基于f-AnoGAN风力发电机组随机工况下微弱故障预警方法
王卫玉1
魏加达1
张海2
王思嘉1
张培1
何建军2
1.五凌电力有限公司,长沙 410004;湖南五凌电力科技有限公司,长沙 4100042.长沙理工大学 能源与动力工程学院,长沙 410114
摘要：[目的]为解决风力发电机组齿轮箱随机工况下微弱故障振动信号特征难提取、传统方法工况划分粗糙且故障识别效果有限的问题,构建基于快速无监督生成对抗网络(fast unsupervised Anomaly detection with Generative Adversarial Network,f-AnoGAN)的故障预警模型.[方法]首先,设计36层自编码器作为模型生成器,编码器提取全局特征,解码器完成信号重构,以学习正常信号的全局分布;其次,搭建卷积神经网络作为辨别器,提取局部特征并判别样本真伪,强化对微弱故障局部细节的捕捉能力;然后,融合自编码器的均方误差重构损失与生成对抗网络的二元交叉熵对抗损失,构建加权总损失函数,实现全局与局部特征的协同优化;最后,采用MCC5-THU齿轮箱多模式故障数据集,在学习率0.000 2、迭代100次、批次容量为32的参数下完成模型训练与测试.[结果]结果表明,模型受试者工作特征曲线下面积达0.93,故障判别准确率为96.18%;潜在空间可有效分离正常与异常数据,训练后期损失趋于稳定;该模型无需预设工况划分,可直接从时频图学习正常模式,实现随机工况下微弱故障的精准预警,弥补传统时频域分析的不足,为风电齿轮箱微弱故障在线预警提供参考.
关键词：f-AnoGAN风力发电机组微弱故障预警振动信号随机工况
分类号：TM315(电机)
资助基金：湖南省自然科学基金项目(2024JJ9168)
论文发表日期：2026-07-15
在线出版日期：2026-09-12（本平台首次上网日期，不代表文献的发表时间）
页数：9( 154-162 )
英文信息