基于XGBoost的煤矿机械设备状态监测方法

针对传统机器学习算法在预测精度和泛化能力上存在不足问题,提出一种基于XGBoost的智能故障诊断方法(Smart Fault Diagnostics-based)。首先对XGBoost模型进行改进,将输入样本分为训练集与测试集两部分;然后利用SVM建立分类器并确定最佳参数组合;最后通过对比实验验证了所提方法的有效性及优越性。结果表明:该方法可以获得更加精确的故障特征提取效果且能够实现高精度故障识别、定位以及预警。在4类典型设备中分别应用该方法后,其准确率可达到98.28%~101.63%,平均绝对误差为0.14%,标准偏差为0.08%,最大相对误差为0.21%。此外,该研究还表明XGBoost模型具有较好的适用范围和良好的泛化性能。