《Algorithms》：A Hierarchical FFT–ANFIS Algorithm for Detection, Localization, and Severity Assessment of Inter-Turn Short-Circuit Faults in Doubly Fed Induction Generators
编辑推荐：
早期可靠的匝间短路（ITSC）故障诊断对于维持风能转换系统（WECS）中使用的双馈感应发电机（DFIG）的可靠性、可用性和安全运行至关重要。初期绕组故障尤其难以识别，因为其电气特征可能被DFIG运行的固有频谱复杂性以及风速和运行条件的变化所掩盖。本研究提出了一
早期可靠的匝间短路（ITSC）故障诊断对于维持风能转换系统（WECS）中使用的双馈感应发电机（DFIG）的可靠性、可用性和安全运行至关重要。初期绕组故障尤其难以识别，因为其电气特征可能被DFIG运行的固有频谱复杂性以及风速和运行条件的变化所掩盖。本研究提出了一种混合快速傅里叶变换-自适应神经模糊推理系统（FFT-ANFIS）诊断框架，用于检测、定位和评估定子及转子绕组中ITSC故障的严重程度。所提出的方法采用FFT从定子电流信号中提取故障敏感谐波分量，随后这些分量被用作自适应神经模糊推理系统（ANFIS）的诊断特征。通过将频谱特征提取与非线性神经模糊分类相结合，该框架提供了一种高效且可解释的机制，用于区分健康与故障运行状态并评估故障严重程度。该方法在MATLAB/Simulink仿真环境下进行了评估，考虑了健康状态及多种ITSC故障条件，包括不同故障位置和严重程度。结果表明，对于定子故障、转子故障和多短路（MSC）故障条件，分类准确率达到100%，且故障严重程度估计的预测误差接近零。这些结果证实了所选基于FFT的频谱特征具有高区分能力，以及ANFIS在建立故障特征与故障条件之间非线性关系方面的有效性。此外，该框架保持了较低的计算复杂度，因此适用于实时状态监测应用。与现有诊断方法相比，所提出的方法为多故障诊断提供了一个统一框架，同时结合了高诊断精度、计算效率和可解释的决策过程。因此，所提出的FFT-ANFIS框架为基于DFIG的风力涡轮机早期故障检测和基于状态的维护提供了一种实用方法，具有减少计划外停机时间、维护需求和能量生产损失的潜力。
**论文解读文章**
**研究背景与动机**
随着全球能源需求的持续增长和气候变化压力的加剧，可再生能源（尤其是风能）在能源结构中的占比不断提升。双馈感应发电机（DFIG）因其变速运行、灵活功率控制及较低变流器成本，成为大型风电场的主流发电机组。然而，DFIG在运行中面临多种电气、机械和环境故障，其中匝间短路（ITSC）故障尤为关键，因为它直接改变电机电磁场分布，导致转矩脉动增加、电能质量下降、效率降低，甚至引发灾难性故障。据统计，电气故障约占风力发电机故障的35%，其中相当比例与绕组匝间短路有关，2018至2023年间中国报道了超过3000起ITSC案例，对应约450 MW的产能损失。早期诊断ITSC故障极具挑战性，因为健康状态下DFIG的电气信号已呈现复杂频谱特征（受风速变化、非线性电磁相互作用、变流器动态和电网扰动影响），初期故障的频谱特征微弱且易被掩盖。传统基于频谱分析或时域信号处理的方法在变速运行、测量噪声和负载变化条件下可靠性下降。因此，亟需一种能够提取故障敏感特征、同时保持高分类精度和低计算复杂度的诊断方法。
**研究内容与结论**
研究人员提出了一种分层FFT-ANFIS诊断框架，用于DFIG定子和转子绕组ITSC故障的检测、定位和严重程度评估。该框架将快速傅里叶变换（FFT）与自适应神经模糊推理系统（ANFIS）相结合：FFT提取定子电流中故障敏感谐波分量，ANFIS利用这些特征进行非线性分类和回归。通过MATLAB/Simulink仿真，在健康、定子ITSC、转子ITSC及多短路（MSC）故障条件下评估了该方法，故障严重程度涵盖5%、10%、15%和20%。结果表明，该框架在定子故障、转子故障和MSC故障上均达到100%分类准确率，且故障严重程度估计的预测误差接近零（RMSE低至0.011%）。与现有方法（如支持向量机、随机森林）相比，ANFIS在保持最高精度的同时，推理时间更短（3.88 ms/样本），适合实时监测。该论文发表在《Algorithms》。
**主要关键技术方法**
研究人员采用以下关键技术：首先，利用FFT对定子电流信号进行频谱分析，提取特征谐波幅值——包括健康状态下的基频（50 Hz）幅值、定子短路特征谐波（(1+2k)fs，k=1,2）幅值、转子短路特征谐波（(1±2ks)fs，k=1）幅值。其次，构建三个独立的ANFIS模型（基于一阶Sugeno模糊推理系统，采用广义钟形隶属函数和网格分割初始规则库）：模型1用于故障类型分类（健康、定子短路、转子短路、MSC），模型2和模型3分别用于定子和转子故障严重程度回归（输出0%~20%）。所有模型基于同一组五个频谱输入特征，通过混合最小二乘和梯度下降法训练。仿真数据在MATLAB 2021/Simulink中生成，涵盖不同风速（7~12 m/s）和故障条件。
**研究结果**
**A. Model_1：故障类型分类**
ANFIS模型采用5条模糊规则，训练100个epoch后训练RMSE降至0.011416，检查RMSE为0.014018。测试集上预测输出与实际类别高度吻合，RMSE为0.015228，混淆矩阵显示所有33个测试样本均正确分类（健康、定子故障、转子故障、MSC各5/5/4/23个），准确率100%。敏感性分析表明，特征1（基频幅值）对扰动最敏感，而特征3和4（定子谐波）相对稳定；在±1%随机噪声下准确率仍达99.48%，但20%噪声时降至38.94%。与SVM（90.91%准确率）和随机森林（100%准确率）相比，ANFIS推理时间最短（3.88 ms/样本）。
**B. Model_2：定子故障严重程度回归**
该模型采用9条模糊规则，训练150个epoch后训练RMSE为0.00466%，检查RMSE为0.01101%。测试集上预测严重程度（0%、5%、10%、15%、20%）与实际值高度一致，R2=0.999997，MAE=0.0075%，MAPE=0.1028%。混淆矩阵显示所有33个样本正确分类，准确率100%。敏感性分析显示特征1（基频幅值）最敏感，而特征AFrsc+（转子谐波正侧）最稳健；在1%随机噪声下准确率仍达99.48%，20%噪声时降至40.45%。与SVR（96.97%严重度准确率）和RF（51.52%）相比，ANFIS推理时间仅0.0417 ms/样本。
**C. Model_3：转子故障严重程度回归**
该模型在142个epoch后训练RMSE为0.006111，检查RMSE为0.012505，测试集RMSE=0.016228，MAE=0.00879，R2=0.999994，MAPE=0.0676%。所有34个测试样本严重度分类正确，准确率100%。敏感性分析显示特征1（基频幅值）最敏感（灵敏度得分0.9291），而特征AFrsc+最稳健（0.1029）；在1%随机噪声下准确率98.76%，20%噪声时降至42.33%。与SVR（93.94%严重度准确率）和RF（84.85%）相比，ANFIS推理时间更短（0.082 ms/样本）。
**D. 计算复杂度与实时可行性**
三个ANFIS模型推理时间在0.01547~0.02633 ms/样本之间，内存占用不超过0.18 MB，表明计算资源需求低，适合实时应用。
**讨论与结论**
讨论部分指出，FFT-ANFIS组合有效提取了谐波特征，并建立了故障特征与类型及严重程度之间的非线性映射。系统在不同风速（7~12 m/s）下均表现稳健，成功区分了健康、单故障及复合故障（MSC）场景，且严重程度估计误差极小。与现有方法（如自适应观测器、STFT+WPEDL、VMD+RCMDE、ECOC-SVM、VMD-HHT-CNN等）相比，该框架在定子、转子及MSC故障上均达到100%准确率，而多数对比方法未覆盖MSC故障或未报告精确百分比精度。然而，研究存在局限性：模型基于仿真数据训练，未在实际风力发电机上验证；可调参数相对训练样本较多；仅诊断ITSC故障，未涵盖轴承、齿轮箱等其他故障类型；在线实现和传感器约束未完全解决。未来需进行实验验证、扩展数据集、引入其他故障类型、优化ANFIS结构及探索边缘计算部署。
**研究结论翻译**
本研究提出了一种用于风能系统中DFIG匝间短路（ITSC）故障诊断的ANFIS-FFT框架。所提出的方法采用三个协作ANFIS模型的分层结构，能够分别识别定子、转子及组合绕组故障的位置并估计其严重程度。这种模块化架构提高了诊断过程的可解释性，同时在故障诊断的不同阶段提供一致且可靠的学习。所获得的结果表明，基于FFT的频谱特征提取与ANFIS的结合提供了高度准确的故障分类和可靠的故障严重程度估计。该框架在变化的运行条件（包括风速变化）下表现出稳定的学习行为，并且尽管训练数据量相对有限，仍保持了令人满意的性能。这些特性表明该方法作为基于DFIG的风力涡轮机状态监测和早期故障诊断工具的有效性。与几种主要侧重于故障检测或提供有限故障严重程度信息的现有诊断方法相比，该框架通过将故障识别与严重程度估计相结合，提供了更全面的诊断策略。这种能力可以支持更早的维护决策，减少意外停机，并有助于提高风力涡轮机的运行可靠性。因此，所提出的方法具有提高涡轮机可用性和降低维护相关成本的潜力，同时支持可再生能源与现代电力系统的可靠集成。从可持续性角度来看，可靠的早期故障诊断有助于维持风力涡轮机性能，提高可用风能资源的利用率，并延长关键发电机部件的使用寿命。总体而言，研究结果证实了所提出的ANFIS-FFT方法为DFIG故障诊断提供了一种有前景且灵活的方法，结合了准确的故障识别与严重程度估计。
