基于KNN（K-近邻）-乘法得分（Multiplicative Score）方法的潮流涡轮机（TCT）叶片撞击故障检测研究

《Journal of Marine Science and Engineering》：A KNN-Multiplicative Score Approach for Blade Impact Fault Detection of Tidal Current Turbines Lei Ren, Tianzhen Wang and Christophe Claramunt

　　

叶片撞击故障会降低发电质量，若未及时检测，可能导致涡轮机故障甚至完全失效。此外，潮流涡轮机（TCT）中叶片撞击故障检测的准确性受流速和潮流周期变化的显著影响。为解决此问题，研究人员提出了一种基于定子电流信号和k-近邻-乘法得分（KNN-MS）的自适应检测方法。该方法首先采用KNN算法表征局部特征分布。随后，通过基于方差的加权提高不稳定流动条件下的鲁棒性。最后，提出一种累积乘法评分机制，以放大和量化与故障相关的异常指标。实验结果表明，所提方法在稳定、周期性和变周期流动场景下均实现了较高的诊断准确性和稳定性。

论文解读：基于KNN-乘法得分的潮流涡轮机叶片撞击故障检测研究

研究背景与意义

海洋环境蕴藏着巨大的可再生能源，其中潮流能因具有高可预测性和规律性，已成为可持续发电的重要选项。然而，恶劣且动态的海洋环境给潮流涡轮机（Tidal Current Turbine, TCT）的运行可靠性带来了显著挑战。在运行过程中，TCT叶片暴露于海洋生物或漂浮碎片的撞击中，这会损坏叶片表面、降低耐腐蚀性并诱发机械疲劳，从而损害发电质量并缩短涡轮机寿命。因此，检测叶片撞击故障对于操作安全和维护规划至关重要。

目前，复杂的海洋环境和双向流体-结构相互作用（Fluid-Structure Interaction, FSI）导致了不稳定的运行状态。流速和周期的变化会扭曲信号特征，使得故障特征难以提取，降低了检测精度。传统的基于电流信号的检测方法（如基于VMD去噪、PCA或LOF的方法）在非平稳条件下往往缺乏足够的鲁棒性，当故障特征与正常波动部分重叠时，容易导致虚警率和漏检率增加。为了克服现有方法在变周期流条件下特征空间密度不稳定、故障特征易被流动诱导的非平稳性掩盖等问题，Lei Ren、Tianzhen Wang和Christophe Claramunt开展了本研究，提出了一种基于定子电流信号和KNN（K-Nearest Neighbor）-乘法得分（KNN-MS）的自适应检测方法。该研究发表在《Journal of Marine Science and Engineering》，实验结果表明所提方法在稳定、周期和变周期流动场景下均实现了高诊断精度和稳定性，为复杂海洋环境下的TCT状态监测提供了有效的技术手段。

主要关键技术方法

研究人员利用来自0.1 kW TCT实验平台（后文详细描述为230 W水平轴直驱原型机）的数据集，该数据集包含在恒定流、周期变化流和变周期变化流条件下采集的定子电流信号，其中包含由小球撞击叶片模拟的撞击故障样本。主要技术方法包括：1. 信号预处理与特征提取：对单相定子电流应用二阶Butterworth带通滤波、均值去除和平滑，利用Teager–Kaiser能量算子（TKEO）提取能量包络，并通过滑动窗口计算范围（Range）、平均偏差（Mean Deviation）、标准差（Standard Deviation）和变异系数（Coefficient of Variation）四项统计特征；2. 基于方差的加权：引入基于区间方差的权重系数，对稳定区间赋予更高重要性，以减少流动诱导波动的干扰；3. 异常指标构建：采用KNN算法计算局部邻域偏离，结合方差权重得到加权局部异常项，再通过累积乘法评分机制构建最终的KNN-MS异常指数；4. 阈值判定：基于历史健康数据的异常指数分布设定检测阈值，进行故障判别。

研究结果

1. 2.
   TCT叶片撞击故障检测的挑战
   研究人员指出，TCT由潮流驱动叶片产生转子扭矩，机械能转换为电能。运行中刚性的叶片与流体相互作用产生复杂的FSI现象，影响叶片振动模式并作为调幅分量体现在定子电流信号中。涡泄频率与斯特劳哈尔数（Strouhal number）相关。随时间变化的流动条件下，FSI强度具有时间依赖性，导致叶片振动特性周期性变化，并持续调制定子电流，使得提取的电特征呈现非平稳行为，其幅度和频谱分量随时间漂移，可能重叠或掩盖撞击故障引起的瞬态特征。在变周期FSI条件下，某些健康状态特征的幅度波动接近甚至超过实际故障扰动引起的变化尺度，导致健康数据被误分类为故障，常规方法（如DBSCAN+孤立森林iForest、特征子空间分割FSS+LOF）虚警率较高。FSI驱动的调制、瞬态撞击事件和流动诱导的非平稳性扭曲了特征空间结构（密度降低、邻域不稳定、分布重叠），从而降低了撞击故障检测精度并增加了虚警。
2. 3.
   变周期条件下TCT撞击故障检测的KNN-乘法得分（KNN-MS）方法
   3.1 使用能量包络算子和滑动窗口提取撞击敏感特征
   为了有效表征变周期和非平稳运行条件下定子电流信号中瞬态撞击引起的能量波动，研究人员采用了基于TKEO和滑动窗口统计的撞击敏感特征提取策略。TKEO计算相邻信号样本的非线性组合，提供瞬时信号能量的有效估计，强调短持续时间能量变化，同时抑制与正常运行状态相关的慢变分量。基于TKEO输出估计电流信号的瞬时幅度（能量包络）。为表征波动潮流条件下的时间变化，将包络信号使用长度为w的滑动窗口分割，在每个子窗口内计算范围（R，反映峰峰值变化，对冲击敏感）、平均偏差（MD，测量平均波动，对离群值较不敏感）、标准差（SD，表示窗口内的整体能量离散度）和变异系数（CV，归一化幅度变化，减轻流速引起的幅度漂移的影响）四项统计指标。这四项指标在撞击瞬间附近均显示出明显的局部变化，证明了其在非平稳流条件下表征撞击相关干扰的有效性。通过将特征向量堆叠构建特征矩阵，作为后续异常检测框架的输入，将原始非平稳电流信号映射到低维特征空间，突出撞击引起的能量变化，抑制运行条件波动的影响。

3.2 用于降低噪声灵敏度的基于方差的权重

研究人员提出一种运行条件感知的加权机制，其中信号方差不仅是统计描述符，还是涡轮机运行稳定性的物理指标。在潮汐环境中，湍流强度和流动不规则性直接导致定子电流信号方差增加，这不一定意味着发生故障。因此，该方法建立方差自适应可靠性模型以区分流动诱导波动和故障一致的信号区间，而非将信号波动视为噪声滤除。定义区间方差为σ_l²，全局归一化项Z，采用逆方差加权，第l个区间的加权系数为α_l。该公式不同于传统去噪方案：它不通过滤波抑制高方差区间，而是在异常聚合期间调节其贡献，从而防止水动力干扰主导的信号段淹没故障一致的模式。这种可靠性加权的特征表示使异常检测器在因海洋湍流导致全局信号方差升高时，仍能对弱撞击特征保持敏感，突出稳定运行区间，抑制高度波动区域，为后续局部异常计算和乘法故障特征增强提供更可靠且噪声鲁棒的基础。

3.3 通过KNN和累积乘法效应构建异常指数

流速和周期的变化在非平稳条件下引入特征空间密度的畸变，降低了常规异常检测方法的有效性。研究人员开发了结合基于KNN的局部分析和累积乘法评分机制的异常指数。KNN中最近邻数量设为5，以平衡局部灵敏度和鲁棒性。通过欧氏距离量化每个样本与其最近邻之间的局部邻域偏离，以识别故障相关的离群点。为了在高度不稳定的流动条件下增强故障显著性同时抑制随机干扰，研究人员结合了方差加权的KNN距离度量和乘法累积。应用基于方差的加权系数α_l调整每个特征区间的贡献，对方差较小的区间赋予更高权重，强调更稳定区域，减少噪声段的影响，定义加权局部异常项s_j,k。基于加权局部异常项，构建最终乘法得分MS_j。该乘法累积主要增强持续故障相关偏离的显著性：如果多个相邻局部响应持续异常，其乘积迅速增加，使弱撞击特征从随机干扰中更易区分。其两个关键创新为：持久性放大——连续异常偏离呈指数增长，使弱但一致的撞击特征清晰显现；随机波动抑制——湍流引起的孤立大偏离不会持续乘法累积，因此影响有限。所提异常指数包含两个协调阶段：用于鲁棒性增强的方差自适应可靠性加权和用于持久故障特征放大的乘法累积。通过建立强调结构一致性而非瞬时偏离幅度的稳定性感知异常度量，使检测器对可变海洋运行条件引起的特征空间漂移具有固有鲁棒性。与LOF、标准KNN评分和基于密度的方法相比，KNN-MS采用动态偏离累积机制以增强在非平稳流条件下的适应性，放大故障相关特征同时抑制随机波动，实现了变潮汐流条件下叶片撞击故障的鲁棒实时检测。由于最近邻数量K通常较小，整体复杂度较低，适用于实时应用，即使当故障特征与正常运行数据部分重叠时，也能确保高灵敏度和稳定性。

1. 4.
   TCT叶片撞击故障检测流程
   研究人员提出的故障检测框架集成了信号预处理、特征提取、局部异常表征和异常指数构建。主要步骤为：1. 信号采集与预处理：采集不同潮汐流条件下的历史健康电流信号和包含叶片撞击故障的新电流信号，应用TKEO提取能量包络以增强与叶片撞击事件相关的瞬态调幅；2. 滑动窗口特征提取：将能量包络信号分割为固定长度滑动窗口，计算每个窗口的范围、平均偏差、标准差和变异系数四项统计特征以构建特征矩阵；3. 加权局部异常计算（KNN）：对特征矩阵中的每个特征点，使用KNN算法通过基于欧氏距离的分析计算其相对于邻近特征点的局部偏离，引入基于方差的加权机制，对相对稳定区间赋予更高可靠性，减少高度波动区域的影响；4. 异常指数构建：基于加权局部异常响应，采用累积乘法评分机制构建最终异常指数KNN-MS，乘法累积逐步增强跨相邻特征点的弱但持久的故障相关偏离，限制孤立随机波动的影响；5. 阈值设定与故障决策：基于历史健康电流信号的异常指数分布建立检测阈值，在线监测时，当新样本的KNN-MS值超过预定义阈值，则判定为叶片撞击故障。
2. 5.
   实验结果与分析
   实验在230 W水平轴直驱TCT原型机上进行，测试台包括水箱、TCT原型机、电阻性电负载和数据采集系统。水箱体积约45 m³，来流速度可通过循环泵在0.2 m/s至1.8 m/s间调节，安装有导流板和蜂窝结构以稳定试验段流入。涡轮采用NACA0018叶片剖面，转子直径0.6 m，叶片弦长5.68 cm至9.68 cm，桨距角3.4°至25.2°，发电机为8对极永磁同步发电机，电信号由采样频率1 kHz的NI数据采集系统采集。数据集包含16个健康样本和112个故障样本，共128个样本，每种采集持续3分钟，对应每信号180,000个采样点。设计了恒定流、周期变化流和变周期变化流三种工况，详细流速和周期设置见原表1。
   结果显示，所提KNN-MS方法在检测准确性和稳定性上优于所有基线方法（包括DBSCAN+LOF、CBLOF、LoOP、EIF、EGK+PCA(Hotelling's T²)）。DBSCAN+LOF存在大量虚警；CBLOF和LoOP评分分布出现多个尖峰，表明对流动波动高度敏感而对撞击故障特征响应弱；EIF在波动条件下不稳定；EGK+PCA优于聚类方法但在高噪声场景下仍精度损失；KNN-MS故障样本与正常样本分离清晰，对撞击特征灵敏度高且虚警率显著降低，这源于方差自适应加权和乘法累积，有效缓解了非平稳流条件下常规算法的局限性。在不同噪声水平下，常规方法性能随噪声增加明显下降（如FSS+LOF和DBSCAN+iForest在噪声比超过3%后性能急剧下降，EGK+PCA在噪声超过一定阈值后精度恶化），而KNN-MS在所有噪声水平下始终实现最高且最稳定的精度，性能下降最小，显示了优越的抗噪性。性能指标对比显示，KNN-MS平均虚警率最低（0.12%），平均准确率最高（99.88%），平均精度显著更高（95.96%），与对比方法相比p值均低于0.05，差异具有统计显著性，有效最小化了虚警并保持高检测灵敏度。

讨论与结论

研究人员总结，由于流速和周期等运行条件的可变性（包括波动），检测TCT水下叶片撞击故障具有内在挑战性，这些动态变化扭曲信号特征，降低特征可分性，显著损害故障检测精度。为此，研究人员提出了一种结合KNN与乘法评分机制的新方法。主要贡献包括：1. 提出了方差自适应加权策略，以增强非平稳和噪声运行条件下的特征稳定性和鲁棒性；2. 开发了乘法累积评分机制，以放大故障敏感特征并改善KNN故障检测中正常与故障状态的可分性；3. 使用复现海洋环境的受控测试平台，所提方法实现了99.88%的准确率和0.12%的虚警率，在变流条件和噪声水平下的优越性能反映了高鲁棒性和实用适用性。结果表明，方差自适应加权和乘法累积是缓解传统基于聚类和特征选择方法局限性的有效策略。

虽然所提方法实现了高精度和稳定性，未来研究应探索其扩展到多故障场景和真实海洋环境中的大规模部署。结合自适应窗口或深度学习模型可进一步增强特征提取和可扩展性，加强该方法在复杂运行设置和长期监测中的适用性。

需要我帮你把这篇论文中的核心公式或算法流程整理成更直观的条理清单吗？