赵娟娟，刘广臣*，王瑞桃，徐晓宇，张玫洁，黄文广

(1.鲁东大学 数学与统计科学学院，山东 烟台 264000；2.华风数据(深圳)有限公司,广东 深圳 518110)

风电机组设备庞大，地处偏远、维修成本高，对风机过去和现在状态进行分析，实现对未来运行状态的估计和预判，进而可以在风机故障发生前对故障进行有效地识别并预警，大大降低经济损失，提高工作效率，延长机组寿命。

温度作为发生故障的重要标志，温度过高或过低会影响机组的正常运行。文献[1-2]依据发电机在故障中的运行特征，改进极端梯度提升(XGBoost)算法进行改进，建立故障监测模型。文献[3]提出了一种随机森林(BF)算法与LightGBM算法结合的模型来对风机叶片状态进行分类预测。文献[4-5]改进支持向量机(SVM)建立风电机组故障预测模型。文献[6]提出一种将多元状态估计技术(MSET)和集成学习结合的齿轮箱故障预警方法。文献[7-13]建立不同神经网络模型来对齿轮箱的运行状态进行监测。文献[14-17]应用深层网络融合SCADA数据进行故障预警。文献[18]提出基于多点最优调整的最小熵解卷积(MOMEDA)与1.5维能量谱相结合的故障诊断方法降低漏判误判。文献[19]提出了一种利用DFIG定子电流信号进行非平稳状态下风电传动齿轮箱故障诊断的新方法。文献[20-22]基于PCA对最优变量选择进行风电机组故障检测与识别。

本文对齿轮箱油温(gearbox_oil_temperature _gearbox)建模分析，研究内容包括：(1)在正常状态的风电机历史数据上进行方差排序、Pearson相关系数和递归特征消除(Recursive Feature Elimination,REF)方法筛选特征变量，生成不同特征组合的三个数据集；……