基于AC-GAN 數據重構的風電機組主軸承溫度監測方法

尹詩，侯國蓮，胡曉東，周繼威

（1.中能電力科技開發有限公司，北京 100034;2.華北電力大學 控制與計算機工程學院，北京 102206）

由于風電機組所處運行環境惡劣，受氣象、設備老化等多種不確定因素的影響，容易出現性能與運行狀態劣化，從而造成關鍵部件失效。風電機組主軸承連接著輪轂與齒輪箱，作為重要的機械傳動部件之一，其可靠性要求較高，但主軸承內部結構和受力較復雜，且常常運行在重負荷、強沖擊的工作狀態下，容易發生磨損、不對中、不平衡等問題[1]。風電機組主軸承一旦損壞，受限于維修過程的復雜，其維修費用高、周期長，嚴重影響風電場的經濟效益。

風電機組故障診斷研究目前主要集中在振動信號分析法方法、SCADA 數據分析方法、視頻圖像檢測方法、潤滑油檢測方法、聲發射信號檢測方法、應變傳感信號檢測方法等[2]。數據挖掘方法能夠在大量數據中發現隱含的知識或潛在規律，因此近年來在各行業中具有廣泛的研究和應用。隨著數據挖掘算法的不斷發展，一些算法逐漸被應用到故障預警和故障辨識中[3]。目前基于數據挖掘的風電機組的狀態監測研究主要基于采集與監視控制系統(supervisory control and data acquisition,SCADA) 時序數據，利用相關智能學習算法建立設備部件的正常運行模型，通過分析正常模型預測值與實際觀測值之間的殘差進行狀態監測。文獻[4]利用深度置信網絡建立發電機同步定子故障預警模型，對殘差設定故障閾值進行狀態監測。文獻[5]利用BOX-COX 變換和相對熵對殘差進行分析，對齒輪箱進行狀態監測。文獻[6]利用數據分類重建和提取衰退指標的方法對齒輪箱進行狀態監測。文獻[7]將DS 證據理論應用于SCADA 警報分析對風電機組進行故障診斷。文獻[8]通過提取風電機組SCADA 系統中的實際運行數據，采用雙向遞歸神經網絡建立風電機組運行預測模型，根據滑動窗口的實際值與實測值之間的殘差，利用萊特準則實現故障預警。

以上方法對殘差進行分析時需要人為設定故障預警閾值，所述方法適用于某一特定風電場，其泛化性有待提升。文獻[9]利用SCADA 數據提出了基于工況辨識的Bi-RNN 神經網絡，建立預警模型對風電機組主軸承運行狀態進行監測，該方法在故障決策方面引入隨機森林算法避免人為設定故障閾值，但由于故障發生前SCADA 數據不全是表征故障的數據，所建立的狀態決策模型精度有待提升。

上述研究在不同程度上對風電機組關鍵核心部件的狀態監測和故障預警起到了推動作用，但是普遍存在泛化性弱，故障決策受主觀因素影響、缺乏理論支撐等問題，限制了狀態監測模型的工程實用性。

因此，本文以風電機組主軸承溫度為研究對象，提出了一種基于輔助分類生成對抗網絡(auxiliary classifiergenerative adversarial networks,ACGAN)數據重構的風電機組主軸承狀態監測方法對其運行狀態進行監測。

1 建模方法設計

溫度是風電機組運行數據中較為重要的觀測指標，具有很強的抗干擾性，不會輕易因環境或工況變化產生劇烈跳躍變化。正常情況下，軸承溫度隨著軸承開始運行緩慢上升，后續達到穩定運行狀態。風電機組主軸承溫度隨著熱容量、散熱速度、轉速和負載而發生變化。但機械傳動設備在運行過程中產生的磨損、潤滑不良、屏蔽不良等問題往往會導致溫度數據異常，如果主軸承長期在高溫下運行，其運行壽命將會大大縮短，甚至會引起更為嚴重的故障事故[10]。因此，本文重點分析風電機組主軸承溫度參數的變化，監測并實時掌握主軸承運行狀態，發現其潛在隱患。風電機組主軸承溫度預測模型的準確度、泛化能力以及狀態決策模型的準確度決定著主軸承狀態監測的精準度。建模流程如圖1 所示。

圖1 建模方法流程Fig.1 Flow chart of the modeling method

首先，利用SCADA 時序數據建立基于輕型梯度增強學習器(light gradient boosting machine,LightGBM)的主軸承溫度預測模型，定義模型預測輸出溫度與實際觀測溫度之差為殘差。相較于其他算法，LightGBM 算法無需通過計算所有樣本信息增益，其內置的特征降維技術具有較高的預測精度和較快的訓練速度，比較適合于工程實現。

其次，通過滑動窗口和統計過程控制(statistical process control,SPC)方法將異常主軸承殘差中的正常殘差和異常殘差進行有效區分。利用AC-GAN 輔助分類生成對抗網絡生成與主軸承異常殘差分布相似的殘差數據集，用來替換異常主軸承殘差分布中的正常殘差數據集。由于風電機組異常主軸承的殘差特征不全表征為異常狀態，無法統一進行標記。因此，利用AC-GAN 將溫度殘差特征進行數據重構，得到異常主軸承下的殘差特征，從根本上解決了異常樣本數據的標記問題，進而提高了后續主軸承狀態決策模型的預測精度。

最后，建立基于自然梯度提升(natural gradient boosting,NGBoost)的狀態決策模型對風電機組主軸承狀態進行判斷。NGBoost 算法利用自然梯度進行概率預測，解決了傳統狀態決策方法中采用單一固定閾值或人為主觀設定閾值進行風電機組運行狀態監測的問題，提高了狀態決策模型的預測精度和泛化性。

2 數據預處理

2.1 SCADA 數據說明

本文所采用的SCADA 數據是河北某風電場1.5 MW 雙饋式風力發電機組的運行數據。該風電場的風電機組切入風速為3 m/s，切出數據為25 m/s。SCADA 數據每10 min 記錄一條，為了消除偶發性的故障對主軸溫度預測模型的影響，本文共選取該風電場1.5 MW 機組共36 臺機組，包括23 臺主軸承正常機組，13 臺主軸承異常機組。這36 臺風電機組生產廠家和型號相同，并且都是同一個風電場的風電機組，因此所利用的風資源和地理環境相似，能夠表征該風電場的所有運行工況。SCADA 時序數據包括時間、風速、風向、有功功率、發電機轉速、葉輪轉速、偏航角度、環境溫度、齒輪箱油溫等百余個有效觀測數據。表1為部分SCADA 有效數據。

表1 SCADA 數據示例Table 1 Examples of SCADA data

2.2 數據清洗

由于風電機組本身和SCADA 系統在運行過程中掉電、傳感器損壞、系統宕機、通信設備故障等因素造成SCADA 數據中夾雜著很多異常噪聲數據。在建模前首先對數據進行清洗，其過程如下：

1)采用分區間方法按風速0.5 m/s 劃分子工況區間；

2)將小于切入風速、大于切出風速、有功功率小于或等于0 的數據剔除；

3)采用統計學中的四分位原理[11]對每個子工況區間的SCADA 數據進行清洗。

為說明去除異常噪聲數據的效果，本文對2.1節提到的風電機組歷史SCADA 數據進行了異常噪聲數據去除，如圖2 所示。圖2(a)為該風電機組歷史SCADA 數據過濾前的風速功率曲線圖，圖2(b)為過濾后的風速功率曲線圖。

圖2 SCADA 數據過濾前后風功率對比圖Fig.2 Contrast chart of the wind-power before and after SCADA data filtering

2.3 特征數據提取

風電機組SCADA 數據中并非所有的時序數據均與風電機組主軸承溫度相關，為提高風電機組主軸承溫度預測模型精度，同時降低模型訓練時長，選取與風電機組主軸承運行狀態相關的特征子集。傳統的特征篩選方式為利用皮爾森相關系數或根據工程師相關經驗進行確定，皮爾森相關系數對數據的要求必須服從正態分布，但風電機組由于棄風、限電等運行工況的變化導致SCADA數據并不符合正態分布，且皮爾森相關系數受到數據異常值的影響較大，僅適用于某些特定場合下的風電場或風電機組。鑒于此，本文選取相關系數收斂快、可解釋性好且對數據分布沒有特殊要求的斯皮爾曼相關性分析方法提取直接或者間接反映風電機組主軸承溫度特征的參數集[12]，斯皮爾曼相關系數的計算步驟為：

1)SCADA 數據特征中主軸承溫度定義為Y，其他特征定義為Xi，將Xi和Y列所對應的數據轉換為各自列向量的排名，記為R(Xi) 和R(Y)。

2)兩個列向量中對應數據R(Xi) 和R(Y) 之間的差異d為

兩個列向量之間的相關性Rs為

式中：i為每一列SCADA 特征數據；N為SCADA數據特征的長度。斯皮爾曼系數高于0.5 時特征之間的相關性為強相關，因此，通過斯皮爾曼相關性系數分析，得到SCADA 數據中與主軸承溫度相關性較高的特征，見表2 所示。因此，選取發電機轉速、葉輪轉速、機艙溫度等10 個特征。

表2 斯皮爾曼相關性系數Table 2 Spearman correlation coefficient

提取的特征數據中往往具有不同的量綱和量綱單位，為了消除特征數據之間的量綱影響，將數據歸一化處理，計算公式為

式中：x為每一個SCADA 特征數據；xmean為特征數據的均值；xmax為特征數據的最大值；xmin為特征數據的最小值；xn為歸一化以后的特征數據。

3 基于LightGBM 的風電機組主軸承溫度預測

3.1 LightGBM 算法

極限梯度提升(eXtreme gradient boosting,XGBoost)算法是在自適應增強(adaptive boosting,adaBoost) 算法和梯度提升迭代決策樹(gradient boosting decision tree,GBDT)算法基礎上優化形成的算法[13]，具有良好的預測精度和分類準確率，在眾多領域得到了廣泛的應用。但XGBoost 算法普遍存在訓練耗時長、內存占比大等缺點。針對這些缺點，Ke 等[14]做了相應的改進，并在2017 年提出了LightGBM 算法。LightGBM 算法無需計算所有樣本信息增益，具有訓練效率高、低內存、高準確率、并行化學習等優勢，較適合于工程實踐。

LightGBM 使用直方圖算法替換了GBDT 的預排序，能夠在不損害準確率的前提下加快GBDT 模型的訓練速度[15]。為保證結果準確性，算法使用梯度單邊采樣技術過濾大部分小梯度數據，在計算信息增益的時候只利用具有高梯度的數據信息；為大幅度減少占用內存，采用獨立特征合并技術實現互斥特征的捆綁，減少樣本特征數據[16]。

假設訓練一個具有T棵樹的LightGBM 模型，給定數據集為D={(xi,yi)|i=1,2,···,n,xi∈Rm,yi∈R}，其中給定的數據集共有n個樣本，每個樣本xi對應m個特征和一個標簽值yi。LightGBM算法在迭代過程中，假設在前一輪迭代中得到的強學習器是ft?1(x)，損失函數為L(y,ft?1(x))，為了讓本輪迭代的損失函數最小，本輪迭代的目的是找到分類回歸樹模型的弱學習器ht(x)，如式(1)所示：

利用損失函數負梯度擬合本輪損失函數近似值，從而擬合一個樹模型。第t輪的第i個樣本的損失函數L(yi,f(xi))的負梯度rti為

利用(xi,xti) 擬合一個CART 回歸樹，進而得到t棵回歸樹所對應的葉子節點的范圍為 Rti，i=1,2,···,J。其中J為葉子節點的樣本，當損失函數最小時擬合葉子節點輸出值ct j為

式中：c是損失函數最小化時的常數值；xi∈Rt j表示樣本xi屬于第t棵樹下的第j個葉子節點。本輪的決策樹擬合函數為

式中：I(xi∈Rt j)是指示函數，當xi∈Rt j時，指示函數的值為1，反之為0[17]。進而本輪最終得到的強學習器的表達式為

3.2 溫度預測模型建立

選用10 臺主軸承正常機組的歷史SCADA 數據共38955 組，按上述方法進行預處理后得到共25946 組數據。將數據集80%作為訓練集，數據集20%作為測試集。本文所有試驗運行環境均為：操作系統為Windows10、python 版本為3.7.1、集成開發運行環境為anaconda3，LightGBM 算法、XGBoost 算法和隨機森林算法調用sklearn 的API。后續使用的AC-GAN 生成對抗神經網絡調用kears 深度學習框架API，NGBoost 算法調用斯坦福的NGBoost 框架。

對比分析LightGBM 算法、XGBoost 算法、CatBoost(categorical boosting)算法在風電機組訓練主軸承溫度預測模型的精度，如表3 所示。

表3 LightGBM、XGBoost 和CatBoost 建模性能比較Table 3 LightGBM,XGBoost,and Cat Boost modeling performance comparison

采用模型訓練時間、均方根誤差RMSE 和決定系數r2指標對建模精度進行評價，計算公式為

式中：yi為第i個主軸承溫度的真實測量值；為第i個主軸承溫度的預測值；為主軸承溫度的真實測量值的均值。LightGBM 算法在均方根誤差RMSE、決定系數r2指標和訓練時間上均優于XGBoost 算法和CatBoost 算法。表4 為Light-GBM、XGBoost 和CatBoost 這3 種算法在測試集樣本中殘差特征對比。LightGBM 算法在測試集上的殘差最大值為0.129，殘差均值為0.022，基于LightGBM 的風電機組主軸承溫度預測在測試集上 具有較高的預測精度。

表4 3 種算法測試集殘差特征對比Table 4 Comparison of residual characteristics of three algorithms in test data

基于LightGBM 算法的主軸承溫度預測模型在測試集上的殘差見圖3 所示。

圖3 主軸承溫度模型測試集殘差Fig.3 Residual error of the main bearing temperature model in the test data

4 基于AC-GAN 的主軸承溫度殘差重構

基于AC-GAN 的主軸承溫度殘差重構方法具體步驟為：首先，采用SPC 方法將主軸承異常機組殘差在控制范圍內的正常殘差數據剔除；其次，將控制范圍之外的異常殘差數據作為訓練數據，采用AC-GAN 生成對抗網絡生成與真實數據分布相似的數據替換被剔除的數據。

4.1 基于SPC 的殘差特征提取

SPC 方法最初主要用來監測生產產品中的質量問題，如果生產過程中出現隨機質量問題說明此過程處于統計過程當中，如果出現故障問題說明此過程處于失控狀態[18]。

假設某產品在生產過程中的質量特征沒有顯著的非正態因素，而是由很多隨機原因導致，則認為該質量特性服從正態分布[19]。其質量特征X服從均值為 μ，標準差為 σ 的正態分布，則概率密度分布函數為

質量特征在 [μ?3σ,μ+3σ] 的概率為0.9973，則認為在該范圍內的數據是可控的，范圍之外為不可控。因此，本文主軸承異常機組溫度殘差中設定 [μ?3σ,μ+3σ] 的范圍，范圍內的殘差為正常殘差，范圍之外為異常殘差，其中μ和σ為主軸承正常機組測試集溫度殘差的均值和標準差。利用SPC 方法可以提取主軸承異常機組殘差中的特征，將殘差中正常殘差進行剔除。

由文獻[20]研究得知，軸承類故障在發生故障前一個月會有明顯的劣化趨勢，因此選取風電機組主軸承故障發生前一個月的SCADA 數據進行試驗。圖4 為某機組主軸承故障發生前一個月的溫度殘差，紅線為μ?3σ 下控制線，藍線為μ+3σ 上控制線，由圖可知故障發生前并不是所有的殘差都超出控制線范圍。采用AC-GAN 生成對抗網絡重構主軸承異常機組溫度殘差序列，得到異常主軸承下的殘差特征，解決異常樣本數據的標記問題，進而提高了后續主軸承狀態決策模型的預測精度。

圖4 某機組故障發生前一個月溫度殘差Fig.4 Residual diagram of one month before a unit failure

4.2 AC-GAN 算法介紹

生成對抗網絡(generative adversarial networks,GAN)是一種無監督學習方法，包含生成器G(generator)和判別器D(discriminator)兩部分。

將噪聲信號z映射到樣本空間，通過生成器G得到生成樣本數據Xfake=G(z)，將生成樣本Xfake或真實樣本數據Xreal輸入判別器D進而判定概率P(S|X)=D(X)，表示判別樣本X屬于S的概率。由于Xreal是真實數據，所以判別器判定概率接近于1，Xfake是經生成器生成的數據并經過判別器判定是否真實。GAN 的目標函數為

目標函數包含生成器目標函數和判別器目標函數，其中生成器目標函數為

判別器的目標函數為

GAN 訓練過程中，G和D二者交替訓練，相互博弈，最終使G生成的樣本符合真實樣本概率分布，達到納什均衡。GAN 在訓練過程中無需先驗概率即能學習真實樣本的分布，但同時GAN對初始參數極其敏感，輸入G的隨機噪聲信號無約束，導致生成數據概率分布與真實數據差異大，訓練過程難以收斂，使整個訓練過程出現震蕩，發生模式崩潰[21-22]。為了解決上述問題，文獻[23]提出了帶標簽輔助分類器的生成對抗網絡ACGAN，在傳統GAN 基礎上增加了噪聲數據對應的標簽c，使用兩者來生成Xfake=G(c,z)，判別器計算生成數據的概率分布P(S|X) 和類標簽上的概率分布P(c|X)分別為

式中：c={0,1,2,···,n}，n表示樣本類數。真實樣本數據標記為正常溫度殘差(c=0) 和異常溫度殘差(c=1)，AC-GAN 通過內部博弈，最終實現主軸承異常機組溫度殘差的重構。

4.3 基于AC-GAN 的溫度殘差重構

AC-GAN 生成器和判別器均采用RNN 神經網絡，輸入層為32 個神經單元，隱含層有3 層神經單元，輸出層為1 個神經單元，激活函數為sigmoid，損傷函數為均方誤差。AC-GAN 生成對抗網絡的基本框架見圖5。

圖5 AC-GAN 對抗神經網絡生成殘差的基本框架Fig.5 Basic framework for the AC-GAN to generate residuals

溫度殘差重構具體步驟為：

1)將主軸承發生故障前一個月的SCADA 特征數據輸入至基于LightGBM 的主軸承溫度預測模型，計算得到一個月內的主軸承異常機組溫度殘差。

2) 采用SPC 控制圖將主軸承異常機組殘差在控制范圍內的正常溫度殘差數據剔除。

3)定義控制線之外的殘差數據為訓練樣本數據，采用AC-GAN 算法生成與真實樣本數據分布相似的殘差數據，用來重構剔除的正常溫度殘差2)中剔除的正常溫度殘差。

5 基于NGBoost 的主軸承運行狀態決策

NGBoost 算法由斯坦福吳恩達團隊在2019年10 月提出的，最初是用于預測不確定性估計的天氣預測和醫療保健等領域[24]。該算法使用自然梯度的Boosting 方法，這種方法可直接在輸出空間中得到全概率分布，用于預測量化不確定性。NGBoost 算法區別于其他Boosting 算法是因為該算法可以返回每個預測的概率分布，NGBoost 通過預測參數θ，產生概率密度為Pθ(y|x) 的概率預測。NGBoost 使用自然梯度來學習參數，使得優化問題不受參數化的影響，隨后在GBM 的框架下讓每個基學習器去擬合自然梯度，最后經過放縮和加權組合，得到一個集成模型的參數，由此可以學習最終條件分布參數，從而達到概率預測的目的。NGBoost 作為一種梯度提升算法，使用自然梯度(natural gradient)解決現有梯度提升方法難以處理的通用概率預測的技術難題，NGBoost在不確定性估計和傳統指標上的預測能力具有相當大的優勢[25]。

對于自然梯度，首先定義得分規則為S，這個得分規則與概率分布P和輸出值y相關，記為S(P,y)。對于正確的概率分布，并期望取得最佳值，概率預測越準確，損失越小，故有

式中：Q為正確的概率分布；P為預測的概率分布。定義得分規則的散度：

得分規則定義需要使得散度非負，并且能夠測量分布間的距離。如果得分規則定義為MIF，則

如果得分規則定義為CRPS(連續概率排位分數)，則

式中F為累計概率分布函數。本來定義CRPS 為

CRPS 對于真實概率，其值最小，散度非負，度量分布距離符合規則的定義要求。對于選擇的得分規則S(θ),滿足 E[?S(θ)]=0,對L關于 θ 求導有

最終的梯度為

對于MIF，有

對于CRPS,有

風電機組的主軸承溫度殘差同樣是一種不確定估計，對主軸承狀態監測實質也是一種故障發生不確定性的概率預測，因此可利用該算法建立主軸承運行狀態決策模型。

為使降低故障決策中單點誤報，獲得較高的預測準確度，本文按天提取主軸承溫度殘差的最大值、最小值、均值、偏度、峰度、中位數、方差、標準差8 個特征，將主軸承正常機組的溫度殘差標簽設置為0，主軸承異常機組重構的溫度殘差標簽設置為1。

6 實例應用驗證

本實驗所采用的SCADA 數據為河北某風電場的歷史數據。選取機組編號為07#、09#、23#、31#、32#、41#、14#、11#、71#、81#，10 臺主軸承正常機組，選取編號為69#、37#、84#、88#、99#、15#、96#、86#、13#、70#的10 臺主軸承異常機組，共計20 臺機組。通過基于LightGBM 的主軸承溫度預測模型計算各機組主軸承溫度殘差，對于異常機組通過AC-GAN 算法重構殘差值。提取主軸承正常機組和主軸承異常機組8 個溫度殘差特征作為狀態決策模型輸入，預測的主軸承正常或異常的概率值作為狀態決策模型輸出。由于主軸承正常機組標簽設置為0，異常機組標簽設置為1，因此，輸出概率在0.5 以上可判斷為異常狀態，0.5以下判斷為正常狀態。溫度殘差特征80%用于訓練狀態決策模型，剩余20%用于測試模型的準確度。按上述流程提取殘差特征后共得到938 組數據。對比分析NGBoost、XGBoost 和隨機森林3 種算法在殘差重構前后測試樣本中的準確性。

NGBoost 算法在測試集上的準確為0.875，混淆矩陣見圖6(a)。采用同樣的特征提取方法提取沒有經過殘差重構的特征，在測試集上的準確度為0.660，混淆矩陣見圖6(b)。XGBoost 算法在測試集上的準確為0.843，混淆矩陣見圖7(a)。采用同樣的特征提取方法提取沒有經過殘差重構的特征，在測試集上的準確度為0.651，混淆矩陣見圖7(b)。

圖6 殘差重構前后故障決策模型混淆矩陣(NGBoost 算法)Fig.6 Confusion matrix of the fault decision model before and after residual reconstruction(NGBoost algorithm)

圖7 殘差重構前后故障決策模型混淆矩陣(XGBoost 算法)Fig.7 Confusion matrix of the fault decision model before and after residual reconstruction(XGBoost algorithm)

隨機森林算法在測試集上的準確為0.750，混淆矩陣見圖8(a)。采用同樣的特征提取方法提取沒有經過殘差重構的特征，在測試集上的準確度為0.642，混淆矩陣見圖8(b)。

圖8 殘差重構前后故障決策模型混淆矩陣(隨機森林算法)Fig.8 Confusion matrix of the fault decision model before and after residual reconstruction (random forest algorithm)

實驗結果表明：在同等條件下，NGBoost 算法在風電機組主軸承狀態決策模型中優于XGBoost 算法和隨機森林算法。而且NGBoost、XGBoost 和隨機森林3 種算法經過殘差重構的狀態決策模型的準確度分別提高了21.5%、19.2%、10.8%，說明基于AG-GAN 的數據重構對風電機組主軸承運行狀態具有良好的預測準確度。

下一步，選取未參與模型訓練和測試的6 臺機組用來驗證基于殘差重構和NGBoost 算法下的準確性和泛化性。選取主軸承正常機組編號為08#、65#、66#，主軸承異常機組編號為10#、85#、91#。

10#機組在2019 年3 月28 號巡檢時發現該機組主軸承振動過大，需要更換主軸承，選取2019年3 月1 號到2019 年3 月30 號的數據。85#機組在2019 年4 月1 號巡檢時有異常響聲，經廠家檢查發現該機組主軸承電腐蝕嚴重，因振動導致平衡環境存在輕微開裂跡象，選取2019 年3 月8 號到4 月4 號的數據。91#機組在2019 年10 月13 號發生主軸承開裂故障，選取2019 年9 月16 號到10月16 號的數據。正常機組隨機選取一個月的數據。

對比分析表5、6，正常機組編號為08#的機組在經過殘差重構后預測的準確率提升了28%，65#機組的準確率提升了3%，66#機組的準確率提升了1%。對比分析表7、8，異常機組編號為10#的機組在經過殘差重構后預測的準確率提升了17%，85#機組的準確率提升了15%，91#機組的準確率提升了7%。

表5 正常機組未經過殘差重構時的概率預測值Table 5 Probability prediction value of the normal wind turbine without residual reconstruction

表6 正常機組經過殘差重構時的概率預測值Table 6 Probability prediction value of the normal wind turbine after residual reconstruction

表7 異常機組未經過殘差重構時的概率預測值Table 7 Probability prediction value of the abnormal wind turbine without residual reconstruction

表8 異常機組經過殘差重構時的概率預測值Table 8 Probability prediction value of the abnormal wind turbine after residual reconstruction

7 結束語

本文以風電機組主軸承為研究對象，針對狀態監測和故障預警中人為設定閾值的相關問題，提出了基于AC-GAN 數據重構的風電機組主軸承狀態監測方法，得到如下結論：

1)采用LightGBM 算法建立主軸承溫度殘差預測模型，并將XGBoost 算法、CatBoost 算法與之對比分析，在同等條件下，LightGBM 算法在主軸承溫度建模中綜合性能優于XGBoost 算法和Cat-Boost 算法。

2)采用滑動窗口提取主軸承異常機組殘差，利用SPC 方法對主軸承異常溫度殘差在控制線范圍內進行篩選，并利用AC-GAN 算法對殘差序列進行重構，解決了人為設定閾值的相關問題，提升了主軸承異常和正常數據標簽標注的準確率。

3)在同等條件下，NGBoost 算法在風電機組主軸承狀態決策模型中優于XGBoost 算法和隨機森林算法。而且，NGBoost、XGBoost 和隨機森林3 種算法經過殘差重構的狀態決策模型的準確度分別提高了21.5%、19.2%、10.8%，選擇6 臺機組進行測試分析(3 臺主軸承正常機組，3 臺主軸承異常機組)，均能夠判斷正確。基于NGBoost 的狀態決策模型的平均準確率從60.5%(無殘差序列重構)提升至72.3%(利用殘差數據重構)。