《Wind》：A Novel Wind Turbine Fault Diagnosis Method via Deviation-Dynamic Regime Features and Physics-Informed Neural Network
编辑推荐：
有效诊断风力机叶片及旋转机械故障对保障运行可靠性与降低运维成本至关重要。研究人员提出一种健康基准建模框架，结合物理信息神经网络（Physics-Informed Neural Network, PINN）与基于偏差的偏差动态区特征（deviation-base
有效诊断风力机叶片及旋转机械故障对保障运行可靠性与降低运维成本至关重要。研究人员提出一种健康基准建模框架，结合物理信息神经网络（Physics-Informed Neural Network, PINN）与基于偏差的偏差动态区特征（deviation-based dynamic regime features）进行系统化故障检测。首先对健康数据与故障数据进行归一化处理，随后仅使用健康数据训练PINN，建立可预测正常行为的基准模型。计算测量信号与健康基准预测值之间的偏差，从中提取能量（energy）、稳定性（stability）、漂移（drift）、间歇性（intermittency）及持续性（persistence）等关键动态区特征，以捕捉故障引起的细微变化。采用可解释的支撑向量机（Support Vector Machine, SVM）分类器利用上述特征识别滚动轴承球缺陷、内圈缺陷、外圈缺陷及叶片裂纹、侵蚀、不平衡等故障类型，分类时通常以能量为基础特征并结合其他动态区特征组合。结果表明能量与持续性组合性能优于其他特征组合，融合所有特征在两个数据集上均获得更高准确率。该方法在轴承公开数据集与实验叶片数据集上得到验证，在不同机械系统中均表现出良好性能。与基于跨载荷标度图卷积神经网络（Cross-load Scalogram-based CNN）、基于谱图卷积神经网络（Spectrogram-based CNN）及混合SVM方法对比显示，所提健康基准框架在数据效率、可解释性与鲁棒性方面具有优势，强调了在分类前对健康动力学建模及同时捕捉故障强度与随时间演化行为的重要性，为小样本条件下风力机状态监测提供了实用方案。
论文解读：《A Novel Wind Turbine Fault Diagnosis Method via Deviation-Dynamic Regime Features and Physics-Informed Neural Network》
该文发表于期刊《Wind》，研究针对风力机旋转部件（滚动轴承与叶片）在变工况、小样本及强噪声环境下传统数据驱动故障诊断方法泛化性差、依赖大量标注数据与手工特征、缺乏物理可解释性等问题，提出一种嵌入物理约束的健康基准（healthy-reference）建模与偏差动态区特征融合的诊断新框架。现有深度学习方法虽在公开数据集表现良好，但对实测复杂信号泛化能力不足，且计算开销大；传统统计与信号处理结合机器学习方法又过度依赖专家经验与域相似性假设。为此，研究人员引入物理信息神经网络（Physics-Informed Neural Network, PINN——一种在损失函数中加入物理方程或物理约束项的人工神经网络，使网络在拟合数据的同时满足物理规律），仅用健康状态振动信号训练PINN构建正常动力学基准，再对测试信号求取与PINN预测值的偏差信号，从该偏差中提取表征故障幅值与时间演化行为的动态区特征（dynamic regime features），最后输入SVM进行多类故障辨识，实现少标注甚至无故障标注前提下的可靠诊断。
主要关键技术方法
研究人员选用Case Western Reserve University（CWRU）滚动轴承数据集（健康及钢球、内圈、外圈单点故障，驱动端加速度采样）与自采风力机叶片实验振动数据集（健康及裂纹、表面侵蚀、质量不平衡故障，变风速1.3~5.4 m/s），均做均值—标准差归一化。搭建六层全连接PINN，时间变量t为输入，隐层各20神经元、tanh激活，输出为预估健康振动响应x?ref(t)；损失函数由数据拟合均方误差与二阶时间导数平滑正则项组成，λ加权物理约束起光滑性正则作用。用训练好PINN预测健康基线，实测信号减基线得偏差d(t)=x(t)?x?ref(t)。对d(t)分段提取五维动态区特征：能量E=∑d(t)2（故障强度）、漂移（线性趋势斜率，长期偏移）、间歇性（超过阈值突发段占比，瞬态故障敏感）、持续性（超限段平均长度，稳态偏离维持能力）、稳定性（d(t)方差/均方，波动程度）。分别以单一能量、能量拼接其余单特征及五维全融合构成特征向量，训练多分类SVM区分轴承三类故障与叶片三类故障，对比Cross-load Scalogram-CNN、Spectrogram-CNN及Hybrid SVM（时频域统计特征+降维+集成分类）。
研究结果
2.1 基于偏差的动态区特征（Introduction to Deviation-Based Dynamic Regime Features）
研究人员定义偏差信号d(t)=x(t)?xref(t)，从非平稳偏差序列中提取能量、漂移、间歇性、持续性、稳定性五类时域动态区特征，通过不同故障类型下特征分布差异说明其能放大早期微弱故障信息并抑制噪声，比原始振动统计量更具类别可分性。
2.2 基于PINN的健康基准框架（Introduction to PINN-Based Healthy Reference Framework）
研究人员以仅含健康数据的PINN拟合x?ref(t)，物理约束项保证预测曲线光滑连续，符合健康部件缓变物理特性。经训练PINN给出具物理一致性的健康振动基线，为后续偏差计算提供可信参照，避免了纯数据拟合过冲或受噪声干扰导致伪偏差。
2.3 整体算法流程（Introduction to the Overall Algorithm）
分六步：①采集并清洗健康信号、归一化；②PINN仅用健康数据训练获健康基准模型；③同统计量归一化故障信号，PINN预测健康响应求偏差；④滑动窗口提取动态区特征向量；⑤SVM多分类训练与预测（轴承：球/内圈/外圈；叶片：裂纹/侵蚀/不平衡）；⑥混淆矩阵、精确率、召回率、F1值评估。
4.1 轴承数据集结果与讨论（Bearing Dataset Result and Discussion）
研究人员在CWRU数据集上对348个测试样本开展实验，全特征融合分类准确率为96.55%；能量–持续性（Energy–Persistence）组合达96.83%，优于能量–漂移(32.76%)、能量–稳定性(42.24%)、能量–间歇性(60.91%)。内圈与外圈故障类达完美召回与精确率（1.00），球故障偶有被误判为外圈。说明轴承故障在偏差信号中主要表现为能量幅值与持续偏离时间差异，二者联合已足够表征主导故障特性。
4.2 叶片数据集结果与讨论（Blade Dataset Result and Discussion）
在21个叶片测试样本上，五维全融合特征取得最高准确率57.14%，能量–持续性组合为52.38%，其余组合更低。叶片故障因受变风速气动耦合影响，振动模式复杂，单一或二元特征不足以完全区分，需多维动态区特征联合刻画幅值、趋势、突发与波动交互效应方提升类间可分性。
4.3 与三种方法对比（Comparison with Three Different Methods）
Cross-load Scalogram-CNN在轴承集准确率99.35%而叶片集仅25%；Spectrogram-CNN轴承集100%但叶片集25%；Hybrid SVM分别为77.78%与37.50%。所提PINN+偏差动态区特征+SVM法轴承集96.55%、叶片集57.14%，跨部件性能衰减最小，证明其对不同机械子系统具更好特征泛化能力与鲁棒性，适合工业变工况有限数据场景。
结论（Conclusions）
研究人员建立了一种仅依赖健康数据训练PINN获取物理一致健康基准、通过测量信号与基准偏差提取动态区特征并由SVM分类的风力机故障诊断框架。实验表明能量与持续性组合对两类数据集均较鲁棒，全融合特征在轴承与叶片数据集分别获96.55%与57.14%准确率。该方法较对照深度学习与时频统计法具更优跨组件稳定性与可解释性，适用于小样本条件旋转机械状态监测，未来可通过增强叶片数据表征与优化特征提取进一步提升叶片诊断精度；框架亦可拓展至热力系统、储能系统及电力系统等同类问题。
