《Energies》:Fault Diagnosis of Wind Turbines Based on Multi-Channel Attention Mechanism Convolutional Network
Haiming Zheng,
Dawei Niu,
Changsheng Shao,
Sihua Yin and
Xinying Wu
编辑推荐:
实际风电场通常使用简单的触发逻辑来监控机组状态,但这面临高误报率和报警重叠等问题。此外,SCADA(监控与数据采集)数据量大、复杂且变量相关性强等特点导致故障诊断精度不足。为解决这一问题,研究人员提出了一种基于多通道注意力机制卷积神经网络(Multi-Chan
实际风电场通常使用简单的触发逻辑来监控机组状态,但这面临高误报率和报警重叠等问题。此外,SCADA(监控与数据采集)数据量大、复杂且变量相关性强等特点导致故障诊断精度不足。为解决这一问题,研究人员提出了一种基于多通道注意力机制卷积神经网络(Multi-Channel Attention Mechanism Convolutional Neural Network,MCAMCNN)的改进故障诊断方法。首先,对预处理后的SCADA数据进行特征分析,充分挖掘数据间的耦合特性,并建立数据集。然后,利用所提出的故障诊断模型进行特征筛选。创新性地采用了双层多尺度卷积与多通道注意力相结合的结构,提取多域特征并动态校准特征通道的权重。通过高效通道注意力(Efficient Channel Attention,ECA)对特征进行自适应融合后实现故障分类。最后,基于中国某陆上风电场的真实数据设计了实验,验证了该方法在故障诊断中的及时性和准确性,准确率和F1分数显著提高,且相较于对比方法具有明显优势。
论文解读文章
研究背景:风力发电因清洁可持续在全球广泛应用,但风电机组多部署于偏远或海上区域,工作环境恶劣,长期运行下齿轮箱、轴承、叶片等关键部件故障率较高,运维成本占全生命周期成本的25%–30%。当前风电场常采用SCADA系统采集运行数据,并基于简单触发逻辑进行状态监测,但该方法存在高误报率和报警重叠问题。SCADA数据具有大量、复杂、变量相关性多变等特点,导致传统故障诊断方法精度不足。现有方法中,传统机器学习(如支持向量机SVM、人工神经网络ANN)依赖手动特征提取,难以适应高维复杂数据;深度学习方法(如卷积神经网络CNN、长短期记忆网络LSTM)虽能自动提取高阶特征,但对高质量标注数据依赖大,且模型结构复杂、计算成本高。部分混合策略虽弥补了单一方法的缺陷,但未充分考虑SCADA数据不同通道特征差异的重要性,冗余信息抑制能力不足,特征融合效率与诊断鲁棒性有待提升。为此,研究人员基于中国某陆上风电场真实数据(2024年全年,采样间隔1秒,共240个变量,总数据量约1210.97亿条),针对SCADA数据高维度、冗余、弱故障特征易受干扰等痛点,提出了一种改进的多通道注意力机制卷积神经网络(MCAMCNN)故障诊断模型。该论文发表在《Energies》。
主要关键技术方法:研究人员首先对SCADA数据进行筛选和预处理,保留115个与关键部件运行状态密切相关的变量,去除常量及无关变量;采用线性插值填充缺失值(缺失率0.016%),并以10分钟滑动时间窗口计算算术平均值以降低高频噪声。针对传感器级细粒度故障,将其归并为部件级主要故障(发电机、齿轮箱、变桨、偏航四种故障类型及正常运行状态),结合人工维护记录构建数据集,样本来自16台2.5 MW双馈风电机组。模型核心为双层多尺度卷积(卷积核尺寸3×1、5×1、7×1、9×1)与多通道注意力(SENet)相结合的并行结构,后接高效通道注意力(ECA)自适应融合模块,最后通过Softmax层完成五分类故障诊断。训练采用Adam优化算法,经验证集调优后确定迭代次数100、批大小16、学习率0.01。
研究结果:
(1)故障诊断结果分析:MCAMCNN模型在测试集(50,000数据点)上识别出各故障类型,其预测概率曲线表现出清晰判别能力。对正常状态,概率稳定在0.3–0.6,仅在齿轮箱故障时段骤降至接近0;对发电机故障,概率在早期数据点出现短暂高值(约0.3)后保持极低水平;对齿轮箱故障,概率多次超过0.8(对应油温高、油压低等),最高近1.0,诊断效果最佳;对变桨故障,概率整体极低,仅个别数据点出现瞬态尖峰;对偏航故障,概率频繁波动但多次达约0.5。诊断时间比实际故障提前约4.5–16小时。
(2)故障特征表示能力对比:通过t-SNE降维可视化,MCAMCNN的各类簇紧密且独立,可分离性最优;深度残差网络(DRN)次之;CNN-LSTM居中;CNN和ANN表现较差,类间重叠严重;SVM最差,类间大范围重叠。
(3)故障诊断能力对比:MCAMCNN准确率接近1.0,比对比模型最高提升23.5%;F
1分数在正常、发电机、齿轮箱、变桨、偏航五类上分别比对比模型最大提升12.5%、34.7%、16.8%、24.9%、18.7%。深度学习方法整体优于传统机器学习,MCAMCNN在诊断准确性、模型稳定性和泛化能力方面优势显著。
总结讨论与结论:研究人员针对风电场SCADA数据复杂多变、关键特征难以提取的问题,基于数据特征分析,提出了改进的MCAMCNN模型。研究结论如下:(1)通过t-SNE可视化对比验证了MCAMCNN模型在故障特征表示上的优势;(2)MCAMCNN能够及时准确地识别实验中的四种故障类型,准确率最高提升23.5%,F
1分数最高提升34.7%;(3)MCAMCNN通过集成多源信息,实现对不同时间尺度故障特征的精确提取,增强少数故障通道权重,精准过滤冗余/无关通道,在故障诊断精度、模型稳定性和泛化能力方面优势明显。该故障诊断方法能够从SCADA数据中准确提取关键特征,具有良好的诊断性能,可为风电场及时掌握故障状态、合理安排运维计划提供技术支持,避免重大损失,对实际风电场运维工作具有实践指导意义。未来可进一步探索MCAMCNN在多风场异构SCADA数据场景下的适应性,为风电场智能运维提供更高效的技术方案。