张聪，朱永生，杨敏燕，任智军，闫柯，洪军

(西安交通大学现代设计及转子轴承系统教育部重点实验室，710049，西安)

近年来,随着复杂机电装备自动化程度和信息集成度的日益提高,设备运行状态数据量激增,数据驱动的异常检测方法成为工业领域设备及零部件状态识别新趋势,为解决传统异常检测方法经验依赖性强、准确率低、误判漏检率高等问题提供了有效途径[1]。

以汽轮机、风电装备等典型转子系统为例,作为一种零部件间高度关联、高度耦合的分布式复杂系统,其运行过程中各测点振动、温度、压力等信息要素共同构成了转子系统中复杂且普遍存在的耦合关系[2]。同时,系统配备的分布式控制系统(DCS)、汽轮机监测系统(TSI)和数据采集与监视控制系统(SCADA)等所采集的数据,表现出多源、海量、异常缺乏、无标签等特点[3],给复杂系统的异常检测及故障诊断带来了极大的挑战。在复杂机电装备异常检测及故障诊断方面,刘国斌利用汽轮机DCS数据,提出了基于多传感器信息融合的神经网络方法,并开展了汽轮机故障诊断研究[4]。Niklas等针对风电机组SCADA系统监测数据,提出了一种基于自动编码器模型,通过重构所有输入信号,实现了对风电机组各组件的异常检测[5]。赵洪山等提出了一种基于风电机组主轴承SCADA状态监测数据逐层编码网络的深度学习方法[6],利用受限玻尔兹曼机逐层智能学习主轴承样本数据蕴含的特定规则,进而实现状态识别。刘超等基于风电机SCADA数据,提出了一种用于风力涡轮机状态的无监督异常检测方法,应用时空模式网络(STPN)来提取系统中变量的时空特征,然后使用基于能量的受限玻尔兹曼机(RBM)进行异常检测[7]。……