多模态异质性条件下风力涡轮机的跨设备条件感知诊断

《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》:Condition-aware cross-device diagnosis for wind turbines under multi-modal heterogeneity

【字体: 大 中 小 】 时间:2026年08月29日 来源:MECHANICAL SYSTEMS AND SIGNAL PROCESSING 10.2

编辑推荐:

   摘要 风力发电机的跨设备故障诊断在实践中仍然充满挑战,因为高度动态的运行包络与异质的振动及监控与数据采集(SCADA)证据并存,共同诱发了严重的跨风机分布差异。面向系统化部署的验证仍然有限,且通常采用以单模态证据为主的隐式对齐,导致跨模态互补性未能得到充分利用。在此背景下,复

  

摘要
风力发电机的跨设备故障诊断在实践中仍然充满挑战,因为高度动态的运行包络与异质的振动及监控与数据采集(SCADA)证据并存,共同诱发了严重的跨风机分布差异。面向系统化部署的验证仍然有限,且通常采用以单模态证据为主的隐式对齐,导致跨模态互补性未能得到充分利用。在此背景下,复杂运行条件和通道/布局不一致所诱发的表示漂移削弱了振动线索与SCADA运行上下文之间的一致性。为了解决这些问题,本文提出了一种条件感知、校准引导的多模态跨设备自适应框架MMCDA-FS。首先构建了一个频谱-上下文统一骨干网络,将异质的多源观测组织为条件可迁移的嵌入。随后引入了一种可解释的条件引导通道桥,以补偿通道/布局不一致。最后,在校准感知的对齐空间内设计了双网络细化,以抑制误差累积并稳定目标侧推理。在两个跨设备基准测试中,分别达到了96.49%和99.37%的总准确率,相比代表性基线具有明显优势,并且通过消融实验验证了在校准、稳定性和可解释对齐方面的增益。

引言
风能已成为全球增长最快的可再生能源之一。为实现可持续发展目标,风力发电机的部署规模和装机容量在各地区持续扩大[1]、[2]。鉴于现代风机体积庞大且结构复杂,可靠运行被认为是保障安全性和成本效益的关键[3]。因此,高效的故障检测和状态监测对于确保风能系统的运行可靠性和效率不可或缺[4]、[5]。

尽管数据驱动的预测与健康管理(PHM)取得了显著进展,但风力发电机的跨设备故障诊断仍然极具挑战性。在许多现有的跨设备研究中,隐式假设了源风机和目标风机之间存在强一致性,例如通道语义和特征空间高度对齐。然而,这种一致性在实际风电场中经常被违背。更具体地说,实际跨设备迁移面临两个核心挑战。第一是测量拓扑的非同构性:不同风机的传感器数量和安装位置通常无法精确匹配,这直接导致了系统性的通道级语义不匹配。第二是跨设备迁移与运行条件的强耦合:由于风机间的环境风况、载荷和控制策略天然不同,跨设备迁移往往意味着跨越截然不同的运行包络进行知识迁移。为了解决这一问题,域适应被广泛研究,以将诊断知识在风机间或运行条件间进行迁移[6]、[7]、[8]。在代表性策略中,对抗域适应通过在训练过程中引入域判别器来对齐特征分布[9]、[10],并在跨域旋转机械诊断中取得了良好性能。然而,当此类方法应用于具有复杂运行条件的大型风机系统时,其效果往往受到限制。由于缺乏显式的条件感知,目标设备在特定运行条件下正常的振动波动很容易被误分类为故障,从而引起负迁移。当诊断由单一模态主导时,如振动信号,由于缺乏宏观运行上下文,跨设备条件差异导致的置信度崩溃和误诊更容易发生。

为了克服单模态诊断的局限性并使模型具备条件感知能力,多传感器融合受到了越来越多的关注。通过集成互补模态,如振动、声发射、电气测量和监控与数据采集(SCADA)数据,可以有效约束特征空间并提高诊断置信度[11]、[12]、[13]。这一趋势也与风电监测数据的本质相符,这些数据天然来自异质传感通道,如振动信号、频谱表示和SCADA日志[14]、[15]、[16]。近期研究表明,多模态融合可以显著提高风机故障识别性能;例如,通过结合振动和发电机电流信息,实现了更好的齿轮箱诊断[17]。然而,大多数这些研究都集中在设备内诊断。现有研究很少将多模态融合和跨设备迁移统一处理,尽管在实际部署中通常都需要两者。一旦涉及跨设备差异,不仅边缘特征分布发生偏移,模态间的耦合模式也因传感拓扑的变化而重塑。因此,对异质信号的简单特征拼接无法有效处理通道不对齐问题,适合跨风机诊断的鲁棒可迁移表示仍然难以获得。

除了多模态异质性和通道不匹配之外,目标设备上高质量标注数据的极度匮乏构成了跨设备诊断的另一个主要实际瓶颈。严重故障本质上很罕见;对于新部署的风机或新兴故障模式,获取足够的标注样本代价高昂且通常不可行[18]、[19]、[20]。为了提高样本效率并减少对手动标注的依赖,少样本学习、元学习、跨模态学习和半监督自训练得到了持续探索[21]。一种常见策略是通过自训练利用大规模无标签目标域数据来生成伪标签[22]、[23]。然而,当严重的跨设备分布偏移与强烈的运行条件波动并存时,无标签数据隐含的类边界很容易被域差异和噪声扭曲。一旦早期生成的错误伪标签被引入训练循环,这些误差会逐渐放大,导致确认偏差、异常过度自信但校准不佳的预测,并最终导致目标侧推理可靠性的完全崩溃。因此,迫切需要一种统一框架,其中通道布局协调、条件感知的多模态融合和可靠的伪标签优化深度协同,而不是作为孤立的问题来处理。

为了解决上述问题,本文提出了一种名为面向少样本学习的多模态跨设备域适应(MMCDA-FS)的新型框架,旨在在多传感器异质性和极其有限的样本标注条件下,实现风机可靠跨设备诊断。主要贡献总结如下:

1. 设计了一种可解释的轻量级通道感知/对齐桥(LCAB),用于在少样本目标样本条件下显式进行跨设备通道协调。可学习线性映射配备了轻量级残差和注意力式校正及正则化,使能够支持可靠跨设备迁移的稳定且具有语义意义的对齐模式。

2. 一种多分支协同表示机制,将多模态信号融合为运行工况敏感的嵌入。引入条件感知调制和跨分支交互建模,使得互补证据以可迁移的方式编码,提高了在单模态依赖脆弱的稀缺样本条件下的可分性和鲁棒性。

3. 提出了一种闭环链式伪标签优化策略——由概率校准、类先验对齐、一致性蒸馏和混合增强驱动——以减少确认偏差和噪声放大,提高伪标签质量和样本利用率,并稳定蒸馏训练的收敛和最终性能。

本文其余部分组织如下。第2节讨论与本研究密切相关的已有工作。第3节详细提出MMCDA-FS框架,包括频谱-上下文统一骨干网络、通道对齐模块和校准引导的伪标签细化策略。第4节报告在两个代表性跨设备诊断任务上的对比实验和消融分析。第5节总结全文并讨论关键定量结果和未来研究方向。

相关工作片段

跨设备迁移诊断
针对风力发电机跨设备故障诊断的研究主要沿着域适应的方向发展,其中关键问题是如何将从未标注良好的源风机学到的诊断知识迁移到具有不同运行特性和传感配置的目标风机。Qian等人[24]提出了最大子空间可迁移性判别分析,以显式表征源-目标可迁移性,使得风机故障迁移...

所提方法
如图1所示,考虑了一种跨设备设置,其中配备完善的源风机S和标注稀疏的目标风机T,以及一个变桨轴承测试台,提供了异质监测数据。对于每台风机,多源数据流可用,包括多点振动测量和低频SCADA窗口,但这些信号的分布差异显著,因为风机尺寸、传感器布局和运行工况各不相同。在此...

实验验证
所有实验遵循统一的目标域协议,如表2所示。源域数据仅用于源侧监督预训练。对于每个目标数据集,可用的目标样本首先被划分为目标侧训练部分、验证集D_{tval}和测试集D_{ttest}。在目标侧训练部分中,抽取一个类平衡的少样本标注子集形成D_tL,剩余训练样本被视为无标签目标池D_tU...

结论
在本工作中,我们开发了一个统一的多模态跨设备适应-少样本(MMCDA-FS)框架,用于在多源异质性和严重标注稀缺条件下,实现风机和关键旋转部件的可靠故障诊断。构建了一个多分支频谱-上下文(MBSC)骨干网络,将振动片段、频谱表示和SCADA测量融合为条件感知特征。为显式解决跨设备传感布局不匹配问题,提出了一种轻量级通道感知...

CRediT作者贡献声明
刘思远:撰写——审阅与编辑,撰写——原稿,验证,方法论,形式化分析,概念化。孙超:撰写——审阅与编辑,监督,项目管理,资金获取。王昌栋:可视化,验证,监督。尹双燕:验证。杨婧丽:资源,资金获取,数据管理,概念化。

利益冲突声明
作者声明不存在可能影响本文报告工作的已知竞争财务利益或个人关系。

致谢
本工作得到国家自然科学基金(编号62573166)的支持。

刘思远 | 孙超 | 王昌栋 | 尹双燕 | 杨婧丽
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