用于有序健康状态评估的多源跨域数据融合框架:以氢冷涡轮发电机为驱动的可重复替代基准

《Applied Sciences》:A Multi-Source Cross-Domain Data Fusion Framework for Ordinal Health-State Assessment: A Reproducible Surrogate Benchmark Motivated by Hydrogen-Cooled Turbogenerators

【字体: 大 中 小 】 时间:2026年08月05日 来源:Applied Sciences 2.5

编辑推荐:

  氢冷涡轮发电机的真实故障数据稀缺且大部分为专有数据,这阻碍了与严重性标准一致的数据驱动健康评估。研究人员提出了一种符合标准的多源有序融合框架,并在可重复的四域替代集合上进行了概念验证演示。该集合结合了公共工业数据集——SKAB(冷却回路)、UCI-WWT(水化

  
氢冷涡轮发电机的真实故障数据稀缺且大部分为专有数据,这阻碍了与严重性标准一致的数据驱动健康评估。研究人员提出了一种符合标准的多源有序融合框架,并在可重复的四域替代集合上进行了概念验证演示。该集合结合了公共工业数据集——SKAB(冷却回路)、UCI-WWT(水化学)、CARE风电场A(电气和热条件)——以及一个基于亨利定律(Henry's law)和连续搅拌反应器(CSTR)质量平衡的物理信息氢侧流,通过配对采样连接。该集合是一个方法论基准,而非针对任何特定机器的验证诊断。一个由混合CORN + EMD有序损失(CORN + EMD ordinal loss)监督的双头分类器、一个多流融合主干以及一个带有每模型温度缩放(temperature scaling)的校准集成(calibrated ensemble)与四级GB/T 43188-2023方案(正常/注意/异常/严重)对齐。所有方法均在统一协议下评估(三个种子的均值±标准差;确定性校准集成报告为单一值)。在600个融合测试样本上,集成达到F1-macro 0.5349,准确率(Accuracy)0.6717,Cohen's κ = 0.4713,二次加权卡帕(QWK)0.5948,与最强的全规模单源基线(CARE上的InceptionTime,在相同协议下训练)相比,F1-macro提高了+22.4个百分点,在排序感知指标上增益更大(κ上+30.4个百分点,QWK上+36.2个百分点)。它进一步比在相同协议下重新训练的最强交叉熵融合基线提高了+8.9个百分点。结果支持了方法论主张:在排序感知有序监督下融合四个异构监测域能够产生一致且符合标准的严重性等级,提供了可重复的基准和方法论,其向真实氢冷涡轮发电机的转移仍需在共同记录的电厂数据上验证。
**论文解读:基于多源跨域数据融合的氢冷涡轮发电机有序健康状态评估**

**研究背景与问题**

氢冷涡轮发电机广泛用于现代电厂,尤其在300–1000 MW等级的火电和核电机组中,其高功率密度依赖于氢气的优良导热性和低风阻。然而,要安全运行在600 MW以上,需同时保证四个弱耦合物理子系统(机械冷却回路、定子水化学回路、电磁热子系统、氢侧子系统)的完整性。任一子系统发生微小故障都可能迅速演变为过热、绝缘击穿或强制停机,造成巨大经济损失。为此,中国国家标准GB/T 43188-2023(《汽轮发电机状态评估导则》)规定了四级有序方案(正常/注意/异常/严重),将运行严重性与维护措施直接关联,为自动化健康评估提供了监管对齐目标。但现有研究面临三大挑战:第一,真实故障数据稀缺且专有,安全与商业限制使带注释的氢泄漏、水化学等记录无法公开;第二,缺乏将各子系统映射到公共工业数据集并进行系统跨域融合的策略;第三,GB/T 43188-2023的四级有序分级尚未在深度学习框架中实现,多数多源融合研究将严重性等级视为互斥类别,忽略了自然顺序。因此,研究人员提出一种多源跨域有序融合方法,并在可重复的替代基准上验证其可行性。

**研究内容与结论**

研究人员构建了一个可重复的四域数据集合,通过物理类比将每个子系统映射到公开数据集:SKAB v0.9(机械冷却回路,水泵试验台)、UCI-WWT(水化学,污水处理厂)、CARE风电场A(电气热条件,风机SCADA),并基于亨利定律和连续搅拌反应器(CSTR)质量平衡从第一性原理生成氢侧流(Synth H2)。四个域通过配对随机采样组合,融合标签采用最差子系统规则(worst-subsystem rule),即取各域标签的最大值。提出多流融合框架,包括领域专用编码器(CNN-LSTM、Multi-Scale、Conv-Transformer等)、融合模块(Concat、Gated、Cross-Attention、Attn-Gated)、双头分类器(交叉熵头与CORN有序头)以及混合损失CORN+EMD(权重0.7/0.3)。训练采用加权采样、数据增强、AdamW优化、早停策略,并通过每模型温度缩放构建校准集成。在600个测试样本上,校准集成达到F1-macro 0.5349、准确率0.6717、Cohen's κ=0.4713、二次加权卡帕(QWK)0.5948,超过所有13个基线,与最强单流基线(CARE上的InceptionTime)相比F1-macro提升22.4个百分点,与最强交叉熵融合基线相比提升8.9个百分点,排序感知指标增益更大(κ +30.4 pp,QWK +36.2 pp)。该研究提供了可重复的方法论基准,证明多域融合与有序监督能产生一致的标准对齐严重性等级,但向真实氢冷涡轮发电机的转移仍需在共同记录的电厂数据上验证。

**主要技术方法**

研究人员采用以下关键方法:(1)跨域类比映射:将各子系统类比到公共工业数据集(SKAB、UCI-WWT、CARE),并基于亨利定律(Henry's law)和CSTR质量平衡生成物理信息氢侧流(Synth H2),参数化参考GB/T 7064-2017和DL/T 801-2010;(2)多流编码器–融合网络:为每个域设计专用编码器(时间序列域使用CNN-LSTM、Multi-Scale、Conv-Transformer,表格域使用MLP或FT-Transformer),通过融合模块(Concat、Gated、Cross-Attention、Attn-Gated)整合嵌入;(3)双头分类器与混合损失:交叉熵头与CORN有序头(CORN,Conditional Ordinal Regression Network)共享融合表示,损失函数为CORN + EMD(推土机距离,Earth Mover's Distance)的加权组合(0.7/0.3);(4)校准集成:对每个模型进行温度缩放(temperature scaling)拟合验证集,通过几何平均聚合概率,不添加额外类偏移以避免过拟合;(5)训练与评估协议:加权随机采样、时间序列数据增强(高斯噪声、时间平移、幅度缩放)、AdamW优化器、余弦退火学习率、早停,统一三种子协议(种子42、123、2024)报告均值±标准差。

**研究结果**

**4.1 与最新方法的比较**:在13个基线(包括经典机器学习、单域深度学习、现代时间序列架构如TimesNet、PatchTST、InceptionTime)的对比中,校准集成在F1-macro、准确率、Cohen's κ和QWK上均最优。单流模型最高仅F1-macro≈0.31(InceptionTime on CARE),而纯交叉熵融合已提升至0.4463,加入有序监督与集成后进一步提升至0.5349。QWK从交叉熵融合的未报告(因不含排序信息)提升至0.5948,表明有序监督使多数错误集中在相邻等级(60%错误为距离1),仅有13%预测为跨两级或以上错误,但仍有34个严重样本被低估为注意级,需优先解决。

**4.2 损失函数消融研究**:固定编码器为CNN-LSTM+MLP+Concat,对比8种损失。CORN+EMD(0.7/0.3)相比纯CORN提升F1-macro 1.07个百分点,并改善最小类(正常)的F1从0.217至0.240。但Balanced Softmax单模型F1-macro 0.4617略高于CORN+EMD的0.4553。CORN+EMD的优势主要体现在集成层面:校准集成相比最强交叉熵融合基线提升8.9个百分点,而单模型无法达到此幅度。三元混合(CORN+LDAM+EMD)因过度惩罚主导类而退化至0.4064。

**4.3 编码器–融合配置消融研究**:固定损失为CORN+EMD,融合头方面,简单Concat(F1-macro 0.4553)优于Gated(0.4353),表明小数据集下注意力参数无益。编码器方面,采用Multi-Scale序列编码器与FT-Transformer表格编码器(约1.6M参数)结合Gated头,单模型F1-macro升至0.4770±0.0183(最佳种子0.4998),提升源于编码器与融合头的联合效应。

**4.4 校准集成与t-SNE可视化**:对比三个子池(ours-only、legacy-only、combined)和四种校准变体。温度缩放单独在所有池上提升测试F1-macro,而额外每模型类偏移仅在legacy-only小池上有效(0.5235→0.5360),在combined池上反而退化(0.5349→0.5217),表明偏移步骤在模型数增加时过拟合验证集。因此采用combined池+温度缩放作为最终配置(F1-macro 0.5349)。t-SNE投影显示四个有序等级在嵌入空间中形成连续严重性带,而非孤立簇,正常类与异常类仍保持可区分。

**4.5 范围与局限性**:本研究属于方法论概念验证,存在五个局限:(1)各域与目标子系统的物理类比程度不均(机械与氢侧最接近,水化学最弱);配对随机采样不保留真实跨域因果级联,可能高估假报警率;(2)Synth H2为物理信息生成而非实测,参数敏感性分析显示操作包络偏移(covariate shift)导致集成F1-macro下降最多3.1个百分点,但方法学结论对参数化不敏感;(3)评估基于三种子,bootstrap置信区间表明所有间隙均排除零,但正式多种子显著性检验待完成;(4)当前证据仅为替代基准上的方法论验证,非工业验证;(5)流消融研究显示每个域均有实质贡献(缺失CARE导致F1-macro下降14.3个百分点,UCI-WWT下降13.0个百分点,SKAB下降10.2个百分点,Synth H2下降5.8个百分点),UCI-WWT的贡献源于其作为水化学有序组分的唯一观测者,而非对去离子冷却回路的物理保真度。

**结论翻译**:本文提出了一种多源跨域数据融合框架,并在可重复的替代基准上作为方法论概念验证,用于与GB/T 43188-2023对齐的氢冷涡轮发电机四级有序健康状态评估。研究构建了一个覆盖机械、化学、电气热和氢侧子系统的四域语料库。主要贡献和发现总结如下:(1)构建了可重复的四域数据集合(SKAB、UCI-WWT、CARE风电场A、基于亨利定律和CSTR质量平衡的物理信息氢侧流),并公开提供;提出多流融合网络、双头分类器、混合CORN+EMD有序损失以及基于每模型温度缩放的校准集成作为模型对应部分。(2)在600样本测试集上,统一三种子协议下,校准集成达到F1-macro=0.5349,准确率=0.6717,κ=0.4713,QWK=0.5948,超越所有13个基线,与最强单流模型(CARE上的InceptionTime)相比F1-macro提升22.4个百分点,κ提升30.4个百分点,QWK提升36.2个百分点;与最强交叉熵融合基线相比提升8.9个百分点(bootstrap 95% CI [5.1, 12.6] pp)。排序感知指标上的最大增益证实了CORN+EMD有序监督与校准集成配对的方法论价值。(3)有序监督将错误结构转变为60%的错误落在相邻严重性等级上,产生了κ=0.4713与QWK=0.5948之间的差距;剩余13%的预测(40%的错误)仍与真实值相差两级或以上,包括对严重样本的安全相关低估。减少这些远距离低估是计划中真实电厂验证的首要任务,因为用于安全关键资产的严重性分级工具对近邻混淆的容忍度远高于对最退化状态的严重低估。这些结果是可重复替代基准上的方法论概念验证,而非工业验证。未来工作将在目标设备的共同记录电厂数据上验证框架,包括氢侧流与实测数据的对比及类先验的重新校准,并通过更多随机种子和正式显著性检验加强统计证据。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号