基于AutoML-ANN的风力发电机故障检测：自动化超参数优化提升诊断精度与效率

本综述系统探讨了自动化机器学习（AutoML）结合人工神经网络（ANN）在风力发电机故障检测中的应用。研究通过Keras Tuner集成随机搜索、超带宽（Hyperband）和贝叶斯优化（BO）算法，实现对ANN超参数的自动调优，显著提高了故障分类准确率（96.8%–99.9%）并降低均方根误差（RMSE），为风电系统智能运维提供了高效可靠的解决方案。

　　

Highlight

本研究提出了一种基于自动化机器学习（AutoML）的人工神经网络（ANN）方法，用于风力发电机双馈感应发电机（DFIG）的内部定子故障检测。通过Keras Tuner集成随机搜索、超带宽（Hyperband）和贝叶斯优化（Bayesian Optimization）调优器，实现了超参数自动选择，在多种故障条件下达到96.8%至99.9%的准确率，且均方根误差（RMSE）趋近于零。

Conclusion

本研究证实了AutoML-ANN方法在风力发电机内部定子故障检测中的有效性，克服了传统机器学习方法在超参数优化中的局限性。通过对比手动建模与AutoML技术（包括随机搜索、超带宽和贝叶斯优化算法），得出以下关键结论：

1. 1.

   AutoML-ANN显著简化了超参数优化流程，降低了时间与专业知识依赖；

2. 2.

   该方法能够自动精准地确定最优超参数组合，提升模型效率与分类精度；

3. 3.

   专注于内部定子故障检测，为风电系统关键部件的智能维护提供了实践方案。