生成对抗数据增强与多模态特征融合的风电机组变桨系统故障诊断

doi:10.3969/j.issn.1004-132X.2026.09.010

摘要/Abstract

摘要：

针对风电机组变桨系统的故障诊断面临数据不平衡、特征提取困难等问题，提出了一种基于改进条件生成对抗网络（ICGAN）与多模态特征融合网络（MMFNet）的故障诊断方法。在传统条件生成对抗网络架构基础上引入注意力层，增强模型对输入特征关键信息的捕捉能力；采用自回归模型生成随机噪声，使生成样本更具多样性与真实性；加入奖励机制，优化模型训练过程，提高生成样本质量。在此基础上构建MMFNet模型，用于实现对风电机组变桨系统多故障的精准诊断。实验结果表明，所提出的ICGAN-MMFNet模型在不同样本数量比例下，精确率和F1分数都在0.96以上，召回率都在0.97以上，说明了所提故障诊断模型在不平衡样本下的有效性和泛化性。

关键词: 风电机组变桨系统, 故障诊断, 不平衡样本, 生成对抗网络

Abstract:

To address the challenges of data imbalance and difficult feature extraction in fault diagnosis of wind turbine pitch systems， a fault diagnosis method was proposed based on an improved conditional generative adversarial network（ICGAN） and a multimodal feature fusion network（MMFNet）. Based on the traditional conditional generative adversarial network（CGAN） architecture， an attention layer was introduced to strengthen the model's ability to capture key information from input features. An autoregressive model was adopted to generate random noise， which improved the diversity and authenticity of generated samples. A reward mechanism was embedded to optimize the model training process and enhance the quality of generated samples. Based on this， the MMFNet model was constructed to achieve accurate diagnosis of multiple faults in wind turbine pitch systems. Experimental results demonstrate that the proposed ICGAN-MMFNet model achieves precision and F1-score above 0.96， as well as recall above 0.97 under various sample quantity ratios. The effectiveness and generalization of the proposed fault diagnosis model were verified when dealing with imbalanced datasets.

Key words: wind turbine pitch system, fault diagnosis, imbalanced sample, generative adversarial network

中图分类号:

TP23

孙凯, 高丙朋, 蔡鑫, 韩华彬. 生成对抗数据增强与多模态特征融合的风电机组变桨系统故障诊断[J]. 中国机械工程, 2026, 37(9): 2177-2184.

SUN Kai, GAO Bingpeng, CAI Xin, HAN Huabin. Fault Diagnosis for Wind Turbine Pitch System Based on Generative Adversarial Data Augmentation and Multimodal Feature Fusion[J]. China Mechanical Engineering, 2026, 37(9): 2177-2184.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: https://www.cmemo.org.cn/CN/10.3969/j.issn.1004-132X.2026.09.010

https://www.cmemo.org.cn/CN/Y2026/V37/I9/2177

图/表 11

参考文献 21

[1]	陈雪峰，郭艳婕，许才彬，等. 风电装备故障诊断与健康监测研究综述［J］. 中国机械工程， 2020， 31（2）： 175-189.
	CHEN Xuefeng， GUO Yanjie， XU Caibin， et al. Review of Fault Diagnosis and Health Monitoring for Wind Power Equipment［J］. China Mechanical Engineering， 2020， 31（2）： 175-189.
[2]	LAN Jianyu， CHEN Naichao， LI Hongchuan， et al. A Review of Fault Diagnosis and Prediction Methods for Wind Turbine Pitch Systems［J］. International Journal of Green Energy， 2024， 21（7）： 1613-1640.
[3]	DAO P B. Condition Monitoring and Fault Diagnosis of Wind Turbines Based on Structural Break Detection in SCADA Data［J］. Renewable Energy， 2022， 185： 641-654.
[4]	李可，何坚光，宿磊，等. 基于CAE-GAN的滚动轴承故障诊断方法［J］. 振动与冲击， 2023， 42（23）： 65-70.
	LI Ke， HE Jianguang， SU Lei， et al. Fault Diagnosis Method for Rolling Bearing Based on CAE-GAN［J］. Journal of Vibration and Shock， 2023， 42（23）： 65-70.
[5]	MISRA S， KUMAR S， SAYYAD S， et al. Fault Detection in Induction Motor Using Time Domain and Spectral Imaging-based Transfer Learning Approach on Vibration Data［J］. Sensors， 2022， 22（21）： 8210.
[6]	潘海洋，徐海锋，郑近德，等. 基于双加权不平衡矩阵分类器的机械故障诊断方法［J］. 机械工程学报， 2024， 60（3）： 170-180.
	PAN Haiyang， XU Haifeng， ZHENG Jinde， et al. Mechanical Fault Diagnosis Method Based on Twin Weighted Imbalanced Matrix Classifier［J］. Journal of Mechanical Engineering， 2024， 60（3）： 170-180.
[7]	WANG Xianbo， CHEN Hao， ZHAO Jing， et al. Wind Turbine Fault Diagnosis for Class-imbalance and Small-size Data Based on Stacked Capsule Autoencoder［J］. IEEE Transactions on Industrial Informatics， 2024， 20（11）： 12694-12704.
[8]	ZENG Xiangjun， XIA Lingqin， FENG Chen， et al. An Improved Conditional Generative Adversarial Method for Wind Turbine Gearbox Fault Diagnosis with Imbalance Data［J］. IEEE Sensors Journal， 2024， 24（23）： 38727-38739.
[9]	ZHANG Yuxian， QIAO Likui， ZHAO Mengru. Fault Diagnosis for Wind Turbine Generators Using Normal Behavior Model Based on Multi-task Learning［J］. IEEE Transactions on Automation Science and Engineering， 2024， 21（2）： 1258-1270.
[10]	LIU Yirong， WU Zidong， WANG Xiaoli. Research on Fault Diagnosis of Wind Turbine Based on SCADA Data［J］. IEEE Access， 2020， 8： 185557-185569.
[11]	MALDONADO-CORREA J， TORRES-CABRERA J， MARTÍN-MARTÍNEZ S， et al. Wind Turbine Fault Detection Based on the Transformer Model Using SCADA Data［J］. Engineering Failure Analysis， 2024， 162： 108354.
[12]	HUANG Dajian， ZHANG Wenan， GUO Fanghong， et al. Wavelet Packet Decomposition-based Multiscale CNN for Fault Diagnosis of Wind Turbine Gearbox［J］. IEEE Transactions on Cybernetics， 2023， 53（1）： 443-453.
[13]	ZHONG Quan， LIU Shuai， LIU Changliang， et al. Fault Diagnosis of Wind Turbine Gearboxes Based on Multisource Signal Fusion［J］. IEEE Transactions on Instrumentation and Measurement， 2025， 74： 3526413.
[14]	SU Xiangjing， DENG Chao， SHAN Yanhao， et al. Fault Diagnosis Based on Interpretable Convolutional Temporal-spatial Attention Network for Offshore Wind Turbines［J］. Journal of Modern Power Systems and Clean Energy， 2024， 12（5）： 1459-1471.
[15]	魏书荣，殷世杰，闫梦飞，等. 基于改进生成对抗网络的海上风电机组故障数据增强及诊断［J］. 电力系统保护与控制， 2025， 53（1）： 114-124.
	WEI Shurong， YIN Shijie， YAN Mengfei， et al. Offshore Wind Turbine Fault Data Enhancement and Diagnosis Based on an Improved Generative Adversarial Network［J］. Power System Protection and Control， 2025， 53（1）： 114-124.
[16]	XIONG Jundi， CUI Shihai， TANG Haihong. A Novel Intelligent Bearing Fault Diagnosis Method Based on Signal Process and Multi-kernel Joint Distribution Adaptation［J］. Scientific Reports， 2023， 13： 4535.
[17]	WANG Xing， ZHANG Han， DU Zhaohui. Multiscale Noise Reduction Attention Network for Aeroengine Bearing Fault Diagnosis［J］. IEEE Transactions on Instrumentation and Measurement， 2023， 72： 3513810.
[18]	JIN Zhenzhen， CHEN Diao， HE Deqiang， et al. Bearing Fault Diagnosis Based on VMD and Improved CNN［J］. Journal of Failure Analysis and Prevention， 2023， 23（1）： 165-175.
[19]	XIANG Weijia， WU Yunru， PENG Cheng， et al. A Fault Diagnosis Method for Electric Check Valve Based on ResNet-ELM with Adaptive Focal Loss［J］. Electronics， 2024， 13（17）： 3426.
[20]	乔卉卉，赵二贤，郝如江，等. 基于多尺度CNN与双阶段注意力机制的轴承工况域泛化故障诊断［J］. 振动与冲击， 2025， 44（2）： 267-278.
	QIAO Huihui， ZHAO Erxian， HAO Rujiang，et al. Operating condition Domain Generalization Fault Fiagnosis Method for Bearings Based on a Multiscale Convolutional Neural Network and the Two-stage Attention Mechanism［J］. Journal of Vibration and Shock， 2025， 44（2）： 267-278.
[21]	HASSANI H， MASHHAD L M， ROYER-CARENZI M， et al. White Noise and Its Misapplications： Impacts on Time Series Model Adequacy and Forecasting［J］. Forecasting， 2025， 7（1）： 8.

数据名称	样本数量	标签	占总样本数量比/%
健康数据	37 543	0	94.93
3号变桨逆变器OK信号丢失故障	1267	1	3.3
1号变桨发电传感器异常故障	85	2	0.22
1号变流器出阀压力超低故障	585	3	1.55

数据名称	样本数量	标签	占总样本数量比/%
健康数据	37 543	0	94.93
3号变桨逆变器OK信号丢失故障	1267	1	3.3
1号变桨发电传感器异常故障	85	2	0.22
1号变流器出阀压力超低故障	585	3	1.55

案例	不平衡故障样本	数据比例（健康∶故障1∶故障2∶故障3）
案例1	故障2	37 543∶1287∶85∶585
案例2	故障2	15 000∶1287∶85∶585
案例3	故障2	8000∶1287∶85∶585
案例4	故障1，2	37 543∶125∶85∶585
案例5	故障1，2	15 000∶125∶85∶585
案例6	故障1，2	8000∶125∶85∶585
案例7	故障2，3	37 543∶1287∶85∶80
案例8	故障2，3	15 000∶1287∶85∶80
案例9	故障2，3	8000∶1287∶85∶80

案例	不平衡故障样本	数据比例（健康∶故障1∶故障2∶故障3）
案例1	故障2	37 543∶1287∶85∶585
案例2	故障2	15 000∶1287∶85∶585
案例3	故障2	8000∶1287∶85∶585
案例4	故障1，2	37 543∶125∶85∶585
案例5	故障1，2	15 000∶125∶85∶585
案例6	故障1，2	8000∶125∶85∶585
案例7	故障2，3	37 543∶1287∶85∶80
案例8	故障2，3	15 000∶1287∶85∶80
案例9	故障2，3	8000∶1287∶85∶80

案例	精确率	召回率	F1分数
案例1	0.97	0.97	0.97
案例2	1	1	1
案例3	1	1	1
案例4	0.98	0.97	0.97
案例5	1	0.98	1
案例6	0.99	0.99	1
案例7	0.96	0.97	0.96
案例8	1	0.99	1
案例9	0.98	0.99	0.99