(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210792268.8 (22)申请日 2022.07.05 (71)申请人 华能国际电力股份有限公司上海 石 洞口第二电厂 地址 200942 上海市宝山区盛 石路350号 (72)发明人 陈思勤　张仲毅　张豪庆　王学海　 陈杰　张燕军　 (74)专利代理 机构 南京禹为知识产权代理事务 所(特殊普通 合伙) 32272 专利代理师 康伟 (51)Int.Cl. G06F 30/17(2020.01) G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 20/20(2019.01)G06F 111/08(2020.01) G06F 119/08(2020.01) (54)发明名称 一种基于优化XGBoo st的磨煤机故障预警方 法 (57)摘要 本发明公开了一种基于优化XGBoost的磨煤 机故障预 警方法， 其包括： 从SIS数据库提取研磨 机的原始数据， 对原始数据进行预处理， 剔除异 常数据， 确定正常运行工况下的参数数值； 利用 PCA对数据进行特征提取， 并剔除边缘数据； 采用 XGBoost方法构造磨煤机故障预测模型， 采用贝 叶斯优化方法， 实现XGBoost超 参数的优 化； 设定 故障阈值， 采用滑动窗口法进行故障预警。 既可 以降低数据维度也能达到变量筛选的要求， 可以 有效提高磨煤机预测模型的训练速度， 并降低它 的数据和模 型的复杂程度， 对磨煤机故障预测有 较高的准确性和灵敏度， 能有效完善火电厂设备 检修体系， 能有效提高电厂的经济效益和安全效 益。 权利要求书2页 说明书9页 附图3页 CN 115310216 A 2022.11.08 CN 115310216 A 1.一种基于优化XGBo ost的磨煤 机故障预警方法， 其特 征在于： 包括， 从SIS数据库提取研磨机的原始数据， 对原始数据进行预处理， 剔除异常数据， 确定正 常运行工况 下的参数 数值； 利用PCA对数据进行 特征提取， 并剔除边 缘数据； 采用XGBoost方法构造磨煤机故障预测模型， 采用贝叶斯优化方法， 实现XGBoost超参 数的优化； 设定故障阈值， 采用滑动窗口法进行故障预警。 2.如权利要求1所述的基于优化XGBoost的磨煤机故障预警方法， 其特征在于： 提取磨 煤机一个月的多个测点的原始数据， 对所述原始数据进行预处理， 利用3σ 准则和平均值方 法剔除多余的、 异常的数据， 对剔除异常数据后的参数数据进行求方差、 均值， 计算出磨煤 机历史运行的数据正常值， 确定所述 参数的故障数据。 3.如权利要求2所述的基于优化XGBoost的磨煤机故障预警方法， 其特征在于： 所述参 数包括一次风量、 一次风温、 一次风压、 冷风门开度、 热风门开度、 给煤机出力、 磨煤机电流 和出口温度、 磨碗差 压等。 4.如权利要求2所述的基于优化XGBoost的磨煤机故障预警方法， 其特征在于： 对磨煤 机的所述故障数据进行故障特征提取， 即PCA故障特征提取， 以降到所需的维度， 即降到所 输出的参数种类。 5.如权利 要求4所述的基于优化XGBoost的磨煤机故障预警方法， 其特征在于： 所述PCA 故障特征提取步骤 包括： 设数据集X＝[x1， x2，…， xn]共有n组数据， 每组数据有m个特 征； A1： 对数据进行 标准化处理； A2： 通过把标准 化数据矩阵L得到协方差矩阵V； A3： 计算协方差矩阵V的特 征值和特 征向量； A4： 求主成分的叠加贡献率。 6.如权利要求5所述的基于优化XGBoost的磨煤机故障预警方法， 其特征在于： 对数据 进行标准化处理包括对经过剔除异常值等操作后的SIS数据库中的数据进行标准化处理， 即: 式中， 为每列特征平均值； σ(Xj)为标准差； i＝1,2， …， n； j＝1， 2， …， l， Xij表示第i列 第j行的值。 7.如权利要求6所述的基于优化XGBoost的磨煤机故障预警方法， 其特征在于： 通过标 准化数据矩阵L 来得到协方差矩阵V包括： 通过下面公式计算 来得到矩阵V：权　利　要　求　书 1/2 页 2 CN 115310216 A 2式中， Zk是标准化矩阵L的相关系数矩阵， k和c分别表示矩阵所在的列数， 即Lc表示矩阵 第C列的元 素， 然后Lkc＝Lck， 且矩阵V是半正定矩阵和对称矩阵， 计算得到矩阵V； 计算协方差矩阵V的特征值和特征向量包括计算协方差矩阵V的特征值( λ1， λ2，…， λl) 和特征向量αi＝( αi1， αi2，…， αil)， i＝1， 2，…， l； 采用线性代数的方法求解特征多项式|λI ‑V|＝0， 得到矩阵V的特征向量， 而矩阵的V的 特征值为变换后的对角矩阵的元 素； 求前s个主成分的叠加贡献率包括: 式中： s(s<k)表示前s个主成分变量， λi指的是特征值。 8.如权利要求1所述的基于优化XGBoost的磨煤机故障预警方法， 其特征在于： 所述贝 叶斯优化 算法的超参数寻优流 程包括： B1： 先预设算法超参数 范围， 观察XGBo ost对磨煤 机的预警效果； B2： 利用贝叶斯 算法对XGBo ost算法和初始学习率进行优化； B3： 将随机产生的优点和上一轮的最大值进行高斯过程回归； B4： 求解计算， 选出超参数值， 将超参数值代入到XGBoost算法中， 计算磨煤机故障预测 精度； B5： 如达到要求， 则结束循环， 输出最优解， 否则回到步骤B3 。 9.如权利要求1所述的基于优化XGBoost的磨煤机故障预警方法， 其特征在于： 设定故 障阈值， 采用滑动窗口法对其进行 预警。 10.如权利 要求9所述的基于优化XGBoost的磨煤机故障预警方法， 其特征在于： 所述电 厂磨煤机故障预警阈值如下： Ey＝±kEv 式中， k为人为指定的系数， Ev为最大残差， Ey为预警阈值， 当kEv＞Ey时， 预警模型会报 警。权　利　要　求　书 2/2 页 3 CN 115310216 A 3