摘要：利用状态监测与故障诊断能够确保风电机组运行的可靠性与安全性。为了解决风电机组故障诊断适用性差、精度低的问题，针对风电机组早期故障预警及定位工作，在传动链故障诊断中引入深度学习算法，基于监控数据采集系统提供的数据基础，结合稀疏字典对对抗变分自动编码器（AVAE）进行改进，引入非线性深度表示，以降低数据维数，进而实现对原始数据内在特征的多样化、有效提取。同时，提出了一种AVAE-SDL故障诊断模型，可以有效排除训练过程中随机噪声造成的影响，有利于从高维数据中进一步提取内在特征。案例分析结果证明，AVAE-SDL故障诊断模型能够准确检测出机组故障，不存在误报情况，可作为风电机组传动链故障诊断的可靠工具。

　　关键词：风电机组，对抗变分自动编码器，稀疏字典学习，传动链故障

　　0引言

　　科学、有效的早期故障识别有助于风电机组避免运行风险，降低运维成本，减少故障损失[1]。传动链作为风电机组中的关键组件之一，承载着极高的动态载荷，极容易发生故障，若无法实现早期故障精准识别，极有可能造成其他部件的损坏，从而引发重大后果和损失，导致长时间停机检修，影响风电机组的运行效益。由此可见，对风电机组传动链进行状态监测和早期故障检测，能够及时发现潜在故障，确保风电机组的稳定、安全运行[2]。

　　监控数据采集系统（SCADA）和状态监测系统（CMS）作为风电机组状态监测常用的系统，具有丰富的监测数据，如转速、风速、电流、电压等。现阶段，SCADA数据在风电机组早期故障检测中的应用十分广泛，如开展基于功率的SCADA数据故障检测，或利用SCADA数据进行故障检测及状态检测研究，包括聚类、正常行为建模、损害建模、专家评估等[3-4]。而深度学习在其中的应用成为目前的研究热点，使深入了解风电机组传动链SCADA数据的内在特征成为可能，如基于时间序列和卷积神经网络的深度学习故障检测和分类方式等。文献[5-6]基于无线传感器网络对风电机组CMS中常见的故障实现三级检测与隔离。但常规深度学习方法需要对原始数据进行大量训练，计算成本较高。同时，考虑异常数据仅占SCADA数据中的少部分，单纯依靠特征提取对故障进行判断，容易导致深度学习陷入局部最优解，影响故障检测的精准程度。而对抗变分自动编码器（AVAE）结合了变分自编码和生成对抗网络的优势，可以将编码器与解码器的中间层作为鉴别器输入，有效解决了分布噪声导致的异常检测结果。稀疏字典学习（Sparse Dictionary Learning，SDL）作为表示原始数据内在特征的工作，常用于故障特征提取[7]。基于此，将AVAE引入SDL的非线性深度表示，通过对数据维数的降低，实现对故障隐藏特征的有效提取，以实现对风电机组传动链故障的精准检测。

　　1关键技术分析

　　1.1对抗变分自动编码器

　　生成对抗网络（Generative Adversarial Network，GAN）和变分自动编码器（Variational Autoencoder，VAE）均是从潜在编码中对目标数据进行生成，但传统VAE所生成的潜在编码并非一一对应输入样本，导致潜在编码的分类性能不佳。由此，本文结合GAN和VAE的优势提出了AVAE模型，可以通过判别器分别出真实数据和假数据，其中真实数据也就是唯一潜在编码。在AVAE模型中，GAN和VAE共用一个生成器，且GAN能够实现对潜在编码及生成隐式表示之间存在差异的限制，从而有效解决传统GAN和VAE应用过程中出现的模糊或不稳定问题[8-9]。1.2稀疏字典学习稀疏字典学习中字典学习能够实现对重要特征的提取，而稀疏表示则可以对冗余或不相关特征进行有效去除，SDL在故障诊断中具有广泛应用。SDL分为字典构建和稀疏编码两个阶段，可以认为是对预先计算构建的字典进行稀疏表示，也就是用更少的资源表示更多的知识。在SDL中，样本Z是由字典Dic和稀疏矩阵A的组合表示，其中A是Dic下同Z相对应的稀疏系数矩阵。想要实现SDL主要有两个步骤：第一，固定Dic并对Z对应的A进行计算；第二，待确定系数A之后，利用K-奇异值分解对Dic进行更新。利用式（1）可用于更新原子：

　　式中：Em为误差向量，dm为Dic中的列向量，而am为稀疏矩阵的行向量。

　　2基于SDL的AVAE设计

　　结合AVAE和SDL各自的优势特点，将二者结合在一起提出AVAE-SDL，并将其应用于对潜在编码重要特征的提取之中，既具备GAN的对抗性，又具有VAE的后验学习能力，可显著提高故障检测的精准程度[10]。AVAE-SDL的结构如图1所示。AVAE-SDL模型主要包括编码器和解码器更新、判别器更新及字典更新3个步骤。

　　2.1编码器和解码器更新

　　将真实数据X输入编码器之中得到潜在码ZI：

　　式中等式右侧第1项为编/解码器的重构误差，第2项为KL散度，第3、4项则是SDL损失函数。

　　2.2判别器更新

　　在判别器中输入更新后的ZI与ZS，前者为真，后者为假，利用损失函数即可对判别器中的参数、ZI与ZS进行更新。

　　2.3字典更新

　　将更新完的ZS输入SDL之中，利用损失函数LSDL完成对字典和稀疏矩阵的更新：

　　稀疏字典训练步骤为：

　　（1）初始化参数：通过对AVAE中ZS的奇异值分解，将U之前M列当做初始字典Dic的原子，得到初始字典。

　　（2）稀疏编码：基于ZS的奇异值分解和字典Dic开始稀疏编码，利用正交匹配计算得出稀疏矩阵。

　　（3）逐列更新字典。当字典Dic更新至m列时，对相应的误差矩阵进行计算。并结合误差矩阵和式（5）对SVD进行计算，生成新的U，S，V的第一列，以实现对字典m列的更新。

　　（4）重复上述两个步骤，直至收敛到预先制定的误差。

　　3基于AVAE-SDL的传动链故障诊断
       3.1故障诊断模型

　　基于上述提出的AVAE-SDL模型，对风电机组传动链故障诊断模型进行设计，整个模型结构如图2所示。

　　基于上述模型，风电机组传动链故障诊断流程如下：

　　（1）收集SCADA数据并进行预处理。

　　（2）AVAE-SDL模型训练，对异常评分进行计算，并采用指数加权移动平均控制图进行平滑评分，从而对故障阈值进行确定，对不同训练次数的模型予以保存。

　　（3）采用上述相同的流程，将测试数据输入模型之中，对评分进行计算，通过绘制EWMA图对风电机组传动链是否存在故障进行判断，并将测试数据输入到不同训练次数下的模型之中，通过对测试结果的分析判断模型的稳定性。

　　（4）对SCADA数据中各项参数的残余误差进行计算，最终对传动链故障位置进行确定。

　　在上述模型中，风电机组传动链故障程度的异常评分可采用下式进行计算：

　　式中：Y和X分别有N行n列；i为行数；ξ为常数，取值为0.1。

　　异常评分由AVAE重构误差和稀疏字典学习误差两部分组成。在模型的训练过程中，SDL负责对潜在编码进行提取，并将其作为损失函数的一部分参与反向传播，以提高重构误差的准确度。由此，本模型的异常检测以重构误差为主，以稀疏字典学习误差为补充，有助于模型检测稳定性的提升[11]。

　　同时，SCADA数据中各项参数的残余误差计算方法如下：

　　3.2数据预处理

　　对于风电机组的SCADA数据而言，传动链的相关运行参数会依照相应的频率进行采集和保存。在SCADA数据输入故障诊断模型之前，需要先对数据进行预处理操作，主要包括两个方面。

　　（1）异常值剔除。在SCADA数据中因风速测量失准等因素的影响，导致存在部分与正常功率曲线相偏离的异常值。但考虑到这些异常值具有随机性和复杂性的特点，所以不适宜参与模型训练，必须将其剔除。由此，采用四分法对SCADA原始数据进行筛选。首先，将比0小的风速和有功功率数据去除，并将风速划分为相应的数据段，间隔为0.1 m/s，针对各段风速数据，对应的有功功率上四分位数Q3和下四分位数Q1，通过计算得出IQR为Q3减去Q1。由此，可以明确上下界，分别为Q3+2IQR和Q1-2IQR，保留上下界之间的数据。此外，将剔除掉的风速及有功功率所对应的同一时刻t内的其他参数数据也进行剔除。

　　（2）归一化处理。在剔除掉SCADA数据中的异常值之后，还需要对各项参数数据进行归一化处理，进一步对数据的维度进行消除，从而提高故障诊断模型的准确性。在此过程中采用最大—最小归一化的方法[12-13]。

　　4案例分析

　　选择存在齿轮箱故障的风电机组，对上述构建的AVAE-SDL故障诊断模型进行案例分析。在AVAE-SDL故障诊断模型中，编码器和解码器均包括3层一维卷积和2层残差网络，判别器则由4层一维卷积构成。

　　在对SCADA数据参数的选择方面，主要选择转速、风速、有功功率、三相电源和电流等，并且还需选取齿轮箱油压和不同部件温度等敏感性良好的参数[14]。

　　4.1故障诊断

　　在选择的风电机组案例中，机组齿轮箱存在故障，齿轮箱前后连接的大部分螺栓发生断裂，箱内油液出现渗漏，弹性支撑橡胶垫也出现倾斜。之后由齿轮箱生产商进行维修检查，确认前后齿轮箱出现破碎，环形齿轮与行星齿轮均出现变形和开裂的情况。由此，以1 min为采样间隔，得到SCADA数据参数，表1所示为部分参数展示。

　　确定训练次数100次，对模型训练结果进行EWMA控制图绘制，从控制图中能够发现当发生故障时，案例风电机组测试集超过计算出的阈值，与故障实际发生时间保持一致，待进行维修更换之后，测试集又恢复到正常的阈值范围之内[15]。

　　同时，对案例风电机组各项SCADA数据参数的残差进行分析，可知在故障发生时，齿轮箱高速轴的前后轴承温度、进口油压和油温出现明显上升，而机舱温度，有功功率和出口压力虽然有一定程度的上升，但并不显著。而其他数据参数则并没有在故障周期内出现显著变化。这些数据表现说明风电机组传动链中的齿轮箱可能发生故障，经检查验证测试结果和实际故障情况保持一致。

　　4.2与其他故障诊断方法对比

　　为进一步验证AVAE-SDL模型应用于风电机组传动链故障诊断中的可行性与稳定性，采用上述案例，将AVAE-SDL模型分别与AnoGAns和AVAE这两种方法进行比较。

　　AnoGAns是一种改进后的生成对抗网络训练不稳定算法，在保持相同卷积层的条件下，将训练次数设置在50~150。结果显示，AnoGAns模型在训练次数为50次时，无法检测到案例风电机组齿轮箱发生的故障异常，而在训练次数在60~80次时，即便已经对故障部件进行更换，检测到的数据仍比阈值要大，发生误报情况。而AVAE是基于生成对抗网络的概率自动编码器，在保持相同卷积层的条件卜，将训练次数设置在50"150，结果显示，AVAE模型在训练次数为50时，无法检测到风电机组齿轮箱发生的故障异常，并且在训练次数为50、80、90、120、140、150时均发生误报情况。

　　对无法获取稳定故障检测的原因进行分析:可能由于故障检测过程中随机噪声和真实数据之间具有较大的分布差异，从而导致判别器容易陷入局部寻优，造成难[6]以持续更新生成器的梯度，导致生成器和判别器很难实现同时收敛，最终形成检测误差，结果稳定性不足。

　　上述两种对比方法在故障检测过程中主要采用误差生成、判别和重构的方式实现模型更新，难以对潜在编码的内在特征提取效果进行有效的衡量。通常情况下，SCADA中保存的数量维度较多，数量巨大，在对编码器进行降维处理来实现对潜在特征的提取过程中，容易出现信息丢失或冗余的情况。而AVAE-SDL模型可以借助AVAE包含的潜在空间对字典进行构建，在解决高维特征提取难题的同时，实现对数据分布及结构特征的深度挖掘。同时，SDL在模型中的应用，能够通过损失更新尽可能规避噪声和真实数据之间分布差异的影响，显著提高模型检测的有效性与稳定性.

　　5结束语

　　针对风电机组传动链故障早期检测准确度低的问题，提出一种基于AVAE和SDL的风电机组传动链故障诊断模型，结合二者优势实现对风电机组SCADA数据的异常检测，具有较高的有效性和稳定性。在AVAE-SDL模型中，SDL对AVAE中的潜在编码进行稀疏表示，进一步避免随机噪声对检测结果带来的影响，同时二者的交叉训练也能进一步促进对SCADA高维数据内在特征的提取。通过将模型引入案例进行分析，结果证明所提出的AVAE-SDL模型检测结果准确无误，在故障发生时，检测结果都超过阈值，且在故障检修完毕后恢复到正常值范围之内。由此可见，基于AVAE和SDL的风电机组传动链故障诊断模型具有较高的稳定性，可以作为风电机组传动链故障诊断的可靠工具。

　　参考文献：

　　[1]王振宇，王平，李永龙。自适应同步压缩小波变换的风电机组传动链故障诊断方法研究[J]。山西电力，2022(2):11-14.

　　[2]仇世龙。李辉，龚立娇，等，电网短路故障下双馈风电机组传动链杻振疲劳可靠性分析[J1，太阳能学报、2022.43(2):380-388.

　　[3]二电男素织自动化2机组传动链故障诊断[J].电力系统自动化,2021,45(22):167-173.

　　[4]张永正，李恭斌，于海龙。等，风电机组传动链综合状态监测与故障诊断技术探讨[J].产业与科技论坛，2021，20(18):37-39.

　　[5]丁显，徐进，汤海宁，等。风电机组传动链典型故障特征提取方法[J].可生能源，2020，38(3):319-325.李辉，王晓,采兆森，等电网短路故障下双馈风电机组传动

　　[7]刘志刚,赵晓燕张涛等、风电机组传动链故障智能识别算链扭振响应[J]。电测与仪表，2019，56(13):7-15.法研究[J]，机械传动。201842(9):164-167.

　　[8]任岩，张锴，风电机组传动链综合状态监测与故障诊断技术J.排机布工程学报。2018.36(7:613-616,631.

　　[9]黄海基于WKCNN的风电机组轴承声信号故障诊断研究[J].电子技术与软件工程，2023(2):97-100.

　　[10]王鹏程，邓艾东，凌峰，等。基于PS0-SEBD的风电机组滚动轴承故馆诊断IJ1。振动与冲未，2023，42(7):281-288.

　　[11]王国锋，张旭东，汪菲，等。基于优化EFD算法的风电行星齿轮箱故障诊断研究[J]。天津大学学报(自然科学与工程技术版.2028.5614-355-360

　　[12]许同乐，苏元浩，孟良，等，优化GAN的风电机组齿轮箱故障诊断方法[J]。北京邮电大学学报，2023，46(3):62-66.

　　[13]熊燕邹自明程加学等.一种自适应CS算法及其在风电齿轮箱故障诊断中的应用[J].机械传动，2023，47(1):132-137.

　　[14]肖志荣，李雯，龚永康，等，基于SOM神经网络的旋转机械管故障诊断J』机电工程技术，2022,5 1(10):129-13 2203

　　[15毛水莲杨朋飞李东风场叶片故障诊断分析与维护探讨[J].机电工程技术，2022，51(5):279-282.