《Ocean Engineering》:A holistic fault diagnosis and early warning method for offshore wind turbines
编辑推荐:
Ning Yuan|Runze Mao|Peihua Han|Weiqian Xu|Houxiang Zhang•面向海上风力涡轮机的系统级故障预警框架。•“留一涡轮机法”用于验证故障在涡轮机间的传递性。•LightGBM在EDP数据集上可实现可靠的故障预警效果。引言目前,全球能
Ning Yuan|Runze Mao|Peihua Han|Weiqian Xu|Houxiang Zhang
- •
面向海上风力涡轮机的系统级故障预警框架。
- •
“留一涡轮机法”用于验证故障在涡轮机间的传递性。
- •
LightGBM在EDP数据集上可实现可靠的故障预警效果。
引言
目前,全球能源转型已进入关键阶段,去碳化进程已然不可逆转(Bento等人,2024)。根据国际能源署2025年《全球能源展望》的报告,到2024年,可再生能源已占全球发电量的近三分之一(国际能源署,2025)。作为重要的可再生能源形式,风能在全球能源结构中的地位日益重要,成为传统能源的重要替代品(Tian等人,2021)。在此背景下,由于具有风能资源丰富(Jung等人,2024;Catalán等人,2023;López-Queija等人,2022)、无需占用土地(Zhou等人,2023)、发电效率高等优势,同时环境影响较小(Sun等人,2024),海上风电已成为可再生能源领域的重要发展方向(Ulazia等人,2024;Ma等人,2024;Meng等人,2024;Xia和Zou,2023;Nguyen等人,2023)。它对于实现国家能源转型目标具有重要的战略意义(Zhang和Wang,2022)。然而,恶劣的海洋环境以及涡轮机关键部件容易发生突发故障,会导致非计划停机(Tan等人,2025;Jadidi等人,2024;Zhang等人,2023;Hendradewa和Yin,2025),进而造成巨大的发电损失和维护成本(Ullah等人,2022;Yin等人,2025)。统计数据显示,运营维护成本占海上风力涡轮机全生命周期成本的20%–35%(Lu等人,2024;Ren等人,2021)。
因此,开发有效的故障诊断策略对于降低运营维护成本、减少非计划停机时间以及提升风电场的整体经济效益至关重要(Ellefsen等人,2019)。随着海洋产业的数字化转型,维护策略正从传统的修复性维护和计划性维护转向预测性维护和主动式维护(Liang等人,2024;Han等人,2020)。目前,关于海上风力涡轮机故障诊断的研究主要集中在组件层面,针对发电机、轴承、齿轮箱和叶片等部件展开研究(Badihi等人,2022;Wang等人,2026)。例如,在叶片结冰故障方面,Tian等人(2021)提出了一种结合小波分析和多层卷积循环神经网络 的深度学习模型。该模型利用小波变换从SCADA数据中提取多尺度时频信息,并针对工业环境中常见的样本不平衡问题进行优化,从而能够在复杂运行条件下实现高精度的叶片结冰实时检测。同样,为了解决变频控制下海上风力涡轮机绝缘轴承的复杂故障模式问题,Yang等人(2024)提出了一种基于加权简化循环单元的轻量级网络框架LTFM-Net,实现了在不同工作条件下的轴承故障精准识别。
尽管针对特定组件的故障诊断研究已取得显著进展,但将这些方法应用于海上风力涡轮机的整体健康监测仍面临诸多挑战。首先,虽然深度学习模型因其特征提取能力而备受青睐,但其黑箱特性和高计算资源需求也常常受到诟病。例如,尽管深度神经网络能够捕捉复杂的时空模式,但在处理结构化的SCADA数据时,基于树的集成方法往往能在准确性和计算效率之间实现更好的平衡(Dhungana,2025)。其次,风力涡轮机是复杂的机电系统,其各个子系统之间存在深度的物理耦合关系。这就导致系统级的SCADA数据具有高维度和强变量间相关性的特点。在复杂的海洋机电设备中,如何从高维度、多源传感器数据中有效分离出冗余噪声,一直是一个核心难题(Cheng等人,2023)。面对如此庞大且充满噪声的多源传感器数据,如何在剔除冗余噪声的同时保留关键的物理状态信息,以及提取对早期故障极为敏感的先兆特征,是系统级健康监测面临的主要挑战。
目前,针对整个涡轮机整体运行健康状况的系统级故障诊断研究相对较少,相关研究也不够充分。虽然存在一些公开的SCADA数据集,比如本研究所使用的那个数据集(Shah等人,2024),但很少有研究人员对其开展深入系统的挖掘,这些数据的价值因此未能得到充分发挥。
为了解决上述问题,本研究提出了一种专为风力涡轮机整体健康状况设计的动态自适应预警系统。首先,为了从大量的SCADA噪声中提取早期故障特征,该系统会对核心变量的时间动态指标进行深度挖掘。它采用一种Top N硬剪枝策略,在降低数据维度的同时,通过汇总各物理传感器的重要性得分来保持其物理意义。随后,在跨涡轮机的“留一涡轮机法”评估框架中,本文引入了一种基于Optuna的多维度动态联合优化机制。该机制采用综合评估目标,将用于解决样本不平衡问题的宏观F1分数与时间奖励因子相结合。基于这一目标,可以分别为不同的目标涡轮机自适应确定最合适的预警时间、模型参数和动态报警阈值。最后,该系统依靠LightGBM分类器输出预警指令。本文的主要贡献如下:
- 1.
提出了一种“留一涡轮机法”框架,用于在无需目标领域标签的情况下,评估不同运行条件下涡轮机整体健康状况的故障传递性。
- 2.
开发了一种基于Optuna的自适应联合优化机制,通过复合宏观F1分数和时间奖励因子来调整预警时间、模型参数和报警阈值。
- 3.
为基于LightGBM的故障诊断建立了混合特征工程和降维策略,使得该模型在EDP数据集上能够实现可靠的预警效果。
本文的其余结构如下:第2节详细阐述所提出的故障诊断与预警模型的方法论;第3节详细描述实验设置,包括数据集、实验流程以及用于模型评估的性能指标;第4节展示实验结果并进行分析;最后,第5节对全文进行总结。
章节要点
概述
图1展示了所提出的风力涡轮机故障预警系统的整体框架。该系统由三个核心模块组成,分别是数据准备、跨涡轮机动态优化,以及目标领域的预警与评估。在数据准备阶段,系统会从多台风力涡轮机中提取SCADA运行数据,随后进行特征工程处理,包括基础数据清洗、滑动窗口统计等操作。
数据集描述
本研究使用了公开可用的EDP风力涡轮机数据集,该数据集包含2016–2017年间四台涡轮机(T01、T06、T07和T11)的10分钟间隔SCADA记录数据。2016年的SCADA文件提供了81个传感器通道的统计测量值,包括最小值、最大值、平均值和标准差,同时还有一份包含二进制故障标识的故障标签文件。2017年的SCADA文件和日志文件则提供类似的运行信息,但不包含故障标签。还有一个名为powercurve.csv的补充文件,用于提供更多相关信息。
结果与讨论
为了全面评估所提出的基于LightGBM的预警框架,本文选择了支持向量机(SVM)和K最近邻(KNN)模型作为基线方法进行对比。这两种方法在数据驱动的故障诊断领域应用广泛,也被公认为是有效的基准模型。
表2显示,所提出的经过联合优化的LightGBM模型在所有核心评估指标上都展现出显著的优势。尤其是在ROC-AUC指标方面……
结论
为提升海上风力涡轮机的运行安全性和经济性,本文突破了仅对单个核心组件进行故障监测的传统思路,提出了一种着眼于涡轮机整体健康状况的系统级故障诊断模型。该研究设计了一种向物理传感器源头聚合的特征降维策略,并在跨涡轮机的“留一涡轮机法”评估框架中引入了多维度动态联合优化机制。
CRediT作者贡献说明
Ning Yuan:文章撰写——初稿撰写、可视化分析、验证、方法论设计。 Runze Mao:文章撰写——审阅与编辑、指导监督、方法论设计、概念构思。 Peihua Han:文章撰写——审阅与编辑、指导监督。 Weiqian Xu:文章撰写——审阅与编辑、可视化分析、验证。 Houxiang Zhang:文章撰写——审阅与编辑、指导监督、项目管理工作。
利益冲突声明
作者声明,他们不存在任何可能影响本文研究结果的已知财务利益冲突或个人关系。