一种用于风力发电机齿轮箱运行流数据的新故障诊断与增量学习方法

《Engineering Applications of Artificial Intelligence》：A new fault diagnosis and incremental learning method for wind turbine gearbox operation stream data

　　林世宇|赵红山 中国华北电力大学电气与电子工程学院，保定市，071003 摘要 复杂的风力发电机组齿轮箱运行条件会导致特征漂移和新的故障出现，从而在长期运行中降低传统诊断模型的性能，而反复重新训练则会产生高昂的计算和存储成本。为此，我们提出了一种基于逆集总参数热网络和开放集广义柯尔莫哥洛夫-阿诺德网络的智能故障诊断与增量学习方法，用于解决长期运行中的未知故障识别及诊断模型性能下降问题。首先，我们提出了一种基于逆集总参数热网络的风机故障特征构建方法，通过稀疏正则化求解该网络以生成热力学故障特征。其次，提出了一种基于开放集广义柯尔莫哥洛夫-阿诺德网络的风机开放集故障诊断方法，用于识别未知运行故障。第三，基于开放集广义柯尔莫哥洛夫-阿诺德网络提出了一个增量学习框架，包括基于单图像扩散的类别增量学习方法和基于类别平衡数据回放的领域增量学习方法。当满足相应条件时，模型会自动进行增量学习以保持高诊断性能。最后，利用中国北方某风电场2兆瓦风力发电机的监测数据进行了大量实验，结果表明，所提方法在不同开放集故障诊断任务中的平均准确率提升了0.163，且类别增量学习和领域增量学习的累积遗忘率分别降低了0.52和0.22。在风机运行流式数据上的平均诊断准确率可达到0.9836，有效解决了风机故障诊断模型在长期运行中的性能下降问题。引言 风力发电机组齿轮箱是风电系统中的核心传动部件，其运行状态直接影响风机的可靠性。然而，在长时间复杂的运行条件下，齿轮箱面临高负荷和变速等恶劣工况，从而导致各类故障的产生。故障诊断能够帮助维护人员快速评估故障状况，对于提高维护效率、减少风机停机时间具有重要意义。随着风机监测技术和大数据技术的进步，基于深度学习的故障诊断取得了显著进展。有研究提出了基于注意力时空图卷积网络的风机故障诊断方法，还有研究考虑硬件资源限制，提出了适用于边缘设备的轻量级神经结构搜索方法，以及用于解决过拟合问题的半监督加权质心原型网络。另有研究提出了自监督的提取器-投影器-蜘蛛-检测器网络框架，通过基于重建误差的异常检测实现变速条件下的适应性设备健康监测。还有研究提出了角域特征模式分解方法，通过引入平均峰度作为角域目标函数来实现轴承故障特征的适应性提取。最近还有研究提出了自监督的振动-速度-关节网络，利用对比学习提取健康特征流形，并通过基于近似器的深度回归实现速度与振动的对齐，从而在变速条件下实现少样本故障识别。不过，上述方法的有效应用依赖于闭集诊断假设，即所有训练数据都是完整充分的，故障诊断过程中不会出现训练集之外的故障类型。但实际上，由于获取风机故障样本的成本极高，故障诊断模型很难涵盖所有可能的故障类型，而且新的故障类型可能随时出现，一旦出现新的故障类型，风机就可能出现误诊。因此，学者们提出了开放集故障诊断的概念，认为可能的故障类型可能超出已知或预定义的故障集合范围，即在诊断已知故障的同时也能检测未知故障。有研究提出了基于卷积原型学习网络的核电站开放集故障诊断框架，还有研究提出了自监测增强型开放集故障诊断方法，提升了旋转机械的未知故障识别能力。另有研究提出了基于多跳注意力图变分自编码器的开放集故障诊断方法，该方法结合结构表示约束和生成距离诊断算法，提升了已知故障和未知故障的诊断性能。还有研究提出了自适应特征重建差分网络，该网络将多源领域特征映射到标准正态分布，并通过基于重建差异的自适应决策边界，同时实现对已知故障的分类和未知故障的检测。还有研究提出了基于图贡献网络的海洋机械半监督开放集故障诊断框架，通过多层特征融合、双约束可靠伪标签子集构建以及半监督联合学习，实现了已知故障分类和未知故障检测。虽然开放集故障诊断能够检测到未知故障的出现，但当同一类型的未知故障再次出现时，该方法无法识别这些故障曾经出现过，仍会将它们视为未知故障，这大大限制了其应用效果。此外，随着风机长期运行，故障特征可能会发生变化，也会导致故障诊断效果的下降。基于深度学习的故障诊断模型在性能不足时可以通过重新训练来适应新数据，但这往往伴随着高昂的计算成本、存储成本以及灾难性遗忘问题。增量学习是一种自适应学习策略，可以避免消耗大量的数据存储和计算资源。有研究将增量学习场景分为任务增量学习、类别增量学习和领域增量学习三类。还有研究提出了用于类别增量学习的动态扩展表示方法，另有研究提出了基于检测变换器的类别增量学习方法，该方法可通过少量样本实现类别增量学习。还有研究提出了基于元学习的增量学习方法，通过引入类别结构正则化器来规范新类别的学习。还有研究提出了学习提示连续学习方法，并设计了动态提示池来引导预训练模型完成领域增量学习。还有研究提出了基于特征空间拓扑保持策略的保拓扑领域增量对象检测方法，通过锚点图像集和拓扑保持损失函数缓解了灾难性遗忘问题。上述方法大多可有效应用于单一的增量学习场景，但风机运行过程中往往同时存在类别增量学习和领域增量学习的问题，这限制了这些方法的有效性。总之，在风机实际长期运行中，现有方法仍面临以下尚未解决的挑战：首先，风机故障在温度信号中的表现具有隐蔽性，因为故障会改变内部热力学行为，而不会在稀疏的表面测量点立即产生可观测的变化，有限的温度观测数据与内部传热变化之间的关系复杂且间接，难以直接用于故障诊断。其次，目前的开放集故障诊断方法只能检测未知故障，但当这些故障再次出现时无法识别其具体类型，而类别增量学习方法则需要足够的新类别样本，这对于故障样本极为稀缺且获取成本极高的风机来说并不现实，这就造成了未知故障检测与模型持续适配之间的巨大差距。第三，现有的增量学习策略都是为单一场景设计的，而风机运行流式数据中则同时会出现新的故障类型以及由运行条件变化导致的特征漂移，目前还缺乏能够自动检测这些不同退化模式、触发相应适配机制并抑制灾难性遗忘的框架。第四，为了适应新的故障或变化的运行环境，反复对深度学习模型进行全量重新训练会带来巨大的计算开销和存储需求，这对于资源受限的风机边缘部署而言是不可持续的。因此，本文提出了一种基于逆集总参数热网络和开放集广义柯尔莫哥洛夫-阿诺德网络的风机运行流式数据的故障诊断与增量学习方法，其主要贡献如下：首先，提出了一种基于逆集总参数热网络的故障特征构建方法，将风机故障诊断转化为热参数反问题，以正常状态参数作为初始值构建逆集总参数热网络，再通过稀疏正则化求解，得到的反演热导率和热源强度可作为区分性故障特征，从而利用有限的温度测量数据实现有效诊断。其次，提出了一种基于开放集广义柯尔莫哥洛夫-阿诺德网络的开放集故障诊断方法，该网络用基于KAN的B样条激活函数替代广义学习系统中的随机向量功能链接，以提升非线性特征提取能力，同时通过闭式最小二乘法计算输出权重以提高训练效率，还引入了基于极值理论的鉴别器，通过拟合类别中心距离的威布尔分布，借助拒绝概率阈值实现未知故障的识别。第三，提出了一种具有小样本处理能力和领域适应性的统一增量学习策略，针对类别增量学习，采用单图像扩散方法，从少量的真实故障样本中生成增强数据，以解决新类别样本匮乏的问题；针对领域增量学习，提出了类别平衡数据回放方法，通过类别平衡的随机采样实现核心数据与缓冲领域数据的平衡，这两种方法都共享同一个开放集广义柯尔莫哥洛夫-阿诺德网络架构，无需单独构建网络。第四，提出了一种针对风机运行流式数据的自动增量学习框架，该框架具有明确的触发条件，当开放集故障诊断的拒绝概率超过阈值时，说明出现了新的故障类型，此时触发类别增量学习；当滑动窗口精度趋势指数低于动态阈值时，说明发生了领域漂移，此时触发领域增量学习。触发后，相应的增量学习算法会自动更新最小二乘权重，从而实现快速适配，降低灾难性遗忘，使故障诊断模型在长期运行中始终保持高准确率。本文的其余部分结构如下：第二节介绍基于逆集总参数热网络的风机故障特征构建方法，第三节介绍基于开放集广义柯尔莫哥洛夫-阿诺德网络的开放集故障诊断方法，第四节介绍针对风机运行流式数据的增量学习方法，第五节进行方法验证，第六节给出结论。段落摘录 风机集总参数热网络 本文以2兆瓦双馈风力发电机作为研究对象，构建其集总参数热网络。该风机的结构包括两级行星齿轮传动装置和一级平行齿轮传动装置。根据其热力学特性，风机被划分为多个等温节点，如表A.1所示，集总参数热网络的结构如图1所示。根据图1可建立如下热力学方程：Qi+∑j=1n(Tj?Ti)Gij=0,Qi+∑j=1n(Tj?Ti)Gij=ρiciVidTidt，其中Qi为…… 开放集广义柯尔莫哥洛夫-阿诺德网络 广义学习系统是由陈杰等人提出的，通过将网络向更广阔的方向扩展而非更深入的方向扩展，可以提高网络的训练速度。然而，广义学习系统使用随机向量函数来连接网络层结构，在复杂的非线性问题和开放集故障诊断场景中，其特征提取能力和泛化性能的局限性逐渐显现。基于柯尔莫哥洛夫-阿诺德网络的柯尔莫哥洛夫-阿诺德IL框架 在风机运行过程中，监测数据是以流式方式持续处理的，故障诊断模型可能会面临以下问题：首先，在运行过程中如果出现故障诊断模型在训练阶段未曾学习到的新故障，就会导致误诊；其次，由于运行条件复杂，故障特征会发生变化，从而导致故障诊断模型性能下降。面对这些问题，如果对模型进行重新训练，不仅会浪费大量的计算和存储资源。数据准备 本文所提出的方法是通过中国河北某风电场的2兆瓦风力发电机数据来进行验证的，表2展示了风机温度测量点的位置，一些温度测量设备的部署和测量结果如图5所示。风机的内部温度通过PT100热电阻进行测量，表面温度则通过红外热成像传感器进行测量。数据采样频率为5秒。已验证了风力发电机组LPTN的有效性。结论：为实现在运行过程中对风力发电机组进行连续且高精度的故障诊断，本文提出了一种基于ILPTN-OSBKAN的风力发电机组运行流数据的故障诊断与智能学习方法。通过中国河北某风电场的2兆瓦风力发电机组数据进行了实验验证，得出以下结论：(1) 提出了一种基于ILPTN-OSBKAN的风力发电机组在线故障诊断方法。与多种先进的在线故障诊断方法相比，该方法的诊断精度最高。资金支持信息：本研究得到了国家电网冀北电力有限公司的科技项目支持（编号：SGJBDK00ZDJS2500062）以及河北省研究生创新基金项目的支持（编号：CXZZBS2026154）。作者贡献说明：林世宇负责方法设计、初稿撰写以及论文审阅与编辑工作；赵洪山负责监督工作及论文审阅与编辑工作。利益冲突声明：作者们声明存在以下可能被视为潜在利益冲突的财务利益/个人关系：赵洪山表示统计分析服务由国家电网公司提供。其他作者则声明没有已知的可能影响本文所述工作的财务利益或个人关系。致谢：感谢国家电网冀北电力研究院为本研究提供的数据支持。