基于XGBoost的冷水机组不平衡数据故障诊断

冷水机组运行数据分布有不平衡、非高斯、非线性、含噪声的特点,这给基于数据的冷水机组故障诊断带来了挑战。针对这些特点,提出了一种将局部密度过采样算法(Minority Oversampling under Local Area Density,MOLAD)和极限梯度提升算法(e Xtreme Gradient Boosting,XGBoost)相结合的复合算法应用于冷水机组故障诊断中,以克服样本分布不平衡问题,引入代价敏感学习理论来提升重要故障的召回率。基于离心式冷水机组常见的七个故障监测数据进行仿真,结果表明:XGBoost相比于对照组能够更好的对冷水机组状态监测数据进行分类;MOLAD-XGBoost复合模型能够有效处理数据不平衡问题;代价敏感权重可以有效提高重要故障的召回率。