基于改进辅助分类生成对抗网络的风机主轴承故障诊断

卢锦玲; 张祥国; 张伟; 郭鲁豫; 闻若彤

doi:10.7500/AEPS20200415002

您当前的位置：

首页 >

文章列表页 >

基于改进辅助分类生成对抗网络的风机主轴承故障诊断

研制与开发 | 更新时间：2025-06-16

- 基于改进辅助分类生成对抗网络的风机主轴承故障诊断
- Fault Diagnosis of Main Bearing of Wind Turbine Based on Improved Auxiliary Classifier Generative Adversarial Network
- 电力系统自动化-方正平台 2021年45卷第7期页码：148-154
- 作者机构：
  
  华北电力大学电气与电子工程学院，河北省保定市 071003
- 作者简介：
  
  卢锦玲(1971—)，女，副教授，硕士生导师，主要研究方向：电力系统分析、稳定和控制等。E-mail：lujinling@126.com
  张祥国(1996—)，男，通信作者，硕士研究生，主要研究方向：风电机组故障诊断、深度学习等。E-mail：1754556098@qq.com
  张伟(1995—)，男，硕士研究生，主要研究方向：微电网运行与控制、深度学习等。E-mail：1132036911@qq.com
- 基金信息：
  
  国家科技支撑计划资助项目(2015BAA06B03)
- DOI：10.7500/AEPS20200415002
  中图分类号：
- 收稿日期：2020-04-15，
  
  修回日期：2020-10-09，
  
  网络出版日期：2021-02-23，
  
  纸质出版日期：2021-04-10
- 稿件说明：
移动端阅览
卢锦玲,张祥国,张伟等.基于改进辅助分类生成对抗网络的风机主轴承故障诊断[J].电力系统自动化,2021,45(7):148-154.

LU Jinling,ZHANG Xiangguo,ZHANG Wei,et al.Fault Diagnosis of Main Bearing of Wind Turbine Based on Improved Auxiliary Classifier Generative Adversarial Network[J].Automation of Electric Power Systems,2021,45(7):148-154.
卢锦玲,张祥国,张伟等.基于改进辅助分类生成对抗网络的风机主轴承故障诊断[J].电力系统自动化,2021,45(7):148-154. DOI： 10.7500/AEPS20200415002.

LU Jinling,ZHANG Xiangguo,ZHANG Wei,et al.Fault Diagnosis of Main Bearing of Wind Turbine Based on Improved Auxiliary Classifier Generative Adversarial Network[J].Automation of Electric Power Systems,2021,45(7):148-154. DOI： 10.7500/AEPS20200415002.

摘要

基于振动信号的风电机组故障诊断方法是风电安全运维领域研究的重点之一。风电机组主轴承较少发生故障，给运用数据挖掘方法判断故障类型带来很大困难。针对该问题，文中提出了一种用于风电机组主轴承故障诊断的数据增强方法。通过对辅助分类生成对抗网络(ACGAN)的适应性进行改进，引入梯度惩罚，构建了改进ACGAN框架，以提高其学习稳定性；在判别器网络中引入池化层，以提升其在多分类场景下提取数据特征的能力。仿真结果表明，所提出的改进ACGAN框架能够实现对原始数据分布特征的有效学习，抗噪声干扰性强，相对于原框架训练过程更稳定，生成数据的质量更高；能够有效平衡风电机组主轴承故障振动数据，进一步提升了风电机组主轴承故障诊断的正确率。

Abstract

The fault diagnosis method of wind turbines based on vibration signals is one of the focuses in the field of safe operation and maintenance of wind power units. Faults in the main bearing of the wind turbine rarely happen

which makes it difficult to use data mining methods to determine the fault type. To solve this problem

a data enhancement method for fault diagnosis of wind turbine main bearings is proposed. By improving the adaptability of auxiliary classifier generative adversarial network (ACGAN) and introducing gradient penalty

an improved ACGAN framework is constructed to improve its learning stability. And a pooling layer is introduced into the discriminator network to enhance its ability to extract data features in multiple classification scenarios. The simulation results show that the improved ACGAN framework can effectively learn the distribution characteristics of the original data

has strong anti-noise interference

is more stable than the original framework in the training process

and has higher quality of generated data; it can effectively balance the fault vibration data of the main bearing of the wind turbine

and further improves the accuracy of fault diagnosis for the main bearing of the wind turbine.

关键词

Keywords

references

张少敏，毛冬，王保义 . 大数据处理技术在风电机组齿轮箱故障诊断与预警中的应用［J］. 电力系统自动化， 2016 ， 40 （ 14 ）： 129 - 134 .

ZHANG Shaomin ， MAO Dong ， WANG Baoyi . Application of big data processing technology in fault diagnosis and early warning of wind turbine gearbox ［J］. Automation of Electric Power Systems ， 2016 ， 40 （ 14 ）： 129 - 134 .

李刚，齐莹，李银强，等 . 风力发电机组故障诊断与状态预测的研究进展［J］. 电力系统自动化， 2021 ， 45 （ 4 ）： 180 - 191 .

LI Gang ， QI Ying ， LI Yinqiang ， et al . Research progress on fault diagnosis and state prediction of wind turbine ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 4 ）： 180 - 191 .

曾军，陈艳峰，杨苹，等 . 大型风力发电机组故障诊断综述［J］. 电网技术， 2018 ， 42 （ 3 ）： 849 - 860 ．

ZENG Jun ， CHEN Yanfeng ， YANG Ping ， et al . Review of fault diagnosis methods of large-scale wind turbines ［J］. Power System Technology ， 2018 ， 42 （ 3 ）： 849 - 860 .

LIU Z ， ZHANG L . A review of failure modes， condition monitoring and fault diagnosis methods for large-scale wind turbine bearings ［J］. Measurement ， 2019 ， 149 ： 1 - 6 .

TSUI K L ， WANG D ， ZHOU Q ， et al . Novel Gauss-Hermite integration based Bayesian inference on optimal wavelet parameters for bearing fault diagnosis ［J］. Mechanical Systems and Signal Processing ， 2016 ， 72 ： 80 - 91 .

SUGUMARAN V ， RAMACHANDRAN K I . Automatic rule learning using decision tree for fuzzy classifier in fault diagnosis of roller bearing ［J］. Mechanical Systems and Signal Processing ， 2007 ， 20 ： 2237 - 2247

SANTOS P ， VILLA L ， RENONES A ， et al . An SVM-based solution for fault detection in wind turbines ［J］. Sensors ， 2015 ， 15 （ 3 ）： 5627 - 5648 .

TANG B ， SONG T ， LI F ， et al . Fault diagnosis for a wind turbine transmission system based on manifold learning and Shannon wavelet support vector machine ［J］. Renewable Energy ， 2014 ， 62 ： 1 - 9 .

XIN Y ， LI S ， WANG J . A novel roller bearing fault diagnosis method based on the wavelet extreme learning machine ［C］// 2017 Prognostics and System Health Management Conference ， July 9 - 12 ， 2017 ， Harbin ， China .

ZHU S ， JIAO B . Fault diagnosis of wind bearing based on multi-scale wavelet kernel extreme learning machine ［C］// The 2nd Annual International Conference on Information System and Artificial Intelligence （ISAI2017 ）， July 14 - 16 ， 2017 ， Tianjin ， China .

ZHANG W ， ZHANG F ， CHEN W ， et al . Fault state recognition of rolling bearing based fully convolutional network ［J］. Computing in Science & Engineering ， 2019 ， 21 （ 5 ）： 55 - 63 ．

HOU R Z . Rolling bearing fault diagnosis based on wavelet packet and improved BP neural network for wind turbines ［J］. Applied Mechanics & Materials ， 2013 ， 347-350 ： 117 - 120 .

ZHANG Jianfu ， SONG Yu ， LI Gang ， et al . A method of fault diagnosis for rolling bearing of wind turbines based on long short-term memory neural network ［J］. Computer Measurement & Control ， 2017 ， 25 （ 1 ）： 16 - 19 .

WANG D ， GUO Q ， SONG Y ， et al . Application of multiscale learning neural network based on CNN in bearing fault diagnosis ［J］. Journal of Signal Processing Systems ， 2019 ， 91 （ 10 ）： 1205 - 1217 ．

赵洪山，闫西慧，王桂兰，等 . 应用深度自编码网络和XGBoost的风电机组发电机故障诊断［J］. 电力系统自动化， 2019 ， 43 （ 1 ）： 81 - 90 .

ZHAO Hongshan ， YAN Xihui ， WANG Guilan ， et al . Fault diagnosis of wind turbine generator based on deep autoencoder network and XGBoost ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 1 ）： 81 - 90 .

GOODFELLOW I ， POUGET-ABADIE J ， MIRZA M ， et al . Generative adversarial nets ［EB/OL］. ［ 2020-01-01 ］. https：//arxiv.org/pdf/1406.2661v1.pdf https://arxiv.org/pdf/1406.2661v1.pdf .

RADFORD A ， METZ L ， CHINTALA S . Unsupervised representation learning with deep convolutional generative adversarial networks ［EB/OL］. ［ 2020-01-01 ］. https：//arxiv.org/abs/1511.06434 https://arxiv.org/abs/1511.06434 .

ARJOVSKY M ， CHINTALA S ， BOTTOU L . Wasserstein generative adversarial networks ［C］// International Conference on Machine Learning ， August 6 - 11 ， 2017 ， Sydney， Australia： 214 - 223 .

史丹青 . 生成对抗网络入门指南［M］. 北京：机械工业出版社， 2018 .

SHI Danqing . Generative adversarial network： a primer ［M］. Beijing ： Machinery Industry Press ， 2018 .

ODENA A ， OLAH C ， SHLENS J . Conditional image synthesis with auxiliary classifier GANs ［EB/OL］. ［ 2020-01-01 ］. https：//arxiv.org/abs/1610.09585 https://arxiv.org/abs/1610.09585 .

谭本东，杨军，赖秋频，等 . 基于改进CGAN的电力系统暂态稳定评估样本增强方法［J］. 电力系统自动化， 2019 ， 43 （ 1 ）： 149 - 160 .

TAN Bendong ， YANG Jun ， LAI Qiupin ， et al . Data augment method for power system transient stability assessment based on improved conditional generative adversarial network ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 1 ）： 149 - 160 .

王守相，陈海文，潘志新，等 . 采用改进生成式对抗网络的电力系统量测缺失数据重建方法［J］. 中国电机工程学报， 2019 ， 39 （ 1 ）： 56 - 64 .

WANG Shouxiang ， CHEN Haiwen ， PAN Zhixin ， et al . A reconstruction method for missing data in power system measurement using an improved generative adversarial network ［J］. Proceedings of the CSEE ， 2019 ， 39 （ 1 ）： 56 - 64 .

WANG Pu ， HOU Borui ， SHAO Siyu ， et al . ECG arrhythmias detection using auxiliary classifier generative adversarial network and residual network ［J］. IEEE Access ， 2019 ， 7 ： 100910 - 100922 .

GULRAJANI I ， AHMED F ， ARJOVSKY M ， et al . Improved training of Wasserstein GANs ［EB/OL］. ［ 2017-08-09 ］. https：//arxiv.org/abs/1704.00028 https://arxiv.org/abs/1704.00028 .

姚乃明，郭清沛，乔逢春，等 . 基于生成式对抗网络的鲁棒人脸表情识别［J］. 自动化学报， 2018 ， 44 （ 5 ）： 865 - 877 .

YAO Naiming ， GUO Qingpei ， QIAO Fengchun ， et al . Robust facial expression recognition with generative adversarial networks ［J］. Acta Automatica Sinica ， 2018 ， 44 （ 5 ）： 865 - 877 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

应用深度自编码网络和XGBoost的风电机组发电机故障诊断

基于堆叠自编码网络的风电机组发电机状态监测与故障诊断

大数据处理技术在风电机组齿轮箱故障诊断与预警中的应用

海上风电机组状态监控技术研究现状与展望