基于三阶段迁移学习的风电机组高速轴轴承跨域故障诊断与早期预警方法

《Scientific Reports》：Transfer learning-based fault diagnosis of wind turbine high-speed shaft bearings using CWRU pretraining and public run-to-failure data

　　

摘要

风力发电机高速轴轴承（HSSB）的故障诊断受实验室数据与现场信号之间分布差异的制约，且缺乏标注的运行至失效记录。本研究提出了一种三阶段迁移学习框架以解决这两个问题。第一阶段在 CWRU 轴承数据集上预训练了一个带有频域注意力模块（FAM）的轻量级卷积骨干网络。第二阶段应用了一种结合最大均值差异和对抗训练的混合对齐策略，以减少边缘域和类别条件域的差异。第三阶段利用健康指标驱动的动态样本加权，在运行至失效数据上微调适配后的模型，以实现退化阶段识别和早期预警。在 PRONOSTIA、XJTU-SY 以及从一台运行中的 1.5 兆瓦风机收集的现场数据集上进行的实验表明，所提出的方法在跨域准确率和早期预警时间上优于六个基线模型。消融实验结果证实，FAM、混合对齐和动态加权各自均有独立贡献，且其组合具有超可加性。