基于逐类动态锚点加权融合框架的海上风力发电机传动系统多源领域自适应故障诊断方法

《Sensors》：A Novel Class-Wise Dynamic Anchor Weighting Fusion Framework for Cross-Condition Fault Diagnosis of Offshore Wind Turbine Drivetrain Systems

　　海上风力发电机在恶劣且时变的海洋环境下运行，导致源域与目标域之间存在显著分布偏移。有限的故障样本、类别分布不平衡以及海上场景中维护接入困难等问题进一步加剧了这些挑战。针对这些问题，本文提出了一种多源领域自适应方法，称为逐类动态锚点加权融合框架（CDAWF），用于海上风力发电机传动系统故障诊断。CDAWF 根据各源域与目标域在特征层面的相似度动态分配权重，实现跨运行条件下的自适应特征融合。该方法采用卷积神经网络提取特定域表示，并引入对抗训练以减少跨域差异。所提方法在基于 5 MW 海上风力发电机传动系统高保真仿真生成的多工况轴承故障数据集上进行了验证。实验结果表明，CDAWF 在领域偏移、标注数据有限和类别不平衡条件下有效提升了诊断鲁棒性。与基准方法相比，CDAWF 取得了更优的分类性能，为海上风力发电机传动系统的跨工况故障诊断提供了有价值的参考。