基于贝叶斯优化的极限梯度上升树方法对电机轴承故障诊断方法的研究

针对电机轴承故障问题,提出一种基于极限梯度上升树(XGboost)与贝叶斯优化(Bayesian Optimization)相结合的电机轴承故障诊断方法。提取电机轴承振动信号的小波包能量特征,使振动信号具有较好的可靠性,提高了故障诊断的准确率。采用贝叶斯优化算法对极限梯度上升树(XGboost)中的最大迭代次数、上升树的最大深度等参数进行超参数优化,并与故障诊断中常用的其他算法进行对比。实验结果表明:基于贝叶斯优化的极限梯度上升树(XGboost)的方法不仅能够实现对电机轴承的不同位置故障的准确识别,而且对每一个位置故障的严重程度有较好的诊断效果,具有较强的实用性。

基于FCBF特征选择和XGBoost原则的油纸绝缘介电响应特征量优选研究

针对高维特征空间中存在的相关特征、冗余特征等导致变压器油纸绝缘综合诊断的特征空间提取存在平均误差大、分类正确率低等问题,提出一种基于快速过滤相关算法和极限梯度上升相结合的特征量优选策略。首先,根据变压器的介电响应实测数据,提取多种类别的时域介电特征量形成初始高维特征空间。其次,提出一种两级式时域特征选择方法,第一级采用快速相关过滤算法剔除低相关、高冗余的特征量,第二级依照极限梯度提升评估特征的重要度,从而确定最优特征空间。最后设置不同对照组对最优特征空间进行对比论证,有效验证了采取所提优选策略得到的最优特征空间的合理性及准确性。