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 ·1107· 电机组主轴承连接着轮毂与齿轮箱，作为重要的 象，提出了一种基于辅助分类生成对抗网络(aux- 机械传动部件之一，其可靠性要求较高，但主轴 iliary classifiergenerative adversarial networks,AC- 承内部结构和受力较复杂，且常常运行在重负 GAN)数据重构的风电机组主轴承状态监测方法 荷、强冲击的工作状态下，容易发生磨损、不对 对其运行状态进行监测。 中、不平衡等问题。风电机组主轴承一旦损坏， 受限于维修过程的复杂，其维修费用高、周期长， 1建模方法设计 严重影响风电场的经济效益。 温度是风电机组运行数据中较为重要的观测 风电机组故障诊断研究目前主要集中在振动 指标，具有很强的抗干扰性，不会轻易因环境或 信号分析法方法、SCADA数据分析方法、视频图 工况变化产生剧烈跳跃变化。正常情况下，轴承 像检测方法、润滑油检测方法、声发射信号检测 温度随着轴承开始运行缓慢上升，后续达到稳定 方法、应变传感信号检测方法等。数据挖掘方 运行状态。风电机组主轴承温度随着热容量、散 法能够在大量数据中发现隐含的知识或潜在规 热速度、转速和负载而发生变化。但机械传动设 律，因此近年来在各行业中具有广泛的研究和应 备在运行过程中产生的磨损、润滑不良、屏蔽不 用。随着数据挖掘算法的不断发展，一些算法逐 良等问题往往会导致温度数据异常，如果主轴承 渐被应用到故障预警和故障辨识中)。目前基于 长期在高温下运行，其运行寿命将会大大缩短， 数据挖掘的风电机组的状态监测研究主要基于采 甚至会引起更为严重的故障事故。因此，本文 集与监视控制系统(supervisory control and data ac- 重点分析风电机组主轴承温度参数的变化，监测 quisition,.SCADA)时序数据，利用相关智能学习 并实时掌握主轴承运行状态，发现其潜在隐患。 算法建立设备部件的正常运行模型，通过分析正 风电机组主轴承温度预测模型的准确度、泛化能 常模型预测值与实际观测值之间的残差进行状态 力以及状态决策模型的准确度决定着主轴承状态 监测。文献「4]利用深度置信网络建立发电机同 监测的精准度。建模流程如图1所示。 步定子故障预警模型，对残差设定故障阈值进行 首先，利用SCADA时序数据建立基于轻型 状态监测。文献[5]利用BOX-COX变换和相对 梯度增强学习器(light gradient boosting machine 熵对残差进行分析，对齿轮箱进行状态监测。文 LightGBM)的主轴承温度预测模型，定义模型预 献[6]利用数据分类重建和提取衰退指标的方法 测输出温度与实际观测温度之差为残差。相较于 对齿轮箱进行状态监测。文献[7将DS证据理论 其他算法，LightGBM算法无需通过计算所有样本 应用于SCADA警报分析对风电机组进行故障诊断。 信息增益，其内置的特征降维技术具有较高的预 文献[8]通过提取风电机组SCADA系统中的实 测精度和较快的训练速度，比较适合于工程实现。 际运行数据，采用双向递归神经网络建立风电机 其次，通过滑动窗口和统计过程控制(statist- 组运行预测模型，根据滑动窗口的实际值与实测 ical process control,.SPC)方法将异常主轴承残差 值之间的残差，利用莱特准则实现故障预警。 中的正常残差和异常残差进行有效区分。利用 以上方法对残差进行分析时需要人为设定故 AC-GAN辅助分类生成对抗网络生成与主轴承异 障预警阈值，所述方法适用于某一特定风电场， 常残差分布相似的残差数据集，用来替换异常主 其泛化性有待提升。文献[9]利用SCADA数据 轴承残差分布中的正常残差数据集。由于风电机 提出了基于工况辨识的Bi-RNN神经网络，建立 组异常主轴承的残差特征不全表征为异常状态，无 预警模型对风电机组主轴承运行状态进行监测， 法统一进行标记。因此，利用AC-GAN将温度残 该方法在故障决策方面引入随机森林算法避免人 差特征进行数据重构，得到异常主轴承下的残差 为设定故障阈值，但由于故障发生前SCADA数 特征，从根本上解决了异常样本数据的标记问题， 据不全是表征故障的数据，所建立的状态决策模 进而提高了后续主轴承状态决策模型的预测精度。 型精度有待提升。 最后，建立基于自然梯度提升(natural gradi- 上述研究在不同程度上对风电机组关键核心 ent boosting,.NGBoost)的状态决策模型对风电机 部件的状态监测和故障预警起到了推动作用，但 组主轴承状态进行判断。NGBoost算法利用自然 是普遍存在泛化性弱，故障决策受主观因素影 梯度进行概率预测，解决了传统状态决策方法中 响、缺乏理论支撑等问题，限制了状态监测模型 采用单一固定阈值或人为主观设定阈值进行风电 的工程实用性。 机组运行状态监测的问题，提高了状态决策模型 因此，本文以风电机组主轴承温度为研究对 的预测精度和泛化性。电机组主轴承连接着轮毂与齿轮箱，作为重要的 机械传动部件之一，其可靠性要求较高，但主轴 承内部结构和受力较复杂，且常常运行在重负 荷、强冲击的工作状态下，容易发生磨损、不对 中、不平衡等问题[1]。风电机组主轴承一旦损坏， 受限于维修过程的复杂，其维修费用高、周期长， 严重影响风电场的经济效益。 风电机组故障诊断研究目前主要集中在振动 信号分析法方法、SCADA 数据分析方法、视频图 像检测方法、润滑油检测方法、声发射信号检测 方法、应变传感信号检测方法等[2]。数据挖掘方 法能够在大量数据中发现隐含的知识或潜在规 律，因此近年来在各行业中具有广泛的研究和应 用。随着数据挖掘算法的不断发展，一些算法逐 渐被应用到故障预警和故障辨识中[3]。目前基于 数据挖掘的风电机组的状态监测研究主要基于采 集与监视控制系统 (supervisory control and data ac￾quisition, SCADA) 时序数据，利用相关智能学习 算法建立设备部件的正常运行模型，通过分析正 常模型预测值与实际观测值之间的残差进行状态 监测。文献 [4] 利用深度置信网络建立发电机同 步定子故障预警模型，对残差设定故障阈值进行 状态监测。文献 [5] 利用 BOX-COX 变换和相对 熵对残差进行分析，对齿轮箱进行状态监测。文 献 [6] 利用数据分类重建和提取衰退指标的方法 对齿轮箱进行状态监测。文献 [7] 将 DS 证据理论 应用于 SCADA 警报分析对风电机组进行故障诊断。 文献 [8] 通过提取风电机组 SCADA 系统中的实 际运行数据，采用双向递归神经网络建立风电机 组运行预测模型，根据滑动窗口的实际值与实测 值之间的残差，利用莱特准则实现故障预警。 以上方法对残差进行分析时需要人为设定故 障预警阈值，所述方法适用于某一特定风电场， 其泛化性有待提升。文献 [9] 利用 SCADA 数据 提出了基于工况辨识的 Bi-RNN 神经网络，建立 预警模型对风电机组主轴承运行状态进行监测， 该方法在故障决策方面引入随机森林算法避免人 为设定故障阈值，但由于故障发生前 SCADA 数 据不全是表征故障的数据，所建立的状态决策模 型精度有待提升。 上述研究在不同程度上对风电机组关键核心 部件的状态监测和故障预警起到了推动作用，但 是普遍存在泛化性弱，故障决策受主观因素影 响、缺乏理论支撑等问题，限制了状态监测模型 的工程实用性。 因此，本文以风电机组主轴承温度为研究对 象，提出了一种基于辅助分类生成对抗网络 (aux￾iliary classifiergenerative adversarial networks, AC￾GAN) 数据重构的风电机组主轴承状态监测方法 对其运行状态进行监测。 1 建模方法设计 温度是风电机组运行数据中较为重要的观测 指标，具有很强的抗干扰性，不会轻易因环境或 工况变化产生剧烈跳跃变化。正常情况下，轴承 温度随着轴承开始运行缓慢上升，后续达到稳定 运行状态。风电机组主轴承温度随着热容量、散 热速度、转速和负载而发生变化。但机械传动设 备在运行过程中产生的磨损、润滑不良、屏蔽不 良等问题往往会导致温度数据异常，如果主轴承 长期在高温下运行，其运行寿命将会大大缩短， 甚至会引起更为严重的故障事故[10]。因此，本文 重点分析风电机组主轴承温度参数的变化，监测 并实时掌握主轴承运行状态，发现其潜在隐患。 风电机组主轴承温度预测模型的准确度、泛化能 力以及状态决策模型的准确度决定着主轴承状态 监测的精准度。建模流程如图 1 所示。 首先，利用 SCADA 时序数据建立基于轻型 梯度增强学习器 (light gradient boosting machine, LightGBM) 的主轴承温度预测模型，定义模型预 测输出温度与实际观测温度之差为残差。相较于 其他算法，LightGBM 算法无需通过计算所有样本 信息增益，其内置的特征降维技术具有较高的预 测精度和较快的训练速度，比较适合于工程实现。 其次，通过滑动窗口和统计过程控制 (statist￾ical process control, SPC) 方法将异常主轴承残差 中的正常残差和异常残差进行有效区分。利用 AC-GAN 辅助分类生成对抗网络生成与主轴承异 常残差分布相似的残差数据集，用来替换异常主 轴承残差分布中的正常残差数据集。由于风电机 组异常主轴承的残差特征不全表征为异常状态，无 法统一进行标记。因此，利用 AC-GAN 将温度残 差特征进行数据重构，得到异常主轴承下的残差 特征，从根本上解决了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。 最后，建立基于自然梯度提升 (natural gradi￾ent boosting, NGBoost) 的状态决策模型对风电机 组主轴承状态进行判断。NGBoost 算法利用自然 梯度进行概率预测，解决了传统状态决策方法中 采用单一固定阈值或人为主观设定阈值进行风电 机组运行状态监测的问题，提高了状态决策模型 的预测精度和泛化性。 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 ·1107·