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 ·1113· 度预测模型计算各机组主轴承温度残差，对于异 数据。对比分析NGBoost、XGBoost和随机森林 常机组通过AC-GAN算法重构残差值。提取主 3种算法在残差重构前后测试样本中的准确性。 轴承正常机组和主轴承异常机组8个温度残差特 NGBoost算法在测试集上的准确为0.875，混 征作为状态决策模型输入，预测的主轴承正常或 淆矩阵见图6(a)。采用同样的特征提取方法提取 异常的概率值作为状态决策模型输出。由于主轴 没有经过残差重构的特征，在测试集上的准确度 承正常机组标签设置为0，异常机组标签设置为1， 为0.660，混淆矩阵见图6(b)。XGBoost算法在测 因此，输出概率在0.5以上可判断为异常状态，0.5 试集上的准确为0.843，混淆矩阵见图7(a)。采用 以下判断为正常状态。温度残差特征80%用于 同样的特征提取方法提取没有经过残差重构的特 训练状态决策模型，剩余20%用于测试模型的准 征，在测试集上的准确度为0.651，混淆矩阵见 确度。按上述流程提取残差特征后共得到938组 图7(b). 预测状态 预测状态 0.9 0.8 0.7 0 0.89 0.11 0.7 0 0.77 0.23 0.6 0.6 0.5 0.5 0.4 0.4 0.08 0.92 03 021 0.79 0.2 0.3 0.1 0 0 预测标签 预测标签 (a)重构后混淆矩阵(NGBoost) b)重构前混淆矩阵(NGBoost) 图6残差重构前后故障决策模型混淆矩阵NGB0ost算法) Fig.6 Confusion matrix of the fault decision model before and after residual reconstruction(NGBoost algorithm) 预测状态 预测状态 0.70 0.8 0.65 0.78 0.22 0.7 0 0.64 0.36 0.60 0.6 0.55 0.5 0.50 0.4 0.45 0.12 0.88 03 0.28 0.72 0.40 0.35 0.2 0.30 0 0 预测标签 预测标签 (a)重构后混淆矩阵(XGBoost) (b)重构前混淆矩阵(XGBoost)) 图7残差重构前后故障决策模型混淆矩阵（仅GBoost算法） Fig.7 Confusion matrix of the fault decision model before and after residual reconstruction(XGBoost algorithm) 随机森林算法在测试集上的准确为0.750，混 Boost算法和随机森林算法。而且NGBoost、XG- 淆矩阵见图8(a)。采用同样的特征提取方法提取 Boost和随机森林3种算法经过残差重构的状态 没有经过残差重构的特征，在测试集上的准确度 决策模型的准确度分别提高了21.5%、19.2%、 为0.642，混淆矩阵见图8(b)。 10.8%,说明基于AG-GAN的数据重构对风电机 实验结果表明：在同等条件下，NGBoost算法 组主轴承运行状态具有良好的预测准确度。 在风电机组主轴承状态决策模型中优于XG- 下一步，选取未参与模型训练和测试的6台度预测模型计算各机组主轴承温度残差，对于异 常机组通过 AC-GAN 算法重构残差值。提取主 轴承正常机组和主轴承异常机组 8 个温度残差特 征作为状态决策模型输入，预测的主轴承正常或 异常的概率值作为状态决策模型输出。由于主轴 承正常机组标签设置为 0，异常机组标签设置为 1， 因此，输出概率在 0.5 以上可判断为异常状态，0.5 以下判断为正常状态。温度残差特征 80% 用于 训练状态决策模型，剩余 20% 用于测试模型的准 确度。按上述流程提取残差特征后共得到 938 组 数据。对比分析 NGBoost、XGBoost 和随机森林 3 种算法在残差重构前后测试样本中的准确性。 NGBoost 算法在测试集上的准确为 0.875，混 淆矩阵见图 6(a)。采用同样的特征提取方法提取 没有经过残差重构的特征，在测试集上的准确度 为 0.660，混淆矩阵见图 6(b)。XGBoost 算法在测 试集上的准确为 0.843，混淆矩阵见图 7(a)。采用 同样的特征提取方法提取没有经过残差重构的特 征，在测试集上的准确度为 0.651，混淆矩阵见 图 7(b)。 0.77 0.23 0.21 0.79 1 0 真实标签 0 1 预测标签 预测状态 0.3 0.4 0.5 0.6 0.7 (b) 重构前混淆矩阵 (NGBoost) 预测标签 (a) 重构后混淆矩阵 (NGBoost) 0 1 1 0 真实标签 预测状态 0.2 0.1 0.3 0.5 0.4 0.6 0.7 0.9 0.8 0.89 0.08 0.92 0.11 图 6 残差重构前后故障决策模型混淆矩阵 (NGBoost 算法) Fig. 6 Confusion matrix of the fault decision model before and after residual reconstruction(NGBoost algorithm) 0 1 预测标签 (b) 重构前混淆矩阵 (XGBoost) 0 1 预测标签 (a) 重构后混淆矩阵 (XGBoost) 1 0 真实标签 1 0 真实标签 0.64 0.72 0.36 0.28 预测状态 预测状态 0.30 0.35 0.40 0.45 0.50 0.55 0.60 0.65 0.70 0.78 0.88 0.22 0.12 0.2 0.3 0.4 0.5 0.6 0.7 0.8 图 7 残差重构前后故障决策模型混淆矩阵 (XGBoost 算法) Fig. 7 Confusion matrix of the fault decision model before and after residual reconstruction(XGBoost algorithm) 随机森林算法在测试集上的准确为 0.750，混 淆矩阵见图 8(a)。采用同样的特征提取方法提取 没有经过残差重构的特征，在测试集上的准确度 为 0.642，混淆矩阵见图 8(b)。 实验结果表明：在同等条件下，NGBoost 算法 在风电机组主轴承状态决策模型中优于 XG￾Boost 算法和随机森林算法。而且 NGBoost、XG￾Boost 和随机森林 3 种算法经过残差重构的状态 决策模型的准确度分别提高了 21.5%、19.2%、 10.8%，说明基于 AG-GAN 的数据重构对风电机 组主轴承运行状态具有良好的预测准确度。 下一步，选取未参与模型训练和测试的 6 台 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 ·1113·