在工况变化条件下，基于原型校准与动态代理的风力发电机故障诊断增量学习方法

《ISA Transactions》：Incremental learning with prototype calibration and dynamic proxy for wind turbine fault diagnosis under time-varying operating conditions

　　杨福|李占兰|庞浩如|何德强|金珍珍|于斌|王明春•本文提出了一种原型校准方法，用于调整历史原型。•还开发了一种动态代理范式，以优化分类性能。•针对在时变运行条件下的风力发电机故障诊断，提出了PCDP方法。引言近年来，作为可再生能源关键来源的风力发电在全球范围内快速发展。然而，风力发电机在运行过程中经常面临极端且多变的天气状况，这增加了故障风险[1]。风力发电机的故障可能导致事故并产生高昂的维护成本，因此，有效的故障诊断方法对于确保风电场的可靠性及减少经济损失至关重要[2]、[3]。监控与数据采集（SCADA）系统通过高频连续采样记录传感器数据，目前已被广泛应用于风力发电机中[4]。SCADA系统持续从风力发电机的传感器中收集数据，记录运行状态、工作条件等信息，为设备的运营和维护提供长期且全面的基础数据。结合深度学习技术，这些数据可用于自动提取与设备健康状况相关的关键特征，从而实现早期故障检测与预警。近年来，许多基于SCADA数据的智能故障诊断方法及其在风力发电机上的应用案例相继出现[5]、[6]。向等人[7]提出了一种基于注意力机制和卷积神经网络的风力发电机故障诊断方法，用于提取SCADA数据中的特征。王等人[8]开发了一种生成对抗网络，该网络整合了长短期记忆网络和卷积神经网络，用于模拟SCADA数据的分布特征。马等人[9]提出了一种时空图卷积网络，用于从SCADA数据中提取特征。范等人[10]则提出了一种基于多尺度注意力与掩码自编码技术的风力发电机缺失数据填补框架。从上述文献综述可以看出，现有的大多数方法都依赖于使用静态且完整的训练数据集来训练故障诊断模型。理想情况下，一个训练数据集应涵盖风力发电机故障诊断所需的所有运行条件。但实际上，由于天气变化等外部因素以及风力发电机系统自身的调整，其运行条件会随时间周期性或非规律性地发生变化，这使得在训练过程中难以收集到覆盖所有可能情况的数据[11]。因此，基于单一静态数据集训练得到的故障诊断模型，在应用于时变运行条件下收集的新数据时，其诊断精度会逐渐下降，进而限制了该模型的泛化能力[12]。一种解决方法是存储所有历史数据，并定期重新训练故障诊断模型，以便纳入新的运行条件。然而，重新训练需要大量的计算资源且耗时较长，实用性较差。迁移学习为因时变运行条件导致的数据分布差异而带来的风力发电机故障诊断问题提供了可行的解决方案。迁移学习通常通过将从源领域学到的知识转移到目标领域，从而提升目标领域中模型的性能，进而增强故障诊断模型对新的运行条件数据的适应能力[13]。不过，迁移学习往往侧重于从源领域到目标领域的有限跨领域适配，且目标领域通常是预先定义的，范围相对有限[14]。因此，当风力发电机在长期运行过程中不断从不同时间段和运行条件下收集新数据时，仅靠迁移学习无法满足持续适配新数据分布的同时保留历史诊断知识的需求。增量学习则允许故障诊断模型在获取新知识的同时保留之前所学的内容[15]、[16]。这种学习范式使得故障诊断模型无需从头开始重新训练，就能持续从新数据中学习，从而降低计算成本并提高泛化能力[17]、[18]。增量学习面临的主要挑战是灾难性遗忘问题，即模型在经过新数据训练后，其在先前学习数据上的表现会出现下降[19]。其根本原因在于，新数据的处理会调整模型参数以适配新的数据分布，从而导致旧知识的干扰[20]。为了解决灾难性遗忘问题，现有的增量学习方法可分为三类：基于重演的方法、基于正则化的方法以及基于参数隔离的方法[21]。基于重演的方法通过存储或生成来自先前任务的小样本集，并将其纳入增量训练过程中，从而缓解灾难性遗忘问题[22]。基于正则化的方法则通过限制对对过去任务至关重要的参数的更新，从而保留早期学到的知识[23]。基于参数隔离的方法则是将不同的参数分配给不同的任务，这样模型在学习新任务时，对与早期任务相关参数的干扰就会降到最低[24]。增量学习场景通常可分为类别增量学习、任务增量学习以及领域增量学习三类。在类别增量学习中，新的类别会随着时间的推移逐步引入，模型需要在保持对已有类别认知的基础上不断扩展其识别能力。在任务增量学习中，不同的任务会依次被学习，每个任务通常都有对应的独立数据集和标签。而在领域增量学习中，各任务之间的类别集合保持不变，主要的变化体现在数据分布或领域本身，比如数据采集时间或运行条件的变化[25]。近年来，增量学习范式在机械故障诊断领域受到了广泛关注。在现有的方法中，基于重演的方法是被广泛采用的策略，它通过保留先前任务的历史知识来缓解灾难性遗忘问题。例如，傅等人[26]开发了一种适用于终身学习故障诊断的广义学习系统，该系统会保留从每种故障模式中提取的核心样本集，用于记忆重演。邱等人[27]提出了RMAF方法，该方法通过明确识别并选择性更新那些会导致灾难性遗忘的参数，提升了样本重演的效果。不过，直接存储历史样本往往存在数据隐私等方面的问题。在这种情况下，利用原型来表示历史知识的机制可以将历史信息压缩为简洁的表示形式，从而有效减轻存储负担，同时减少对原始历史数据长期保存的依赖[28]。例如，严等人[29]提出了一种少样本增量学习方法，该方法通过在基础任务中对同一类别的特征进行聚类，生成正向虚拟原型，同时构建反向记忆库来优化旧的诊断知识，从而有效缓解灾难性遗忘问题。朱等人[30]则提出了一种基于原型的增量学习方法，该方法会记住旧类别的代表性原型，并在深层特征空间中进行原型增强，以此保留之前的决策边界。然而，对于在时变运行条件下的风力发电机故障诊断而言，现有的基于原型的增量诊断研究仍面临以下挑战：1）随着增量任务中特征空间的不断更新，历史原型会逐渐发生偏移。这样一来，它们可能就无法再准确描述之前学到的类别，进而影响后续的分类效果。2）在增量任务中，特征空间的变化仍然缺乏足够的约束。时变条件会导致同一故障类别在不同时间点的表示不一致。如果不对特征分布加以适当约束，这些表示就可能会与后续任务中其他故障类型的表示重叠，进而降低分类性能。为了解决这些问题，本文提出了一种结合原型校准与动态代理的领域增量学习方法，用于在时变运行条件下、基于SCADA数据的风力发电机故障诊断。由于数据是从不同的时间点和运行条件中依次采集的，而各任务中的故障类别保持不变，因此本文的研究问题可归类为领域增量学习。具体而言，风力发电机上的每个传感器都被视为一个节点，据此构建一个全连接的传感器图。然后，将这些图结构数据作为输入，用于训练基于图的故障诊断模型。接着，本文提出了在增量训练任务之间进行原型校准的方法，以缓解原型偏移问题；同时在故障诊断模型训练过程中引入动态代理机制，以缩小同类特征之间的距离，增大不同类别特征之间的距离。本文提出的PCDP方法的有效性通过两个案例研究得到了验证，分别是风力发电机的主轴轴承故障和叶片结冰问题。本文的主要贡献如下：1）通过估算增量任务之间的特征偏移量，本文开发了一种原型校准方法，用于调整历史原型，使其能够适应时变运行条件，从而实现对历史知识的准确表征。2）本文提出了一种动态代理方法，可为不同的运行条件提供自适应的参考基准，进而优化时变条件下的分类性能。3）本文为基于SCADA数据的风力发电机故障诊断提出了一种领域增量学习方法，该方法有助于提升在时变运行条件下的诊断性能稳定性。本文的结构如下：第2节介绍GraphSage算法以及知识蒸馏机制。第3节阐述PCDP方法。第4节通过两个案例研究（主轴轴承故障和叶片结冰问题）对方法进行实验验证。相关内容概述GraphSage图卷积网络是一种通过节点间的消息传递来捕捉图结构依赖关系的卷积网络，它在提取复杂的多尺度特征方面表现优异[31]。GraphSage是一种典型的空间图卷积网络，其节点表示是通过逐层进行邻域采样和特征聚合来更新的[32]。GraphSage采用聚合函数AGGREGATE(?)来收集邻域信息，以及组合函数CONCAT(?)。总体概述本文提出的PCDP框架包含两个主要阶段：初始训练阶段和后续的增量学习阶段。在每个阶段，故障诊断模型都仅使用当前可获取的任务数据来进行训练，而已学到的历史知识则通过知识蒸馏和原型记忆的方式传递到后续阶段。1）初始训练：在初始训练阶段，模型使用第一个任务数据集Q0={xi0,yi0}i=1n0进行训练，其中xi0是该任务的第i个输入样本。实验验证为了验证PCDP方法的有效性和优势，本文选取了一组具有代表性的增量学习方法作为对比，包括LwF、SI、MAS、EWC、MDA、DSPC、DuPt以及微调策略。LwF[36]将之前的故障诊断模型作为教师模型进行冻结，然后通过知识蒸馏来约束新的故障诊断模型，使其输出分布与先前的输出分布保持一致，从而保留先前的知识。SI[37]则是通过累计每个参数对模型性能的影响程度来评估参数的重要性。结论本文提出了一种用于在时变运行条件下对基于SCADA系统的气力发电机进行故障诊断的PCDP方法。该PCDP方法由两个核心组成部分构成：原型校准和动态代理。原型校准功能用于在各个增量任务之间调整历史原型，以适应新的运行条件。而动态代理功能则能在增量学习过程中调整特征空间，使同一类别的样本更加接近，同时让不同类别的样本之间距离更大。作者贡献声明杨福：概念设计、资金获取、研究实施、方法设计、初稿撰写、审稿与编辑。李占兰：概念设计、数据整理、研究实施、方法设计、初稿撰写、审稿与编辑。庞浩如：数据整理、形式分析、研究实施、结果可视化。何德强：概念设计、资源协调、方法验证。金珍珍：软件工具使用、方法验证、结果可视化。于斌：数据整理、资源协调、软件工具使用。王明春：无利益冲突声明作者声明自己不存在任何可能影响本文研究工作的已知财务利益或个人关系。致谢本研究得到了国家自然科学基金项目（编号62403151）、广西壮族自治区自然科学基金项目（编号2024GXNSFBA010404和2025GXNSFAA069763）、广西科技计划项目（编号AD25069080）、广西制造系统与先进制造技术重点实验室项目（编号22–35–4-S303）以及广西研究生教育创新项目（编号YCSW2025097）的支持。