风力发电机多变量时间序列图卷积自编码器深度异常检测

能源与人工智能8（2022）100145基于多变量时间序列图卷积自编码器的水平轴风力发电机深度异常检测Eric StefanMiele，Fabrizio Bonacina，Alessandro Corsini罗马大学机械与航空航天工程系，Via Eudossiana 118，罗马，I00184，意大利A R T I C L E I N F O保留字：风力发电机状态监控深部异常探测SCADA数据图卷积自编码器多变量时间序列早期故障检测A B标准风力发电是增长最快的可再生能源部门之一，有助于正在进行的脱碳过程。然而，风力涡轮机受到广泛的动态负载，这可能导致更频繁的故障和停机时间，从而导致对有效状态监测策略的日益关注。在本文中，我们提出了一种新的无监督深度异常检测框架，以检测异常的风力涡轮机的SCADA数据的基础上。我们引入了一个有前途的神经架构，即多变量时间序列的图卷积自编码器，将传感器网络建模为动态功能图。这种结构通过考虑单个传感器测量以及信号之间存在的非线性相关性来提高自动编码器的无监督学习能力。在此基础上，我们开发了在四个风力涡轮机运行的20个月期间，对12个故障事件进行了验证的深度异常检测框架。结果表明，所提出的框架成功地检测到异常，并预期SCADA报警优于其他两个最近的神经方法。1. 介绍考虑到多种因素，风能可能是未来去碳化场景中的游戏规则改变者之一。 仅举几例，即将到来的几代多兆瓦风力涡轮机（WT）[1]、技术和基础设施的成熟以及即使在海上应用中的成本竞争力[2如Hameed等人[5]所述，WT能量转换器中最关键的元件位于动力传动系统部件中，受到风湍流和极端天气条件驱动的高度不规则负载的影响。因此，主要结构部件的疲劳载荷可以与其他旋转机器相比，它是非常巨大和独特的。因此，仅次于资本支出投资的是运行和维护（O M）成本，这是电气和控制系统上最常见的故障，其次是叶片和液压组[6，7]。此外，故障（通常在发电机和齿轮箱中）需要高的维修和更换成本，并导致长时间的停机时间和显著的生产损失。面对O M挑战的补救方法提倡能够早期检测和隔离早期故障的状态监测（CM）策略。CM是实现基于状态的维护的关键成分，能够超越按计划的最先进水平，以识别（在早期阶段）组件退化并限制WT的不必要停机。在机械系统中，CM通常基于高频数据的采集（例如，振动分析），可能通过各种方法处理（参见[8]最近的评论）。然而，这种策略受到几个限制，因为它需要在WT和特定数据基础设施上安装额外的传感器，实际上阻碍了实施[5，9]。另一方面，现代WT与传感器网络集成，作为监控和数据采集（SCADA）系统的一部分，用于监控动力传动系统状态（例如轴承温度、润滑油子系统等）。标准实践是记录传感器时间序列的10分钟平均值和其它统计数据。 通过分析常规收集的SCADA数据对风力发电厂进行CM，被认为是通过在尽可能早的阶段识别故障来预防昂贵故障和优化维护的可行方法[10，11]。因此，运营商面临的挑战是识别数据流中的故障特征，并将其与其他行为因素区分开来。信号的强烈异质性，以及10分钟平均导致的高频时间依赖性的丧失，使得任务非常苛刻[12]。鉴于缺乏WT操作的综合物理或数学模型，最近提出了许多基于10分钟SCADA的数据驱动方法（参见[13]的系统综述）。概率方法无法对传感器网络中的适当时间依赖性（和动态）进行建模[14]。为此，∗ 通讯作者。电子邮件地址：ericstefan. uniroma1.it（E. S. Miele）。https://doi.org/10.1016/j.egyai.2022.100145接收日期：2021年11月29日;接收日期：2022年1月28日;接受日期：2022年1月29日2022年2月12日在线提供2666-5468/© 2022作者。由爱思唯尔有限公司出版。这是一篇开放获取的文章，获得了CC BY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表能源与AI期刊主页：www.elsevier.com/locate/egyaiE.S. Miele等人能源与人工智能8（2022）1001452���（）的‖‖为了考虑WT分量之间的信号相互非线性和因果依赖性，迄今为止，大多数方法似乎依赖于人工神经网络（NN）模型的使用[15]。在早期故障检测领域，神经网络通常用于学习系统的正常操作条件，并通过监测与标准行为的实时偏差来检测初始故障。常见的假设是，故障的发生反映了信号之间相关性的改变，导致高的多元重构误差。为此，已经提出了几种神经架构，以便基于预测误差捕获异常场景，其中神经模型在多变量输入上回归目标变量。例如，已经开发了基于卷积NN（CNN）[12]的方法，以及将卷积核与递归单元（例如长短期记忆（LSTM）或门控递归单元（GRU））组合的然而，如[19，20]所述，CNN的标准卷积运算限制了模型仅考虑信号时间序列中的局部空间结构，而不是过程的一般域。此外，用于顺序学习的递归NN需要迭代训练，这可能会导致错误累积，训练困难和计算成本增加[19]。作为回归模型的一种有前途的替代方案，自编码器（AE）架构最近已被用于无监督异常检测，鉴于其提取正常操作条件下的显著特征的能力。此类架构的示例包括深度AE、去噪AE、基于LSTM AE和基于CNN的AE证实了所提出的模型优于这两种方法的评价指标。本文的其余部分组织如下。在第2节中，我们提出了拟议的MTGCAE神经架构，在第3节中，我们讨论了深度异常检测框架的构建块。然后，在第4节中，我们描述了案例研究和所获得的结果，最后，在第5节中，我们总结了目前的工作，并得出我们的结论。2. 神经架构在本章中，我们描述了自动编码器和图卷积网络，以及提出的神经架构，即多变量时间序列的图卷积自动编码器，它是前两者的组合，适用于多变量时间序列。2.1. Autoencoder自动编码器（AE）是一种经过训练的神经网络，用于以无监督的方式学习一组数据的压缩表示[32]。首先，它为输入数据产生简化的编码。然后，它试图从减少的编码重建原始输入。特别是， 其目的是在特定约束下学习身份函数，例如在隐藏层中具有有限数量的神经元。AE由两部分组成，即编码器和解码器。编码器将输入R∈R映射到潜在空间，考虑到前馈神经网络，第二神经网络的输出���������不良事件[21在本文中，我们提出了一个原始的无监督深异常，���层可以写为：������������������（检测框架，其核心是一个神经架构，������图卷积网络（GCN）AE和GCN最近都被用于交通预测或地图中建筑物的形状编码，其中图形公式化是地图中固有其中，W（ω）是层的可训练权重，ω是非线性激活函数。考虑具有L个层的编码器，我们有应用领域[25因此，我们建议调整公式-（���0）=���且���L��� =，其中∈R是压缩版本������将传感器网络建模为多变量时间序列������of the input输入.图，其中每个节点表示具有从其时间序列中提取的特定特征向量的传感器。由于其多变量公式，我们主张能够分析传感器网络中的上下文异常的方法[24]。相反，解码器将压缩表示反向映射回到它的原始空间，通过再次考虑前馈神经网络，我们有：������������������（详细地介绍了一种基于图卷积的自编码器������多变量时间序列（MTGCAE），由编码器和其中，n（n+1）是第n层的输出，W��� 是可训练的重量矩阵A和B是非线性激活函数。���考虑L层，解码器的基础上适应多元时间序列的GCN借代指─（0）（L）′将数据发送为图形，可以对结构信息进行编码，建立实体之间的关系，并提供更有前途的我们有一个公式，������的输入向量������ =，其中是重建基于传感器数据测量的洞察力，优于标准CNN，特别是在建模任意结构的系统，如传感器网络[28为了执行异常检测，网络被训练成以无监督的方式学习系统的正常行为。通过基于模型参考误差定义局部和全局指标，该框架在应用四阶段阈值方法后触发警告，该方法旨在最大限度地减少正常操作条件下的错误警报。事实上，通过过滤单个尖峰和瞬态扰动，仅考虑显著的模型误差，从而允许生成传感器级警告，该警告隔离主要涉及异常的组件/子组件。我们在SCADA数据上测试了该模型，这些数据来自同一风电场的4个WT，每个WT的标称功率为2 MW [31]。结果表明，该模型可以预测10个SCADA日志报警，平均时间约为23天，涉及一些最关键的组件，而不会触发任何假警报。此外，为了验证模型的有效性，最近提出的两种神经架构也被应用于同一数据集，一种基于LSTM AE [23]，另一种基于CNN，LSTM细胞和注意力机制的组合[18]。比较由于AE的目标是尽可能准确地重建输入（理想情况下为′=′），因此通过反向传播算法最小化重建误差（′，′）=′ −′（也称为损失函数）来训练AE[33]。值得注意的是，根据具体应用，不同于前馈NN的其他神经架构也可以被视为具有任意数量隐藏层的编码器或解码器。2.2. 图卷积网络图卷积网络（GCN）是一种神经网络，设计用于直接在图上工作并利用其结构信息[34]。GCN的输入是图G =（V，E），其中V和E分别是节点和边的集合V表示为由与每个节点相关联的长度为λ的特征向量组成的×λ特征矩阵。E中包含的图的结构信息GCN生成一个节点级的输出O，其形式为一个×N矩阵，其中N是为每个节点计算的输出特征的数量。E.S. Miele等人能源与人工智能8（2022）100145311Fig. 1. 拟议MTGCAE神经架构的详细信息。从传感器信号开始，通过MI计算邻接矩阵A，并提取长度为λ的滑动窗口作为GCN编码器的输入。���GCN解码器使用压缩的输出表示以及邻接矩阵A来产生重构的输入信号。图二、深度 异 常 检 测 的拟议框架图 。该矩阵可以被写为特征矩阵和邻接矩阵A的函数：O =（，A）=（AW）（3）其中W是一个可训练的权重矩阵。���考虑到之前的调整，GCN层的输出可以重写为：1̂1当乘以A时，对于每个节点，在除其自身之外的所有相邻节点的特征向量之间计算加权和。为此，自循环通过定义 =A+，其中是×单位矩阵。由于A通常未被归一化，因此等式（1）中定义的矩阵乘法（3）可以引起特征向量的尺度变化。为了防止数值不稳定性和梯度消失/爆炸，可以对邻接矩阵进行归一化通过计算2A2，其中是对角节点度矩阵，定义为Σ A=Σ AΣ A。O =（，A）=（2A2 W）（4）可以通过将层的输出特征矩阵与邻接矩阵A一起馈送作为下一层的输入来定义多层GCN。 通常，通过最小化损失函数在其输出O和期望输出O之间定义的，反向传播算法。E.S. Miele等人能源与人工智能8（2022）1001454������（（������������‖‖2.3. 多变量时间序列图卷积自动编码器我们提出了一种基于GCN和AE相结合的神经架构，即多变量时间序列的图卷积自动编码器（MTGCAE），以便通过将数据编码为图形来提取多尺度空间和时间相关性特别是，如图所示。1、神经结构由 的多层GCN，其使用作为输入的传感器网络的图形表示。图中的每个节点代表一个信号，边缘量化了时间序列对之间的相关程度。更具体地，作为输入特征矩阵，我们考虑滑动窗口，其是���矩阵。 以这种方式，与第n个节点（即SCADA系统中的第n个传感器）相关联的特征向量���Rk由长度为n的时间窗口中的第n个时间序列的值组成。���������对于邻接矩阵A，我们将条目（n，n）定义为图传感器网络中第n个和第n个信号或节点之间的互信息（MI）[35]。���GCN的层被划分为编码器和解码器，每个编码器和解码器可以由多个层组成。 遵循AE的典型结构，编码器将输入压缩为潜在表示，而解码器试图尽可能准确地重建原始输入。与标准AE不同，在此我们调整了等式中给出的公式。为了考虑作为输入的特征矩阵而不是向量，可以使用（1）和（2）中的每一个参考Eq.（4）、输出可以将第二编码器层的输出矩阵A和相邻矩阵A的函数���（n+1）3.2. MTGCAE模型为了考虑时间序列中的时间依赖性，使用滑动窗口探索数据根据数据矩阵=（，...，，...，），其中是第七维多变量���������������������样本，与信号的数量和时间观测的数量，第10个滑动窗口是一个���× ���矩阵定义 如：���=���������������n=（n，n+ 1，���因此，数据集在连续的滑动窗口中构造������=（1，������为了隔离用于训练异常检测的拟议MTGCAE模型的参考期，如[24]所述，我们采用了一种无监督方法，该方法基于以下假设：深层AE的隐藏层能够捕获大多数数据的固有属性，代表正常操作。详细地说，为了对正常行为窗口的子集进行采样，我们在所有窗口上训练了拟议的MTGCAE架构，以学习数据中最常见的模式。���故障导致的停机时间 由于罕见的操作条件，因此未被模型捕获，因此在其发生期间产生高模型残差。 通过这种方式，可以以无人监督的方式隔离中断，并将其排除在故障排除之外。（+1）���（）1̂1（）（）为了防止断层前兆可能包含在������������������=其中，W（ω）是层的可训练权重矩阵，ω是ReLu激活函数[36]。 考虑具有L个层的编码器，根据标准行为，我们排除了在每个停机时间之前的潜在异常时间段内的所有窗口，该时间段由平均故障间隔时间（MTBF）的一半组成，因为距离上一个时间段更远。我们有（0）= （L���） =，在哪里是一个×���修复.表示输入特征矩阵（特征矩阵）在通过编码器之后的压缩版本的矩阵。���相反，解码器将压缩的特征矩阵映射回 它的原始空间，可以用镜像的方式公式表示为：一旦正常的操作条件被隔离，MTGCAE模型就被训练用于异常检测和早期故障预测。���基于以上所述，我们将验证分为训练验证和验证。（+1）���（）1̂1（）（）���=（，A）=（2A2 W）（6）������其中采用下标k来判别解码器矩阵。考虑L���层，我们有（0）=和（L���）=′，其中′是输入特征矩阵的重构。��������� 两者都只包含标准行为窗口，设置包括正常窗口和异常窗口两者的异常窗口。������������特别是，使用Adam优化器对模型进行训练，考虑提前停止以避免过度拟合[39]。与AE类似，重建误差为2在使用反向传播算法的训练过程中被mized。��� 是迷你-需要注意的是，MTGCAE的潜在表现直接取决于参数λ，它应该更小MTGCAE被训练以重建传感器信号，假设参考状态。当在异常条件下将其重新应用于看不见的数据时，我们预计训练好的网络的预测会偏离实际信号，从而产生残差。3. 深部异常探测框架在本章中，我们将讨论图1所示的深度异常检测框架的主要步骤。二、首先，我们描述了监测信号的预处理和建议MTGCAE模型的应用。然后，我们定义了全球和当地的健康指标，以及四阶段的阈值异常检测方法。3.1. 信号预处理在所提出的神经结构的训练之前，通过删除具有缺失值的记录来预处理所有监测的信号。在少数孤立点的情况下，应用线性插值而不会在数据中引入失真[37]。然后，使用Savitzky-Golay滤波器平滑呈现高水平噪声的信号最后，使用5-sigma规则过滤极端离群值，并通过最小-最大归一化对数据进行缩放为了正确地压缩输入，窗口大小应该比窗口大小大，但也应该足够大，以捕捉最常见的模式，数据。另一个关键参数是窗口大小，它定义了模型的时间深度。���如果太小，则它将仅捕获小尺度局部模式，并且如果太大，则它将处理过宽的时间窗口并且无法捕获它们的时间模式。3.3. 全球马哈拉诺比斯指标（GMI）和地方残差指标（LRI）MTGCAE模型的错误用于指定警告规则 关于早期异常现象的信息为此，我们定义全球马哈拉诺比斯指标（GMI），反映了运营状况 的整个传感器网络，和本地残差指示符（LRI），为每个监控变量。GMI计算为模型多变量重建误差与通过最小协方差行列式[22]在验证集上快速获得的误差的参考多变量概率分布之间的距离。���������相反，每个信号的LRI被定义为其特定的重构误差。E.S. Miele等人能源与人工智能8（2022）1001455图3.第三章。 SCADA系统记 录 的 四 台 WT子组件和部件级日 志 的 时 间 分 布 。见图4。 图4（a）和4（b）分别显示了与报警ID A06G3对应的全局马氏指示器（GMI）和局部残差指示器（LRI）的趋势。 该报警报告T06发生器损坏，由SCADA于2016年10月27日16：26检测到。 特别是图图4（a）显示了四阶段过滤方法第一步中应用的总体指标和阈值������图另一方面，4（b）报告满足触发一个异常的所有必要条件的局部残差。基于四级阈值的报警。 LRI图中的垂直红线表示与可能的故障前兆相关的MTGCAE模型警告。 (For解释 有关本图例中的颜色参考，请参阅本文的网页版本。3.4. 四级阈为了在故障发生前产生及时的警告，同时减少正常运行期间的误报警，为GMI和LRI设计了多级阈值。 特别是，如[14]所述，它评估了模型误差的大小鲁棒的假警报，我们应用四个阶段的阈值，首先考虑GMI，然后，LRI。应用于局部和全局指标的四个顺序过滤步骤如下：GMI的两阶段阈值以检测与标准条件的偏差，而且还考虑它们在时间上的持续时间，以减弱单个尖峰和瞬态干扰的影响。为了使模型产生的警告更1. 过滤低于阈值的GMI值������倾斜多变量重建误差;只考虑意义-E.S. Miele等人能源与人工智能8（2022）1001456图五. 图5（a）和图5（b）分别示出了与警报ID A06G3对应的T06 WT的电网功率请求和总有功功率的趋势。虚线方框详细说明了所提出的 深度异常检测框架检 测 到异 常 的 时 间 段 （见图2）。 4）.2. 过滤持续时间小于1/2的GMI值，以便仅考虑在时间上持续至少长度的残差模型输入滑动窗口;LRI的两阶段阈值3. 对于每个信号λ，过滤低于阈值λ的LRI值以仅考虑显著的重构误差;4. 对于每个信号SNR，过滤持续时间小于为了只考虑至少在模型输入滑动窗口的长度当所有四个阶段的条件都以所呈现的顺序满足时，模型触发针对具有最高LRI的传感器的警告。4. 实验结果在本节中，使用[31]中提供的开放数据集验证了所提出的故障检测框架。更多细节可以在下面找到。4.1. 数据集描述数据收集自属于同一风电场的四个WT，每个WT的直径为90 m，最大转子速度为14.9 rpm，在标称风速为12 m/s时的最大额定功率为2 MW。风电场按标准等级为2级表1每台涡轮机的技术信息。额定功率（kW）2000切入风速（m/s）4额定风速（m/s）12切出风速（m/s）25转子直径（m）90转子扫掠面积（m2）6362刀片数量最大转子转速（rpm）14.9转子尖端速度（m/s）70转子功率密度1（W/m2）314.4转子功率密度2（m2/kW）3.2齿轮箱类型行星/直齿齿轮箱3级发电机类型异步最大发电机转速（rpm）2016发电机电压（V）690电网频率（Hz）50轮毂高度（m）80IEC 61400 [40]。WT技术信息的完整描述见表1。所有WT都配备了SCADA系统，用于监控从主要组件收集的多个参数以及环境测量值。特别是，对于我们考虑的每个WT，由30个监测参数组成的单独数据集，E.S. Miele等人能源与人工智能8（2022）1001457见图6。 图6（a）和6（b）分别显示了与报警ID A07 T1对应的全局马氏指示器（GMI）和局部残差指示器（LRI）的趋势。 该报警报告SCADA系统于2016年7月10日03：46检测到T07Transformer高温异常。 特别是图6（a）显示了全局指示符和在四阶段过滤方法的第一步骤中应用的阈值阈值。 图另一方面，6（b）报告满足基于四阶段阈值触发警报所需的所有条件的局部残差。 LRI图中的垂直红线表示与可能的故障前兆相关的MTGCAE模型警告。表2.该数据集涵盖了约20个月的时间跨度（从2016年1月1日到2017年9月除传感器信号外，我们还考虑了事件日志，其中包括报告期间SCADA系统在四台WT上记录的所有警报。这些事件包括所有潜在的操作风险，这些风险可以被视为减少组件剩余使用寿命的异常。事实上，SCADA系统监控风力涡轮机的运行状态，并保护它们免受极端负载的影响。通过这种方式，当关键信号超过预定义的操作阈值时，将触发事件并将其记录在日志文件中。参考[41]中介绍的Reliawind涡轮机分类，[31]中提供的事件日志主要包含组件和子组件级别记录的异常详细信息，仅用于组件/部件级别的一些警报。从这一点开始，我们过滤掉了所有不会导致组件维修或更换操作的假警报和小事件。表3列出了我们在本研究中考虑的所有事件，详细说明了涡轮机ID、涉及的组件/子组件、SCADA系统记录的报警日期和时间以及采取的措施类型由操作员恢复正常运行（维修或更换）。 图相反，图3显示了在调查期间每个WT的警报的时间分布。根据表3和图3中所含的日志分析，3可以注意到，大多数记录的警报涉及传动系统和动力子系统。特别是，针对分别在齿轮箱泵（2016年7月18日）和Transformer风扇（2017年8月11日）上检测到的部件级异常，对T01 汽 轮 机 进 行 了 两 次 维 修 ， 一 次 涉 及 齿 轮 箱 ， 另 一 次 涉 及Transformer。关于T06汽轮机记录的三个警报，它们涉及2016年6月至11月期间发生的发电机异常另一方面，T07汽轮机的警报涉及2016年7月10日和2016年8月23日Transformer中记录的两次高温事件，以及大约一年后（2017年8月21日）发生的发电机异常，这需要特定的维修干预。最后，在T09汽轮机中，在发电机轴承上记录了四个不同的警报，其中两个涉及2016年6月7日和2016年8月22日的高温事件，需要维修损坏的部件。相反，其他两个警报分别于2016年10月17日和2017年1月25日触发，涉及导致更换组件的重大损坏。4.2. MTGCAE参数设置从预处理和数据准备到模型的训练，E.S. Miele等人能源与人工智能8（2022）1001458见图7。图7（a）和7（b）分别示出了与警报ID A07 T1对应的T07 WT的电网功率请求和总有功功率的趋势。 虚线框详细说明了 所提出的 深度异常检测框架检 测 到 异 常 的 时期 （见图1）。 6）。考虑到提前停止以避免过拟合，MTGCAE被训练了10= 50个时期。具体来说，我们考虑了一个层的编码器具有潜在的输出特征作为潜在的表示和一个层的解码器重建输入数据。一个层就足以进行自动编码过程，堆叠更多的层并没有显著提高模型的性能参数λ被设置为与λ成比例，使得神经元的数量与输入滑动窗口的长度成比例，从而允许模型在更大的窗口中增加其复杂性特别是规模和持续时间。特别地，GMI阈值λλ被设置为Mahalanobis距离的验证集分布的第三分位数，并且第三信号的LRI阈值λλ被设置为其重构误差分布的第三分位数。4.3. 重建误差在重建误差方面比较了MTGCAE模型为了将输入压缩到更低的维度，我们设置了������所有SCADA信号与其他两个有前途的神经架构（图1）6维同时为网络提供足够的神经元来重建输入。滑动窗口大小已设置为至144（24 h），通过网格搜索，旨在最大限度地减少验证集的平均绝对误差（MAE）。这种配置使模型能够捕捉日常模式，这些模式也由信号的自相关函数为了确定标准操作条件，我们采用了第3.2节中讨论的无监督方法，并考虑了[42]中报告的75天MTBF。 通过这种方式，正如事件日志所证实的那样，主要故障和停机前的时间段被排除在标准行为数据之外，然后将其分为训练集故障率（70%）和验证集故障率（30%）。测试集������������相反，通过选择包括日志文件中报告的故障发生的时间段来定义故障日志基于重建误差，根据第3.4节中提出的四阶段阈值方法，模型触发了警告，允许仅考虑显著残差，最近应用于风力涡轮机中的异常检测，即LSTM-AE（在[23]中引入）和第一种是基于LSTM和AE，另一种是基于CNN和LSTM组合表4通过评价平均绝对误差（MAE）、均方误差（MSE）、均方根误差（RMSE）和中位绝对百分比误差（MDAPE），显示了三种体系结构获得的分数。尽管MTGCAE表现更好，但所有三个模型的重建误差都很低，最高误差为0.085，由LSTM-AE模型的RMSE达到。由于训练是在标准操作条件数据上执行的，因此预期误差较低，因为所有输入窗口都是从相同的正态行为分布中提取的。相反，在异常条件和故障期间，预计会出现高残差，如下一节所述。E.S. Miele等人能源与人工智能8（2022）1001459见图8。图8（a）和8（b）分别显示了与报警ID A09GB3对应的全局马氏指示器（GMI）和局部残差指示器（LRI）的趋势。 该报警报告T09发电机轴承损坏，由SCADA系统于2016年10月17日09：19检测到（见表3）。 特别是图8（a）显示趋势全局指示符和在四阶段过滤方法的第一步骤中应用的阈值阈值的值。 图另一方面，图8（b）报告满足基于四阶段阈值触发警报所需的所有条件的局部残差。 LRI图中的垂直红线表示与可能的故障前兆相关的MTGCAE模型警告。(For对于图中颜色的解释，请读者参考本文的网络版本。）4.4. 深部异常探测结果作为所提出的深度异常检测框架的第一个结果，图4显示了在2016年9月26日至11月6日期间，接近IDA 06G3警报的GMI和LRI的趋势。该警报通知SCADA系统于2016年10月27日16：26检测到T06涡轮发电机损坏（详情见表3从图从图4（a）可以看出，GMI在2016年9月29日至10月3日期间检测到可能的异常，该异常由超过全局阈值的指标值确定，持续至少24小时（第3.4节中讨论的四阶段阈值的前两个过滤步骤）。���然后，看着Fig。如图4（b）所示，相对于发电机定子绕组的三相（Gen_Phase1_Temp、Gen_Phase2_Temp、Gen_Phase3_Temp）以及开口环室中测量的温度（Gen_SplitRing_Temp），我们可以在与GMI相同的时间段内观察到LRI的高值。因此，通过应用由四阶段阈值提供的所有过滤步骤，模型触发与具有最高LRI的传感器相关联的警告，即Gen_Phase1_Temp。在发电机定子绕组的第一相的温度上检测到的该异常，预计与发电机组件损坏相关的SCADA警报将值得注意的是，当比较电网功率请求时（图1）。 5）和T06汽轮机产生的总有功功率（图图5（b））中，在前兆附近没有发现显著的失配（左侧的虚线框），从而示出了即使当涡轮机继续输送电网所请求的功率时，模型也能够捕获隐藏的另一方面，查看图中SCADA报警后右侧的虚线框。5（b），可以观察到大约六天的长时间停机，需要更换损坏的发电机。这导致了预期功效的异常，这也在MTGCAE模型指标中产生了显著的残差（见图1）。 4）.作为第二个结果，图。图6（a）和6（b）显示了在大约三个月的时间内GMI和LRI的演变（即， 2016年5月22日至7月24日），在此期间，SCADA系统于2016年7月10日03：46报告了高温异常（表3中的警报IDA07T1）。在这种情况下，在对MTGCAE模型的重建误差应用四阶段阈值后，T07Transformer绕组（HVTrafo_Phase1_Temp、HVTrafo_Phase2_Temp、HVTrafo_Phase3_Temp）的温度异常在SCADA报警前约9天被隔离。与前面的示例一样，在这种情况下，即使T07的总有功功率E.S. Miele等人能源与人工智能8（2022）10014510公司简介公司简介见图9。 图9（a）和9（b）分别示出了与警报ID A09GB3对应的T09 WT的电网功率请求和总有功功率的趋势。虚线方框详细说明了所提出的 深度异常检测框架检 测 到 异 常的 时 间 段 （见图2）。 8）。涡轮机匹配电网所需的功率（见图1左侧的第一个虚线框）。 7）。在调查事件发生后约一周，观察到T07涡轮机输送的功率出现异常异常，持续两天（右侧虚线框），在此期间，深层异常检测框架在Transformer和发电机的装配水平上产生了显著的残留物（见图2）。6（b））。作为最后一个应用程序，图。8详细说明了T09发电机轴承损坏附近的MTGCAE全局和局部指标的结果，由SCADA系统于2016年10月17日09：19报告，并在表3中标记为警报ID A09GB3。看看GMI和LRI分别显示，在图。8（a）和图在图8（b）中，第一个警告在SCADA警报之前大约18天触发，并且与由发电机轴承温度残差（Gen_Bear2_Temp）隔离的异常相关联。同样在此异常期间，涡轮机T09似乎无法输送电网所需的功率（参见图1左侧的第一个虚线框）。9）。需要在组件/子组件级别进行维修或更换的设备，并具有最小的误报警和最大的时间提前。特别是，我们考虑了性能的离散事件评估，其中真阳性（TP）对应于与组件/子组件相关的触发模型警告，该组件/子组件在下一个时间窗口（包括100= 4320个样本（1个月））中呈现SCADA警报（参考表3中报告的日志）。另一方面，假阳性（FP）是模型警告，其之后没有与所涉及的组件/子组件相关联的SCADA警报。最后，在参考时间窗口内模型警告未预期的SCADA警报被视为假阴性（FN）。在这一点上，我们通过机器学习领域通常使用的分类指标精密度（）=中文（简体）Recall（）=中文（ 简体）SCADA报警后，图。图9示出了一段强制涡轮更换大坝所需的停机时间（最右侧的虚线框）精确度召回精确度+精确度召回（十一）老化的发电机轴承，在此期间，由模型制作。4.5. 深部异常探测评价最佳性能对应于早期检测到SCADA系统记录的最大数量的异常和故障此外，我们还考虑了平均时间提前（Avg Advance），它表示模型触发的警告与参考SCADA警报之间的时间段。基于这些指标，对于第4.5节中讨论的模型重建误差，针对LSTM-AE和F1-评分（≥1）= 2分E.S. Miele等人能源与人工智能8（2022）10014511表2由WT SCADA系统监控的参数。信号ID描述组件Gen_Bear_Temp发电机轴承1（非驱动端）中的温度发电机轴承Gen_Bear 2_Temp发电机轴承2（驱动端）中的温度发电机轴承Gen_RPM发电机rpm发电机Gen_Phase1_Temp发电机定子绕组相位1中的发电机内部温度发电机Gen_Phase2_Temp发电机定子绕组相位2中的发电机内部温度发电机Gen_Phase3_Temp发电机定子绕组相位3中的发电机内部温度发电机Gen_SlipRing_Temp开口环室中的温度发电机Hydr_Oil_Temp液压总成液压中Gear_Oil_Temp齿轮箱中的油温度齿轮箱Gear_Bear_Temp高速轴上齿轮箱轴承中的温度齿轮箱Nac_Temp机舱中的温度机舱Nac_方向机舱方向机舱Rtr_RPM转子rpm转子Amb_WindSpeed风速AmbientAmb_WindDir_Relative Wind相对方向环境Amb_WindDir_Abs风绝对方向环境Amb_Temp环境温度环境温度生产_总有功功率生产Prod_TotReactPwr总无功功率生产Grd_Prod_PsblPwr网格电力请求网格HVTrafo_Phase1_Temp高压Transformer L1相Transformer中的温度HVTrafo_Phase2_Temp高压Transformer L2相Transformer中的温度HVTrafo_Phase3_Temp高压Transformer L3相 Transformer中的温度Cont_Top_Temp顶部风舱控制器中的温度控制器Cont_Hub_Temp集线器控制器中的温度Cont_VCP_Temp VCP板上的温度控制器Cont_VCP_ChokcoilTemp VCS段上扼流线圈中的温度控制器Cont_VCP_WtrTemp变频器冷却水控制器Spin_Temp头锥Spinner中的温度Blds_PitchAngle Blades桨距角Blades表3维护日志文件中报告的主要报警，可参见参考[31 ]第30段。涡轮机ID报警ID报警时间戳组件/子组件报警类型动作类型修理更换T01 A01 GX 18/07/2016; 02：10齿轮箱齿轮箱泵损坏xT01 A01 T 11/08/2017; 13：14 Transformer Transformer风扇损坏xT06 A06 G1 11/07/2016; 19：48发生器发生器损坏xT06 A06 G2 04/09/2016; 08：08发生器高温发生器错误xT06 A06 G3 27/10/2016; 16：26发电机发电机损坏xT07 A07 T1 10/07/2016; 03：46 Transformer高温Transformer xT07 A07 T2 23/08/2016; 02：21 Transformer高温TransformerxT07A07G21/08/2017;14：47发电机发电机损坏xT09 A09 GB 1 07/06/2016; 16：59发电机轴承高温发电机轴承xT09 A09 GB 2 22/08/2016; 18：25发电机轴承高温发电机轴承xT09 A09 GB 3 2016/10/17; 09：19发电机轴承发电机轴承损坏xT09 A09 GB 4 25/01/2017; 12：55发电机轴承发电机轴承损坏x表4该表显示了MAE、MSE、RMSE和MDAPE方面的重建误差对于所提出的MTGCAE模型，将其与LSTM-AE和CNN-LSTM架构进行比较。模型MAE MSE RMSE MDAPEMTGCAE 0.038 0.004 0.061 0.058LSTM-AE 0.053 0.007 0.085 0.08CNN–LSTMCNN-LSTM架构。重要的是要注意，在考虑LSTM-AE和CNN-LSTM时，应用了第3表5列出了同一测试集上三个模型的评估指标。结果表明，MTGCAE能够检测到12个异常事件中的10个，而不会触发任何错误警报。 LSTM-AE在实现相同TP的同时，计数4个FP，从而降低了精度和F1分数。最后，表5MTGCAE、LSTM-AE和CNN-LSTM模型的结果型号TP FN FP平均推进（时间）P R F1GCAE 10 2 0 23天，0：05：42 1.0 0.83 0.91LSTM-AE 10 2 4 27天，12：55：18 0.71 0.83 0.77CNN–LSTM即使MTGCAE实现了较低的平均时间提前（23天），相对于其他两个模型，所提出的方法似乎是更可靠的，因为缺乏FP，和鲁棒的FN的数量5. 结论在本文中，我们提出了一个原始的无监督深度异常检测框架的背景下，水平轴风力涡轮机（WT）的SCADA数据的基础上。该方法的核心是建议的神经架构，即多变量时间序列（MTGCAE）的图卷积自动编码器，它将传感器网络建模为动态功能图。主要优势在于，E.S. Miele等人能源与人工智能8（2022）10014512标准的自动编码器（AE）在于同时考虑各个传感器测量的信息内容（图节点特征）和存在于所有传感器对之间的非线性相关性（图边缘）的能力。所提出的神经架构被训练以学习系统的正常行为，而不提供任何类型的数据标签，并且基于模型重建误差，定义多个监测指标，即用于整个传感器网络的全局马氏指标（GMI）和用于每个监测变量的局部残差指标（LRI）。所有指标均采用四阶段阈值法进行评价，同时考虑到其程度和持续时间。以这种方式，仅考虑显著的模型误差，允许衰减个体尖峰和瞬态干扰的影响，从而减少正常操