李亚光，李蒙

（1.华电煤业集团有限公司，北京市 西城区 100035；2.北京交通大学机械与电子控制工程学院，北京市 海淀区 100044）

0 引言

恶劣多变的环境是风力发电机故障频发的主要原因[1-6]。一般情况下，风机的各个系统中都安装有各类状态监测传感器，并由数据采集与监视控制(supervisory control and data acquisition，SCADA)系统对监测参数进行记录和保存[7]。一旦有异常发生，设备的故障信息将反馈到多维传感器参数中[8]。因此，利用SCADA数据进行早期异常检测，将有利于实现风电机组的状态评估和故障预警。

通常情况下，故障检测与隔离(fault detection and isolation，FDI)的方法有2个关键过程：1）从复杂数据中提取有效特征；2）利用先验知识或机器学习技术实现故障分类。值得注意的是，这2个步骤都需要明显的标签信息(正常或异常标签)作为训练智能分类算法的基本要素[9-10]。但在实际的风机SCADA系统中，几乎不可能获得足够的标签数据。这是因为正常运行时间比故障发生时间长很多，导致数据稀疏是不可避免的。另外，SCADA的监控数据和故障信息大多是分开记录的，它们之间的相关性只能在故障发生后由人工来完成。这种非智能化的记录和分类工作是巨大的，也是不现实的。因此，利用不完善的无标签数据来完成风电机组的FDI任务充满了挑战。

深度学习方法[11]以其良好的非线性逼近性能已经在数据挖掘和智能故障诊断中得到了广泛应用[12]。与浅层神经网络相比，一些深度学习算法[13]，如多层感知器、深度神经网络(deep neural network，DNN)、长短期记忆网络(long-short-term memory，LSTM)和卷积神经网络(convolutional neural network，CNN)等，均可以模拟人类真实的学习过程，并从数据中挖掘有价值的信息。……