收稿日期：2022-08-17

基金項目：河北省自然科學(xué)基金（F2021203009）；國家自然科學(xué)基金（62273299；61803329）；中央引導(dǎo)地方科技發(fā)展資金（216Z2101G）；河北省

重點研發(fā)計劃（19214306D）

通信作者：江國乾（1987—），男，博士、副教授，主要從事風(fēng)電大數(shù)據(jù)分析及智能運維技術(shù)方面的研究。jiangguoqian@ysu.edu.cn

DOI：10.19912/j.0254-0096.tynxb.2022-1239 文章編號：0254-0096（2023）12-0214-07

摘 要：為實現(xiàn)對風(fēng)電齒輪箱健康評估、發(fā)現(xiàn)齒輪箱部件早期故障，提出一種基于條件卷積自編碼高斯混合模型的風(fēng)電齒輪箱健康評估網(wǎng)絡(luò)。在編碼器部分，同時對傳感器信息和時序信息進(jìn)行編碼解碼并提取壓縮特征，根據(jù)高斯混合模型設(shè)計基于信號本身概率分布的能量設(shè)計評價指標(biāo)進(jìn)行健康評估。根據(jù)核密度估計確定閾值，并利用某真實風(fēng)電場數(shù)據(jù)進(jìn)行實驗，驗證方法的有效性。

關(guān)鍵詞：風(fēng)電機(jī)組；自編碼網(wǎng)絡(luò)；健康評估；高斯混合模型；數(shù)據(jù)采集與監(jiān)控系統(tǒng)

中圖分類號：TP277 """ 文獻(xiàn)標(biāo)志碼：A

0 引 言

隨著全球風(fēng)電機(jī)組裝機(jī)量的提升，對風(fēng)電機(jī)組運行狀態(tài)監(jiān)測的需求也不斷加大，風(fēng)電機(jī)組健康評估對于風(fēng)電設(shè)備維護(hù)有重要意義，可避免風(fēng)電設(shè)備重大損失［1-2］。數(shù)據(jù)采集與監(jiān)控（supervisory control and data acquisition，SCADA）系統(tǒng)能較好地反映風(fēng)電機(jī)組運行情況，基于SCADA系統(tǒng)的風(fēng)電系統(tǒng)性能評估受到關(guān)注［3］。以往方法較多采用機(jī)器學(xué)習(xí)方法融合SCADA系統(tǒng)傳感器變量，建立基于正常運行狀態(tài)下的殘差模型，根據(jù)數(shù)個預(yù)測值與真實值的殘差值進(jìn)行狀態(tài)評估或預(yù)警［4-6］。但這些方法往往難以根據(jù)數(shù)據(jù)本身的特征做出健康評估，易丟失一些可反映故障發(fā)生的關(guān)鍵信息。

深度學(xué)習(xí)方法通過其強(qiáng)大的對高維度特征的學(xué)習(xí)能力和對深維度特征的挖掘能力，在風(fēng)電齒輪箱健康評估時可根據(jù)重構(gòu)誤差分析，即預(yù)測值與真實值之間的重構(gòu)誤差來對機(jī)組健康狀態(tài)進(jìn)行有效評估。將SCADA數(shù)據(jù)中大量的傳感器變量融合為對應(yīng)的殘差值，之后通過深度學(xué)習(xí)再進(jìn)行分析。劉輝海等［7］利用重構(gòu)誤差實現(xiàn)齒輪箱故障檢測，網(wǎng)絡(luò)模型選擇深度受限玻爾茲曼機(jī)，通過構(gòu)建齒輪箱監(jiān)測模型實現(xiàn)自適應(yīng)閾值分析；褚景春等［8］針對風(fēng)電機(jī)組轉(zhuǎn)速超限故障的特性設(shè)計網(wǎng)絡(luò)模型，將故障樹和概率神經(jīng)網(wǎng)絡(luò)相結(jié)合提出一種故障診斷方法，取得了較好的識別效果。以上模型方法的輸出為多個輸出變量的融合，能較好地表征齒輪箱健康狀態(tài)。

然而，SCADA數(shù)據(jù)具有時序相關(guān)性，且含有豐富的設(shè)備運行信息。上述方法評估風(fēng)電機(jī)組齒輪箱健康程度時并未同時考慮風(fēng)電機(jī)組SCADA時序特性且評價指標(biāo)未考慮SCADA信號本身分布特性，對SCADA信號時序特征和傳感器特征并未深度挖掘，導(dǎo)致在評估風(fēng)電齒輪箱健康狀態(tài)時魯棒性較差［9］。使用一組多變量SCADA數(shù)據(jù)及其時序特征作為輸入，特征提取網(wǎng)絡(luò)為條件卷積自編碼的高斯混合模型能較傳統(tǒng)的深度自編碼器高斯混合模型（deep autoencoding Gaussian mixture Model，DAGMM）［10］更好地提取SCADA參數(shù)之間的低維特征，并輸出給高斯混合模型評估網(wǎng)絡(luò)，從而更好地反映即將發(fā)生的齒輪箱故障。

根據(jù)少數(shù)幾個傳感器變量設(shè)置評價指標(biāo)，一些故障信息可能被忽視造成評價不準(zhǔn)確或漏報警。針對上述問題，提出基于條件卷積自編碼壓縮網(wǎng)絡(luò)的高斯混合模型（conditional convolutional autoencoder Gaussian mixture model，CCAE-GMM），可將高維的SCADA數(shù)據(jù)進(jìn)行低維表示，根據(jù)基于信號本身能量分布的概率指標(biāo)進(jìn)行健康評估，并結(jié)合核函數(shù)密度估計的閾值，最后實現(xiàn)齒輪箱健康評估和故障早期預(yù)警。

1 基本原理

在評估風(fēng)電機(jī)組齒輪箱健康狀態(tài)的過程中，傳統(tǒng)的DAGMM模型可通過壓縮網(wǎng)絡(luò)對風(fēng)電機(jī)組傳感器變量特征壓縮，并通過評估網(wǎng)絡(luò)計算基于SCADA信號的能量值分布進(jìn)行健康評估。但傳統(tǒng)DAGMM模型的壓縮網(wǎng)絡(luò)模塊自編碼器的連接層為全連接層，對時序數(shù)據(jù)的特征學(xué)習(xí)能力較差。使用CCAE作為壓縮網(wǎng)絡(luò)，能更好地處理SCADA數(shù)據(jù)這種多變量時間序列。

1.1 條件自編碼網(wǎng)絡(luò)原理

條件自編碼網(wǎng)絡(luò)（conditional autoencoder，CAE）是在傳統(tǒng)的自編碼器網(wǎng)絡(luò)基礎(chǔ)上，結(jié)合對時序信息的挖掘，經(jīng)過對輸入及特征學(xué)習(xí)層的改進(jìn)而產(chǎn)生的。在基于CCAE的監(jiān)測方法中，將一組SCADA參數(shù)的多個連續(xù)觀測（數(shù)據(jù)點）作為輸入。CAE將數(shù)據(jù)的時間戳作為輸入重構(gòu)的輸入條件，重構(gòu)此類輸入并返回重構(gòu)誤差。與CAE和AE相比，基于CCAE的方法對數(shù)據(jù)模式的變化提供了更穩(wěn)健的監(jiān)測性能，并提供了更早的葉片破損警報。CCAE比AE對風(fēng)電機(jī)組的異常模式更敏感，但當(dāng)數(shù)據(jù)模式發(fā)生變化時，CCAE也會變得過于敏感。楊羅瀟等［11］提出一種基于條件卷積自動編碼器（CCAE）的監(jiān)測方法，用于提前檢測即將發(fā)生的風(fēng)電機(jī)組葉片斷裂。

在原始SCADA數(shù)據(jù)集中，每個時間戳由年份、日期和時間組成，例如2018年9月22日06：54：32。這些時間戳在輸入CAE模型之前通過one-hot編碼被轉(zhuǎn)換成數(shù)字形式。年和秒不包括在編碼的時間戳中，如圖1，展示出了將時間戳轉(zhuǎn)換為一個one-hot編碼的過程。與AE相比，SCADA數(shù)據(jù)的時間序列信息被視為CAE輸入的一部分，作為編碼和解碼過程的條件從而對數(shù)據(jù)點之間的時間關(guān)系進(jìn)行建模，并檢測相關(guān)異常。整體CCAE架構(gòu)如圖2所示，CCAE模型通過考慮時間信息將輸入映射到潛在變量。

1.2 深度自編碼高斯混合模型原理

深度編碼器高斯混合模型是2018年提出的一種異常檢測方法［10］。DAGMM以深度自編碼網(wǎng)絡(luò)作為壓縮網(wǎng)絡(luò)，以高斯混合模型作為評估網(wǎng)絡(luò)。深度自編碼網(wǎng)絡(luò)將原始信號進(jìn)行降維處理，將低維特征和重構(gòu)誤差輸入到評估網(wǎng)絡(luò)，通過高斯混合模型得到信號能量值分布。

原始網(wǎng)絡(luò)輸入在低維表征下可較好地區(qū)分出部分樣本異常，為了網(wǎng)絡(luò)學(xué)習(xí)到更多空間時序特征，將壓縮網(wǎng)絡(luò)和評估網(wǎng)絡(luò)連接，使壓縮網(wǎng)絡(luò)在特征提取時也可以學(xué)習(xí)到評估網(wǎng)絡(luò)的評價信息，使多變量時間序列的低維、時序特征和條件自編碼器的重構(gòu)誤差融合成一組新的特征變量輸入到評估網(wǎng)絡(luò)。

壓縮網(wǎng)絡(luò)中通過深度自編碼網(wǎng)絡(luò)學(xué)習(xí)到的低維特征表示為：

[zc=hx;θe]""" （1）

式中：[h?]——編碼函數(shù)；[x]——構(gòu)造的SCADA數(shù)據(jù)樣本；[θe]——自編碼器參數(shù)。

SCADA樣本的[x]重構(gòu)輸出的表達(dá)式為：

[x′=gzc;θd]"""""" （2）

式中：[g·]——解碼函數(shù)；[θd]——卷積自編碼器參數(shù)。

壓縮網(wǎng)絡(luò)中從重構(gòu)誤差推導(dǎo)得出的特征表示為：

[zr=fx，x′]"""" （3）

式中：[f·]——計算重建誤差特征的函數(shù)。

最后，整個壓縮網(wǎng)絡(luò)計算輸出的低維特征表示為：

[z=zc，zr] （4）

此時，各個分布的樣本分布由給定特征[Z]與混合成分的個數(shù)特征[K]決定。在高斯混合分布（GMM）中的概率輸出為：

[p=MLNz;θm]""""" （5）

[γ=softmax（p）]"""" （6）

式中：[p]——多層感知器MLN（即評估網(wǎng)絡(luò)）的輸出；[θm]——多層感知器MLN的參數(shù)；[γ]——GMM模型的概率輸出。

GMM中第[k]個成分的混合概率表示為：

[?k=i=1NγikN]""""" （7）

式中：[γi]——低維特征表示[zi]的隸屬預(yù)測結(jié)果；[N]——樣本總數(shù)。

GMM中第[k]個成分的均值表示為：

[μk=i=1Nγikzii=1Nγik]"nbsp; （8）

GMM中第[k]個成分的協(xié)方差表示為：

[Σk=i=1Nγikzi-μkzi-μkTi=1Nγik]""""" （9）

那么，齒輪箱的健康指標(biāo)（health indicator）可定義為：

[HI（z）=-lnk=1K?kexp-12z-μkTΣ-1kz-μk2πΣk]""" （10）

2 基于CCAE-GMM的風(fēng)電齒輪箱健康評估方法

基于CCAE-GMM的風(fēng)電齒輪箱健康評估流程分為離線訓(xùn)練和在線評估兩個部分，如圖3所示。該方法包括多變量時間序列獲取及數(shù)據(jù)歸一化預(yù)處理、篩選風(fēng)電機(jī)組異常數(shù)據(jù)、融合SCADA數(shù)據(jù)的時間戳信息，獲得傳感器特征和時序特征、將處理后的健康數(shù)據(jù)輸入CCAE-GMM模型中，提取時空關(guān)聯(lián)特征、根據(jù)驗證集設(shè)定閾值、將在線數(shù)據(jù)輸入模型并計算健康指標(biāo)，根據(jù)閾值判斷是否故障預(yù)警等部分。

2.1 數(shù)據(jù)預(yù)處理

首先，對數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗。對SCADA離線數(shù)據(jù)，將風(fēng)電機(jī)組正常工況下的樣本數(shù)據(jù)輸入到模型網(wǎng)絡(luò)，剔除風(fēng)電機(jī)組齒輪箱故障異常數(shù)據(jù)。在風(fēng)電機(jī)組運行在工作條件下，機(jī)組正常樣本與異常樣本存在分布上的差異。環(huán)境溫度參數(shù)結(jié)合齒輪箱傳感器數(shù)據(jù)參數(shù)組成的多變量時間序列之間蘊(yùn)含著特定的高維空間數(shù)據(jù)結(jié)構(gòu)特征與分布特征。因此本文對模型的輸入選取了多個維度特征來反應(yīng)風(fēng)電齒輪箱的運行狀態(tài)，其中包含溫度差、功率、風(fēng)速等多源時變的數(shù)據(jù)。

原始風(fēng)功率處理結(jié)果如圖4a所示。對受工況影響最大風(fēng)速功率變量，根據(jù)風(fēng)電機(jī)組的切入切出風(fēng)速剔除不符合條件的功率風(fēng)速點后，如圖4b，在風(fēng)功率曲線中仍有部分代表異常工況的離群點。根據(jù)孤立森林算法通過孤立森林算法對數(shù)據(jù)進(jìn)行清洗，清洗結(jié)果如圖4c。

2.2 數(shù)據(jù)集構(gòu)建與模型參數(shù)設(shè)置

如圖5所示，為消除SCADA數(shù)據(jù)的多源異構(gòu)數(shù)據(jù)的影響，對輸入的測試集數(shù)據(jù)進(jìn)行歸一化處理。為避免測試集對訓(xùn)練集的影響，先對訓(xùn)練集進(jìn)行歸一化，根據(jù)訓(xùn)練集歸一化的參數(shù)，再對測試的數(shù)據(jù)歸一化。模型選取的變量參數(shù)包括工況變量和溫度變量，為消除工況因素及季節(jié)因素對溫度變

量的影響，傳感器溫度變量均減去環(huán)境溫度，以溫差變量作為特征輸入到網(wǎng)絡(luò)。將風(fēng)速和功率數(shù)據(jù)標(biāo)準(zhǔn)化，將時間戳信息one-hot編碼后，與工況變量、溫差變量拼接，作為網(wǎng)絡(luò)的輸入如圖5。經(jīng)過網(wǎng)絡(luò)調(diào)優(yōu)測試，選擇CCAE-GMM模型批訓(xùn)練數(shù)據(jù)為512，選擇模型訓(xùn)練次數(shù)為200次。為加快CCAE-GMM網(wǎng)絡(luò)訓(xùn)練速度，編碼器與解碼器激活函數(shù)選取為 ReLU 激活函數(shù)。

2.3 風(fēng)電齒輪箱健康評估及故障預(yù)警

將風(fēng)電齒輪箱處于健康狀態(tài)下的樣本數(shù)據(jù)作為訓(xùn)練集，進(jìn)行 CCAE-GMM模型訓(xùn)練，獲取最佳網(wǎng)絡(luò)參數(shù)。對即將訓(xùn)練好的健康評估模型進(jìn)行本地存儲。隨著離線監(jiān)測數(shù)據(jù)不斷增加，定期對模型進(jìn)行更新。對在線實時監(jiān)測到的SCADA健康數(shù)據(jù)進(jìn)行預(yù)處理環(huán)節(jié)后， CCAE-GMM 模型經(jīng)過離線加載，并計算健康指標(biāo)。

在多變的運行壓力及多變的環(huán)境工況的影響下，風(fēng)電機(jī)組齒輪箱的SCADA數(shù)據(jù)樣本是非平穩(wěn)的。導(dǎo)致在風(fēng)電機(jī)組在正常運行情況下，此時CCAE-GMM模型輸出的SCADA樣本健康指標(biāo)位于一種動態(tài)平衡狀態(tài)內(nèi)。為加強(qiáng)CCAE-GMM網(wǎng)絡(luò)模型預(yù)警魯棒性，將高斯混合模型輸出的健康指標(biāo)進(jìn)行滑動平均預(yù)處理，以此消除CCAE-GMM網(wǎng)絡(luò)模型重構(gòu)誤差中的噪聲成分。因為原始數(shù)據(jù)采樣間隔為10 min，對故障預(yù)警的效果不佳，所以對輸出的健康指標(biāo)按天采樣平均輸出。本文采用基于核密度估計［12］進(jìn)行閾值評判，以90%作為閾值。

3 齒輪箱案例分析

3.1 數(shù)據(jù)集描述與模型參數(shù)選擇

原始數(shù)據(jù)來源于EDP數(shù)據(jù)集T01機(jī)組2016年1月1日—7月18日的25493條數(shù)據(jù)。原始數(shù)據(jù)存在少量的數(shù)據(jù)丟失情況，考慮到模型選取的變量特征多為溫差特征，變化較為緩慢，故采用平均值填補(bǔ)少量的缺失數(shù)據(jù)。數(shù)據(jù)集包含SCADA系統(tǒng)43維傳感器參數(shù)，選擇的傳感器特征如表1所示。

3.2 健康評估

該風(fēng)電機(jī)組發(fā)生齒輪箱故障的時間及日期為2016年7月18日02：10。選擇T01機(jī)組當(dāng)年1月1日—4月31日的數(shù)據(jù)作為訓(xùn)練集輸入到CCAE-GMM模型中。原始數(shù)據(jù)采樣間隔為10 min，輸出的健康指標(biāo)按天平均輸出。根據(jù)T01機(jī)組處于健康狀態(tài)下輸出的健康指標(biāo)設(shè)置閾值。5月1日至發(fā)生齒輪箱故障7月18日之間的數(shù)據(jù)作為測試集。如圖6a所示，在7月8日超出閾值并預(yù)警，較發(fā)生故障提前了9天。

為討論以條件卷積自編碼器作為壓縮網(wǎng)絡(luò)的高斯混合模型網(wǎng)絡(luò)提取特征的優(yōu)越性，將前端壓縮網(wǎng)絡(luò)分別替換為卷積自編碼模型，傳統(tǒng)自編碼模型和條件自編碼模型分別對齒輪箱故障案例進(jìn)行測試并查看健康評估能力及故障預(yù)警性能。

將前端壓縮網(wǎng)絡(luò)替換卷積自編碼模型，可得到采用未融合時序信息的模型。此時模型的輸入只有傳感器特征變量缺少時序信息。將前端壓縮網(wǎng)絡(luò)替換傳統(tǒng)自編碼模型，這樣傳統(tǒng)DAGMM模型的輸入特征缺少時序信息，而且使用全連接層，因此超參數(shù)少于其他模型且訓(xùn)練較快。將前端壓縮網(wǎng)絡(luò)替換為條件自編碼模型，相比于CCAE-GMM模型，未使用卷積壓縮網(wǎng)絡(luò)的模型的超參數(shù)較少，使網(wǎng)絡(luò)的特征學(xué)習(xí)能力變差。此時模型的輸入為傳感器特征與時序特征的拼接，并在解碼器的端再次輸入時序信息，以強(qiáng)化時序特征的學(xué)習(xí)。

針對齒輪箱發(fā)生故障的3個月數(shù)據(jù)，采用未融合時序信息的傳統(tǒng)自編碼器、傳統(tǒng)DAGMM模型和未使用卷積壓縮網(wǎng)絡(luò)的模型進(jìn)行分析，結(jié)果如圖6所示。對比圖6a、圖6b，因為缺少了時序特征，未融合時序信息網(wǎng)絡(luò)模型雖然可對故障做出預(yù)警，但預(yù)警能力不及加入時序信息的模型強(qiáng)。如圖6c，對于傳統(tǒng)DAGMM，由于缺乏時序特征及網(wǎng)絡(luò)學(xué)習(xí)能力差，模型只能做到單點預(yù)警。如圖 6d，因為壓縮網(wǎng)絡(luò)為傳統(tǒng)自編碼模型，其連接層為全連接層，并不能有效處理時序特征，在多處出現(xiàn)了誤報警的情況。結(jié)合時序信息的卷積自編碼高斯混合模型，可較好地改善DAGMM模型的壓縮網(wǎng)絡(luò)不適合處理有高度時序耦合性數(shù)據(jù)的問題。

為驗證模型的魯棒性，對T01機(jī)組更換部件后的后續(xù)3個月的SCADA數(shù)據(jù)做健康評估結(jié)果如圖7所示。在后續(xù)3個月的健康監(jiān)測過程中，所提的CCAE-GMM并未發(fā)生誤報警的情況（如圖7a）。壓縮網(wǎng)絡(luò)為條件卷積自編碼器時，相較于卷積自編碼器（如圖7b）和傳統(tǒng)自編碼器（如圖7c），對于早期可能反映故障的特征更加敏感，且對風(fēng)電齒輪箱的健康程度反應(yīng)更具有趨勢性、單調(diào)性。在齒輪箱早期健康狀態(tài)時波動更平緩，魯棒性更強(qiáng)。未使用卷積壓縮網(wǎng)絡(luò)的模型誤報警明顯（如圖7d），而傳統(tǒng)DAGMM也出現(xiàn)了少量誤報警情況（如圖7c）。

通過以上分析可看出：所提的CCAE-GMM模型將時序信息與工況信息、溫差信息融合可較好地反映機(jī)組的健康狀態(tài)，對比深度自編碼高斯混合模型、卷積自編碼高斯混合模型、條件自編碼高斯混合模型、對于齒輪箱的故障更敏銳，且趨勢性更好，能反映出風(fēng)電機(jī)組的健康狀態(tài)。

4 結(jié) 論

本文針對現(xiàn)有深度學(xué)習(xí)模型在對風(fēng)電機(jī)組健康評估時，未能充分考慮SCADA信號自身概率能量分布特性和高度的時序相關(guān)性的問題，提出一種基于條件卷積自編碼高斯混合模型的風(fēng)電齒輪箱健康評估方法。通過條件卷積自編碼器壓縮網(wǎng)絡(luò)同時對時序特征和傳感器關(guān)系進(jìn)行編碼解碼并提取壓縮特征，根據(jù)高斯混合模型設(shè)計基于信號本身概率分布的能量指標(biāo)設(shè)計健康指標(biāo)進(jìn)行健康評估。根據(jù)核密度估計確定閾值，實現(xiàn)了對風(fēng)電機(jī)組齒輪箱健康評估及故障預(yù)警。實際案例表明條件卷積自編碼高斯混合模型可改善傳統(tǒng)模型魯棒性差、易出現(xiàn)誤報警的問題，提升了風(fēng)電機(jī)組齒輪箱健康評估的效果。

［參考文獻(xiàn)］

［1］"""" Global" wind" report"" 2017：" annual"" market"" update［R］. Global Wind Energy Council， 2018.

［2］"""" 金曉航， 孫毅， 單繼宏， 等. 風(fēng)力發(fā)電機(jī)組故障診斷與預(yù)測技術(shù)研究綜述［J］. 儀器儀表學(xué)報， 2017， 38（5）： 1041-1053.

JIN X H， SUN Y， SHAN J H， et al. Fault diagnosis and prognosis"" for"" wind"" turbines：" an" overview［J］." Chinese journal of scientific instrument， 2017， 38（5）： 1041-1053.

［3］"""" JIN X H， XU Z W， QIAO W. Condition monitoring of wind turbine generators using SCADA data analysis［J］. IEEE transactions on sustainable energy， 2021， 12： 202-210.

［4］"""" 何群， 尹飛飛， 武鑫， 等. 基于長短期記憶網(wǎng)絡(luò)的風(fēng)電機(jī)組齒輪箱故障預(yù)測［J］. 計量學(xué)報， 2020， 41（10）： 1284-1290.

HE Q， YIN F F， WU X， et al. Fault prediction of wind turbine gearbox based on long short-term memory network［J］. Acta metrologica sinica， 2020， 41（10）： 1284-1290.

［5］"""" WANG X， ZHENG Z， JIANG G Q， et al. Detecting wind turbine" blade" icing" with" a" multiscale" long" short-term memory network［J］. Energies， 2022， 15， 2864.

［6］"""" 金曉航， 許壯偉， 孫毅， 等. 基于SCADA數(shù)據(jù)分析和稀疏自編碼神經(jīng)網(wǎng)絡(luò)的風(fēng)電機(jī)組在線運行狀態(tài)監(jiān)測［J］. 太陽能學(xué)報， 2021， 42（6）： 321-328.

JIN X H， XU Z W， SUN Y， et al. Online condition monitoring for wind turbines based on scada data analysis and sparse auto-encoder neural network［J］. Acta energiae solaris sinica， 2021， 42（6）： 321-328.

［7］"""" 趙洪山， 劉輝海. 基于深度學(xué)習(xí)網(wǎng)絡(luò)的風(fēng)電機(jī)組主軸承故障檢測［J］. 太陽能學(xué)報， 2018， 39（3）： 588-595.

ZHAO H S， LIU H H. Fault detection of wind turbine main bear based on deep learning network［J］. Acta energiae solaris sinica， 2018， 39（3）： 588-595.

［8］"""" 褚景春， 王飛， 汪楊， 等. 基于故障樹和概率神經(jīng)網(wǎng)絡(luò)的風(fēng)電機(jī)組故障診斷方法［J］. 太陽能學(xué)報， 2018， 39（10）： 2901-2907.

CHU J C， WANG F， WANG Y， et al. Fault diagnosis method of wind turbine based on fault tree and probabilistic"" neural"" network［J］." Acta"" energiae" solaris sinica， 2018， 39（10）： 2901-2907.

［9］"""" 任建亭， 湯寶平， 雍彬， 等. 基于深度變分自編碼網(wǎng)絡(luò)融合SCADA數(shù)據(jù)的風(fēng)電齒輪箱故障預(yù)警［J］. 太陽能學(xué)報， 2021， 42（4）： 403-408.

REN J T， TANG B P， YONG B， et al. Wind turbine gearbox fault warning based on depth variational autoencoders network fusion scada data［J］. Acta energiae solaris sinica， 2021， 42（4）： 403-408.

［10］""" QI S. Deep autoencoding Gaussian mixture model for unsupervised anomaly detection［EB/OL］. 2018-2015，https：//sites.cs.ucsb.edu/～bzong/doc/iclr18-dagmm.pdf.

［11］""" YANG L X， ZHANG Z J. A Conditional convolutional autoencoder-based method for monitoring wind turbine blade"" breakages［J］." IEEE"" transactions"" on"" industrial informatics， 2020， 17（9）： 6390-6398.

［12］""" JIANG G Q， XIE P， HE H B， et al. Wind turbine fault detection using a denoising autoencoder with temporal information［J］. IEEE/ASME transactions on mechatronics， 2018， 23（1）： 89-100.

HEALTH ASSESSMENT OF WIND TURBINE GEARBOX BASED ON CONDITIONAL CONVOLUTION AUTOENCODING GAUSSIAN

MIXTURE MODEL

He Qun1，Li Yeyang1，Jiang Guoqian1，Su Nan1，Xie Ping1， Wu Xin2

（1. School of Electrical Engineering， Yanshan University， Qinhuangdao 066004， China；

2. Jiangsu Guoke Intelligent Electric Co.， Ltd.， Nantong 226400， China）

Abstract：To achieve health evaluation and detect wary faults of wind turbine gearboxes， a new conditional convolutional autoencoding Gaussian mixture model is proposed. The sensor information and temporal information are first encoded and decoded at the same time， and the compressed features are extracted. Then， the extracted features are input to the Gaussian mixture model to calculate the energy index based on the probability distribution as the health index for health assessment. Finally， the threshold is determined using the kernel density estimation algorithm. The effectiveness of the proposed method is verified with the supervisory control and data acquisition（SCADA） data from a real wind farm.

Keywords：wind turbines； conditional autoencoding network； health assessment； Gaussian mixture model； SCADA