《Neurocomputing》:Hybrid graph neural network with FFT and genetic optimization for fault detection in wind turbines
编辑推荐:
风电齿轮箱异常检测框架融合FFT特征提取、图神经网络(GraphSAGE+GATConv)建模多传感器依赖及遗传算法优化,在NREL GRC数据集上实现精度、召回率及F1-score显著提升,验证了该方法的有效性和泛化能力。
Dennys Coronel|Cesar Guevara|Matilde Santos
马德里康普顿斯大学,计算机科学系,José García Santesmases教授办公室,9号,28040,马德里,西班牙
摘要
风能的迅速发展增加了对可靠、数据驱动的故障监测的需求,以降低运营和维护成本并提高风力涡轮机的可用性。本文提出了一种异常检测框架,该框架结合了:(i)快速傅里叶变换(FFT)特征提取,用于捕捉具有区分性的频域特征;(ii)基于图的多传感器依赖性表示方法,该方法通过混合图神经网络(GraphSAGE + GATConv)进行学习;(iii)用于自动超参数优化的遗传算法。实验使用了美国国家可再生能源实验室(NREL)提供的公开可用的齿轮箱可靠性协作(GRC)数据集,该数据集包含来自五个选定加速度计通道的齿轮箱振动信号。在70/30训练-测试分割的窗口级协议下,所提出的模型实现了的训练准确率和的测试准确率。在保留的测试集上,它获得了的宏观平均精度、的召回率以及的F1分数,并且以的精度和的召回率检测到了损坏状况。这些结果表明了较小的泛化差距,并且优于之前在同一数据集上报告的基于AI的方法,证明了所提出的基于GNN的方法在风力涡轮机齿轮箱异常检测方面的有效性。
引言
目前,多种可再生能源的采用显著增加,推动了能源可持续性的重大进步,并在减轻环境影响方面发挥了决定性作用[1]。在这些能源中,风能因其能够通过利用风能资源高效、安全且可持续地发电而成为全球使用最广泛的能源之一[2]。
根据全球风能理事会(GWEC)在其最新报告《2024年全球海上风电报告》中的数据,2023年全球风能装机容量达到了1太瓦(TW)的历史性里程碑,巩固了其在全球能源转型中的关键作用。新增的106吉瓦(GW)陆上装机容量比上一年增长了54%,以及10.8吉瓦(GW)的海上装机容量,比2022年增长了24%。这一增长主要由中国推动,中国新增了69吉瓦的陆上装机容量和6.3吉瓦的海上装机容量,占全球新增装机容量的58%。在美国,新增了6.4吉瓦的陆上装机容量,而欧洲在浮动风电技术方面表现突出,占据了该类别全球装机容量的88%,这主要得益于荷兰的进步。此外,报告预测,在当前政策下,到2030年全球装机容量将达到2太瓦,并估计到2028年年度海上风电装机量将增加三倍[3]。
尽管风能在技术上取得了显著发展,但在其运营和维护(O&M)过程中仍面临重大挑战,这些挑战直接影响成本和发电效率。这些费用占陆上风电场总收入的10%-15%,以及海上风力涡轮机在估计的20年使用寿命内的20%-25%[4]。主要的O&M挑战包括电气和控制系统故障,以及叶片、液压系统和发电机、齿轮箱和轴承等关键组件的故障[5]。此外,这些问题的严重性还因涡轮机位于高海拔地区或海上等苛刻环境中而加剧,这使得维护活动变得复杂[6]。因此,这些故障会导致高昂的维修和更换成本以及长时间的停机,从而导致能源生产的巨大损失[7]、[8]。
风力涡轮机(WT)运营和维护(O&M)中的一个主要挑战是早期检测异常。特别是关键组件(如齿轮箱)的故障不仅会导致高昂的维修成本和延长的停机时间,还会显著降低风能系统的效率和盈利能力[5]。为了解决这一异常检测问题,提出了各种计算方法,从传统的负选择算法和Knuth–Morris–Pratt算法[9]到更先进的基于机器学习的方法[10]。
最近的风力涡轮机故障检测和异常监测主要使用深度学习架构,如自动编码器及其变体、卷积模型、循环网络和混合方案进行表示学习和分类。虽然这些方法在基于SCADA和振动的监测中可以取得良好的性能,但多通道测量通常通过直接向量连接来处理,这并没有明确编码传感器之间的依赖性。基于图的学习提供了一种原理性的替代方案,它将传感器通道(或其派生的描述符)表示为节点,将它们的统计或物理耦合表示为边,从而实现跨通道交互的捕获。在这种情况下,图神经网络(GNN)已经证明了捕捉结构化、非欧几里得关系的能力,并从相互连接的信号中学习出具有区分性的表示[11]。
利用GNN技术,本文提出了一个可扩展的数据驱动框架,用于风力涡轮机齿轮箱的故障监测,旨在降低运营和维护成本并提高涡轮机的可用性。我们使用美国国家可再生能源实验室(NREL)提供的公开齿轮箱可靠性协作(GRC)数据集,开发并验证了一个针对NREL GRC齿轮箱振动基准的端到端混合管道。具体来说,原始振动测量被划分为窗口,并通过快速傅里叶变换(FFT)转换为紧凑的频谱描述符;然后将得到的多通道表示编码为选定传感器通道上的相关驱动图;并通过结合归纳邻域聚合(GraphSAGE)和基于注意力的消息传递(GATConv)的混合 GNN进行条件区分。为了确保鲁棒性并减少手动模型选择,采用了遗传算法来优化有影响力的模型和训练超参数。因此,本研究的主要贡献是在NREL GRC基准上端到端应用和验证了这种混合架构和优化方案,并提供了一个清晰且可复制的评估协议。
实验数据来自美国国家可再生能源实验室(NREL)的齿轮箱可靠性协作(GRC)项目,该项目提供了从安装在风力涡轮机齿轮箱上的传感器获取的多通道振动加速度测量数据。我们将原始时域信号转换为基于FFT的紧凑频域特征,并将每个窗口表示为一个图,其中节点编码特定于传感器的描述符,边捕获数据中的相关结构衍生的传感器间关系。性能使用标准分类标准进行评估,包括混淆矩阵、F1分数和AUC–ROC,并在训练分割和保留的测试分割上一致报告,以量化泛化能力。
因此,本研究的主要贡献总结如下:
•将端到端混合架构应用于NREL GRC数据集,结合基于FFT的频域特征提取和基于图的结构化学习,对窗口级评估协议下的多通道齿轮箱振动数据进行建模。
•基于图的传感器间依赖性表示和学习,其中选定的NREL GRC振动通道被编码为相关驱动图,并通过结合GraphSAGE和GATConv层的混合图神经网络进行处理。
•通过遗传算法对混合GNN进行数据集特定的优化,实现NREL GRC基准上关键架构和训练超参数的自动化调整,从而获得先进的故障检测性能,并具有较小的泛化差距。
本文的结构如下。第2节回顾了与风力涡轮机异常检测相关的工作,并阐述了所提出方法的相关背景。第3节描述了材料和方法,包括NREL GRC数据集、基于FFT的特征提取程序、图表示方法、GNN架构和遗传算法超参数优化策略。第4节详细介绍了所提出的异常检测流程,从预处理和窗口划分到模型训练和推理。第5节报告了训练和保留测试分割上的实验结果,并与文献中的代表性研究进行了比较。最后,第6节总结了本文并概述了未来的研究方向。
相关工作
相关工作
对风力涡轮机异常检测中最常用的算法进行了文献回顾。搜索范围限于过去五年(2020-2025年)发表的文章,共找到19篇文章,来自以下出版商:Elsevier(11篇)、IEEE(3篇)、MDPI(4篇)和Springer(1篇)。这些研究展示了包括自动编码器、图神经网络/图卷积在内的多种人工智能技术的应用
材料与方法
本节详细介绍了所使用的材料,即所使用的数据集以及开发故障检测系统的方法。
为了实施本研究,我们使用了Windows 11 Pro操作系统,配备了AMD Ryzen 7 5800X处理器(8核,16线程)、32 GB的DDR4 RAM和16 GB的VRAM的专用GeForce RTX 3070 Ti GPU,从而能够高效处理所提出的模型。此外,1 TB的M.2 SSD有助于高速读写大量数据
基于GNN的异常检测算法
所提出的风力涡轮机异常检测算法利用通过遗传算法优化的图神经网络(GNN)对正常和异常数据进行分类。该算法涵盖了从数据加载和预处理到应用技术超参数优化的所有阶段。其架构分为几个阶段:数据读取和准备、数据预处理、GNN模型定义、模型评估和基于遗传算法的优化。完整的代码库是
结果与讨论
我们使用NREL GRC数据集中单个涡轮机子集的齿轮箱振动信号评估了所提出的模型。与第3.1节中的数据集描述一致,每种运行状态(正常和损坏)每个传感器通道大约提供个时域样本,从而在两个类别中每个通道产生个样本。尽管每个涡轮机子集包含九个加速度计通道,但我们仅限制输入到与个通道,这些通道与
结论与未来工作
在这项研究中,我们提出了一种风力涡轮机异常检测算法,该算法结合了图神经网络(GNN)——通过遗传算法优化的GraphSAGE和GATConv层——与基于FFT的预处理。
快速傅里叶变换(FFT)的实现对于从风力涡轮机振动信号中提取频域特征至关重要,与其他使用相同数据集的研究相比,能够更精确地识别异常。
此外,所提出的GNN
写作过程中生成式AI和AI辅助技术的声明
在准备本手稿期间,作者使用了OpenAI的ChatGPT(GPT-4)来审查和改进格式和语言风格。使用该工具后,作者仔细审查并编辑了所有内容,并对最终版本的准确性和完整性负全责。
CRediT作者贡献声明
Dennys Coronel:写作 – 审稿与编辑,撰写 – 原始草稿,可视化,验证,软件,方法论,调查,形式分析,数据整理,概念化。Cesar Guevara:写作 – 审稿与编辑,撰写 – 原始草稿,可视化,验证,监督,项目管理,方法论,调查,形式分析,数据整理,概念化。Matilde Santos:写作 – 审稿与编辑,撰写 – 原始草稿,可视化,验证,
资助
本工作部分得到了西班牙科学、创新和大学部的支持,项目编号为PID2021-123543OB-C21和PID2024-1556530B-C21。
利益冲突声明
作者声明以下可能被视为潜在利益冲突的财务利益/个人关系:
Matilde Santos的报告由西班牙科学、创新和大学部提供。如果有其他作者,他们声明没有已知的财务利益或个人关系可能影响本文报告的工作。