基于语义驱动的动态图学习在风力发电机齿轮箱异常检测中的应用
《Applied Soft Computing》:Semantic-driven dynamic graph learning for wind turbine gearbox anomaly detection
【字体:
大
中
小
】
时间:2026年07月09日
来源:Applied Soft Computing 7.8
编辑推荐:
谢颖|王继祥|徐荣斌|文丽杰|徐志强|沈俊楠|杨云中国莆田学院计算机与数据科学学院摘要监控与数据采集系统能够实现对风力发电机齿轮箱的基于数据的状态监测。高维且含噪声的数据会导致特征选择效率低下,进而降低预测精度,影响后续异常检测的可靠性。为解决这些问题,我们提出了一种新的语义驱动
谢颖|王继祥|徐荣斌|文丽杰|徐志强|沈俊楠|杨云中国莆田学院计算机与数据科学学院摘要监控与数据采集系统能够实现对风力发电机齿轮箱的基于数据的状态监测。高维且含噪声的数据会导致特征选择效率低下,进而降低预测精度,影响后续异常检测的可靠性。为解决这些问题,我们提出了一种新的语义驱动动态图学习(SDDGL)框架,该框架将领域语义融入基于图的时空建模中。首先,通过将变量转换为语义向量表示来识别有意义的簇并过滤掉无关噪声。这些特征被嵌入到动态自编码器中,以捕捉时间和空间动态。该框架通过混合时间建模的图学习方法来追踪不断变化的行为。为增强在复杂运行环境下的检测鲁棒性,SDDGL促进了学习到的表示的一致性,并利用误差分析。在两个风电场的实验结果表明,SDDGL的性能优于基线模型,其接收者操作特征曲线下面积分别达到0.902和0.909。这些结果凸显了其在齿轮箱异常检测中的强大且高效的性能。源代码已公开发布在https://github.com/YingXie/SDDGL,以便重复实验和进一步研究。引言随着全球对可再生能源需求的激增,风能因其环境效益和可持续性而受到广泛关注[1]。作为风能利用的主要方式,风力发电具有固有的间歇性和波动性。这两个因素不仅影响电力系统的稳定性[2],还影响电力市场的运作[3]。因此,准确的风能预测在能源分配和风机维护中得到了广泛应用[4]。同时,风能产业的快速发展要求风机在安全性和可靠性方面达到更高标准。尽管设计和制造技术有所进步,但设备的故障率仍然很高,且呈上升趋势。因此,状态监测和故障预测对于确保风电场的有效运行和经济效益至关重要。作为风力发电机的核心部件,齿轮箱容易发生故障,需要频繁且昂贵的维护[5]。齿轮箱的状态监测基于分析方法和数据驱动方法。分析方法受复杂的物理建模限制,而利用监控与数据采集系统的数据驱动方法则无需额外设备[6]。SCADA系统收集风速、功率、转子转速和温度等传感器数据,以评估设备状况[7]。SCADA系统提供了宝贵的运行数据,但在特征选择方面存在效率问题[8]。这是由于难以捕捉复杂的语义关系,导致特征集不完整,进而降低了状态监测模型的准确性[9]。彭等人[10]提出了一种特征提取方法,该方法结合热图分析和递归特征消除策略,并与梯度提升模型相结合,以实现全面的风力发电机故障诊断。通过优化特征集,该方法提高了损伤分类的准确性,从而实现高效的实时监测。然而,在复杂的运行环境中捕捉特征之间的非线性关系仍然是一个挑战。高维数据增加了计算成本,而噪声和缺失值则降低了提取特征的质量。此外,可解释性仍需结合领域知识。深度学习通过从大规模数据中提取复杂的非线性模式,在风能预测和状态监测方面表现出色[11]。尽管早期模型主要采用卷积神经网络[12]、长短期记忆网络[13]和门控循环单元[14]等单一神经网络架构,但它们存在收敛速度慢和过拟合的问题。Jonkers等人[15]提出了基于符合量化回归的基于CNN的概率预测框架,Zheng等人[16]则引入了随机循环编码器-解码器网络。这些方法主要关注时间特征,往往忽视了风力发电机之间的空间相关性。图神经网络在建模空间依赖性方面展现出强大的能力。如图1所示,GNN将风机传感器数据视为图节点,并构建合适的图结构来捕捉空间关系。赵等人[17]提出了一种具有时空注意力及动态融合的可解释多图卷积网络,以提高风力发电预测的准确性。此外,无监督GNN利用动态SCADA数据来监测风机状态并识别齿轮箱故障。刘等人[18]引入了一种改进的图注意力网络模型,该模型能够捕捉多变量时间序列数据中的复杂时空依赖性,从而提高异常检测的准确性。朱等人[19]提出了一种无监督方法,该方法结合基于自注意力的动态图表示学习与变量级归一化流,提高了风力发电机故障检测和识别的准确性与可解释性。然而,基于GNN的SCADA故障检测在动态环境、数据噪声、类别不平衡以及高计算复杂性等方面仍面临挑战[20]。为应对数据噪声和不完整性带来的影响,对比学习在时空预测任务中表现出色[21]。其在风能领域的应用为提高模型鲁棒性和特征提取提供了一种新方法。时空周期性自适应图对比学习[22]通过结合周期性特征学习来实现稳健的表示学习。城市时空图对比学习框架[23]则设计对比任务以降低噪声敏感性并高效捕捉关键的时空特征。总之,研究人员对风力发电机的异常检测进行了多项研究。然而,仍有以下需要解决的挑战:•基于SCADA的齿轮箱监测中,变量选择效率低下。由于高计算成本和噪声导致的特征质量下降,很难捕捉高维数据中的复杂语义关系。这些问题阻碍了有效的特征选择,使得难以实现高效的状
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号