基于XGBoost 算法的风电机组轴承剩余寿命预测研究

摘要：针对风电机组轴承剩余寿命的传统预测方法的局限性以及预测准确率不高等问题，提出一种基于XGBoost算法模型用于风电机组轴承剩余寿命预测的方法。首先，提取原始振动信号的18种时域、13种频域特征指标并对其进行标准化处理。其次，将特征数据集按8∶2进行训练集和测试集的划分，训练集基于XGBoost算法进行训练，从而建立基于XG⁃Boost算法的预测模型对轴承剩余寿命进行预测，测试集用于评估模型预测效果。最后，结合R2、MSE 等多个评价指标对XGBoost模型进行综合评价。结果显示预测效果优良（R2 = 0.9998） 。试验结果表明，基于XGBoost算法的预测模型能有效且准确地预测设备中轴承剩余寿命，为风电机组轴承剩余寿命预测提供了一种新思路及方法。本文提出的剩余寿命预测方法可应用于风电机组轴承等重要部件中，有效地实时监测风电机组重要部件的性能退化状况，以及预测其剩余寿命，较大程度地减少因风机停机造成的损失。

关键词：风电机组轴承；特征数据集；性能退化评估；XGBoost；剩余寿命预测

中图分类号：TP391 文献标识码：A文章编号：1009-3044（2023）29-0016-03

0 引言

随着国内发展逐渐向绿色生态且环境友好转型，国家越来越重视风能等清洁能源的开发与利用，并且不断促进对风力发电行业的发展，越来越多的风电机组投入使用应用于发电。风电机组的运行与发电效率很大程度取决于机组的主轴承、齿轮箱等传动系统部件，而主轴承是机组传动系统中的关键部件之一，在风机运行中起到至关重要的作用，像风电机组轴承、齿轮箱等重要部件，一旦因其自身寿命衰减演变为性能失效导致停机将造成运维成本及大量人力物力资源的浪费。研究风电机组重要部件的剩余寿命预测方法可以有效地降低更换设备部件频次从而减少运维成本及维修时间。

因此，上述风电机组重要部件的剩余寿命预测方法已成为研究学者所要研究的重点内容，特别是对风机设备轴承的剩余寿命预测方面。王柱[1] 建立SVM 模型并用以粒子群算法进行优化，预测风电机组中齿轮箱部件的剩余寿命，者娜等[2] 提出融入PCA降维数据，并对SVM进行改进的预测方法预测滚动轴承剩余寿命，徐继亚等[3] 利用KPCA并融合信息粒化方法，从而建立基于SVM算法的预测模型，用来预测滚动轴承性能退化状况，马海龙[4] 首先融合主元特征，然后基于 SVM 算法预测机械设备中轴承剩余寿命，杨志凌等[5]利用PCA融合多变量特征，并建立Wiener过程模型实现风电轴承剩余寿命的预测。前述方法均为基于传统的算法建立预测模型，传统预测方法用于复杂多变的风电机组轴承运行工况将突显其自身的局限性以及预测准确率不高等不足。

综合上述研究现状存在的问题，本文采用较为新颖的主流算法模型，即XGBoost算法模型对风电机组轴承剩余寿命进行预测。

1 技术路线

本文提出采用XGBoost算法建立预测模型对风电机组轴承剩余寿命进行预测，具体流程操作为首先对原始振动信号进行时域、频域特征指标的提取，将特征指标数据集标准化处理，从而构建出能够表征设备中轴承性能退化状况的特征数据集。其次，将特征数据集按8：2划分为训练集和测试集，训练集基于XG⁃Boost算法进行训练，从而对轴承剩余寿命预测建立模型并进行剩余寿命预测，测试集用于测试训练完备的模型并对其预测效果进行评估。最后，计算多个评价指标综合评价模型的准确性及稳健性等方面。剩余寿命预测流程如图1：