基于CNN-BiLSTM-AE混合模型的离岸风机齿轮箱过热故障早期预警研究

《Sustainable Energy Technologies and Assessments》：CNN-BiLSTM-Autoencoder hybrid for prognostics of gearbox Over-Temperature faults in offshore wind turbines

本研究针对离岸风机齿轮箱过热故障预警难题，创新性地提出CNN-BiLSTM-AE（CBL-AE-FEW）混合模型。该模型通过融合卷积神经网络（CNN）的空间特征提取、双向长短期记忆网络（BiLSTM）的时序依赖建模和自编码器（AE）的自适应重构误差分析，实现了对SCADA数据中过热故障的精准早期预警。研究结果显示，该方法平均预警时间达930分钟，关键指标MSE（0.06513）、RMSE（0.25564）均显著优于传统模型，为离岸风电场预测性维护提供了可靠解决方案。

　　

随着全球能源转型加速，离岸风电作为清洁能源的重要组成部分正迎来爆发式增长。然而，严酷的海洋环境（如盐雾腐蚀、高风速、波浪振动）使风机关键部件面临严峻考验，其中齿轮箱故障更是导致风机停机的头号元凶（占比30-40%），每日可造成数万美元的经济损失。传统基于固定阈值的齿轮箱油温监测方法存在预警延迟、泛化能力差等痛点，难以应对离岸环境下监测信号噪声大、维护可达性差等挑战。

为突破这些技术瓶颈，来自中国能源建设集团广东电力设计院的研究团队在《Sustainable Energy Technologies and Assessments》上发表了创新性研究成果。他们开发了一种基于CNN-BiLSTM-AE混合模型的故障早期预警方法（CBL-AE-FEW），通过多技术融合实现了对齿轮箱过热故障的前瞻性预测。该研究的核心创新在于将卷积神经网络（CNN）的局部特征提取能力、双向长短期记忆网络（BiLSTM）的双向时序建模能力和自编码器（AE）的自适应重构误差分析能力有机整合，取代了传统静态阈值方法，实现了动态故障预警。

研究团队采用了多项关键技术方法：首先利用随机森林（Random Forest）和皮尔逊相关系数（Pearson Correlation Coefficient）进行特征重要性评估，从279个SCADA监测参数中筛选出10个关键预测特征；接着构建了包含CNN、BiLSTM和AE的混合神经网络架构，使用六台离岸风机的SCADA数据进行模型训练与验证；最后通过分析重构误差的增长趋势（Δe_t= e_t- e_t-1）实现自适应故障预警。

数据预处理

研究团队收集了六台异质离岸风机（包括6.8MW和8.3MW两种容量）的三月期SCADA数据，总计每台风机159,302个数据点。通过空值插补、DBSCAN离群值剔除和Min-Max归一化等预处理步骤，显著提升了数据质量。特征选择环节结合随机森林重要性排名和皮尔逊相关系数分析，最终确定了液压回油温度、电网无功功率、北向风向等10个关键特征，保留了85%的方差信息，为模型构建奠定了高质量数据基础。

基于CNN-BiLSTM-AE的故障早期预警模型框架

CBL-AE-FEW模型采用三层架构协同工作：CNN层使用一维卷积核提取局部空间特征（如热瞬变峰），通过参数化滤波器模拟感知感受野；BiLSTM层通过门控机制建模前后向时间依赖关系，捕捉热积累和冷却延迟效应；AE层通过压缩潜在空间实现无监督维度缩减，以重构误差作为异常检测指标。模型输入为12个时间步长的滑动窗口数据，最终通过误差累积梯度（γ_t> 0.05）动态触发预警，替代了传统的固定阈值方法。

模型训练

模型训练采用时间分层分割策略（70%训练集、15%验证集、15%测试集），使用Adam优化器进行100个epoch的训练，批大小为64，损失函数为均方误差（MSE）。为防止过拟合，采用了早停法（耐心值10）和L2正则化（λ = 10^-4）。最终模型参数量约9,600个，在嵌入式节点上可实现亚毫秒级延迟，满足实时部署需求。

模型评估

在回归性能评估中，CBL-AE-FEW在均方误差（MSE = 0.06513）、均方根误差（RMSE = 0.25564）和平均绝对误差（MAE = 0.17173）三项指标上均显著优于对比模型（BiLSTM、XGBoost、SVM等）。五折交叉验证显示模型具有良好鲁棒性，R²达到0.942，证实了其在噪声环境下的稳定预测能力。

故障预警

在实际故障预警测试中，模型表现出色。当预测油温T_o≥ 55°C持续30分钟且重构误差增长率γ_t> 0.05连续三个时间点时触发预警。实验结果显示，模型平均提前预警时间达930分钟，其中最佳案例（10#风机）预警时间达5,133分钟（约85小时），为维修干预提供了充足时间窗口。误报率控制在3%以下，显著优于传统固定阈值方法。

案例验证

通过对六台异质风机的跨设备验证，CBL-AE-FEW展现了良好的泛化能力。不同容量风机（6.8-8.3MW）上的RMSE保持在0.1194-0.2022之间，MAE为0.0946-0.1673，表明模型对协变量漂移具有较强的适应性。消融实验进一步证实了各模块的贡献：CNN特征提取带来6%的性能提升，BiLSTM双向建模贡献8%改进，AE重构误差分析则显著降低了误报率。

该研究通过创新性地融合CNN、BiLSTM和AE技术，成功开发了一种适用于离岸风机齿轮箱过热故障的早期预警系统。CBL-AE-FEW模型不仅解决了传统方法预警延迟和泛化能力不足的问题，还通过动态误差阈值机制适应了离岸环境的复杂工况。平均930分钟的预警时间为预防性维护提供了宝贵时间窗口，有望将离岸风电场运维成本降低20-30%。这项研究为可再生能源设备的智能运维提供了重要技术支撑，对推动风电产业降本增效和可持续发展具有积极意义。未来研究可进一步探索多模态数据融合、跨风场迁移学习等方向，不断提升故障预测的准确性和泛化能力。