第6期 尹诗，等：基于AC-GAN数据重构的风电机组主轴承温度监测方法 ·1111· 此过程处于统计过程当中，如果出现故障问题说 率。由于X是真实数据，所以判别器判定概率 明此过程处于失控状态。 接近于1，Xe是经生成器生成的数据并经过判 假设某产品在生产过程中的质量特征没有显 别器判定是否真实。GAN的目标函数为 著的非正态因素，而是由很多随机原因导致，则 minmax V(D.G)=E[lnP(S realr)]+ 认为该质量特性服从正态分布。其质量特征X EflnP(S fake Xfake ) 服从均值为4，标准差为σ的正态分布，则概率密 目标函数包含生成器目标函数和判别器目标 度分布函数为 函数，其中生成器目标函数为 1 f(x)= e-x-/2a rV2 min V(G)=E[lnP(S=fakelXrake)] Pu-30≤x≤μ+3o)=fwdr=0.973 判别器的目标函数为 质量特征在[山-3σ，μ+3σ]的概率为0.9973， max V(D)=E[lnP(S reall) 则认为在该范围内的数据是可控的，范围之外为 E[lnP(S=fake lXiake)] 不可控。因此，本文主轴承异常机组温度残差中 GAN训练过程中，G和D二者交替训练，相 设定μ-3σ，μ+3σ]的范围，范围内的残差为正常 互博弈，最终使G生成的样本符合真实样本概率 残差，范围之外为异常残差，其中μ和σ为主轴 分布，达到纳什均衡。GAN在训练过程中无需先 承正常机组测试集温度残差的均值和标准差。利 验概率即能学习真实样本的分布，但同时GAN 用SPC方法可以提取主轴承异常机组残差中的 对初始参数极其敏感，输入G的随机噪声信号无 特征，将残差中正常残差进行剔除。 约束，导致生成数据概率分布与真实数据差异大， 由文献[20]研究得知，轴承类故障在发生故 训练过程难以收敛，使整个训练过程出现震荡， 障前一个月会有明显的劣化趋势，因此选取风电 发生模式崩遗1。为了解决上述问题，文献[23] 机组主轴承故障发生前一个月的SCADA数据进 提出了带标签辅助分类器的生成对抗网络AC 行试验。图4为某机组主轴承故障发生前一个月 GAN,在传统GAN基础上增加了噪声数据对应 的温度残差，红线为μ-3σ下控制线，蓝线为 的标签c,使用两者来生成Xe=G(c,z),判别器 μ+3σ上控制线，由图可知故障发生前并不是所 计算生成数据的概率分布PSX)和类标签上的 有的残差都超出控制线范围。采用AC-GAN生 概率分布P(cX)分别为 成对抗网络重构主轴承异常机组温度残差序列， (P(SIX)=D(X) 得到异常主轴承下的残差特征，解决异常样本数 P(cX)=D(X) 据的标记问题，进而提高了后续主轴承状态决策 式中：c={0,1,2,…,n以，n表示样本类数。真实样本 模型的预测精度。 数据标记为正常温度残差(c=0)和异常温度残 02r ,残差 一上控制线一下控制线 差(c=I),AC-GAN通过内部博弈，最终实现主轴 史0.1 承异常机组温度残差的重构。 0 -0.1 4.3基于AC-GAN的温度残差重构 -0.2 -0.3 AC-GAN生成器和判别器均采用RNN神经 -0.4 网络，输入层为32个神经单元，隐含层有3层神 1000 2000 3000 4000 异常机组残差点数量 经单元，输出层为1个神经单元，激活函数为sg moid,损伤函数为均方误差。AC-GAN生成对抗 图4某机组故障发生前一个月温度残差 Fig.4 Residual diagram of one month before a unit failure 网络的基本框架见图5。 4.2AC-GAN算法介绍 (鑒了 采样 生成对抗网络(generative adversarial networks,. x-Pdm (x) 判别 GAN是一种无监督学习方法，包含生成器G(gene 网络P 判别正确 rator)和判别器D(discriminator)两部分。 生成T 将噪声信号z映射到样本空间，通过生成器 网络G 采样 Z-P(E) G得到生成样本数据Xe=G(z将生成样本X做e 图5AC-GAN对抗神经网络生成残差的基本框架 或真实样本数据Xa输入判别器D进而判定概 Fig.5 Basic framework for the AC-GAN to generate resid. 率PSX)=D),表示判别样本X属于S的概 uals此过程处于统计过程当中，如果出现故障问题说 明此过程处于失控状态[18]。 X µ σ 假设某产品在生产过程中的质量特征没有显 著的非正态因素，而是由很多随机原因导致，则 认为该质量特性服从正态分布[19]。其质量特征 服从均值为 ，标准差为 的正态分布，则概率密 度分布函数为 f(x) = 1 σ √ 2π e −(x−µ)/2σ 2 P(µ−3σ ⩽ x ⩽ µ+3σ) = w µ+3σ µ−3σ f(x)dx = 0.9973 [µ−3σ, µ+3σ] [µ−3σ, µ+3σ] µ σ 质量特征在 的概率为 0.997 3， 则认为在该范围内的数据是可控的，范围之外为 不可控。因此，本文主轴承异常机组温度残差中 设定 的范围，范围内的残差为正常 残差，范围之外为异常残差，其中 和 为主轴 承正常机组测试集温度残差的均值和标准差。利 用 SPC 方法可以提取主轴承异常机组残差中的 特征，将残差中正常残差进行剔除。 µ−3σ µ+3σ 由文献 [20] 研究得知，轴承类故障在发生故 障前一个月会有明显的劣化趋势，因此选取风电 机组主轴承故障发生前一个月的 SCADA 数据进 行试验。图 4 为某机组主轴承故障发生前一个月 的温度残差，红线为 下控制线，蓝线为 上控制线，由图可知故障发生前并不是所 有的残差都超出控制线范围。采用 AC-GAN 生 成对抗网络重构主轴承异常机组温度残差序列， 得到异常主轴承下的残差特征，解决异常样本数 据的标记问题，进而提高了后续主轴承状态决策 模型的预测精度。 0 1 000 2 000 3 000 4 000 异常机组残差点数量 −0.4 −0.3 −0.2 −0.1 0 0.1 0.2 残差值归一化 残差 上控制线 下控制线 图 4 某机组故障发生前一个月温度残差 Fig. 4 Residual diagram of one month before a unit failure 4.2 AC-GAN 算法介绍 生成对抗网络 (generative adversarial networks, GAN) 是一种无监督学习方法，包含生成器 G(gene￾rator) 和判别器 D(discriminator) 两部分。 z G Xfake = G(z) Xfake Xreal D P(S|X) = D(X) X S 将噪声信号 映射到样本空间，通过生成器 得到生成样本数据 ，将生成样本 或真实样本数据 输入判别器 进而判定概 率 ，表示判别样本 属于 的概 Xreal Xfake 率。由于 是真实数据，所以判别器判定概率 接近于 1， 是经生成器生成的数据并经过判 别器判定是否真实。GAN 的目标函数为 min G max D V(D,G) = E[lnP(S = real|Xreal )]+ E[lnP(S = fake |Xfake )] 目标函数包含生成器目标函数和判别器目标 函数，其中生成器目标函数为 min G V(G) = E[lnP(S = fake|Xfake )] 判别器的目标函数为 max D V(D) = E[lnP(S = real|Xreal )]+ E[lnP(S = fake|Xfake )] c Xfake = G(c,z) P(S|X) P(c |X) GAN 训练过程中，G 和 D 二者交替训练，相 互博弈，最终使 G 生成的样本符合真实样本概率 分布，达到纳什均衡。GAN 在训练过程中无需先 验概率即能学习真实样本的分布，但同时 GAN 对初始参数极其敏感，输入 G 的随机噪声信号无 约束，导致生成数据概率分布与真实数据差异大， 训练过程难以收敛，使整个训练过程出现震荡， 发生模式崩溃[21-22]。为了解决上述问题，文献 [23] 提出了带标签辅助分类器的生成对抗网络 AC￾GAN，在传统 GAN 基础上增加了噪声数据对应 的标签 ，使用两者来生成 ，判别器 计算生成数据的概率分布 和类标签上的 概率分布 分别为 { P(S|X) = D(X) P(c |X) = D(X) c = {0,1,2,··· ,n} n c = 0 c = 1 式中： ， 表示样本类数。真实样本 数据标记为正常温度残差 ( ) 和异常温度残 差 ( )，AC-GAN 通过内部博弈，最终实现主轴 承异常机组温度残差的重构。 4.3 基于 AC-GAN 的温度残差重构 AC-GAN 生成器和判别器均采用 RNN 神经 网络，输入层为 32 个神经单元，隐含层有 3 层神 经单元，输出层为 1 个神经单元，激活函数为 sig￾moid，损伤函数为均方误差。AC-GAN 生成对抗 网络的基本框架见图 5。 异常 残差 随机 信号 采样 采样 生成 网络 G 判别 网络 P x x~Pdata (x) 数据 判别正确 Z~P (z) Gθ (z) N Y 图 5 AC-GAN 对抗神经网络生成残差的基本框架 Fig. 5 Basic framework for the AC-GAN to generate resid￾uals 第 6 期 尹诗，等：基于 AC-GAN 数据重构的风电机组主轴承温度监测方法 ·1111·