基于CNN-BiGRU的風(fēng)機(jī)葉片故障診斷*

王永平，張蕾，張曉琳，徐立，韓朋，張飛,3

(1.內(nèi)蒙古科技大學(xué) 信息工程學(xué)院，內(nèi)蒙古 包頭 014010；2.包頭醫(yī)學(xué)院 計(jì)算機(jī)科學(xué)與技術(shù)系，內(nèi)蒙古 包頭 014010；3.華北電力大學(xué) 可再生與清潔能源學(xué)院，北京 102206)

風(fēng)能作為可持續(xù)的清潔能源，由于其安全性、穩(wěn)定性及低成本，在可再生能源的未來發(fā)展中發(fā)揮著重要作用.風(fēng)機(jī)葉片是風(fēng)電機(jī)組進(jìn)行能量轉(zhuǎn)換的核心部件之一，極易受溫度低的影響而造成葉片結(jié)冰故障.對風(fēng)機(jī)葉片進(jìn)行及時(shí)準(zhǔn)確的結(jié)冰故障診斷，可以提高風(fēng)電場的發(fā)電效率和風(fēng)電機(jī)組的運(yùn)行壽命.

目前，風(fēng)機(jī)葉片結(jié)冰故障診斷常采用無損檢測技術(shù)，其中最突出的是聲發(fā)射檢測技術(shù)[1]、振動(dòng)檢測技術(shù)[2]以及無人機(jī)檢測技術(shù)[3].除無損檢測技術(shù)外，還有超聲波[4]、光纖光柵[5]等損傷識(shí)別技術(shù).超聲波主要在風(fēng)機(jī)出廠前的靜態(tài)檢測中應(yīng)用，聲發(fā)射與振動(dòng)等動(dòng)態(tài)檢測需要在葉片外加裝傳感器收集葉片動(dòng)態(tài)信息，成本高且容易破壞葉片動(dòng)力學(xué)特性[6]，而無人機(jī)檢測技術(shù)需要停機(jī)檢測，且存在續(xù)航時(shí)間短、飛行受環(huán)境因素制約等缺點(diǎn)[7].

SCADA系統(tǒng)作為當(dāng)前應(yīng)用最為廣泛、技術(shù)發(fā)展最為成熟的數(shù)據(jù)采集與監(jiān)控系統(tǒng)，由于其蘊(yùn)含豐富的風(fēng)電機(jī)組的運(yùn)行狀態(tài)信息且無需安裝額外的傳感器從而降低監(jiān)測和維修的成本，因此在大量風(fēng)電設(shè)備中得到應(yīng)用[8].目前基于SCADA數(shù)據(jù)的風(fēng)機(jī)葉片結(jié)冰故障診斷方法常用機(jī)器學(xué)習(xí)方法和深度學(xué)習(xí)方法.文獻(xiàn)[9]采用支持向量機(jī)和隨機(jī)森林模型與Stacking策略相結(jié)合的方法對特征選擇后的SCADA數(shù)據(jù)進(jìn)行訓(xùn)練，有效診斷風(fēng)機(jī)葉片結(jié)冰故障.然而，基于“信號處理的特征提取+機(jī)器學(xué)習(xí)”故障分類的傳統(tǒng)診斷方法需要復(fù)雜的信號處理技術(shù)以及大量的診斷經(jīng)驗(yàn)，不能達(dá)到風(fēng)機(jī)葉片智能診斷的要求.目前故障診斷領(lǐng)域研究的熱點(diǎn)是應(yīng)用深度學(xué)習(xí)方法實(shí)現(xiàn)數(shù)據(jù)的自主學(xué)習(xí).文獻(xiàn)[10]提出一種基于小波系數(shù)的全卷積神經(jīng)網(wǎng)絡(luò)處理風(fēng)力發(fā)電機(jī)的SCADA數(shù)據(jù)，通過對小波系數(shù)的改進(jìn)增強(qiáng)特征信息，完成風(fēng)機(jī)葉片故障特征提取和分類.文獻(xiàn)[11]采用滑動(dòng)窗口和投票系統(tǒng)等預(yù)處理方法，將原始SCADA數(shù)據(jù)轉(zhuǎn)化為新的數(shù)據(jù)形式擬合長短期記憶網(wǎng)絡(luò)，用于風(fēng)機(jī)葉片故障檢測.上述方法需要對數(shù)據(jù)進(jìn)行復(fù)雜的預(yù)處理，僅從數(shù)據(jù)的變量之間或者時(shí)間序列方面進(jìn)行分析，忽略了SCADA數(shù)據(jù)存在變量關(guān)聯(lián)和時(shí)序依賴等特殊性，影響故障判別結(jié)果的準(zhǔn)確率.

選用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks, CNN)，雙向門控循環(huán)單元(Bidirectional Gated Recurrent Unit, BiGRU)，提出一種基于CNN和BiGRU的SCADA數(shù)據(jù)時(shí)空特征融合的故障診斷方法，首次應(yīng)用于風(fēng)機(jī)葉片故障診斷.利用深度學(xué)習(xí)的特性，挖掘不同水平和不同維度的有效故障特征，從而豐富特征信息，加快提取復(fù)雜特征過程的速度，達(dá)到高效狀態(tài)監(jiān)測和故障識(shí)別的效果.

1 相關(guān)理論

1.1 門控循環(huán)單元

循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network, RNN)是一種處理時(shí)間序列數(shù)據(jù)的模型，通過每層節(jié)點(diǎn)的連接結(jié)構(gòu)來存儲(chǔ)之前的信息，利用這些信息影響后續(xù)節(jié)點(diǎn)的輸出.

原始的循環(huán)神經(jīng)網(wǎng)絡(luò)缺乏學(xué)習(xí)序列數(shù)據(jù)的長期依賴性，容易產(chǎn)生梯度消失或梯度爆炸[13]，使得基于梯度的優(yōu)化方法變得比較困難.為解決這個(gè)問題，其2個(gè)擴(kuò)展模型：長短期記憶網(wǎng)絡(luò)(Long Short-Term Memory, LSTM)和門控循環(huán)單元(Gated Recurrent Unit, GRU)先后被提出來.GRU網(wǎng)絡(luò)在各種任務(wù)中表現(xiàn)出與LSTM類似的性能[14]，其在合理利用數(shù)據(jù)的時(shí)間依賴關(guān)系上減少網(wǎng)絡(luò)計(jì)算的復(fù)雜度，加快故障檢測速度，在準(zhǔn)確率方面同樣取得了較優(yōu)的效果.GRU網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示.

GRU時(shí)刻t隱藏層計(jì)算公式如式(1)～(4)所示，包括更新門z，重置門r，隱藏層輸出h.

zt=σ(Wz[ht-1,xt]+bz) ，

(1)

rt=σ(Wr[ht-1,xt]+br) ，

(2)

(3)

(4)

式中：σ為sigmoid函數(shù)，tanh為雙曲正切函數(shù)，⊙為點(diǎn)積，W和b為權(quán)重和偏置.

圖1 GRU網(wǎng)絡(luò)結(jié)構(gòu)

1.2 雙向門控循環(huán)單元

BiGRU是基于GRU的另一種變體網(wǎng)絡(luò).單向GRU處理時(shí)間序列的過程中，當(dāng)前時(shí)刻的輸出只包含前一時(shí)刻獲取的信息，無法捕獲未來時(shí)刻的信息，SCADA數(shù)據(jù)的時(shí)間依賴關(guān)系不能很好地反映出來.使用BiGRU引入未來時(shí)刻的信息，為當(dāng)前時(shí)刻的狀態(tài)分類提供判斷依據(jù).網(wǎng)絡(luò)結(jié)構(gòu)能提供輸入序列中每一個(gè)點(diǎn)的過往時(shí)刻和未來時(shí)刻的信息[15].BiGRU網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示.輸出由正向網(wǎng)絡(luò)結(jié)構(gòu)和反向網(wǎng)絡(luò)結(jié)構(gòu)組成，采用矩陣拼接的形式將2種不同時(shí)序方向的GRU輸出整合為最終的輸出，輸出值為式(5)所示：

(5)

圖2 BiGRU網(wǎng)絡(luò)結(jié)構(gòu)

2 基于CNN-BiGRU融合的風(fēng)機(jī)葉片故障診斷方法

基于CNN-BiGRU融合的深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示.

圖3 基于CNN-BiGRU的風(fēng)機(jī)葉片故障診斷模型框架

首先采用風(fēng)電機(jī)組設(shè)備自帶的各類傳感器作為實(shí)驗(yàn)數(shù)據(jù)的采集系統(tǒng)，對葉片實(shí)時(shí)的運(yùn)行狀態(tài)信息進(jìn)行采集、存儲(chǔ)，以多變量時(shí)間序列的形式展示，對分類模型進(jìn)行構(gòu)造，該模型融合CNN和BiGRU在SCADA時(shí)間序列分類任務(wù)中的優(yōu)勢，運(yùn)用CNN模型自適應(yīng)提取原始數(shù)據(jù)變量信息之間的特征，結(jié)合雙向GRU模型分析并挖掘出葉片在不同時(shí)間點(diǎn)上運(yùn)行狀態(tài)的依賴關(guān)系，根據(jù)數(shù)據(jù)存在的特殊性，從變量之間和時(shí)間節(jié)點(diǎn)兩方面充分獲取數(shù)據(jù)蘊(yùn)含的深層特征信息，之后將同shape的特征張量通過Merge層的Concatenate函數(shù)進(jìn)行拼接操作，最后進(jìn)入輸出層通過Softmax函數(shù)輸出分類結(jié)果.

CNN分支模型中，經(jīng)過尺度變換、時(shí)間切片等預(yù)處理后所得到的時(shí)間序列片段輸入到CNN中，通過堆疊3個(gè)卷積塊，基本的卷積塊包含有卷積層，批量歸一化層，激活函數(shù)ReLU，將每個(gè)卷積塊的濾波器大小分別設(shè)置為{128,256,128}來構(gòu)建CNN網(wǎng)絡(luò)進(jìn)行卷積操作，通過最大池化和全連接層輸出提取出來的SCADA時(shí)序序列的空間特征圖.本文的CNN分支模型網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示.

圖4 本文的CNN網(wǎng)絡(luò)結(jié)構(gòu)

BiGRU分支模型中，通過對層數(shù)超參k的基于BiGRU的端到端神經(jīng)網(wǎng)絡(luò)模型進(jìn)行實(shí)驗(yàn)，使用準(zhǔn)確率Acc作為判定標(biāo)準(zhǔn)，實(shí)驗(yàn)驗(yàn)證合適的模型參數(shù)能有效提高分類準(zhǔn)確率.實(shí)驗(yàn)結(jié)果如表1所示.

表1 端到端BiGRU模型層數(shù)超參實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)數(shù)據(jù)表明，當(dāng)端到端BiGRU的層數(shù)k從1增長到3，模型在測試集上的準(zhǔn)確率不斷提升.模型層數(shù)k大于3時(shí)，準(zhǔn)確率保持平穩(wěn)，但在模型層數(shù)k=4時(shí)，運(yùn)行時(shí)間加大較多.因此，采用k=3構(gòu)建BiGRU網(wǎng)絡(luò)，每層神經(jīng)元個(gè)數(shù)分別設(shè)置為{128,128,64}，為了防止網(wǎng)絡(luò)過擬合，在BiGRU網(wǎng)絡(luò)層上加入了Dropout層.

在融合模塊中，Merge層提供了一系列用于融合2層或2個(gè)張量的對象和方法，融合CNN網(wǎng)絡(luò)和BiGRU網(wǎng)絡(luò)提取的特征過程中，使用Concatenate函數(shù)對接收的兩個(gè)模型的同shape張量進(jìn)行拼接操作，其本質(zhì)是有關(guān)維度的一個(gè)聯(lián)合，axis=0表示列維，axis=1表示行維，沿著通道維度連接2個(gè)張量.最后將融合后的特征張量經(jīng)過輸出層，通過Softmax函數(shù)，對輸出的信號歸一化為類別0(正常值)或者1(異常值)的概率Pk(k=0,1)，并將概率大的類別作為模型分類的結(jié)果.

網(wǎng)絡(luò)層需要考慮的主要因素是濾波器的大小和數(shù)目、填充操作、步長值，這些參數(shù)的設(shè)置會(huì)影響提取的特征信息是否全面準(zhǔn)確，最后的分類效果是否精確.表2為模型結(jié)構(gòu)參數(shù)設(shè)置.

表2 CNN-BiGRU模型結(jié)構(gòu)參數(shù)

(c)融合模型結(jié)構(gòu)參數(shù)

通過表2可知，Conv1D-1層具有128個(gè)大小為8*512的濾波器，并在垂直方向上以1個(gè)單位的滑動(dòng)窗口進(jìn)行卷積操作，之后Conv1D-2和Conv1D-3層分別用256和128個(gè)大小為5*1和3*1的濾波器執(zhí)行操作.Relu激活函數(shù)位于卷積層，其功能是將非線性可分離數(shù)據(jù)轉(zhuǎn)換為線性數(shù)據(jù).網(wǎng)絡(luò)層的輸出比輸入數(shù)據(jù)越來越復(fù)雜，對于簡化數(shù)據(jù)以獲得高精度是必要的.

3 實(shí)例分析

3.1 實(shí)驗(yàn)數(shù)據(jù)集及預(yù)處理

實(shí)驗(yàn)采用的數(shù)據(jù)來自全球最大風(fēng)力渦輪機(jī)制造商之一Goldwind的風(fēng)電機(jī)組的真實(shí)監(jiān)測數(shù)據(jù)，考慮到在時(shí)間尺度上保持?jǐn)?shù)據(jù)的連續(xù)性，將其中3號機(jī)的SCADA數(shù)據(jù)作為實(shí)驗(yàn)的數(shù)據(jù)集，每條數(shù)據(jù)代表一個(gè)時(shí)間戳(每個(gè)時(shí)間戳包含多個(gè)連續(xù)數(shù)值型監(jiān)測變量，每7 s采集一次).

此風(fēng)電機(jī)組的SCADA監(jiān)測數(shù)據(jù)包括數(shù)百個(gè)維度，結(jié)合風(fēng)力發(fā)電機(jī)葉片結(jié)冰故障業(yè)務(wù)背景，對可用數(shù)據(jù)進(jìn)行初步篩選，保留26個(gè)連續(xù)數(shù)值型變量的監(jiān)測值，包括風(fēng)電機(jī)組的葉片數(shù)據(jù)、環(huán)境參數(shù)和電機(jī)數(shù)據(jù)等多個(gè)方面的特征信息，數(shù)據(jù)狀態(tài)參數(shù)描述如表3所示.

表3 SCADA風(fēng)機(jī)數(shù)據(jù)26個(gè)參數(shù)描述

3.2 數(shù)據(jù)分析及預(yù)處理

研究的主要目的是對數(shù)據(jù)進(jìn)行有效分類以確定風(fēng)機(jī)葉片是否存在結(jié)冰故障，不考慮結(jié)冰形狀和結(jié)冰程度，因此，上述研究屬于二分類問題.并且針對一些關(guān)鍵數(shù)據(jù)進(jìn)行簡單的分析.

將風(fēng)電場的3號機(jī)運(yùn)行的329.28 h作為實(shí)驗(yàn)的數(shù)據(jù)集，每隔7 s記錄一條數(shù)據(jù)，因此獲得169 344條數(shù)據(jù)，記錄為正常狀態(tài)和故障狀態(tài).各狀態(tài)數(shù)據(jù)量占比如表4所示.

表4 各狀態(tài)數(shù)據(jù)量占比

從表4中可以發(fā)現(xiàn)，結(jié)冰故障狀態(tài)的數(shù)據(jù)僅占所有數(shù)據(jù)量的6%左右.風(fēng)機(jī)在實(shí)際運(yùn)行中，大部分時(shí)間都是處于正常工作的狀態(tài)，一小部分時(shí)間處于結(jié)冰狀態(tài)，所以SCADA系統(tǒng)采集到的風(fēng)機(jī)實(shí)時(shí)數(shù)據(jù)正常數(shù)據(jù)遠(yuǎn)遠(yuǎn)大于結(jié)冰數(shù)據(jù)，是數(shù)據(jù)不平衡問題.

針對上述數(shù)據(jù)分析提到的風(fēng)機(jī)葉片的正常狀態(tài)和故障狀態(tài)數(shù)據(jù)量不平衡問題，采用滑動(dòng)窗口的方法增加故障數(shù)據(jù)，可以有效的對類別不平衡問題進(jìn)行最大程度的消除.首先將輸入的多元時(shí)間序列分割成一組長度為512的片段，每個(gè)片段代表約1 h內(nèi)風(fēng)力機(jī)的狀態(tài)，其次采用滑動(dòng)窗口的方法解決數(shù)據(jù)量不平衡問題，具體方案如下：通過將步長設(shè)置為16(代表112 s的信號)的滑動(dòng)窗口生成重疊的負(fù)片段(代表結(jié)冰的片段)增加負(fù)樣本(代表結(jié)冰的樣本)的數(shù)量.

由于實(shí)驗(yàn)數(shù)據(jù)是從不同傳感器上獲取的數(shù)據(jù)，存在量綱和取值范圍不同的現(xiàn)象，如果不加以處理直接用于建立模型會(huì)降低模型診斷的精確度，因此采用標(biāo)準(zhǔn)化方法處理數(shù)據(jù)，使處理后的新數(shù)據(jù)服從正態(tài)分布，避免各個(gè)參數(shù)取值差異過大導(dǎo)致神經(jīng)網(wǎng)絡(luò)出現(xiàn)權(quán)重不均衡問題.

標(biāo)準(zhǔn)化處理數(shù)據(jù)，需要使用到原始數(shù)據(jù)的均值、標(biāo)準(zhǔn)差等.經(jīng)過處理后，得到標(biāo)準(zhǔn)正態(tài)分布的數(shù)據(jù)，其均值為0，標(biāo)準(zhǔn)差為1，計(jì)算公式如式(6)所示.

(6)

式中：x*為標(biāo)準(zhǔn)化后的新數(shù)據(jù)，x為原數(shù)據(jù)，μ為原始數(shù)據(jù)的均值，σ為原始數(shù)據(jù)的標(biāo)準(zhǔn)差.

將處理后的數(shù)據(jù)集劃分為訓(xùn)練集與測試集用于模型的訓(xùn)練、超參數(shù)的優(yōu)化及測試，為后續(xù)構(gòu)建深度學(xué)習(xí)模型奠定基礎(chǔ).

3.3實(shí)驗(yàn)設(shè)置

在實(shí)驗(yàn)數(shù)據(jù)處理、分析中，模型所用損失函數(shù)為二分類交叉熵?fù)p失函數(shù)，其公式為：

(7)

式中：(xi，yi)為輸入樣本對，N為樣本總數(shù)，f(x)為Softmax函數(shù).模型選用Adam優(yōu)化器進(jìn)行訓(xùn)練，其具有計(jì)算每個(gè)參數(shù)的自適應(yīng)學(xué)習(xí)率，收斂速度非?？斓葍?yōu)點(diǎn)，更適用于此模型.實(shí)驗(yàn)訓(xùn)練參數(shù)如表5所示.

表5 實(shí)驗(yàn)訓(xùn)練參數(shù)

3.4 實(shí)驗(yàn)結(jié)果與分析

3.4.1評價(jià)標(biāo)準(zhǔn)

實(shí)驗(yàn)中采用的評價(jià)指標(biāo)有精確率(Precision，P)、召回率(Recall，R)、準(zhǔn)確率(Accuracy，Acc)和F1值.設(shè)總的測試集個(gè)數(shù)為TP+TN+FP+FN，其具體含義如表6所示.

表6 評價(jià)指標(biāo)相關(guān)參數(shù)含義

精確率是針對預(yù)測樣本而言的，計(jì)算并預(yù)測出某類樣本中，有多少是被正確預(yù)測的.召回率是針對實(shí)際樣本而言，有多少被正確的預(yù)測出來的.準(zhǔn)確率和F1值用于衡量模型綜合性能，指標(biāo)越高表明模型診斷能力越強(qiáng)，綜合性能越好.評價(jià)指標(biāo)公式如式(8)～(11)所示：

(8)

(9)

(10)

(11)

式中：真陽性(TruePositive，TP)即被判定為正樣本，事實(shí)上也是正樣本；假陽性(FalsePositive，F(xiàn)P)即被判定為正樣本，但事實(shí)上是負(fù)樣本；假陰性(FalseNegative，F(xiàn)N)即被判定為負(fù)樣本，但事實(shí)上是正樣本；真陰性(TrueNegative，TN)即被判定為負(fù)樣本，事實(shí)上也是負(fù)樣本.

3.4.2分析結(jié)果

為了驗(yàn)證所提出模型的改進(jìn)對故障診斷效率的影響，選用LSTM模型、進(jìn)一步優(yōu)化的GRU模型以及CNN-BiGRU模型進(jìn)行訓(xùn)練，運(yùn)行時(shí)間對比如表7所示.

表7 不同模型的運(yùn)行時(shí)間對比

通過表7可知，CNN-BiGRU融合模型在平均執(zhí)行時(shí)間和總訓(xùn)練時(shí)間上優(yōu)于其他模型，僅花費(fèi)LSTM模型[12]訓(xùn)練時(shí)間的10%左右，基于風(fēng)機(jī)葉片結(jié)冰故障診斷對及時(shí)性需求的任務(wù)背景，選用融合模型更加適用于對其是否結(jié)冰進(jìn)行有效鑒別.LSTM模型和GRU模型在運(yùn)行時(shí)間上的對比，可以看出GRU模型在訓(xùn)練時(shí)間上縮減近2 h，驗(yàn)證了其優(yōu)化結(jié)構(gòu)更適合于該融合模型.

為了驗(yàn)證該模型在測試集上可以表現(xiàn)良好的故障分類效果，選擇CNN模型、LSTM模型、GRU模型、BiGRU模型、WaveletFCNN模型[10]這五種網(wǎng)絡(luò)模型與文中建立的CNN-BiGRU網(wǎng)絡(luò)模型進(jìn)行對比.將經(jīng)過數(shù)據(jù)預(yù)處理后的風(fēng)機(jī)葉片SCADA數(shù)據(jù)集分別輸入到上述6種網(wǎng)絡(luò)模型中進(jìn)行計(jì)算，其他網(wǎng)絡(luò)模型訓(xùn)練參數(shù)與本文的網(wǎng)絡(luò)模型訓(xùn)練參數(shù)設(shè)置一致，其準(zhǔn)確率和F1值對比結(jié)果如表8所示.

表8 不同模型的準(zhǔn)確率及F1值對比

由表8可知，相比其他深度學(xué)習(xí)網(wǎng)絡(luò)模型，所提出的CNN-BiGRU融合模型的故障分類效果明顯更好，其準(zhǔn)確率達(dá)到93.83%，比單一使用的CNN和BiGRU網(wǎng)絡(luò)模型分別高出24.02%和2.27%，F(xiàn)1值也相對較高達(dá)到94.36%，由于F1值屬于綜合評價(jià)指標(biāo)，該指標(biāo)的使用可以準(zhǔn)確地體現(xiàn)出模型的性能，F(xiàn)1值越高代表其網(wǎng)絡(luò)模型分類性能越好.

表9為在測試集上不同模型的分類混淆矩陣各元素的對應(yīng)數(shù)值、精確率以及召回率.因?yàn)樵趯?shí)際風(fēng)機(jī)葉片結(jié)冰現(xiàn)象中未結(jié)冰的情況總是多于結(jié)冰的情況，并且結(jié)冰嚴(yán)重影響風(fēng)電場的正常運(yùn)行，由此可見，在日常地實(shí)際應(yīng)用操作中，正確鑒別結(jié)冰狀態(tài)與分類出未結(jié)冰狀態(tài)相比，前者更應(yīng)該受到重視.從表7可以看出，本文所構(gòu)建的模型對于結(jié)冰情況的正確分類數(shù)是130，錯(cuò)誤分類數(shù)是9；該模型的精確率是0.946 4，召回率是0.940 8，分類的準(zhǔn)確率明顯高于其他對比模型.本文構(gòu)建的模型能夠更準(zhǔn)確地鑒別結(jié)冰情況，正確預(yù)測樣本的數(shù)量占有較高的比例，對數(shù)據(jù)的分類效果較穩(wěn)定，并沒有出現(xiàn)極端化現(xiàn)象.

對比實(shí)驗(yàn)驗(yàn)證了提出的CNN-BiGRU融合的深度學(xué)習(xí)方法憑借其在時(shí)間序列上獨(dú)特的時(shí)空特征提取能力，充分利用風(fēng)電機(jī)組的信息進(jìn)行故障分類，較其他深度學(xué)習(xí)方法有更好的分類效果，有效地提高故障診斷的效率和精度，使風(fēng)電場能夠安全高效地運(yùn)行，使風(fēng)能這種綠色清潔能源得到更充分地利用.

表9 不同模型驗(yàn)證集分類效果對比

4 結(jié)論

針對故障診斷技術(shù)處理復(fù)雜海量風(fēng)機(jī)運(yùn)行狀態(tài)數(shù)據(jù)時(shí)準(zhǔn)確率低的問題，提出一種基于CNN-BiGRU融合的深度學(xué)習(xí)故障診斷方法，該方法首先在處理SCADA系統(tǒng)數(shù)據(jù)時(shí)，為解決數(shù)據(jù)的不平衡以及量級差異問題，采用滑動(dòng)窗口的方法增加故障樣本數(shù)量以達(dá)到數(shù)據(jù)平衡狀態(tài)，采取標(biāo)準(zhǔn)化方法消除數(shù)據(jù)變量之間存在的量級差異，根據(jù)時(shí)間連續(xù)性的特點(diǎn)對預(yù)處理后的數(shù)據(jù)進(jìn)行切片處理，生成多元時(shí)間序列數(shù)據(jù).

針對原始深度學(xué)習(xí)模型處理多元時(shí)間序列時(shí)存在數(shù)據(jù)特征信息提取不全面的問題，引入卷積神經(jīng)網(wǎng)絡(luò)自適應(yīng)學(xué)習(xí)變量之間存在的關(guān)聯(lián)特征獲取數(shù)據(jù)的空間特征圖，選用循環(huán)神經(jīng)網(wǎng)絡(luò)中的優(yōu)化結(jié)構(gòu)門控單元分析時(shí)序依賴關(guān)系獲取數(shù)據(jù)的時(shí)間特征圖，雙向結(jié)構(gòu)引入未來時(shí)刻的信息，提升對時(shí)間的敏感度，并通過超參數(shù)實(shí)驗(yàn)選擇適當(dāng)?shù)哪Ｐ蛥?shù)，可以有效提高分類準(zhǔn)確率，提升時(shí)間利用率，通過融合兩個(gè)模型從而充分利用數(shù)據(jù)的特征信息進(jìn)行故障分類任務(wù).

最后利用風(fēng)電場實(shí)際葉片結(jié)冰的SCADA數(shù)據(jù)進(jìn)行對比實(shí)驗(yàn)，驗(yàn)證所建立的模型具有全面深入信息的學(xué)習(xí)能力，能夠更好的檢測故障.此外，與目前最先進(jìn)的空間特征提取模型CNN、時(shí)間特征提取模型BiGRU以及WaveletFCNN模型進(jìn)行比較，該模型取得了優(yōu)異的性能.綜上所述，該模型在時(shí)間效率和故障檢測準(zhǔn)確率方面取得了較好的效果，為風(fēng)機(jī)維護(hù)提供了強(qiáng)有力的參考.