基于Informer网络的大型风力机主传动链敏感易部署状态监测方法研究

针对风力机主传动链运维成本高、传统监测方法灵敏度不足的问题，研究人员提出基于Informer网络（融合Transformer架构、ProbSparse自注意力及注意力蒸馏机制）的状态监测方法，通过双变量残差融合和历史记忆消除机制构建评估指标。案例验证表明，该方法能实现早期故障预警，且具备强可迁移性，为风电场规模化部署提供新方案。

　　

随着全球能源结构转型加速，风力发电已成为新能源应用的重要支柱。据全球风能理事会(GWEC)预测，2024-2030年间全球风电并网容量将新增981GW。然而，风力机高昂的运维成本严重制约行业发展，其中主传动链（齿轮箱、主轴等核心部件）故障占比高达30%-40%。传统振动监测方法受限于安装复杂性和环境干扰，而基于SCADA（数据采集与监控系统）的状态监测(CM)虽成本低，却存在灵敏度不足、模型泛化能力弱等问题。

为解决这一挑战，中国某研究团队在《Renewable Energy》发表研究，提出基于Informer网络的主传动链智能监测方法。该方法创新性地将Normal Behavior Model(NBM)与深度学习结合，通过Transformer架构的ProbSparse自注意力机制优化计算效率，并引入注意力蒸馏机制压缩模型参数。研究团队从中国南方某风场44台2MW机组获取SCADA数据（时间分辨率1分钟），结合机理分析与数据线性相关性筛选输入输出变量，最终构建出较传统方法精度提升23%、计算资源消耗减少40%的轻量化模型。

关键技术包括：（1）基于Informer网络的NBM建模（含ProbSparse自注意力和注意力蒸馏）；（2）双变量残差融合机制设计；（3）历史记忆消除算法；（4）中国南方风场10台风力机SCADA数据验证（2021年1-3月数据）。

研究结果
Process framework of monitoring algorithm
提出离线训练-在线监测双阶段框架。离线阶段利用健康期SCADA数据训练模型，在线阶段通过实时残差分析生成状态评估指标，实现故障早期预警。

Model training and parameter prediction accuracy assessment
实验显示，Informer网络对齿轮油温、主轴振动等关键参数的预测均方根误差(RMSE)较LSTM降低18%-27%，且训练时间缩短35%。

Conclusions
该方法成功实现主传动链微小故障的灵敏检测（如齿轮箱初期点蚀），预警时间较传统方法提前72小时。其模块化设计支持跨机组迁移，有望将风场运维成本降低15%-20%。

该研究的突破性在于将NBM理论与前沿深度学习架构深度融合，首次在SCADA监测中实现"高灵敏度-低部署成本"的平衡。作者团队（Shuai Zhong、Bing Zeng、Wei Liu等）强调，未来可扩展至光伏、水电等新能源设备监测，为智慧能源运维提供普适性解决方案。研究获国家重点研发计划（2022YFF0608700）和湖南省重大示范工程（2022XK2301）支持。