Gearbox failure is one of top-ranked factors leading to the unavailability of wind turbines (WTs). Existing data-driven studies of gearbox failure detection (GFD) focus on improving detection accuracies while reducing false alarms has not received sufficient discussions. In this article, we propose a deep joint variational autoencoder (JVAE)-based monitoring method using wind farm supervisory control and data acquisition (SCADA) data to more effectively detect WT gearbox failures. The JVAE-based monitoring method includes two parts. First, a novel JVAE that takes a chunk of multivariate time series derived from collected SCADA data as inputs is developed. The JVAE utilizes two types of predefined parameters, behavior parameters (BPs) and conditional parameters (CPs), to produce reconstruction errors (REs) of the BP, which reflects the gearbox abnormality. Next, a statistical process control chart is developed to monitor REs and raise alarms. To validate advantages of the proposed method in GFD, five methods, the joint latent variational autoencoder (JLVAE)-, the variational autoencoder (VAE)-, full-dimensional VAE (FDVAE)-, recurrent autoencoder (RAE)-, and one-class support vector machine (OCSVM)-based monitoring methods, are considered as benchmarks. SCADA data with field reports of gearbox failure events collected from four commercial wind farms are utilized to demonstrate the effectiveness of the JVAE-based monitoring method on GFD and its stronger ability to resist false alarms.

中文翻译：

---

基于 SCADA 数据的风力涡轮机齿轮箱故障检测：一种基于深度学习的方法

齿轮箱故障是导致风力涡轮机 (WT) 不可用的首要因素之一。齿轮箱故障检测 (GFD) 的现有数据驱动研究侧重于提高检测精度，同时减少误报，但尚未得到充分讨论。在本文中，我们提出了一种基于深度联合变分自编码器 (JVAE) 的监测方法，使用风电场监控和数据采集 (SCADA) 数据更有效地检测 WT 齿轮箱故障。基于 JVAE 的监控方法包括两部分。首先，开发了一种新颖的 JVAE，它采用从收集的 SCADA 数据中导出的大量多元时间序列作为输入。JVAE 利用两种类型的预定义参数，行为参数 (BP) 和条件参数 (CP)，产生 BP 的重建误差 (RE)，反映变速箱异常。接下来，开发统计过程控制图来监控 RE 并发出警报。为了验证所提出的方法在 GFD 中的优势，五种方法，联合潜在变分自编码器 (JLVAE)-、变分自编码器 (VAE)-、全维 VAE (FDVAE)-、循环自编码器 (RAE)- 和一基于类支持向量机 (OCCSVM) 的监控方法被视为基准。利用从四个商业风电场收集的齿轮箱故障事件现场报告的 SCADA 数据来证明基于 JVAE 的 GFD 监测方法的有效性及其更强的抗误报能力。联合潜在变分自编码器 (JLVAE)-、变分自编码器 (VAE)-、全维 VAE (FDVAE)-、循环自编码器 (RAE)- 和基于一类支持向量机 (OCSVM) 的监控方法是被视为基准。利用从四个商业风电场收集的齿轮箱故障事件现场报告的 SCADA 数据来证明基于 JVAE 的 GFD 监测方法的有效性及其更强的抗误报能力。联合潜在变分自编码器 (JLVAE)-、变分自编码器 (VAE)-、全维 VAE (FDVAE)-、循环自编码器 (RAE)- 和基于一类支持向量机 (OCSVM) 的监控方法是被视为基准。利用从四个商业风电场收集的齿轮箱故障事件现场报告的 SCADA 数据来证明基于 JVAE 的 GFD 监测方法的有效性及其更强的抗误报能力。