近年来,风电机组装机容量逐年增长,单机容量也越来越大,由于风电机组运行于高空、随机风载荷激励、极端温差等恶劣的工作环境,相比于地面设备,其故障率较高,检修维护难度较大。风电机组传动链发生故障,将会导致较长时间的停机,造成较大的经济损失,因此开展风电机组传动链的状态监测与故障预警具有重要的现实意义。目前大型风电机组标准配置的监测控制和数据获取系统,即SCADA系统,虽然有阈值报警的功能,但是很少能直接应用于风电机组的故障预警。主要原因在于海量SCADA数据中的状态信息复杂且不规则,在实际的故障预警中,单凭阈值报警忽略了设备的故障劣化状态,且难以反映与监测参量关联较小的机械故障。在此背景下,本文以风电机组的传动链为研究对象,在SCADA系统采集的大量数据之上,研究基于生成对抗网络的风电机组传动链异常检测方法,旨在为风电机组的运行维护提供指导。主要研究内容如下:(1)针对风电机组变工况的运行特点,研究剔除异常点的SCADA数据预处理方法。基于风电机组运行原理与数据统计规律,设计SCADA数据的分割、去噪、筛除离群值等处理方法,筛除SCADA数据中与机组健康状态无关的数据点,为后续数据模型的建立提供精准的数据源。(2)基于生成对抗网络的风电机组异常检测模型设计。研究生成对抗网络的技术特点,针对风电机组SCADA数据规律搭建了 CGAN(卷积GAN)模型,并设计反映机组状态的健康指标。针对CGAN模型潜在的训练不稳定现象,搭建了 WGAN-GP(Wasserstein GAN with Gradient Penalty)模型,通过梯度惩罚函数和改进的损失函数优化训练过程。考虑到传统生成对抗网络所采样的噪声信息具有随机性的问题,进一步将自编码器和GANs融合成GANomaly模型,将重构样本视为生成样本,避免了结果的不稳定性。(3)异常检测结果的量化和可视化。生成对抗网络的测试结果即为风电机组传动链所有时刻的异常程度的量化结果。将该量化结果进行平滑处理,使其在时域上的变化趋势更加显现。将控制图方法引入异常状态的阈值设定中,实现异常状态的准确预报,达到故障预警的目的。