基于图变分对抗自编码器的不平衡风力机故障诊断样本均衡方法

《Journal of Industrial Information Integration》：Graph Variational Adversarial Autoencoder-Driven Sample Equalization for Imbalanced Wind Turbine Fault Diagnosis

　　

（1）构建稀疏耦合关系图以表征风电机组故障状态。（2）提出多层卷积生成对抗网络以增强少数类图特征。（3）利用辅助变分图自编码器生成少数类故障图样本。（4）引入分层Top-K池化图卷积网络用于风电机组故障识别。

引言

过去二十年来，由于风电技术的进步和发电成本的降低，风电机组（WTs）已在全球范围内得到广泛部署，使风能成为一种储量丰富的清洁可再生能源[1]。风电机组作为复杂的分布式系统运行，由高度相互依赖的子系统组成，其中故障特征在跨组件传播过程中会迅速衰减。在整个服役寿命期间，风电机组受到由局部风的不可预测性和湍流引起的高度胁迫和恶劣环境的影响，不可避免地导致系统退化和结构损伤。为了提高风力发电质量并实现更大的经济效益，早期故障识别、减少停机时间以及降低运维（O&M）费用至关重要[2]。

在此背景下，工业信息集成发挥着关键作用，通过汇聚来自监控与数据采集（SCADA）系统的大量状态监测数据，激发了对数据驱动人工智能（AI）技术的显著兴趣。然而，有效整合这些工业信息本质上充满挑战。SCADA系统生成的多源时间序列数据具有复杂的空间互依性、低价值密度和极端冗余等特点，使得跨子系统数据融合和鲁棒特征提取极具难度。此外，工业信息集成及后续AI建模的有效性受到极端数据不平衡的严重制约。风电机组在超过95%的服役时间内正常运行，导致故障样本极度匮乏（例如齿轮箱磨损数据）。此外，由于某些事件的突发性质（如电网故障），收集足够的带标签SCADA数据通常是不可能的。因此，数据驱动的AI模型往往对整合后的正常数据属性过拟合，对少数故障类别表现出低敏感性。鉴于故障SCADA数据的匮乏以及各组件故障频率的显著差异，研究能够有效耦合工业信息集成与类别不平衡解决方案的增强型故障诊断框架，对于风力发电行业的智能运维至关重要。

目前，解决风电机组故障诊断中类别不平衡问题的技术主要分为两类：旨在突出少数类特征的算法级修改，以及在预处理过程中调整类别分布的数据级再平衡策略。主要的数据级方法包括过采样[3,4]、欠采样[5,6]、基于自编码器的重建[7,8]和对抗生成[9,10]。为提高数据生成质量，已提出几种混合采样方法。例如，CJBM方法[12]将改进的基于聚类的过采样与LightGBM相结合，而ASMOTE-ENN[11]将自适应SMOTE过采样与编辑最近邻（ENN）欠采样相结合。尽管传统重采样技术能改善分类性能，但它们存在关键局限性：欠采样会丢弃关键特征并增加噪声敏感性，而过采样则引入冗余并导致模型过拟合。

相比之下，深度生成模型如变分自编码器（VAEs）和生成对抗网络（GANs）擅长近似少数类的真实数据分布。通过生成能够捕捉细微故障变化的特征对齐样本，它们有效缓解了信息丢失，减少了过拟合，并增强了泛化能力。因此，GANs被广泛用于不平衡故障诊断。在风电机组（WT）应用中，Zeng等人[13]提出了一种改进的条件GAN（ICGAN）用于齿轮箱诊断。为了合成高质量故障样本，Guo等人[14]和Chatterjee等人[15]开发了融入Wasserstein距离的CGAN方法。此外，Zhang等人[16]将ISOMAP与CGAN集成，用于风电机组叶片故障检测中的同时降维和样本增强。除风电机组外，生成技术在更广泛的稀缺数据工程场景中表现出色。Cao等人[17]提出了一种因果GAN-VAE框架用于行星齿轮箱的少样本、跨域故障诊断。Hu等人[18]开发了一种基于GAN的时间序列增强框架，配有混合分类器用于液体火箭发动机。此外，Yang等人[19]利用基于迁移学习的条件GAN克服了大规模锂离子电池系统中数据有限的问题，从而提高了诊断性能。虽然最近的生成方法和少样本方法在某些数据有限场景中表现优异，但其有效性受到风电机组SCADA数据固有的复杂、高维和稀疏特征空间的严重制约。这种固有复杂性阻碍了传统GAN架构在生成器和判别器之间维持稳定的对抗平衡。因此，这些传统方法难以合成真实的SCADA故障样本，经常面临不可预测的生成质量、细节失真和语义不一致等问题。

通过增强学习算法或训练协议，算法级再平衡技术试图在避免数据预处理带来的信息丢失或冗余的同时解决类别不平衡问题。通过在特征空间中为多数类和少数类赋予不同的注意力权重，Cheng等人[20]建立了一个用于叶片结冰检测的类别不平衡异质联邦学习系统。Wang等人[21]创建了一个使用CNN-SA-GRU和聚焦损失的风电机箱故障诊断模型。Sun和Wang等人[22]利用卷积和循环神经网络从SCADA测量中提取时空信息，引入了一种多学习者神经网络，以在不平衡数据条件下识别健康和结冰的风电叶片。为了构建风电机组叶片积冰和齿轮齿带断裂的缺陷诊断模型，Chen等人[23]使用了两种迁移学习技术（Inception V3和TrAdaBoost），这些技术旨在处理不均衡和非同分布数据。为了减少风电故障诊断中的SCADA数据不平衡，He等人[24]和Pang等人[25]开发了一种时空多尺度神经网络和一种集成聚焦损失的时空融合神经网络。风电机组SCADA数据中故障样本的匮乏加剧了显著的多类别不平衡。当与嘈杂的运行环境和不清晰的样本-标签映射相结合时，这使得算法级模型更容易欠拟合或过拟合，代价是集中于多数类数据。

在风电机组SCADA系统中，多传感器测量（例如机舱温度和轮毂转速）表现出由动态外部条件驱动的复杂时空相关性。鉴于图神经网络（GNNs）在处理非欧几里得数据和捕捉复杂变量间依赖关系方面的出色能力，GNNs已被广泛用于风电故障诊断。该领域常用的GNN架构包括图卷积网络（GCNs）[26]、图注意力网络（GATs）[27]、图自编码器[28]和图时空网络[29,30]。例如，将GCN与一维卷积集成的时空变体已成功开发，用于提取动态故障特征以检测叶片结冰和主轴承磨损[29,30]。最近的研究进一步多样化了GNN在风电监控中的应用。为缓解不平衡SCADA数据的影响，Sun和Hu等人[31]提出了一种匹配对比学习方法，在超球面上公平分配数据中心。对于异常检测，Miele等人[32]建立了一个使用多变量时间序列图卷积自编码器的无监督深度学习框架来建模非线性信号相关性，而Jiang等人[34]设计了一种系统级可解释的GNN方法。特定组件缺陷也得到了处理；Lai等人[33]和Wang等人[35]均开发了专门用于叶片结冰检测的专用图模型（分别是基于小波的多尺度GCN和β-变分GAT自编码器）。在风电场层面，Liu等人[36]利用GCN对相邻风电机组之间的空间交互进行建模，用于可用功率预测。尽管传统GNN具有显著优势，但在拓扑表示、动态时间提取和复杂上下文建模方面仍面临困难。为克服这些困难，Li和Yang等人[37]开发了一种利用图知识和残差时空融合的绝缘轴承故障诊断框架。针对单一静态图的约束，Fan等人[38]引入了时空双视图图网络，集成物理邻近性和历史依赖性用于风电功率预测。此外，Li和Wang[39]提出了GAT增强的检索增强生成，利用统一知识图谱进行结构感知检索以增强语义连贯性。然而，尽管这些近期方法在提取时空特征方面表现出色，但在SCADA数据分析中仍存在关键局限性。首先，传统图构建通常依赖于欧几里得距离或K近邻；前者对时变运行条件高度敏感，而后者常引入虚假相关性。其次，大多数GNN处理高维数据时未显式建模物理通道间的互依赖性，将其分析限制在表浅的数据分布而非真正的物理机制上。因此，稀疏邻接矩阵导致模型过度强调单个节点特征而非全局结构。这使模型对传感器异常高度敏感，并严重降低了诊断精度，特别是在严重类别不平衡的情况下。

基于上述分析，目前风电机组的AI模型主要聚焦于数据充足条件下的局部组件故障（例如轴承、齿轮箱、叶片）。因此，它们不足以应对系统级分布式故障诊断，后者通常以严重数据不平衡为特征。作为复杂的分布式机电系统，风电机组具有强子系统的互依赖性和动态运行条件，导致故障信号快速衰减。相应地，其SCADA数据表现出高冗余性、复杂多源相关性、严重类别不平衡以及与运行状态的强耦合。虽然自动机器学习可以自主构建模型管道[40,41]，但它缺乏针对这些领域特定特性和物理故障机制的定制优化。此外，它无法在模型决策与实际故障之间建立逻辑联系，损害了现场应用中的可解释性和可靠性。而且，传统AI模型难以从高维SCADA数据中提取关键的全局表示。由于分布式故障识别严重依赖全局特征，传统模型过度强调不相关的局部特征的倾向严重损害了诊断效能。虽然这种特征错配在数据丰富的环境中可能微不足道，但在涉及多种故障类别的少样本或高度不平衡场景中则显著加剧。为了解决这些局限性，本文提出了一种基于图变分对抗自编码器驱动样本均衡（GVAESE）的新型风电机组故障诊断方法。主要贡献总结如下：

（1）提出了一种稀疏耦合关系图（SCRG），通过Pearson相关性和TopK掩码，将碎片化的多源异构SCADA信号系统性地整合为统一的、具有物理信息的统计表示。通过捕捉真正的系统级物理互依赖关系而非传统的距离度量，该框架有效克服了SCADA数据的低价值密度问题，增强了对噪声和动态运行条件的鲁棒性，并显著降低了计算复杂度。

（2）为解决SCADA故障样本的严重不平衡问题，构建了一个集成辅助变分图自编码器（AVGAE）和多层卷积GAN（MCGAN）的GVAESE网络。通过将MCGAN限制在AVGAE提取的低维潜空间中进行稳定的对抗生成，并采用双通道解码器来解耦传感重建和拓扑重建，该架构有效规避了传统GAN的不稳定性和信息丢失问题，从而生成高质量的少数类故障样本。

（3）为解决局部故障特征的稀释问题，提出了一种分层Top-K池化图卷积网络（HTPGCN）。通过在均衡数据集上集成图注意力和Top-K分层池化，该架构实现了全局和局部特征的多层次提取。该机制有效解决了复杂信号耦合、故障掩蔽和弥散性问题，显著提高了整体诊断精度。

所提出的框架将多源异构SCADA信号融合为统一的物理拓扑（SCRG），并将生成建模与图学习（GVAESE）相结合以克服严重数据不平衡，从而实现稳健的系统级故障诊断。这是一个高度内聚的管道，专门设计用于解决SCADA数据分析中的顺序瓶颈。在此统一架构内，SCRG-AVGAE模块缓解了会使GAN不稳定的严重数据噪声；MCGAN均衡防止了因不平衡图引起的GNN欠拟合；HTPGCN架构则保留了在全局池化过程中通常丢失的分散故障特征。

本工作后续章节结构如下：第2节阐述基于SCADA的SCRG构建；第3节描述SCRG样本增强方法；第4节讨论GVAESE模型在风电机组故障检测中的部署；第5节提供利用实际SCADA数据的验证结果；第6节总结研究内容。

章节片段：从SCADA数据构建SCRG

基于GNN的故障诊断算法中图结构的设计直接影响诊断性能。仅依赖基本距离相似度或相关性分析来准确描绘多源监测指标之间的结构联系是困难的。这可能导致GNN无法充分聚合来自相邻节点的相关信息或错误整合无关数据，最终导致图样本过平滑。

本研究提出了一种基于AVGAE的SCADA数据时空特征图特征提取方法。变分图自编码器（VGAE）通过对原始图数据的特征分布进行随机采样来推导其潜在表示，从而增强特征泛化能力。然而，在处理高度稀疏或受噪声影响的关系型数据时，标准VGAE的性能受限于两个主要瓶颈：编码器的表征能力以及单一解码器的重建精度。为此，本研究提出的AVGAE。故障诊断方法的实现。SCADA参数之间的相互关系错综复杂且动态变化，风机所蕴含的健康状态信息深藏其中。在类别不平衡的数据背景下，GNN模型必须从有限的图样本中同时刻画节点的内禀属性以及节点间的结构关系，同时还要实现数据均衡。如图5所示，所提出的GVAESE框架包含三个基本模块：基于AVGAE的图特征提取。多类别故障不平衡数据的描述。本研究通过分析位于爱尔兰南部海岸的一台3MW直驱风机的SCADA系统运行数据，评估了所提方法在风机故障诊断方面的有效性。该数据集涵盖了2014年5月至2015年4月的11个月记录[43]。数据采样间隔为10分钟，并包含三类数据：运行数据、状态数据和报警数据。SCADA运行数据集捕捉了瞬态运行信息。结论。针对风机SCADA数据中存在的信息提取不足与故障样本不平衡问题，本文提出了GVAESE故障诊断方法。通过构建SCRGs，该方法将数据取值与传感信号相关性相结合，以精准捕捉参数间的相互作用。GVAESE并非对各模块的简单拼凑，而是形成了一条针对工业瓶颈量身打造的连贯流水线：AVGAE模块抑制原始数据中的严重噪声以稳定对抗样本。CRediT作者贡献声明：刘晓峰：研究构思与设计，初稿撰写，审阅与修改；李海龙：数据管理、软件与分析；朱红军：验证与数据分析；钱凯文：软件、资源与数据获取；魏大平：数据获取；林博：概念化、方法论、数据分析、调查研究、审阅与修改，资金获取；罗军：资金获取与验证。未引用参考文献[42] CRediT作者贡献声明：刘晓峰：初稿撰写、监督指导、方法论、形式化分析、概念化；李海龙：可视化、软件、数据管理；朱红军：验证；钱凯文：可视化、验证、软件、数据管理；魏大平：验证、资源；林博：形式化分析、概念化；罗军：资金获取。利益冲突声明：作者声明不存在可能被认为会影响本文所报告工作的、已知的竞争性经济利益或个人关系。致谢：本研究受国家自然科学基金资助（项目批准号T2421001）。刘晓峰|李海龙|朱红军|钱凯文|魏大平|林博|罗军