基于双流生成对抗网络数据增强的风电机组智能故障诊断

TM315; 针对实际工况下风电机组故障数据难以获取,现有数据增强方法对1维数据特征提取效果不佳的问题,提出一种基于双流生成对抗网络(DSGAN)的小样本智能故障诊断方法.设计了一种新的双流网络,通过深度特征提取流与时间特征提取流对风电机组故障数据进行深度与时间双特征提取.提出一种全局特征引导的自适应加权融合(GFG-AWF)模块对提取的双特征进行融合,并通过引入对抗生成思想,设计DSGAN完成小样本数据的增强.构建基于增强数据集辅助的双流诊断网络实现故障分类识别.利用轴承试验台数据与实际风电机组运行数据对所提方法进行了验证,最终诊断准确率达到98%,表明所提方法可以有效解决小样本的故障诊断问...

Full description

Saved in:
Bibliographic Details
Published in电力自动化设备 Vol. 44; no. 11; pp. 94 - 102
Main Authors 李东泽, 齐咏生, 刘利强, 马然, 李永亭, 刘思哲
Format Journal Article
LanguageChinese
Published 大规模储能技术教育部工程研究中心,内蒙古自治区 呼和浩特 010080 01.11.2024
内蒙古自治区高等学校智慧能源技术与装备工程研究中心,内蒙古自治区 呼和浩特 010080
内蒙古工业大学 电力学院,内蒙古自治区 呼和浩特 010080
Subjects
wind turbine unit
generative adversarial network
生成对抗网络
小样本
fault diagnosis
data augmentation
故障诊断
数据增强
风电机组
small sample
Online AccessGet full text
ISSN1006-6047
DOI10.16081/j.epae.202407019

Cover

More Information
Summary:TM315; 针对实际工况下风电机组故障数据难以获取,现有数据增强方法对1维数据特征提取效果不佳的问题,提出一种基于双流生成对抗网络(DSGAN)的小样本智能故障诊断方法.设计了一种新的双流网络,通过深度特征提取流与时间特征提取流对风电机组故障数据进行深度与时间双特征提取.提出一种全局特征引导的自适应加权融合(GFG-AWF)模块对提取的双特征进行融合,并通过引入对抗生成思想,设计DSGAN完成小样本数据的增强.构建基于增强数据集辅助的双流诊断网络实现故障分类识别.利用轴承试验台数据与实际风电机组运行数据对所提方法进行了验证,最终诊断准确率达到98%,表明所提方法可以有效解决小样本的故障诊断问题.
ISSN:1006-6047
DOI:10.16081/j.epae.202407019