《Journal of Marine Science and Engineering》：A Dual-Pathway Degradation-Aware Network for Label-Free Remaining Useful Life Prediction of Offshore Wind Turbines
编辑推荐：
海上风机剩余使用寿命（RUL）预测对于预测性维护至关重要。然而，由于缺乏可靠的RUL标签、故障事件数量较少以及风机部件之间复杂的退化关联，其实际应用受到限制。现有的大多数数据驱动方法需要带标签的故障数据，且无法充分捕捉不同部件退化之间的关联。为解决上述局限，提
海上风机剩余使用寿命（RUL）预测对于预测性维护至关重要。然而，由于缺乏可靠的RUL标签、故障事件数量较少以及风机部件之间复杂的退化关联，其实际应用受到限制。现有的大多数数据驱动方法需要带标签的故障数据，且无法充分捕捉不同部件退化之间的关联。为解决上述局限，提出了一种用于无标签RUL预测的双通路退化感知网络（Dual-Pathway Degradation-Aware Network）。该方法首先以自监督方式从SCADA数据中构建部件级健康指标（HIs），并通过线性倒计时策略生成伪RUL标签。随后，利用全局时间分支和全连接图分支联合建模全局退化演化与跨部件交互，其中采用残差聚合来融合节点表示以进行RUL估计。在德国北海Farm B数据集上，采用留一法交叉验证（LOOCV）协议开展实验。实验结果显示，所提方法的MAE为111.3小时，RMSE为122.6小时，与最强基线相比平均MAE降低约19%。在五台发生故障的风机中，所提方法在其中三台上取得最佳性能。此外，所提方法在捕捉部件交互模式方面表现出优越能力，为故障数据有限情况下的海上风机RUL预测提供了一种有效的无标签解决方案。
该论文发表于《Journal of Marine Science and Engineering》。研究聚焦海上风机剩余使用寿命预测中的无标签学习问题。全球能源结构向低碳转型，海上风电因风资源丰富、风速稳定等优势而快速发展，但海上风机长期运行于强风、波浪和盐雾环境，传动系统和关键部件承受交变载荷与腐蚀联合作用，故障风险显著高于陆上风机。风电场运维成本占全生命周期发电成本的20%–30%，非计划停机是发电损失和运维成本的主要来源。风机关键部件如转子轴承、主轴和齿轮箱紧密耦合，单一部件性能退化可能沿传动链传播，导致整机性能下降甚至系统失效。因此，在故障传播前准确预测RUL对优化维护调度、提升运行可靠性具有重要意义。
现有RUL预测方法可分为物理模型、数据驱动和混合方法。物理方法依赖退化机理建模，但难以应用于多部件耦合和复杂环境的风机系统。数据驱动方法能自动学习退化模式，但大多需要完整退化轨迹的标签数据，而实际风场SCADA数据通常仅记录停机事件，缺乏连续RUL标签；同时故障样本少、部件间退化关联复杂。现有基于图神经网络的方法常依赖预定义机械拓扑，可能无法覆盖数据中真实存在的耦合关系，且纯图模型在初步实验中甚至不及标准
