基于DBO-XGBoost模型和EWMA控制图的海上风电机组发电机轴承故障预测方法

吴青; 王霄; 陶彦亭; 宋泽爽; 徐凌桦; 闫建国; 邢学树

doi:10.16579/j.issn.1001.9669.2026.01.017

您当前的位置：

首页 >

文章列表页 >

基于DBO-XGBoost模型和EWMA控制图的海上风电机组发电机轴承故障预测方法

·疲劳·损伤·断裂·失效分析· | 更新时间：2026-01-21

- 基于DBO-XGBoost模型和EWMA控制图的海上风电机组发电机轴承故障预测方法
- A fault prediction method for generator bearings of offshore wind turbines based on DBO-XGBoost model and EWMA control chart
- 机械强度 2026年48卷第1期页码：133-142
- 作者机构：
  
  1.贵州大学电气工程学院，贵阳 550025
  2.中国电建集团贵州工程有限公司，贵阳 550006
  3.中国电建集团贵阳勘测设计研究院有限公司，贵阳 550081
- 作者简介：
  
  吴青，女，1999年生，贵州开阳人，硕士研究生；主要研究方向为海上风电故障预测；E-mail：wqing0424@163.com。
- 基金信息：
  
  国家自然科学基金项目(61861007);贵州省科技计划项目（黔科合基础-ZK〔2021〕一般303）;贵州省科技支撑计划项目（黔科合支撑〔2022〕一般264,黔科合支撑〔2023〕一般096,黔科合支撑〔2023〕一般412,黔科合支撑〔2023〕一般409）;中国电建集团贵阳勘测设计研究院有限公司项目(YJ2022-12);中国电力建设股份有限公司科技项目(DJ-ZDXM-2022-44)
- DOI：10.16579/j.issn.1001.9669.2026.01.017
  中图分类号： TP181
- 收稿：2024-05-10，
  
  修回：2024-06-18，
  
  纸质出版：2026-01-15
- 稿件说明：
移动端阅览
吴青，王霄，陶彦亭，等. 基于DBO-XGBoost模型和EWMA控制图的海上风电机组发电机轴承故障预测方法［J］. 机械强度，2026，48（1）：133-142.

WU Qing，WANG Xiao，TAO Yanting，et al. A fault prediction method for generator bearings of offshore wind turbines based on DBO-XGBoost model and EWMA control chart［J］. Journal of Mechanical Strength，2026，48（1）：133-142.
吴青，王霄，陶彦亭，等. 基于DBO-XGBoost模型和EWMA控制图的海上风电机组发电机轴承故障预测方法［J］. 机械强度，2026，48（1）：133-142. DOI： 10.16579/j.issn.1001.9669.2026.01.017.

WU Qing，WANG Xiao，TAO Yanting，et al. A fault prediction method for generator bearings of offshore wind turbines based on DBO-XGBoost model and EWMA control chart［J］. Journal of Mechanical Strength，2026，48（1）：133-142. DOI： 10.16579/j.issn.1001.9669.2026.01.017.

摘要

目的

为及时发现海上风电机组发电机轴承的故障，提出一种基于蜣螂优化（Dung Beetle Optimizer

DBO）算法和极端梯度提升树（eXtreme Gradient Boosting

XGBoost）模型的DBO-XGBoost发电机轴承温度预测模型，并结合指数加权移动平均值（Exponentially Weighted Moving Average

EWMA）控制图实现发电机轴承的故障预测。

方法

首先，通过最大互信息系数（Maximal Information Coefficient

MIC）选取数据采集与监视控制（Supervisory Control And Data Acquisition

SCADA）系统中能准确表征发电机轴承状态的关键特征，并将其输入DBO-XGBoost模型中，对正常工况下的发电机轴承温度进行预测。其次，使用马氏距离（Mahalanobis Distance

MD）衡量真实值与预测值之间的偏差，并将MD序列输入基于EWMA控制图的变点检测算法中，以获取故障出现的变点，从而实现故障预测。最后，基于特征的重要性构建轴承故障模式知识图谱。

结果

结果表明，所提方法能对正常工况下发电机轴承的温度实现较为精准的预测，并能提前3天对故障进行预警，与通过设定单一阈值进行故障预警的方法相比，所提方法能更准确地检测到故障发生的时间。构建的轴承故障模式知识图谱为运维人员提供了可视化的运维决策支持。

Abstract

Objective

To detect faults in the generator bearings of offshore wind turbines in a timely manner

a DBO-XGBoost prediction model for predicting generator bearing temperature was proposed based on the dung beetle optimizer (DBO) algorithm and eXtreme Gradient Boosting (XGBoost) model. Combined with the exponentially weighted moving average (EWMA) control chart

this model enables fault prediction for generator bearings.

Methods

First

key features that can accurately characterize the operational status of generator bearings were selected from the supervisory control and data acquisition (SCADA) system by means of the maximal information coefficient (MIC)

and these features were then fed into the DBO-XGBoost model to predict the generator bearing temperature under normal operating conditions. Second

the deviation between the actual values and the predicted values was quantified using the mahalanobis distance (MD)

and the MD sequence was input into a change-point detection algorithm based on the exponentially weighted moving average (EWMA) control chart to identify the change points corresponding to fault occurrences， thereby enabling fault prediction. Finally

a knowledge graph for bearing fault modes was constructed on the basis of feature importance.

Results

The results demonstrate that this method can achieve relatively accurate prediction of generator bearing temperature under normal operating conditions and issue early fault warnings 3 days in advance. Compared with the fault warning method relying on setting a single threshold

this method can detect the time of fault occurrence with higher accuracy. In addition

the fault modes knowledge graph constructed for bearing provides visualized operation and maintenance decision support for operations personnel.

关键词

Keywords

references

PEI Y ， QIAN Z ， TAO S Y ， et al . Wind turbine condition monitoring using SCADA data and data mining method ［C］// 2018 International Conference on Power System Technology（POWERCON） . New York ： IEEE ， 2018 ： 3760 - 3764 .

曾小钦，侯正男，庄圣贤，等 . 基于LSSVM和GMM的风电机组传动系统故障预测研究［J］. 可再生能源， 2019 ， 37 （ 10 ）： 1533 - 1538 .

ZENG Xiaoqin ， HOU Zhengnan ， ZHUANG Shengxian ， et al . Fault prediction for wind turbine drivetrain based on LSSVM and GMM ［J］. Renewable Energy Resources ， 2019 ， 37 （ 10 ）： 1533 - 1538 . （In Chinese）

林涛，赵成林，刘航鹏，等 . 基于改进栈式自编码器的风电机组发电机健康评估［J］. 计算机工程与科学， 2020 ， 42 （ 3 ）： 517 - 522 .

LIN Tao ， ZHAO Chenglin ， LIU Hangpeng ， et al . Health assessment of wind turbine generator based on improved stacked auto-encoder ［J］. Computer Engineering & Science ， 2020 ， 42 （ 3 ）： 517 - 522 . （In Chinese）

李泽宇，郭创新，朱承治 . 采用GA-BPNN与TLS模型的风电机组异常辨识方法［J］. 电力系统自动化， 2020 ， 44 （ 9 ）： 95 - 102 .

LI Zeyu ， GUO Chuangxin ， ZHU Chengzhi . Anomaly identification method of wind turbine based on genetic algorithm-back propagation neural network and t-location scale model ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 9 ）： 95 - 102 . （In Chinese）

KONG Z Q ， TANG B P ， DENG L ， et al . Condition monitoring of wind turbines based on spatio-temporal fusion of SCADA data by convolutional neural networks and gated recurrent units ［J］. Renewable Energy ， 2020 ， 146 ： 760 - 768 .

陈万圣，王珍，赵洪健，等 . 基于压缩感知与改进的深度极限学习机的轴承故障诊断方法［J］. 机械强度， 2021 ， 43 （ 4 ）： 779 - 785 .

CHEN Wansheng ， WANG Zhen ， ZHAO Hongjian ， et al . New method for bearing intelligent diagnosis based on compressed sensing and multilayer extreme learning machine ［J］. Journal of Mechanical Strength ， 2021 ， 43 （ 4 ）： 779 - 785 . （In Chinese）

金晓航，许壮伟，孙毅，等 . 基于SCADA数据分析和稀疏自编码神经网络的风电机组在线运行状态监测［J］. 太阳能学报， 2021 ， 42 （ 6 ）： 321 - 328 .

JIN Xiaohang ， XU Zhuangwei ， SUN Yi ， et al . Online condition monitoring for wind turbines based on scada data analysis and sparse auto-encoder neural network ［J］. Acta Energiae Solaris Sinica ， 2021 ， 42 （ 6 ）： 321 - 328 . （In Chinese）

张超，张少飞 . 基于SCADA温度数据的风电机组发电机驱动端轴承异常识别方法［J］. 轴承， 2022 （ 6 ）： 67 - 73 .

ZHANG Chao ， ZHANG Shaofei . Anomaly recognition method for drive end bearings of wind turbine generator based on SCADA temperature data ［J］. Bearing ， 2022 （ 6 ）： 67 - 73 . （In Chinese）

赵恒喆，杨晓英，石岩，等 . 基于XGBoost-LSTM的数控机床主轴轴承故障预测方法研究［J］. 现代制造工程， 2023 （ 8 ）： 155 - 160 .

ZHAO Hengzhe ， YANG Xiaoying ， SHI Yan ， et al . Research on fault prediction method of CNC machine tool spindle bearing based on XGBoost-LSTM ［J］. Modern Manufacturing Engineering ， 2023 （ 8 ）： 155 - 160 . （In Chinese）

赵洪山，林诗雨，孙承妍，等 . 考虑多时间尺度信息的风力发电机滚动轴承故障预测［J］. 中国电机工程学报， 2024 ， 44 （ 22 ）： 8908 - 8920 .

ZHAO Hongshan ， LIN Shiyu ， SUN Chengyan ， et al . Fault prediction of wind turbine rolling bearing considering multi-time scale information ［J］. Proceedings of the CSEE ， 2024 ， 44 （ 22 ）： 8908 - 8920 . （In Chinese）

陈结，陈换过，肖志奇，等 . 基于工况辨识的风电机组主传动系统运行状态监测［J］. 太阳能学报， 2024 ， 45 （ 2 ）： 77 - 85 .

CHEN Jie ， CHEN Huanguo ， XIAO Zhiqi ， et al . Operational state monitoring of wind turbine main transmission system based on working condition recognition ［J］. Acta Energiae Solaris Sinica ， 2024 ， 45 （ 2 ）： 77 - 85 . （In Chinese）

刘传鲁，李常亮，高伊萱，等 . 一种数据驱动的卫星健康状态判读模型［J］. 航天器工程， 2024 ， 33 （ 1 ）： 123 - 130 .

LIU Chuanlu ， LI Changliang ， GAO Yixuan ， et al . A data-driven model for satellite health state interpretation ［J］. Spacecraft Engineering ， 2024 ， 33 （ 1 ）： 123 - 130 . （In Chinese）

XUE J K ， SHEN B . Dung beetle optimizer：a new meta-heuristic algorithm for global optimization ［J］. The Journal of Supercomputing ， 2023 ， 79 （ 7 ）： 7305 - 7336 .

周亚中，何怡刚，邢致恺，等 . 基于IDBO-ARIMA的电力变压器振动信号预测［J］. 电子测量与仪器学报， 2023 ， 37 （ 8 ）： 11 - 20 .

ZHOU Yazhong ， HE Yigang ， XING Zhikai ， et al . Power transformer vibration signal prediction based on IDBO-ARIMA ［J］. Journal of Electronic Measurement and Instrumentation ， 2023 ， 37 （ 8 ）： 11 - 20 . （In Chinese）

CHEN T Q ， GUESTRIN C . XGBoost：a scalable tree boosting system ［C］// Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining . New York ： Association for Computing Machinery ， 2016 ： 785 - 794 .

张栋，林建新，刘博，等 . 基于机器学习的汽油精制工艺操作方法优化［J］. 科学技术与工程， 2022 ， 22 （ 19 ）： 8387 - 8396 .

ZHANG Dong ， LIN Jianxin ， LIU Bo ， et al . Operation method optimization of gasoline refining process based on machine learning ［J］. Science Technology and Engineering ， 2022 ， 22 （ 19 ）： 8387 - 8396 . （In Chinese）

吴春华，董阿龙，李智华，等 . 基于图相似日和PSO-XGBoost的光伏功率预测［J］. 高电压技术， 2022 ， 48 （ 8 ）： 3250 - 3259 .

WU Chunhua ， DONG A'long ， LI Zhihua ， et al . Photovoltaic power prediction based on graph similarity day and PSO-XGBoost ［J］. High Voltage Engineering ， 2022 ， 48 （ 8 ）： 3250 - 3259 . （In Chinese）

DE MAESSCHALCK R ， JOUAN-RIMBAUD D ， MASSART D L . The mahalanobis distance ［J］. Chemometrics and Intelligent Laboratory Systems ， 2000 ， 50 （ 1 ）： 1 - 18 .

WANG H ， WANG H B ， JIANG G Q ， et al . Early fault detection of wind turbines based on operational condition clustering and optimized deep belief network modeling ［J］. Energies ， 2019 ， 12 （ 6 ）： 984 .

BANGALORE P ， LETZGUS S ， KARLSSON D ， et al . An artificial neural network-based condition monitoring method for wind turbines，with application to the monitoring of the gearbox ［J］. Wind Energy ， 2017 ， 20 （ 8 ）： 1421 - 1438 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

暂无数据