部分类器通过加权投票表决的方式进行预测，其中，分类器e的投票权重设计说明书
【技术领域】
本发明涉及风机技术领域，尤其涉及一种基于物联网的风机故障评价方法、系统及设备。
【背景技术】
风机数据在采集过程中由于样本采样不均匀、数据产生过程复杂等原因，使得后续的数据挖掘处理过程较为困难，而且风机的风力运行机制复杂，各种变量之间可能存在许多非线性相关性，自动的故障评价通常准确率较低，所以通常需要维护人员到现场进行故障检测与评价。
【发明内容】
有鉴于此，本发明实施例提供了一种基于物联网的风机故障评价方法、系统及设备。
第一方面，本发明实施例提供了一种基于物联网的风机故障评价方法，该方法包括：
S1、采集指定时段内风机设备的状态信息数据，并对状态信息数据进行预处理，得出能够与分类器匹配的数据集；
S2、通过XGBoost模型获得数据集的各特征的特征权重，选取符合预设特征权重条件的特征；
S3、通过k-fold交叉验证将特征选择后的所述数据集随机分为K个大小相同的子数据，K-1个子数据作为训练集，1个子数据作为测试集，分别输入到对应的分类器中；
S4、基于TPE算法，对全部分类器通过加权投票表决的方式进行预测，其中，分类器e的投票权重设计图
相关信息详情
申请码:申请号:CN201910538887.2
申请日:2019-06-20
公开号:CN110263856A
公开日:2019-09-20
国家:CN
国家/省市:11(北京)
授权编号:授权时间:主分类号:G06K 9/62
专利分类号:G06K9/62;G06N3/08;H04L29/08
范畴分类:40B;
申请人:北京实力伟业环保科技有限公司
第一申请人:北京实力伟业环保科技有限公司
申请人地址:102600 北京市大兴区金星路12号院2号楼12层1506
发明人:戴剑锋;巨晓英;王其玉;李军;白秀林;郑宇彤;田得丽
第一发明人:戴剑锋
当前权利人:北京实力伟业环保科技有限公司
代理人:代理机构:代理机构编号:优先权:关键词:当前状态:审核中
类型名称:外观设计