基于改进随机森林算法的风电机组齿轮箱故障预警方法研究

第42卷第6期2020年12月
黑龙江电力
Heilongjiang Electric Power
Vol.42Nn6
Dec.2020
DOI：10.13625/ki.hljep.2020.06.008
基于改进随机森林算法的风电机组齿轮箱
故障预警方法研究
王明宇，潘巧波，曹力，马东
(华电电力科学研究院有限公司，杭7610036)
摘要:齿轮箱是风电机组的关键部件，其可靠性直接影响机组的运行状态。

将粒子群算法与随机森林算法相结合,建立风电机组齿轮箱正常工作状态下的温度模型并用其进行温度预测。

通过合理地选择训练样本,对训练数据进行清洗处理，使改进的随机森林模型覆盖齿轮箱的正常工作空间。

当齿轮箱发生故障隐患时，其动态特性偏离正常工作状态，导致改进的随机森林温度模型预测残差的分布特性发生变化。

采用滑动窗口方法实时计算残差的统计分布特性，当残差的超限比例超过预先设定的阈值时，发出报警信息。

通过实例仿真结果验证了改进的随机森林算法可以有效提高模型精度，减少训练时间。

关键词:改进随机森林算法;齿轮箱温度预测;预测残差;粒子群算法;滑动窗口
中图分类号：TK83文献标志码：A文章编号：209/-6646(2020)06-05/8-07 Research on fault early-warning method of wind turbine gearbox
based on improved rnndom forest algorithm
WANG Mingyu，PAN QiaoOn,CAO Ll.MA Dong
(Huadian Electric Power Research Institute Co.，Ltri.，Hangzhon310036，Chinn)
Abstrech:GeerCox it n iy chmponeet of wing turCine,ang ite cinOility iicctly affecte trie opedtion state of wind Oining particie swarm optimization alyoritrim witri rangom forest alyoritrim，trie temperature moPd of wing turCige yeerCox ungec normdi worCing congition it estaniisWee ang used foe temperature preeiction.By selen-ring training samples proneriy，trie training datri dC cleegee，ang trie improvee rangom forest mond coverC trie goC-mai worCing spneo of trie yeerCox.WO c trie yeerCox woCs angormaliu，ita dyudmic chdCCriCstic eeviatea from trie normt worCing state，which leant to trie change of trie distrinurion characteristic-of trie prelictey resinuais of trie nuprovey rangom forest temperature moneL TO c sliding wingow is us C to chlchlate trie statisticoi distriOutiog ehne dcteCstics of esidugs in et tine.Whea trie excess ratio of esidugs exceas trie preaeLnea trieshoie,ng alarm messaya will be seat ont.The sinulation resplts show trid trie inprovea rangom forest alyoritrim chg effectridy in­prove trie moVel acchraco ang eLuch trie training tine.
Key worbt:inprovea rangom forest alyoritrim；yeerCoc temperature preeiction;preaictea esidut;pdCicle swden optimizdtiog alyoritrim；sliding wingow
0引言
随着全球范围内日益增长的能源需求,风力发电已经成为解决世界能源问题的重要力量。

在风力发电机组容量不断加大的同时，机组的故障率也在增高，对设备进行在线状态监测与故障预警和诊断，可以提早发现机组故障、减少机组的维护成本、
收稿日期azo-og-oi。

作者简介:王明宇(1994)，女，硕士，助理工程师，从事风电机组故障诊断研究工作。

提高风电场运营的经济效益［1'2］。

齿轮箱是风力发电机组中的重要部件,一旦发生故障，将会造成风电机组长时间停机，严重影响发电量。

因此有必要对齿轮箱进行故障预警，提示运维人员及时检查和维护［6-4］。

近年来，研究人员对齿轮箱的故障诊断和预警提出了多种方法^4。

文献［9］提出了一种基于小波分解和能量谱相结合的风电齿轮箱故障诊断方法。

文献［1］研究了一种基于增量代价敏感支持向量机的故障诊断技术,通过训练样本数据构造出合理的分类模型。

文献
第6期王明宇，等:基于改进随机森林算法的风电机组齿轮箱故障预警方法研究-5/9-
［1］利用小波对采样数据降噪，然后输入小波神经网络中进行诊断，以准确地识别齿轮箱中常见的故障。

文献［12］在振动信号训练网络的基础上，加入可靠性指标来增加神经网络输入端参数维度，从而提高故障诊断的有效性。

文献［2］提出了主成分-灰色关联分析方法,解决了风电机组变工况造成的齿轮箱故障诊断困难的问题。

文献［14］针对风电状态监测数据量大、复杂的特点，利用大数据技术实现齿轮箱故障预警。

以上研究均是通过振动信号对齿轮箱进行故障分析，然而，风电机组的传动链系统安装的振动传感器数量有限，振动信号的采集速度往往难以满足高频振动分析的需要。

文献［15］使用非线性状态估计方法建立齿轮箱油温模型，采用IPSO-BP网络方法对齿轮箱油温进行预测,通过温度残差的变化可以发现齿轮箱的潜在故障。

文献［16］在此基础上,建立了齿轮箱温度和压力预警模型，更全面的覆盖了齿轮箱内的故障。

神经网络算法虽然能提高模型精度，但还存在计算时间长、参数性强、容易陷入局部最优等问题。

随机森林算法是一种基于传统决策树的组合分类算法，能够有效地运用在大数据分析上，准确率高W-19］。

在随机森林算法中，决策树数量和分裂特征数等参数对模型性能影响较大［°］，通常是根据经验对参数进行选取，要建立最优模型需要经过大量实验。

提出一种改进的随机森林(Improved Random Forest,IRF)算法，利用该算法建立风电机组齿轮箱故障预警模型,采用粒子群算法对随机森林中的决策树数量和分裂特征数进行最优化选取,再通过随机森林算法建立齿轮箱油温模型,并利用该模型进行预测。

当齿轮箱有故障征兆时，实际值与预测值的残差会有增大的趋势，采用滑动窗口实时计算残差均值和标准差，并将其与设定阈值对比,及时预警。

仿真结果表明，与传统的随机森林算法相比,该模型准确度更高，计算时间更少。

1齿轮箱SCADA监测参数
对河北九龙泉地区的风电机组进行建模研究,机组额定功率为1-4MW,切入风速为3ms,额定风速为11m/s,叶轮额定转速为22r/min,双馈发电机额定转速为1800r/min,齿轮箱变速比为1：99。

建模过程中选取部分SCADA数据，包括时间、叶轮转速、桨距角、定子三相电压电流、发电机驱动端轴承温度、发电机非驱动端轴承温度、发电机定子线圈温度、齿轮箱油温、齿轮箱轴承温度、功率、风速等47个参数。

同时,SCADA系统还保存机组的运行状态信息，由风场提供风机系统缺陷台账，包括故障系统、缺陷描述、故障时刻、发现时间等内容,如2018-1-109：10报出153号机组齿轮箱油温高(高于70七且持续60s),停机时常3.2h。

处理方式记录为:检查温度传感器良好，油冷风扇电机及电气回路正常工作，判断故障原因为油路滤芯堵塞。

处理方法为：更换滤芯，油温降至55七后重启。

2改进的随机森林算法
2.1算法原理
传统的随机森林算法依据经验选取决策树数量和分裂特征数，存在预测结果无法达到最优的问题，通常需要进行大量实验，计算时间长。

此文采用粒子群算法选择最优的决策树数量和分裂特征数，以提升预测模型精度。

改进的随机森林算法中,将决策树数量k和分裂特征数m共同构成一个权值向量,并将其作为粒子群算法可行域中的一个解，即一个粒子。

粒子具有速度"和位置x两个属性,分别代表粒子移动的快慢和方向。

每个粒子在解空间中单独搜寻最优解，并将其计为当前个体极值，记为P、=［只1,只2,…,,在下一次循环运算时,将个体极值与整个粒子群里的其他粒子共享，通过学习自身历史经验和种群历史经验,与上一次位置相比较，从而调整自身的速度和位置矢量，最终找到解空间的1个最佳位置P g=［P/,P#,…,P』，最优的个体极值作为整个粒子群的全局最优解g oJ21。

对决策树数量和分裂特征数进行Z次初始化,得到z个种群的初始粒子。

在M维解空间中，定义第2个粒子的位置矢量为X,=［2,2,…，％］,速度为匕=［"n,%,",%］，其中2=1,,•-,,=1, 2,…,M。

粒子群后，的粒子断循环迭代，第2个粒子的速度和位置矢量更新为%=®*%+5*rand()*(2-c u)+
C2*rand()*((纟』-%)(()
x2=%2+%(2)式中：3为惯性权重心、？为加速常数，也称作学习因子;end()为随机函数，范围区间为［0,1］。

式(1)中的第一项可起到平衡全局搜索和局部搜索的作用;第二项表示粒子向自身最优值学习，其能够保持粒子有较强的全局搜索能力，避免陷入局部极小点;第三项为粒子向全局最优值学习部分，以此
-510-黑龙江电力第42卷
来加快搜索速度。

定义袋外数据误差为
k
e ODB二
I eoDB(i)/k⑶式中:e°DB(i)为第i棵决策树的袋外数据误差。

将决策树数量k和分裂特征数m带入随机森林模型中，计算误分个数占总体样本数的比率来计算袋外数据误差e°DB。

袋外数据误差反映了随机森林算法的预测性能，袋外数据误差越小，随机森林算法预测越好[22]0粒子群优化算法的目标便是要找到袋外数据误差最小值对应的解，此时，粒子找到的最优解P))即个体极值p站;整个群体搜索到的最佳位置匕，即全局最优解g诙。

具体算法的流程如下：
1)初始化粒子群，群体规模为M,每个粒子的位置为x八速度为匕；
2)将粒子带入随机森林模型中，计算每个粒子的适应度，即袋外数据误差e°DB；
3)对每个粒子，比较其适应度值和个体极值,如果e°DB<p,则用e°DB替换P g；
4)对每个粒子，比较其适应度值和全局极值,如果e°DB<g b es；，则用e°DB替换g be*；
5)根据式(1)—(2)，更新粒子的速度和位置；
6)若满足最大循环次数5500次,则退出，否则返回步骤2)o
求得最优决策树和分裂特征数后，便可采用随机森林算法建模。

通过袋装的方法重复随机抽样生成k个训练样本集，每个训练样本集构成一棵决策树h(,0,),i=1,2,-,k,其中0；表示独立且相同分布的随机变量。

分裂特征数m作为决策树的分裂节点，依据二元划分规则分裂。

每个决策树都对输入变量X的类别进行分类与预测i预测结果为每个决策数结果的算数平均值0
2.2齿轮箱温度故障预警方法
根据建模需要，采用相关分析法从SCADA数据的47个参数变量中选取输入变量，输入变量与齿轮箱油温的相关系数为
2
r=^=
_____“I pq-1p I q_________(4)
槡槡1P2_ (I P)2槡槡1『_(I q)2
式中和a q分别为p和q的标准差;为p和q 的协方差;P为齿轮箱油温；为其他各变量值;"为选取数据个数。

通过式(4)计算各变量与齿轮箱油温的相关性,部分相关系数r如表1所示。

表1齿轮箱温度与其他变量的相关系数Table1Correlation coefficient between gearbox
temperature and other variables
变量相关性
发电机转速0.686
机舱温度0.791
环境温度0.755
功率0.678
风速0.463
风轮转速0655
桨距角0.214
选取相关系数r最大的5个参数作为输入，2卩与齿轮箱油温关联性最高的发电机转速、机舱温度、环境温度、功率、风速，将其分别记为X i X i X i X i X i构成输入向量X,X二[X1,X2,X3，X4，X5]0齿轮箱油温作为输出d,输出向量记为丫=[/]。

由于各参数的量纲不同，为避免产生误差，将所有数据做归一化处理。

在建模之前，还需要对数据质量进行评估,筛选掉异常数据值，包括故障停机、通讯中断、超出额定值等，数据的清洗对模型的准确度起着至关重要的作用。

从原始数据中随机抽选n个样本,采用留P法切分数据集，留p法切分是一种交叉验证的方式,为了充分利用数据集对算法进行测试，设定1个p 值,每次将P个样本作为测试样本，其他N_p个样本作为训练样本。

采用随机森林袋装方法，从N-P训练样本抽选k产k样本集0
数据有均等的抽取概率，重复抽取多次后会有一部分样本未被抽取,概率为(1-(1/k))k。

采用此方法构造训练样本集，能将5个输入参数的测量值对应的历史记录选入训练样本集中，从而使其能较好地覆盖齿轮箱正常工作空间。

k个决策树h(x,0),i=1,2,…，2构成的随机森林边缘函数为
K(x,y)=«v：h(x,0)=y]_
max a”J[h(X,0j=j](5)
式中：y为正确的分类向量；为一种分类;；(-)为指示函数-)为取平均函数。

式(5)表示正确
分类向量y的平均得票数是最高的。

随机森林的泛化误差可表示为
PE”=P’y(K(X,y)<0)(6)式中:P*『为输入变量X的分类错误率函数。

随机森林的泛化误差最大值可表征为
第6期王明宇，等:基于改进随机森林算法的风电机组齿轮箱故障预警方法研究-511 -
PE
* W -⑺
s ：为决策树平均相关系数；为决策树的平均
强度。

式(0)表明，随机森林的泛
差最
与
策树的平均相关系数
策树的平均强度有
关,决策树的平均相关系数越小、平均强度越 ,
随机森林的泛化性能越好〔23]。

通过训练建立了齿轮箱温度模型,选取风机运 行的各输入参数数据作为预测数据进行预测。

通
过分析预测残差e 的
断潜在故障：
e =y - y
(8)
式中：为齿轮箱油温预测值；为齿轮箱油温 值。

预测残差有逐渐 的 ，说明齿轮箱
油温逐渐 ，偏离正常工作状态，无法被训练样
本 ，此时可
预 。

齿轮箱故障诊断与预警运行流程如图1所示。

图1齿轮箱故障诊断与预警运行流程图Fig. 1 Flow chcri oO faulh diagnosis and warning
operehon foe gearbox
2.3评价指标
疋(R- Square )是评价模型好坏的 指标,
其取 是负无穷到1 ,经常是0到1。

R2越接近1，模型对数据拟合的越好；越接近0,表明模
型拟合的越差。

N
22=
(y - y )2
疋=1 -
----------- (9)
(y -
=1
式中为齿轮箱油温实际值;y 为齿轮箱油温预 测值;N 为预测数量。

模型的均
差MSE,平均绝对误差胚4E,平
均绝对百分 差MAPE 分别
MSE = ^I (y -y )2
(10)
MAE =寺2 1 (y -y ) 1
(11)
MAPE 二丄2
(y - y )
(12)
以上3个评估指标越小，表示模型对数据拟合
的越 。

残差的均值和标准差可以直观地反映其大小
分布情况，残差的均 幅度 0,表明预测残
差 系 差；残差的标准差明显 ，表ZK 残 差分布 更大。

连续地 残差分布特
性的变化，采用
进行残差 性分析。

齿轮箱温度残差序列为
e = [1 e 2 …e N …] (13)
取b 度为尸的 , 的连续尸个残差均值工和标准差S e 为
工=vf e ，
(14)
2 = 1
S =槡(I -" (⑸
统计残差超过阈值5的比例入：
入=vf max (l e , -(5 丨，0) (16)
2 二1
根据比例入设定齿轮箱温度异常的报警阈值。

采用
残差能够连
地监测残差
性的变化，适合
分析；同时，能够排
除随机因素的干扰，提高预测可靠性;还可
'效
抑制孤立的大残差对预测精度的影响。

3
算例分析
3・1传统算法
某风电场122号机组为研究对象，该机
组在2015年1月36日14：00报齿轮箱油温高，检
运维档案，发现该机组2015年未
齿轮箱油温
的故障。

选用故障 2 月的正常运
行数据，，
度为2018年10月至2018年11
月、时间尺度为1 min 的数据作为训练样本。

将训
练数据中所有输入参数为0的数据剔除，再归 「
理输入数据,使处理后各参数数据
[0,1]范。

所 进随机森林算法的 性，采用
神经网络和随机森林算法进行对比。

2种传统算法
的预测结 图2、图3所示。

其中，126 000点(对
应时间为2019年1月36日14：00)为台账报油温
过 的点 。

3. 2改进算法
利用粒子群算法，求得最
策树数量k =
155,分裂特征数m = 5。

其他相关参数
默认
，叶子节点上最小样本数为1,分裂内部节点
的最少样本数为2,决策树最大深度为10。

采用改
-512 -黑龙江电力第42卷
进的随机森林算法训练 齿轮箱温度模型,选取
2018年1月至2015年3月的数据作为预测数据,
预测结 图4所示。

度为1 440（1天），阈值取 围为
[2,-2],走
过65%。

残差 、
分析如图5所示。

122号齿轮箱油温预测和实测对比
50122号齿轮箱油温预测残差报油温咼
o
-50
‘，，1042 4 6 8 10 14
图2神经网络预法测结果
Fig. 1 Prediction resolio of neurrt network algorithm
图5 122号机组预测残差统计分析
Fig. 1 Stahsticht analysit of predicted
resiOuate of No. 222 unit
图3随机森林法预测结果
Fig. 1 Prediction resulUt of rnndom forest algorithm
图4可看出，在90 000点（对应时间为2018
年12月26日16： 01）以后残差开始增大，实际温度
逐渐
预测温度，说明齿轮箱系
故障隐
,
预警。

126 000点（对应
2019
年1月30日14：00）为台账报油温过高的点。

由图
5可以看出，在90 000点以后残差
过阈
65%,结合残差 分析，可
34天 I
故障。

进一步考虑,齿轮箱轴温与齿轮箱油温的关联度 非常高，讨论齿轮箱轴温作为输入参数是否合适。

力口
入齿轮箱轴温后，共计6个输入参数,输出仍为齿轮
箱油温。

采用改进的随机森林算法进行建模预测，预 测结果及预测残差分析如图6、图0所示。

—预测温度
…实际温度
122号齿轮箱油温预测和实测对比
122号齿轮箱油温预测残差报齿轮箱油温咼
•预测温度 实际温度
122号齿轮箱油温预测与实测对比
122号齿轮箱油温预测残差
5°0 2 4 6 8 10 12 14
序列
图4 122号机组预测结果对比及预测残差Fig. 1 Prediction resulte ctmparison and
predicted resiCuat of No. 122 unit
图6加齿轮箱轴温的预测结果对比及预测残差
Fig. 1 Prediction resuOt comparison and predicted
resiguat with gearbox sUaO
tempernthrc
第6期王明宇，等:基于改进随机森林算法的风电机组齿轮箱故障预警方法研究・513・
图7加齿轮箱轴温的预测残差统计分析
Fig7Stahsticol analysis of predictef resiCral
with gearbox shaft tempereture
由图6可知，与不加轴温作为输入参数的结果相比较，加入轴温预测后，预测残差明显减小，说明 模型精度，但是无法看出残差有明显的趋;图5的残差，超过65%的点为66000点，与点不符。

综上可知，加入轴温作为输入参数无法准确预测出齿轮箱油温变1，o是齿轮箱轴温与齿轮箱油温的关联度过高，齿轮箱油温，轴温的，入齿轮箱轴温作为输入参数,将会把情况作为正常状态，无法预的作用。

，最适合齿轮箱油温预测的输入参数电机转速、机舱温度、环境温度、功率、风速。

3.2算法评价指标对比
图2、图3、图4对比可知，神经网络与随机森林均能预测出残差在90000点（对应2013年12月26日16：01）以后开，但是模型精度所差异，详细的模型评估指标对2所示。

表2模型评估指标对比
Table2Comparison of model rvalrahon indicotort
评估指标神网络随机森林进算法A20.7050.6600553
MSE 2.500 2.572 2.105
MAE 1.153 1.2331034
M4PE 2.240 2.4462025计算时间/s13.2790.0010.231
根据表2的模型评估指标对比可以看出，改进的随机森林模型准确度更高，计算神经网络更短。

说明的是，经过训练,一般的随机森林算法也可以找到最优的决策树数量和分裂特征数，达到与改进的随机森林算法相同的模型度，但是的工。

4结语
采用改进的随机森林算法，选择与齿轮箱油温关联度较高的变量作为输入参数，并训练数据的清洗处理方法，建立了齿轮箱油温的改进随机森林算法预测模型。

与神经网络的随机森林算法进行对比，该算法通过合理选择决策树数
分裂征数，较小的训练差，显建模精度，减少训练。

齿轮箱油温预测残差‘逐渐，表明齿轮箱故障。

采用
地分析残差的分布特性变化，当残差
过。

明该法可准确地齿轮箱工作状态的异常变。

参考文献：
:1]陈长征，梁树民•兆瓦级风力发电机故障诊断[J].沈阳工业大学学报,2009,31(3)：275-280.
CHEN Changzheng,LIANG Shumin.Fault diagnosis for megawat；
wind generator]J].Journat oO Shenyang University oO Techoology，
2009,31(3)：275-280.
J2]刘皓明，赵敏，张占奎，等•双馈风电机组的整体协调减振策略[J].广东电力,2219,32(1)：36-45.
LIA Haominy,ZHAO Min,ZHANG ZhauOri,，；at.Overalt coorSi-oateC viVratiou reCrctiou strategy oO double-fe；wind turSioc[J]•
Granydouy Electrin Power,2019,32(1)：36-45.
J3]顾煜炯，宋磊，徐天金，等•变工况条件下的风电机组齿轮箱故障预警方法J J]•中国机械工程,2014,25(10)：1346-1351.
GU Yujiouy,SONG Lei,XU Tianjin,et at.Research ou wind tce-bioe yearSox faut；warniny metUoU undec vvriaate worCiny condi-tious J J]•Chioa Mechamcat Enyioeerine,2214,25(10)：
1346-1351.
J4]GONG Y,FEI J L,TANG J,et at.Failure aoalysiv ou aUoormal weae oO rollec bearinys in yearSox foe wind turnioa[J]•Enyioeec-iny Failure Analysis,2015(02)：26-33.
J5]林丽，高建华,经昊达，等.风机齿轮箱故障诊断与预警方法的研究进展JJ].仪器仪表与分析监测,2210(1)：1-5.
LIA Li,GAO Jiauhua,JING HaoUa,et at.Research progress oO fautt diayoosis and early warniny metUoU oO winO turSioe yearSox
[J]•Instrumeatatiou Aoalysiv Mouitoriny,2210(1):1-5.
J6]GU Yujiouy,JIA Ziwea,YIN Chuautao,et at.Nou-dimeesioual pa­rameters tread aaalysit metUoU in tUe early warniny and diayaosis oO wind turSiae yearSox failures[J]•Joumal oO ViOratiou and Shock,2015,36(19)：213-222.
J5]FENG Y,YANG Y.Research ou tUe yearSox fault diayoosis based
-514-黑龙江电力第42卷
on SCS-BP geuel getriorC[C]//7tri1111:6/3X0X3；Confeeace on Industrial Techgoloyu and Manayemeat(IPIPM),OxforC, 2018：33—36.
[8]杜胜磊，高庆水,潘巧波，等.风电机组在线智能故障诊断技
术发展趋势[J]•黑龙江电力,0287,06(0)：173-177.
DU Sheaglei,GAO Qinesaut,PAN QiaoPe,et al.Develogmeat tread of on-line intellioeat fault diagnosis of wind turbines[J].
Heilonuiiane Elect/c Powc/ZOlO,39(2):177-177.
[9]陈捷,孙炎平，邓春，等.基于小波-能量谱分析的风电机组
齿轮箱故障诊断方法研究[J]华北电力技术,2287(3)：53-58.
CHEN Jic,SUN Yanging,DENG Chuu,et al.Research on fault diagnosis ef wind turbine yearCcx basea on wavelet and eaeroy W)ectem[J/North Chigo Electric Pawc/2217(3)：33-55. [^]唐明珠，黎涛，谭欣星，等.基于IPSVM的风电机组齿轮箱故障诊断[J]•计算机工程与应用,216,0(14)：030-036.
TANG Mingzhu,LI Tax,TAN Xinxing,et al.Fault diaygosis xf wind turbine oearCex baseL on ideemearii cost-seasitive suppoC vecter machine[J].Computer Engideering and Applications, 2016,50(14)：032-036.
[11]刘漫,段勇强，樊姗，等.基于小波降噪和BP神经网络的风力
发电机组齿轮箱故障诊断研究湖北民族学院学报：自然科学版,0216,07(8)：116-122.
LIP Mau,DUAN Yongqiang,FAN SUag,et ai.Research on fault diaygosis ef wind turbine oearCex baseL on wavelet deaoisino and BP nearai networC]J].Jonraai ef HuUct Institute for Nationalities (Naturai Sciences),2216,37(8)H-122.
[12]雷启龙•融合可靠性指标分析的风电机组齿轮箱故障诊断方
法研究[J]仪器仪表与分析监测0217(3)：25-22.
LEI Qilong.Fusion ef reliaUditri analysis ef wind turbine oearCex fauit diagnosis eseaeh[J].Instemcntation Analysis Monito/na, ZOlOd)：25-29.
[13]顾煜炯，贾子文,尹传涛，等.主成分-灰色关联分析方法的
风电机组齿轮箱故障诊断[J].可再生能源,2287,33(4)：508-514.
GU Yujiong,JIA Z imea,YIN Chuantae,et at. PC A and GRA metrioP in trie diagnosis ef wind turbine oearCex failure[J]Rc-newaUic Eneey^OlO,35(4)：508-512.
[14]张少敏，毛冬，王保义•大数据处理技术在风电机组齿轮箱故
障诊断与预警中的应用[]•电力系统自动化,2212,02(12)：129-134.
ZHANG Shaomin,MAO Dong,WANG Baoyd Application ef big data processing technolooy in fault diaonosis and warning ef wind turbine oearbec[[].Automation ef Elecriic Power Systems,2212,
40(14)：129-134.
[15]郭鹏,IAFIPLD D,杨锡运.风电机组齿轮箱温度趋势状态监
测及分析方法[J]中国电机工程学报,2218,38(30)：129-136.
GUO Peag,IPFIPLD D,YANG Xiyuu.Wind turbine oearbec con­dition monitoring using temperature tread analysis[J].PeceeL-ings ef the CSEE,0218,08(30)：149-136.
[16]黄小光，潘东浩,史晓鸣，等.风电机组齿轮箱系统的故障预
警研究[]•机电工程021906(6)：574-574•
HUANG Xiaoyuang,PAN Donghae,SHI Xiaoming,et at.Fauit warning ef wind turbine oearbec[J].Joneal ef Mechanical&E-lecriical£—0x6/10,2019,36(6)：574-570.
[7]郭鹏,李淋淋，马登昌.基于IPSO-BP的风电机组齿轮箱状
态监测研究[]•太阳能学报,2212,33(3)：336-445.
GUO Peng,LI Linlin,MA Deagchang.Wind turbine qearbec con­dition1^0X0/110witri IPSO-BP[J].Acta Eneroiac Solaris Sinl-ca,2210,33(3)：336-445.
[13]BREIMAN L.Random forests[J].Machine Leaeing,2028,45
(I):5-30.
[19]BELGIP M,DRAGUT L.Random forest in remote wdWna：A re­
view ef agplications and future directions[J].ISPRS Jonraai ef Photoyrammete and Remote Seasmg,2216(114)：20-31. [22]温博文，董文瀚,解武杰，等.基于改进网格搜索算法的随机
森林参数优化[J].计算机工程与应用，2018,54(16)：159-160.
WEN Bowen,DONG Weadan,XIP Wujic.et al.Parameter optimi­zation metrioP fee random forest baseL on improveL grid search ai-Oo/thm[J].ComputeC Engineering and Applications,2213,54
(16)：159-162.
[21]王庆斌，石亮缘，黄辉，等.基于改进粒子群算法的输电线路
路径规划研究[J]•广东电力,2218,1(9)：135-141.
WANG Qinabig,2HI Lianoyuan,HUANG Hui,et al.Research on powce transmission line patri planning baseL on improveL pa/icie swarm optimization aloo/trim[J].Guangdcng Electric Poncc, 221831(9)：135-141.
[22]初蓿，李占山，张梦林，等.基于森林优化特征选择算法的改
进研究[J]软件学报,2218,22(9)：2545-2553•
CHU Bei,LP208x)80,ZHANG Meaglin,,t ai.Research on im­provemeats ef feature selection using forest optimization aloo/thm [J].Jonraai ef Software,2213,22(9)：2545-2553.
[23]ARCHER K J,KIMES R V.EmpiVcaI characterization ef random
forest veriaUic importance measures[J].Computationai Statistics and Dari AnalyWs,2008,52(4)：2209-2260.
(编辑岳春风)。