基于領(lǐng)域自適應(yīng)的風(fēng)力機發(fā)電機軸承故障診斷方法研究

DOI：10.19912/j.0254-0096.tynxb.2022-1137 文章編號：0254-0096（2023）11-0310-08

摘 要：針對不同型號的風(fēng)力機發(fā)電機滾動軸承采集的振動信號存在分布差異且待診斷軸承樣本標(biāo)簽不足的問題，提出一種基于聚類領(lǐng)域自適應(yīng)卷積神經(jīng)網(wǎng)絡(luò)（CDA-CNN）的風(fēng)力機發(fā)電機滾動軸承故障診斷方法。首先利用一維卷積神經(jīng)網(wǎng)絡(luò)提取源域中有標(biāo)簽軸承數(shù)據(jù)和目標(biāo)域中無標(biāo)簽軸承數(shù)據(jù)的特征，其次利用聚類方法減小數(shù)據(jù)特征的條件分布差異并為目標(biāo)域數(shù)據(jù)提供偽標(biāo)簽，隨后利用最大均值差異（MMD）對齊兩域的邊緣分布，最終得到風(fēng)力機發(fā)電機滾動軸承的故障診斷模型。將所提出的CDA-CNN對實際風(fēng)力機發(fā)電機滾動軸承進(jìn)行故障診斷，診斷結(jié)果表明：所提出方法的故障診斷精度高達(dá)92.52%，有效解決了可用數(shù)據(jù)標(biāo)簽不足的問題。試驗對比結(jié)果表明：CDA-CNN模型的診斷精度和遷移性均優(yōu)于其他方法，對風(fēng)力機發(fā)電機滾動軸承的故障診斷研究具有一定的工程應(yīng)用價值。

關(guān)鍵詞：風(fēng)力機；滾動軸承；故障診斷；領(lǐng)域自適應(yīng)；聚類

中圖分類號：TH133.33；TH17""""""""""" 文獻(xiàn)標(biāo)志碼：A

0 引 言

在“雙碳”戰(zhàn)略目標(biāo)背景下，中國能源體系正逐步向綠色低碳轉(zhuǎn)型。風(fēng)能作為一種綠色清潔的可再生能源，近年來得到快速發(fā)展［1-2］。風(fēng)力機以自然風(fēng)作為動力來源，受自然風(fēng)的隨機性和波動性影響，其傳動系統(tǒng)常年在變轉(zhuǎn)速和動態(tài)載荷工況下運行，極易出現(xiàn)疲勞、磨損、腐蝕和塑性變形，甚至失效停機［3-4］。發(fā)電機滾動軸承作為風(fēng)力機傳動系統(tǒng)的關(guān)鍵零部件，其運行狀態(tài)直接影響機組的穩(wěn)定性，一旦出現(xiàn)故障不僅造成重大經(jīng)濟(jì)損失，甚至?xí)斐芍卮蟀踩鹿剩虼藢Πl(fā)電機軸承進(jìn)行故障診斷具有重要意義［5］。

振動信號對風(fēng)力機發(fā)電機滾動軸承的故障十分敏感［6］，因此，目前發(fā)電機軸承故障診斷方法主要針對振動信號進(jìn)行故障特征提取和特征識別。齊詠生等［7］利用經(jīng)驗?zāi)B(tài)分解提取風(fēng)力機軸承振動信號故障特征，并利用核熵成分分析進(jìn)行故障診斷；羅園慶等［8］將增強形態(tài)濾波與循環(huán)譜相結(jié)合實現(xiàn)了從強背景噪聲和諧波干擾中提取軸承的故障特征；張珂等［9］構(gòu)建多個并行卷積層提取軸承故障特征，結(jié)合注意力機制進(jìn)行診斷。

受變工況的影響，實際采集到的發(fā)電機軸承數(shù)據(jù)存在分布差異，另外，風(fēng)場中的發(fā)電機軸承型號并不唯一，收集所有型號軸承的所有故障類型的數(shù)據(jù)極其困難。因此，利用已有數(shù)據(jù)訓(xùn)練得到目標(biāo)軸承可用的故障診斷模型已逐漸成為研究熱點［10-11］。遷移學(xué)習(xí)能利用已有領(lǐng)域知識解決相關(guān)但不同領(lǐng)域的問題，為解決變工況條件下風(fēng)力機發(fā)電機軸承無監(jiān)督學(xué)習(xí)問題提供思路［12-13］。領(lǐng)域自適應(yīng)是遷移學(xué)習(xí)常用的一種方法［14］。夏懿等［15］利用深度領(lǐng)域自適應(yīng)網(wǎng)絡(luò)實現(xiàn)跨域軸承故障診斷；周華鋒等［16］提出子域自適應(yīng)對抗網(wǎng)絡(luò)實現(xiàn)變工況軸承故障診斷；程騁等［17］利用基于Wasserstein距離的深度領(lǐng)域自適應(yīng)學(xué)習(xí)方法，在目標(biāo)軸承缺少標(biāo)簽信息的情況下依舊能夠得到適用于目標(biāo)軸承的模型；毛文濤等［18］提出結(jié)構(gòu)化域?qū)股窠?jīng)網(wǎng)絡(luò)，通過增加正則化器提升模型在不同工況下的診斷精度。

基于領(lǐng)域自適應(yīng)的發(fā)電機軸承故障診斷方法中，大多采用生成對抗網(wǎng)絡(luò)（generative adversarial network， GAN）減小源域和目標(biāo)域之間的分布差異，但GAN的訓(xùn)練過程不穩(wěn)定，易出現(xiàn)梯度消失。聚類是一種無監(jiān)督學(xué)習(xí)方法，能通過數(shù)據(jù)之間的相似性度量得到數(shù)據(jù)的集合，同一簇中的數(shù)據(jù)對象盡可能相似，且區(qū)別于其他簇中數(shù)據(jù)［19］。本文利用聚類方法代替GAN減小分布差異，簡化了模型的訓(xùn)練過程，降低不穩(wěn)定性，避免利用GAN造成梯度消失的問題。

考慮到風(fēng)力機發(fā)電機軸承運行工況復(fù)雜和軸承型號不同，導(dǎo)致目標(biāo)軸承數(shù)據(jù)和數(shù)據(jù)標(biāo)簽不足的問題，本文提出基于聚類領(lǐng)域自適應(yīng)卷積神經(jīng)網(wǎng)絡(luò)（clustering domain adaptive convolution neural network， CDA-CNN）的風(fēng)力機發(fā)電機軸承故障診斷方法。

1 理論方法

1.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)（convolution neural network， CNN）是一種具有卷積計算和深層結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)，具有強大的特征提取能力，廣泛應(yīng)用于圖像處理和自然語言處理［20］。在發(fā)電機軸承故障診斷中，振動數(shù)據(jù)是一維時序信號，因此采用1D-CNN提取振動信號特征，其中卷積層的輸出為：

[xlj=fixl-1i*wlij+blj]"""" （1）

式中：[xl-1i]——第[l]層的第[i]個輸入；[wlij]——第[l]層[xl-1i]與第[j]個輸出特征之間的卷積核；[blj]——偏置；[*]——卷積操作；[f?]——ReLU激活函數(shù)。

通常在卷積層之后會使用池化層減少模型參數(shù)，常見的池化類型為最大池化：

[pljmax=max（j-1）ω≤i≤jωxli， i=1，2，…，q]""" （2）

式中：[ω]——池化層核大小。

1.2 領(lǐng)域自適應(yīng)

領(lǐng)域自適應(yīng)（domain adaptation， DA）是遷移學(xué)習(xí)中常用的一種方法。DA的目的是將分布不同的源域數(shù)據(jù)[DS=xSi，ySinSi=1]（[nS]為源域樣本數(shù)量）與目標(biāo)域數(shù)據(jù)[DT=xTjnTj=1]（[nT]為目標(biāo)域樣本數(shù)量）映射到一個特征空間，使二者在該特征空間中的分布差異盡可能小。這樣就可將源域數(shù)據(jù)訓(xùn)練得到的模型遷移至目標(biāo)域上。

領(lǐng)域自適應(yīng)分為全局領(lǐng)域自適應(yīng)和相關(guān)子域自適應(yīng)，二者分別對齊目標(biāo)域和源域之間的邊緣分布和條件分布，如圖1所示。在對齊源域和目標(biāo)域的分布過程中，二者雖貢獻(xiàn)不同但缺一不可。

風(fēng)力機發(fā)電機軸承型號不唯一且運行負(fù)載多變，導(dǎo)致采集到的振動數(shù)據(jù)存在分布差異。利用已有發(fā)電機軸承數(shù)據(jù)訓(xùn)練得到的網(wǎng)絡(luò)模型，在目標(biāo)軸承上的診斷精度降低。因此本文所提風(fēng)力機發(fā)電機軸承故障診斷方法CDA-CNN利用DA減小源域和目標(biāo)域數(shù)據(jù)之間的邊緣分布（如圖1中的a部分）和條件分布差異（如圖1中的b部分），使得模型在目標(biāo)軸承上仍有良好效果。

1.3 最大均值差異

最大均值差異（maximum mean discrepancy， MMD）常被用于衡量獨立且分布不同的兩個域之間的分布差異。對于[xsi∈DS～p，][xti∈DT～q]，MMD定義為：

[DHDS，DT=supφ∈HEDS～pφDS-EDT～qφDT]"""" （3）

式中：[H]——重構(gòu)核希爾伯特空間（RKHS）；[sup?]——集合上確界；[φ?]——[X→H]的非線性映射。MMD的有偏經(jīng)驗估計為：

[DHDS，DT=1nsi=1nsφxsi-1ntj=1ntφxti2H]""""" （4）

2 CDA-CNN故障診斷研究方法

為解決風(fēng)力機發(fā)電機軸承因工況多變和軸承型號不同造成的數(shù)據(jù)分布差異和目標(biāo)軸承標(biāo)簽信息不足的問題，實現(xiàn)對目標(biāo)軸承的故障診斷，本文提出CDA-CNN。該方法利用已有型號的發(fā)電機軸承各類故障的振動數(shù)據(jù)作為源域，目標(biāo)型號的無標(biāo)簽軸承數(shù)據(jù)作為目標(biāo)域，通過CNN特征提取器，聚類領(lǐng)域自適應(yīng)和分類器，得到能對目標(biāo)型號軸承進(jìn)行故障診斷的模型，結(jié)構(gòu)圖如圖2所示。

CDA-CNN模型的訓(xùn)練過程為：首先，源域和目標(biāo)域軸承數(shù)據(jù)共享特征提取器，提取軸承振動信號故障特征；其次，在特征空間中加入聚類適配器，用于對齊源域和目標(biāo)域中軸承振動數(shù)據(jù)的類別中心，并為無標(biāo)簽的目標(biāo)域軸承數(shù)據(jù)標(biāo)注偽標(biāo)簽；最后利用偽標(biāo)簽標(biāo)記的目標(biāo)域數(shù)據(jù)與源域數(shù)據(jù)經(jīng)過分類器計算分類損失、聚類損失和域損失，再利用小批量隨機梯度下降最小化3個損失，優(yōu)化模型。CDA-CNN模型對齊源域和目標(biāo)域軸承振動數(shù)據(jù)的分布示意圖如圖3。CDA-CNN模型通過域?qū)R和聚類中心對齊，能將目標(biāo)域軸承數(shù)據(jù)映射到源域軸承數(shù)據(jù)相應(yīng)類別附近，實現(xiàn)對目標(biāo)型號軸承的故障診斷。

2.1 模型預(yù)訓(xùn)練

鑒于CNN在提取特征方面具有較好表現(xiàn)，本文所提CDA-CNN模型利用CNN提取故障特征?？紤]到目標(biāo)域樣本不具備標(biāo)簽信息，不能訓(xùn)練模型，因此，利用源域數(shù)據(jù)有監(jiān)督預(yù)訓(xùn)練CDA-CNN模型的特征提取器和分類器，此時目標(biāo)函數(shù)為：

[LC=1nSi=1nSJC（G（xSi）），ySi]"""" （5）

式中：[J?，?]——交叉熵?fù)p失函數(shù)；[xSi，ySi∈DS。]

2.2 聚類領(lǐng)域自適應(yīng)

為避免利用GAN進(jìn)行領(lǐng)域自適應(yīng)過程中梯度消失的問題，本文提出的CDA-CNN模型將聚類和領(lǐng)域自適應(yīng)思想相結(jié)合，對齊源域和目標(biāo)域在特征空間中的聚類中心，實現(xiàn)源域到目標(biāo)域之間的遷移。因為目標(biāo)域中的樣本不具備標(biāo)簽信息，直接對齊源域和目標(biāo)域的聚類中心將會導(dǎo)致錯誤類別之間的對齊。本文將源域類別中心定義為目標(biāo)域聚類中心，通過最小化目標(biāo)域樣本與源域聚類中心的距離，對齊源域和目標(biāo)域。聚類自適應(yīng)過程如下：

首先，計算源域數(shù)據(jù)的類別中心。

[Ck=1nSkm=1nSδG（xSm）] （6）

式中：[nSk]——第[k]類樣本的數(shù)量，[k∈1，2，…，K]；[δ]——判別函數(shù)，當(dāng)[xSm]的類別為[k]時，[δ=1]，否則[δ=0]；[Ck]——類別中心，由于[Ck]利用特征提取器計算得到，因此[Ck]的維度與[GxSi]相同。

其次，將源域聚類中心作為目標(biāo)域的類別中心，通過減小目標(biāo)域數(shù)據(jù)與源域中心的距離實現(xiàn)條件分布對齊。JS散度能夠度量兩種分布的差異，且具有對稱性，因此利用JS散度計算目標(biāo)域樣本與源域聚類中心的距離。JS散度的公式為：

[djs（p，q）=12dklpp+q2+12dklqp+q2]"""" （7）

式中：

[dkl（PQ）=iP（i）lnP（i）Q（i）]"""" （8）

式中：[dkl（PQ）]——KL散度；[P（i）]、[Q（i）]——[P]、[Q]的第[i]個分量。

由于目標(biāo)域數(shù)據(jù)不具備標(biāo)簽信息，因此根據(jù)聚類原理，得到目標(biāo)域數(shù)據(jù)的偽標(biāo)簽。

[y=argminkdjs（G（xT），Ck）]""" （9）

最后，最小化目標(biāo)域樣本與聚類中心的距離，即可迫使目標(biāo)域類別對齊源域類別。目標(biāo)函數(shù)為：

[LCLU=1nTm=1nTJC（G（xTm）），yTm]" （10）

2.3 全局領(lǐng)域自適應(yīng)

聚類自適應(yīng)對齊了源域和目標(biāo)域之間的條件分布，然而二者分布還存在邊緣分布差異，對此利用MMD減小源域和目標(biāo)域的邊緣分布差異。

[LMMD=DHDS，DT]"""" （11）

綜上，CDA-CNN訓(xùn)練過程中的目標(biāo)函數(shù)為：

[L=LC+λLCLU+αLMMD] （12）

式中：[λ、α]——超參數(shù)。

2.4 CDA-CNN的結(jié)構(gòu)框架

CDA-CNN故障診斷流程如圖4所示。

3 案例分析

3.1 試驗設(shè)置

為驗證CDA-CNN模型對于風(fēng)力機發(fā)電機軸承故障診斷的有效性，利用由某風(fēng)電場采集的軸承數(shù)據(jù)進(jìn)行試驗驗證。該風(fēng)電場發(fā)電機軸承型號有SKF6328和SKF6332兩種。通過安裝在發(fā)電機軸承座側(cè)面位置的ICP壓電加速度傳感器采集驅(qū)動端軸承振動數(shù)據(jù)，采樣頻率為16384 Hz，采樣時間為20 s。風(fēng)力機發(fā)電機如圖5所示。

根據(jù)該風(fēng)場中30臺發(fā)電機軸承型號為SKF6328的數(shù)據(jù)作為源域，15臺發(fā)電機軸承型號為SKF6332的數(shù)據(jù)作為目標(biāo)域數(shù)據(jù)。將兩組數(shù)據(jù)劃分4種健康狀態(tài)，為保證源域數(shù)據(jù)足以為目標(biāo)域數(shù)據(jù)提供故障信息，利用重疊采樣的方法，截取長度為2048的振動信號作為數(shù)據(jù)樣本。數(shù)據(jù)劃分如表1。其中N、OF、IF和CF分別代表風(fēng)力機發(fā)電機軸承的健康狀態(tài)、外圈故障、內(nèi)圈故障和保持架故障。

由表1，目標(biāo)域每類中按2∶1的比例隨機選取數(shù)據(jù)與源域數(shù)據(jù)一起作為訓(xùn)練集，剩余數(shù)據(jù)作為測試集。需注意的是，CDA-CNN模型針對發(fā)電機軸承數(shù)據(jù)標(biāo)簽信息不足的問題設(shè)置結(jié)構(gòu)，因此在訓(xùn)練過程中，目標(biāo)域數(shù)據(jù)不包含標(biāo)簽信息，其標(biāo)簽主要作用是在測試階段驗證所提方法的診斷性能。

3.2 CDA-CNN算法結(jié)構(gòu)

CDA-CNN模型由特征提取器、聚類領(lǐng)域自適應(yīng)模塊、分類器3部分組成，其中特征提取器為一維CNN結(jié)構(gòu)，分類器由全連接層組成，輸出層采用Softmax激活函數(shù)，卷積層和全連接層函數(shù)采用ReLU激活函數(shù)，CDA-CNN模型結(jié)構(gòu)如表2。利用隨機梯度下降（stochastic gradient descent，SGD）訓(xùn)練模型，SGD動量設(shè)置為0.9，批次大小為36，學(xué)習(xí)率0.001，迭代次數(shù)200次。

3.3 測試結(jié)果與比較分析

源域中1200條數(shù)據(jù)與目標(biāo)域中隨機選取的800條數(shù)據(jù)構(gòu)成訓(xùn)練集，其余目標(biāo)域數(shù)據(jù)作為測試集。訓(xùn)練過程中對無標(biāo)簽?zāi)繕?biāo)域數(shù)據(jù)進(jìn)行重采樣。CDA-CNN模型訓(xùn)練過程中，損失值和測試集上的準(zhǔn)確率如圖6。由圖6可看出，CDA-CNN

在迭代約100次時，故障識別準(zhǔn)確率穩(wěn)定在92.52%，模型的損失值在迭代約170次時趨于穩(wěn)定，因此本方法在迭代170次之后得到穩(wěn)定的模型。

為驗證本文方法的有效性，將本文算法與CNN、深度適應(yīng)網(wǎng)絡(luò)（deep adaptation network， DAN）［21］、深度子領(lǐng)域遷移網(wǎng)絡(luò)［22］（deep subdomain adaptation network， DSAN）、域?qū)咕W(wǎng)絡(luò)（domain adaptation neural network， DANN）［23］4種方法進(jìn)行對比。其中CNN結(jié)構(gòu)與CDA-CNN的特征提取器與分類器結(jié)構(gòu)相同，不具備領(lǐng)域自適應(yīng)模塊。DAN通過MMD衡量邊緣分布，進(jìn)行域自適應(yīng)。DSAN通過對齊子域分布，減小條件分布差異。DANN利用對抗的思想減小邊緣和條件分布。CDA-CNN與其他4種方法訓(xùn)練10次的準(zhǔn)確率如圖7所示。

從圖7可看出，本文提出的CDA-CNN模型平均準(zhǔn)確率為92.52%，效果優(yōu)于其他4種診斷方法，說明本方法能解決風(fēng)力機發(fā)電機目標(biāo)軸承可用數(shù)據(jù)不足的問題。CNN并未考慮數(shù)據(jù)分布差異的問題，因此對于分布不同的數(shù)據(jù)的診斷能力較差，平均準(zhǔn)確率僅為78.57%。DAN與DSAN分別考慮邊緣分布和條件分布，平均準(zhǔn)確率分別為85.05%和86.93%，相比于CNN效果有所提升，但提升效果有限。值得注意的是，二者中DSAN的效果更好，說明對于本組發(fā)電機軸承數(shù)據(jù)，條件分布對齊相比于邊緣分布對齊的效果更好。DANN利用對抗的思想對齊條件分布和邊緣分布，但生成對抗思想易造成梯度消失的問題，限制模型效果，因此平均準(zhǔn)確率為87.73%。CDA-CNN模型在遷移過程中，同時進(jìn)行子域?qū)R和整體領(lǐng)域?qū)R，提升模型的遷移能力，另外，采用無監(jiān)督聚類思想，以源域數(shù)據(jù)的聚類中心作為目標(biāo)域數(shù)據(jù)的類別中心，能加快模型收斂速度，進(jìn)一步提升模型的效果。

為驗證提出的方法對發(fā)電機軸承故障數(shù)據(jù)的分類精度，利用t-SNE對4種方法提取的特征進(jìn)行降維，可視化如圖8所示。其中S-OF、S-IF、S-CF和S-N分別代表源域中外圈故障、內(nèi)圈故障、保持架故障和正常數(shù)據(jù)，T-OF、T-IF、T-CF和T-N分別代表目標(biāo)域中外圈故障、內(nèi)圈故障、保持架故障和正常數(shù)據(jù)。圖8a是目標(biāo)域數(shù)據(jù)未經(jīng)過處理的原始數(shù)據(jù)分布，可看出4種類型數(shù)據(jù)混雜在一起，無法區(qū)分。CNN不包括遷移模塊，因此圖8b中目標(biāo)域數(shù)據(jù)的分類效果依舊很差。DAN和DSAN效果較好，但仍存在不同類之間的混淆，影響分類效果。CDA-CNN將目標(biāo)域中各類數(shù)據(jù)對齊至源域相應(yīng)類上，決策邊界清晰，效果最好。

4 結(jié) 論

針對風(fēng)力機發(fā)電機軸承型號不一致及運行工況多變導(dǎo)致數(shù)據(jù)標(biāo)簽缺失的問題，本文提出CDA-CNN故障診斷方法。利用真實風(fēng)力機軸承數(shù)據(jù)將本方法與其他方法進(jìn)行對比，主要結(jié)論如下：

1）訓(xùn)練過程中，無需目標(biāo)域數(shù)據(jù)的標(biāo)簽信息，實現(xiàn)了目標(biāo)域上的無監(jiān)督學(xué)習(xí)。

2）分別利用聚類和MMD對齊源域和目標(biāo)域數(shù)據(jù)的條件分布和邊緣分布，減小兩域間的分布差異，不僅避免了利用GAN訓(xùn)練網(wǎng)絡(luò)導(dǎo)致的梯度消失問題，還提升了模型在目標(biāo)域上的診斷效果。根據(jù)對比試驗結(jié)果分析，本方法的診斷精度高達(dá)92.52%，優(yōu)于其他方法，且具有較好的泛化能力與魯棒性，具有一定的工程應(yīng)用前景。

本研究利用聚類和領(lǐng)域自適應(yīng)的思想，根據(jù)已有的一種風(fēng)力機發(fā)電機軸承型號數(shù)據(jù)訓(xùn)練模型，用于診斷另一種型號的無標(biāo)簽風(fēng)力機發(fā)電機軸承數(shù)據(jù)。模型訓(xùn)練過程中，各類訓(xùn)練樣本數(shù)量相同，但對于實際風(fēng)力機運行過程中，各種健康狀態(tài)信號往往是不均衡的，今后的研究中將進(jìn)一步拓展，以解決數(shù)據(jù)不均衡問題。

［參考文獻(xiàn)］

［1］"""" 李洋， 李春， 楊陽. 基于多重分形去趨勢波動分析的風(fēng)力機軸承故障診斷［J］. 太陽能學(xué)報， 2019， 40（11）： 3235-3243.

LI Y， LI C， YANG Y. Fault diagnosis of wind turbine bearing based on multi-fractal de-trend fluctuation analysis［J］. Acta energiae solaris sinica， 2019， 40（11）： 3235-3243.

［2］"""" 向玲， 王朋鶴， 李京蓄. 基于CNN-LSTM的風(fēng)電機組異常狀態(tài)檢測［J］. 振動與沖擊， 2021， 40（22）： 11-17.

XIANG L， WANG P H， LI J X. Abnormal state detection of" wind" turbines" based" on" CNN-LSTM［J］." Journal" of vibration and shock， 2021， 40（22）： 11-17.

［3］"""nbsp; LIU W Y， REN H， ALI SHAHEER M， et al. A novel wind turbine health condition monitoring method based on correlative" features" domain"" adaptation［J］." International journal of precision engineering and manufacturing-green technology， 2022， 9（1）： 191-200.

［4］"""" LIU Z P， ZHANG L. A review of failure modes， condition monitoring and fault diagnosis methods for large-scale wind turbine bearings［J］. Measurement， 2020， 149： 107002.

［5］"""" KONG Y， QIN Z Y， WANG T Y， et al. An enhanced sparse representation-based intelligent recognition method for planet bearing fault diagnosis in wind turbines［J］. Renewable energy， 2021， 173： 987-1004.

［6］"""" 鄭龍魁， 向陽， 盛晨興. 故障滾動軸承的非線性動力學(xué)建模與振動分析［J］. 哈爾濱工程大學(xué)學(xué)報， 2022， 43（5）： 681-688.

ZHENG L K， XIANG Y， SHENG C X. Nonlinear dynamic modeling and vibration analysis of faulty rolling bearings［J］. Journal of Harbin Engineering University， 2022， 43（5）： 681-688.

［7］"""" 齊詠生， 張二寧， 高勝利， 等. 基于EEMD-KECA的風(fēng)電機組滾動軸承故障診斷［J］. 太陽能學(xué)報， 2017， 38（7）： 1943-1951.

QI Y S， ZHANG E N， GAO S L， et al. Wind turbine rolling bearings fault diagnosis based on EEMD-KECA［J］. Acta energiae solaris sinica， 2017， 38（7）： 1943-1951.

［8］"""" LUO Y Q， CHEN C Z， ZHAO S Y， et al. Rolling bearing fault diagnosis method with enhanced top-hat transform filtering and cyclic spectrum coherence［J］. IEEE access， 2020， 8： 163715-163729.

［9］"""" 張珂， 王競禹， 石懷濤， 等. 基于CNN的變工況滾動軸承故障診斷研究［J］. 控制工程， 2022， 29（2）： 254-262.

ZHANG K， WANG J Y， SHI H T， et al. Research on rolling bearing fault diagnosis under variable working conditions based on CNN［J］. Control engineering of China， 2022， 29（2）： 254-262.

［10］""" ZHANG M， WANG D， LU W N， et al. A deep transfer model with Wasserstein distance guided multi-adversarial networks for bearing fault diagnosis under different working conditions［J］. IEEE access， 2019， 7： 65303-65318.

［11］""" LI Y T， JIANG W B， ZHANG G Y， et al. Wind turbine fault diagnosis based on transfer learning and convolutional autoencoder with small-scale data［J］. Renewable energy， 2021， 171： 103-115.

［12］""" 張根保， 李浩， 冉琰， 等. 一種用于軸承故障診斷的遷移學(xué)習(xí)模型［J］. 吉林大學(xué)學(xué)報（工學(xué)版）， 2020， 50（5）： 1617-1626.

ZHANG G B， LI H， RAN Y， et al. A transfer learning model for bearing fault diagnosis［J］. Journal of Jilin University （engineering and technology edition）， 2020， 50（5）： 1617-1626.

［13］""" CHEN W Q， QIU Y N， FENG Y H， et al. Diagnosis of wind turbine faults with transfer learning algorithms［J］. Renewable energy， 2021， 163： 2053-2067.

［14］""" 陳祝云， 鐘琪， 黃如意， 等. 基于增強遷移卷積神經(jīng)網(wǎng)絡(luò)的機械智能故障診斷［J］. 機械工程學(xué)報， 2021， 57（21）： 96-105.

CHEN Z Y， ZHONG Q， HUANG R Y， et al. Intelligent fault diagnosis for machinery based on enhanced transfer convolutional neural network［J］. Journal of mechanical engineering， 2021， 57（21）： 96-105.

［15］""" 夏懿， 徐文學(xué). 一種用于跨域軸承故障診斷的深度自適應(yīng)網(wǎng)絡(luò)［J］. 振動與沖擊， 2022， 41（3）： 45-53， 81.

XIA Y， XU W X. A deep adaptive network for cross-domain bearing fault diagnosis［J］. Journal of vibration and shock， 2022， 41（3）： 45-53， 81.

［16］""" 周華鋒， 程培源， 邵思羽， 等. 基于子域自適應(yīng)對抗網(wǎng)絡(luò)的軸承故障診斷［J］. 振動與沖擊， 2022， 41（11）： 114-122.

ZHOU H F， CHENG P Y， SHAO S Y， et al. Bearing fault diagnosis based on subdomain adaptive confrontation network［J］. Journal of vibration and shock， 2022， 41（11）： 114-122.

［17］""" CHENG C， ZHOU B T， MA G J， et al. Wasserstein distance based deep adversarial transfer learning for intelligent fault diagnosis with unlabeled or insufficient labeled data［J］. Neurocomputing， 2020， 409： 35-45.

［18］""" MAO W T， LIU Y M， DING L， et al. A new structured domain adversarial neural network for transfer fault diagnosis of rolling bearings under different working conditions［J］. IEEE transactions on instrumentation and measurement， 2021， 70： 1-13.

［19］""" KIM M， KO J U， LEE J， et al. A domain adaptation with semantic clustering （DASC） method for fault diagnosis of rotating machinery［J］. ISA transactions， 2022， 120： 372-382.

［20］""" YANG Z L， MA X S， MA Y C. A fault diagnosis model based on convolution neural network for wind turbine rolling" bearing［J］." IOP" conference" series： earth" and environmental science， 2019， 252： 032039.

［21］""" LONG M S， CAO Y， WANG J M， et al. Learning transferable features with deep adaptation networks［C］//Proceedings of the 32nd International Conference on International Conference on Machine Learning. Liue， France 2015： 97-105.

［22］""" ZHU Y C， ZHUANG F Z， WANG J D， et al. Deep subdomain adaptation network for image classification［J］. IEEE transactions on neural networks and learning systems， 2021， 32（4）： 1713-1722.

［23］""" HE Z H， YANG B， CHEN C X， et al. CLDA： an adversarial unsupervised domain adaptation method with classifier-level"" adaptation［J］."" Multimedia"" tools"" and applications， 2020， 79（45/46）： 33973-33991.

RESEARCH ON FAULT DIAGNOSIS METHOD OF WIND TURBINE GENERATOR BEARINGS BASED ON DOMAIN ADAPTATION

Tian Miao1，Su Xiaoming1，Chen Changzheng1，2，An Wenjie1，Sun Xianming3

（1. School of Mechanical Engineering， Shenyang University of Technology， Shenyang 110870， China；

2. Liaoning Vibration and Noise Control Engineering Research Center， Shenyang 110870， China；

3. Ningbo Kunbo Measurement and Control Technology Co.， Ltd.， Ningbo 315200， China）

Abstract：Aiming at the problem that the vibration signals collected by different types of wind turbine generator rolling bearings have different distribution and the sample labels of rolling bearings to be diagnosed are insufficient， this paper proposed a fault diagnosis method of wind turbine generator rolling bearings based on clustering domain adaptive convolutional neural network （CDA-CNN）. Firstly， the features of labeled bearing data in the source domain and unlabeled bearing data in the target domain were extracted by using the 1D convolutional neural network. Secondly， the clustering method was used to reduce the difference in the conditional distribution of data features and provided pseudo labels for target domain data. Then， the maximum mean difference （MMD） was used to align the edge distribution of the two domains. Finally， the fault diagnosis model of wind turbine generator rolling bearings was obtained. The proposed CDA-CNN is applied to the fault diagnosis of actual wind turbine generator rolling bearings. The diagnosis results show that the fault diagnosis accuracy of the proposed method is as high as 92.52%， which effectively solves the problem of insufficient available data labels. The test results show that the diagnostic accuracy and transfer of CDA-CNN are better than other methods， and it has a certain engineering application value for the fault diagnosis of wind turbine generator rolling bearings.

Keywords：wind turbines； rolling bearings； fault diagnosis； domain adaptation； clustering

收稿日期：2022-07-28

基金項目：國家自然科學(xué)基金（51675350；51575361）

通信作者：蘇曉明（1964—），男，博士、教授、博士生導(dǎo)師，主要從事工業(yè)工程控制領(lǐng)域的教學(xué)和研究。suxm@sut.edu.cn