[发明专利]一种基于深度生成对抗网络的风电传动系统故障诊断方法

权利要求书

1.一种基于深度生成对抗网络的风电传动系统故障诊断方法，包括以下步骤：

步骤一：收集不同工况、负载下已有的风电机组传动系统振动数据，建立大型风电机组传动系统跨域样本训练集，区分出源领域和目标领域；

步骤一中，将收集的不同工况、负载下已有的风电机组传动系统振动数据通过傅里叶变换去除数据包含的噪声，并选取处理后数据长度的一半，对选取的数据添加标签，其标签包括正常、内圈故障、外圈故障、球体故障四种，同时区分出源领域和目标领域，定义待诊断部位训练集数据为源领域，不同工况、负载下待诊断部位测试集数据为目标领域；

步骤二：结合堆栈自编码网络和softmax分类器，构建深度生成式对抗网络模型；

采用堆栈自编码网络作为深度生成式对抗网络框架基础，利用堆栈自编码的特征提取特性，作为生成器，从振动数据中自动地提取出代表性故障特征，而后选取两个softmax分类器作为鉴别器，鉴别器包括标签分类器、域分类器，对代表性故障特征进行分类；

步骤二中，深度生成式对抗网络框架由一个生成器和两个分类器构成，其中生成器负责提取输入样本的代表性特征，由SAE-G_f表示，其任务是提取域不变特征，而域分类器Softmax-G_d，其被训练以区分提取的特征是属于源域还是目标域为了提取域不变特征，特征提取器中参数的目的是最大化域鉴别器的损失，并最小化标签预测器Softmax-G_y的损失，同时，通过最小化自身的损失来学习域分类器的参数，最后，得到深度生成式对抗网络框架的损失函数为：

其中X_i是训练样本，L_y(,)是标签预测器G_y的损失，L_d(,)是域鉴别器G_d的损失，y_i是X_i的标签；λ是权衡参数，其控制域鉴别器损失在整个损失函数上的比例；θ_f,θ_y,θ_d分别为标签预测器G_y，生成器G_f，域鉴别器G_d的参数；

步骤三：预训练深度生成式对抗网络模型；

利用源领域数据和目标领域数据预训练深度生成式对抗网络模型，经由堆栈自编码网络，得到两个领域振动数据的代表性故障特征，将源领域的代表性故障特征预训练标签分类器，同时用两个领域的代表性故障特征训练域分类器，结合反向传播和随机梯度下降算法，使得域分类器无法识别出故障特征来自源领域还是目标领域，从而提取出隐含在两个领域中的公共知识；

步骤四：采用训练好的模型对大型风电机组传动系统实施在线诊断；

通过传感器实时采集大型风电机组传动系统振动数据，经由傅里叶变换去除噪声后，输入到已训练好的模型中进行故障诊断，得到故障诊断结果。

2.根据权利要求1所述的基于深度生成对抗网络的风电传动系统故障诊断方法，其特征在于：所述步骤二中，堆栈自编码网络生成器由两层的自编码器构成，而自编码器包括了编码层和解码层，给定n个输入数据X，X＝{x₁,x₂,x₃,...,x_n}，编码器负责对输入数据进行编码，得到编码后的m个数据Z，Z＝{z₁,z₂,z₃,...,z_m},(mn)，解码器负责对编码后的数据进行解码操作，得到解码后的数据与输入数据进行比较，最小化两者之间的误差，最终解码器输出与输入数据一致的数据，从而使得编码后的数据能最大程度地代表输入数据，其中，编码层、解码层对数据进行处理的过程具体表示为：

Z＝f(ω_cX+b_c) (8)

ω_c,b_c为自编码网络中编码层的权值和偏置参数，ω_d,b_d分别为自编码网络中解码层的权值和偏置参数；从而自编码网络的损失函数为：

其中，|| ||_F为Frobenius范式，n为源领域或目标领域输入样本的总个数。