·1114· 智能系统学报 第16卷 机组用来验证基于残差重构和NGBoost算法下的 08#、65#、66#,主轴承异常机组编号为10#、85#、 准确性和泛化性。选取主轴承正常机组编号为 91#。 预测状态 预测状态 0.8 0.7 0.64 0.36 0.7 0 0.53 047 0.6 0.6 0.5 0.5 0.4 0.4 0.11 0.89 0.3 0.23 0.77 02 0.3 0 0 预测标签 预测标签 (a)重构后混淆矩阵（随机森林） 6)重构前混淆矩阵（随机森林） 图8残差重构前后故障决策模型混淆矩阵（随机森林算法） Fig.8 Confusion matrix of the fault decision model before and after residual reconstruction(random forest algorithm) 10#机组在2019年3月28号巡检时发现该机 表7异常机组未经过残差重构时的概率预测值 组主轴承振动过大，需要更换主轴承，选取2019 Table 7 Probability prediction value of the abnormal wind turbine without residual reconstruction 年3月1号到2019年3月30号的数据。85#机组 在2019年4月1号巡检时有异常响声，经厂家检 风机编号 预测为0（正常） 预测为1（异常） 查发现该机组主轴承电腐蚀严重，因振动导致平 10# 0.34 0.66 衡环境存在轻微开裂迹象，选取2019年3月8号 85# 0.43 0.57 到4月4号的数据。91#机组在2019年10月13号 91# 0.46 0.54 发生主轴承开裂故障，选取2019年9月16号到10 月16号的数据。正常机组随机选取一个月的数据。 表8异常机组经过残差重构时的概率预测值 对比分析表5、6，正常机组编号为08#的机组 Table 8 Probability prediction value of the abnormal wind turbine after residual reconstruction 在经过残差重构后预测的准确率提升了28%， 65#机组的准确率提升了3%，66#机组的准确率提 风机编号 预测为0（正常） 预测为1（异常） 升了1%。对比分析表7、8，异常机组编号为10# 10# 0.17 0.83 的机组在经过残差重构后预测的准确率提升了 85# 0.28 0.72 17%,85#机组的准确率提升了15%，91#机组的准 91# 0.39 0.61 确率提升了7%。 表5正常机组未经过残差重构时的概率预测值 7结束语 Table 5 Probability prediction value of the normal wind turbine without residual reconstruction 本文以风电机组主轴承为研究对象，针对状 风机编号 预测为0正常) 预测为1（异常） 态监测和故障预警中人为设定阈值的相关问题， 08# 0.64 0.36 提出了基于AC-GAN数据重构的风电机组主轴 65# 0.58 0.42 承状态监测方法，得到如下结论： 66# 0.64 0.36 1)采用LightGBM算法建立主轴承温度残差 表6正常机组经过残差重构时的概率预测值 预测模型，并将XGBoost算法、CatBoost算法与之 Table 6 Probability prediction value of the normal wind 对比分析，在同等条件下，LightGBM算法在主轴 turbine after residual reconstruction 承温度建模中综合性能优于XGBoost算法和Cat 风机编号 预测为0（正常） 预测为1（异常） Boost算法。 08# 0.92 0.08 2)采用滑动窗口提取主轴承异常机组残差，利 65# 0.61 0.39 用$PC方法对主轴承异常温度残差在控制线范 66# 0.65 0.35 围内进行筛选，并利用AC-GAN算法对残差序列机组用来验证基于残差重构和 NGBoost 算法下的 准确性和泛化性。选取主轴承正常机组编号为 08#、65#、66#，主轴承异常机组编号为 10#、85#、 91#。 0 1 预测标签 (b) 重构前混淆矩阵 (随机森林) 0 1 预测标签 (a) 重构后混淆矩阵 (随机森林) 1 0 真实标签 1 0 真实标签 0.53 0.77 0.47 0.23 预测状态 预测状态 0.3 0.4 0.5 0.6 0.7 0.2 0.3 0.5 0.4 0.6 0.7 0.8 0.64 0.11 0.89 0.36 图 8 残差重构前后故障决策模型混淆矩阵 (随机森林算法) Fig. 8 Confusion matrix of the fault decision model before and after residual reconstruction (random forest algorithm) 10#机组在 2019 年 3 月 28 号巡检时发现该机 组主轴承振动过大，需要更换主轴承，选取 2019 年 3 月 1 号到 2019 年 3 月 30 号的数据。85#机组 在 2019 年 4 月 1 号巡检时有异常响声，经厂家检 查发现该机组主轴承电腐蚀严重，因振动导致平 衡环境存在轻微开裂迹象，选取 2019 年 3 月 8 号 到 4 月 4 号的数据。91#机组在 2019 年 10 月 13 号 发生主轴承开裂故障，选取 2019 年 9 月 16 号到 10 月 16 号的数据。正常机组随机选取一个月的数据。 对比分析表 5、6，正常机组编号为 08#的机组 在经过残差重构后预测的准确率提升了 28%， 65#机组的准确率提升了 3%，66#机组的准确率提 升了 1%。对比分析表 7、8，异常机组编号为 10# 的机组在经过残差重构后预测的准确率提升了 17%，85#机组的准确率提升了 15%，91#机组的准 确率提升了 7%。 表 5 正常机组未经过残差重构时的概率预测值 Table 5 Probability prediction value of the normal wind turbine without residual reconstruction 风机编号 预测为0(正常) 预测为1(异常) 08# 0.64 0.36 65# 0.58 0.42 66# 0.64 0.36 表 6 正常机组经过残差重构时的概率预测值 Table 6 Probability prediction value of the normal wind turbine after residual reconstruction 风机编号 预测为0(正常) 预测为1(异常) 08# 0.92 0.08 65# 0.61 0.39 66# 0.65 0.35 表 7 异常机组未经过残差重构时的概率预测值 Table 7 Probability prediction value of the abnormal wind turbine without residual reconstruction 风机编号 预测为0(正常) 预测为1(异常) 10# 0.34 0.66 85# 0.43 0.57 91# 0.46 0.54 表 8 异常机组经过残差重构时的概率预测值 Table 8 Probability prediction value of the abnormal wind turbine after residual reconstruction 风机编号 预测为0(正常) 预测为1(异常) 10# 0.17 0.83 85# 0.28 0.72 91# 0.39 0.61 7 结束语 本文以风电机组主轴承为研究对象，针对状 态监测和故障预警中人为设定阈值的相关问题， 提出了基于 AC-GAN 数据重构的风电机组主轴 承状态监测方法，得到如下结论： 1) 采用 LightGBM 算法建立主轴承温度残差 预测模型，并将 XGBoost 算法、CatBoost 算法与之 对比分析，在同等条件下，LightGBM 算法在主轴 承温度建模中综合性能优于 XGBoost 算法和 Cat￾Boost 算法。 2) 采用滑动窗口提取主轴承异常机组残差，利 用 SPC 方法对主轴承异常温度残差在控制线范 围内进行筛选，并利用 AC-GAN 算法对残差序列 ·1114· 智 能 系 统 学 报 第 16 卷