不平衡数据集下优化WGAN的风电机组齿轮障诊断方法

针对不平衡数据集下风电机组齿轮箱故障诊断准确率低以及故障特征不明显的问题,提出峭度指标与遗传算法优化Wasserstein距离生成对抗网络（WGAN）的故障诊断方法。首先将峭度指标作为语义标签映射到卷积层规格化故障特征,其次在反卷积网络中对宏基因组二进制编码并权重初始化,然后对不平衡样本集进行多点交叉和高斯近似变异,重点搜索局部故障点,最后将峭度作为有标签的负例输入判别器网络,重构反卷积和VGG神经网络提高权重剪裁,使WGAN网络成为半监督学习模型,正向判断更新权重并输出诊断结果。实验表明：该方法在不平衡数据集下诊断准确率达到98.69%,拥有更高的泛化能力和特征提取能力,实现了故障特征的增强。     

优化GAN的风电机组齿轮箱故障诊断方法

针对风电机组齿轮箱故障诊断准确率低的问题，提出了一种逻辑回归与遗传算法优化生成对抗网络(GAN)的齿轮箱故障诊断方法。该方法采用逻辑回归与遗传算法优化GAN模型，首先，输入信号向量化编码通过轮盘式选择对宏基因等位交叉；然后，用最小二乘变异替换等位编码串重构表征向量，并输入卷积网络进行二次迭代；最后，构建逻辑回归辅助分类器表征决策边界，依据回归曲线实现判别器的分类与诊断。实验结果表明，所提方法的故障诊断准确率达到99.72%,证明该方法实现了样本数据的增强和诊断准确率的提高。     

基于关联度与自检验长短期记忆网络的风电机组轴承寿命预测模型

为提高风电机组轴承寿命预测的稳定性，提出基于关联度与自检验长短期记忆网络(self-checkinglong short-term memory,Sc-LSTM)的轴承寿命预测模型。首先，采用长短期记忆网络(long short-term memory,LSTM)对风电机组轴承单一运行状态信号进行预测，分析预测误差与运行状态关系，建立风电机组轴承的寿命时长体系。其次，LSTM对轴承全寿命信号进行预测与分析，选择检验指标σ来构建检验层与Sc-LSTM，引入通过率η对预测效果进行评价。采用关联度(indexedrelation,IR)为轴承全寿命信号的状态评价指标，得到轴承的IR运行曲线。最后，利用Sc-LSTM分别对IR运行曲线、风电机组轴承信号进行预测与分析，结果表明：Sc-LSTM与IR的预测模型能有效地提高轴承寿命预测的稳定性，减少大规模预测试验的时间与成本，弥补预测误差对预测效果评价单一的问题，与其他预测方法相比效果更佳，在风电机组轴承寿命预测上具有一定参考价值。