一种用于在不同运行条件下构建风力发电机健康指标的瞬时频率驱动跨单元健康评估网络

《Engineering Applications of Artificial Intelligence》：An instantaneous frequency-driven cross-unit health assessment network for wind turbine health indicator construction under varying operating conditions

　　李宗林|贾明星|郭磊|牛大鹏|楚飞中国沈阳东北大学信息科学与工程学院，邮编110000

摘要：通过健康指标准确表征机械部件的运行状态，对于在变化运行条件下监测风力涡轮机至关重要。然而，运行条件的持续变化会给振动信号带来较大不确定性，从而降低健康指标对故障的敏感度和稳健性，也增加了不同涡轮机之间进行客观评估的难度。为解决这些问题，本研究提出了一种新的数据驱动框架，用于构建统一且可比较的健康指标。该框架由两个核心组件构成：最优瞬时频率感知模块和双分支变分自编码器。第一个模块能够分离出与转速相关的、信噪比较高的瞬时频率，从而无需先验知识即可捕捉与故障相关的特征。第二个组件则通过计算被监测单元与在相似条件下运行的健康基准单元的不确定性分布之间的沃瑟斯坦距离，来构建稳健的健康指标。这种方法可直接减轻由运行状态变化带来的不确定性。由于同一风电场内的涡轮机都有相同的健康基准单元，该框架为整个风电场的健康状况建立了统一的定义，从而实现不同单元之间的客观比较。这种一致性还使得为某一涡轮机确定的故障阈值可以推广到所有其他涡轮机，便于在整个风电场内进行标准化的健康评估。利用四台涡轮机两年来的运行数据，并与十种先进方法进行对比，所提出的框架在故障跟踪方面展现出更强的稳健性和趋势性，体现了其在实际健康监测中的应用潜力。

引言：风力涡轮机通常部署在偏远地区，这给其状态监测带来了困难。此外，它们所处的恶劣环境会加速性能下降，增加故障风险（Jiang等人，2024；Xu等人，2025；Lu等人，2025；Rezamand等人，2020；Yimam等人，2025）。因此，持续且准确的监测对于确保风力涡轮机的安全与可靠性至关重要。从振动信号中构建健康指标是监测风力涡轮机状态的主要方法之一（Fu等人，2025；Rao等人，2025；Zhang等人，2023）。然而，在变化运行条件下，这些信号本质上是非平稳且非线性的，导致其中包含的与故障相关的信息不断变化。因此，健康指标的变化往往无法准确反映故障严重程度的演变。此外，风能资源的固有不确定性意味着从这类非平稳信号中得到的健康指标本身也存在不确定性。当运行条件变化的影响较大时，它可能会掩盖实际故障状态带来的变化。因此，要确保健康指标准确反映涡轮机的状态，就需要解决两个主要问题：足够的故障敏感度以及对抗变化运行条件的稳健性。针对变化运行条件构建健康指标的方法目前是状态监测领域的研究热点（X. Liu等人，2024；Duan等人，2024；Yu等人，2024；Sim等人，2023）。现有方法大致可分为基于统计的方法（Hou等人，2021；Marsick等人，2024；Sim等人，2023）和基于深度学习的方法（Chen等人，2021；Liu等人，2025；Yang等人，2025）。基于统计的方法主要运用信号处理技术或多变量统计理论。这些方法利用对故障机制的了解来提取与设备老化相关的特征，同时不对运行条件的变化敏感；然后利用这些特征来构建健康指标。例如，Zhang等人（2025）提出了一种健康指标构建方法，通过幅度归一化来抵消振动信号中随时间变化的转速的影响。该方法通过测量监测数据的概率分布与健康基线之间的差异来量化部件的健康状况。但其一个显著局限在于它依赖于初始运行阶段来确定正常状态。由于各涡轮机的初始条件并不完全相同，由此得到的健康指标具有单元特异性，这使得无法直接、客观地比较不同单元的健康指标。尽管存在这一缺陷，这一基本理念仍然是健康指标构建中的重要原则（Li等人，2024；Ma等人，2025；Y. Sun等人，2025）。研究人员还开发了另一种在变化运行条件下构建健康指标的方法。该方法旨在将受运行条件变化影响的健康指标转换为统一的状态以便分析（N. Li等人，2022；André等人，2020）。例如，N. Li等人（2022）提出的一种数据驱动方法通过基准转换，将观测到的健康指标调整到指定的参考转速，从而减轻速度变化对指标幅度和老化速率的影响。类似地，André等人（2020）提出了一种基于支持向量回归的归一化技术。该技术通过估计特征在相应平均转速下的期望值和方差来标准化特征值，从而在一定程度上减少运行条件变化的影响。然而，这些方法往往忽视了健康指标对故障的固有敏感性。如果原始指标不能准确反映设备健康状态的变化，仅仅提高其对变化条件的稳健性并不足以揭示真正的老化进程。与统计方法相比，深度学习具备更强的非线性特征提取能力，能够更有效地识别在变化运行条件下仍保持稳定的故障特征。例如，W. Liu等人（2024）提出了一种提取器-投影器-蜘蛛-检测器网络，这是一种自监督学习网络，通过非线性回归网络（蜘蛛网络）建立振动信号与转速之间的关系。该方法利用模型的重建误差作为健康指标，从而创建出一个能够抵御转速变化的指标。但其一个关键局限在于该方法需要依赖瞬时转速信号作为额外输入，这增加了实现的复杂性和成本。为在变速条件下为机械设备构建健康指标，Yu等人（2024）提出了一种用于定量估算的神经网络。该网络架构包括特征提取器、转速识别器和严重程度分类器，经过训练后能够提取对故障特征敏感且不受速度变化影响的特征。由此得到的健康指标是根据这些特征与健康基线特征之间的欧几里得距离来确定的。在一种相关方法中，Sun等人（2023）采用对抗性表示学习来获取能够抵御运行条件变化的特征。这两种方法的一个共同优势在于部署成本低，因为它们只需要健康状态下的标记数据。不过，一个根本性的挑战依然存在：目前还没有一个精确且普遍接受的“故障”定义（Antoni等人，2024）。因此，对机器健康状况的评估仍然在很大程度上依赖于专家判断。而这种依赖性又带来了主观性，因为专家之间的分歧可能会大大削弱所得模型的可靠性和性能。基于以上情况，现有文献中大多数健康指标的构建都基于这样一个基本假设，即健康指标的变化与故障的发展呈正相关。然而，现有的方法在满足这一假设方面存在局限性：虽然它们通常能够保持指标的总体长期单调性，但往往无法有效抑制由数据噪声和运行条件变化等因素引起的短期局部波动。而这些局部波动又会严重干扰对设备老化程度的准确评估。因此，本研究要解决的一个核心问题就是开发出既对故障敏感又在多维度变化运行条件下具有稳健性的健康指标。为解决这一关键问题，本文提出了一种基于瞬时频率驱动的跨单元健康评估网络来构建稳健健康指标的新方法。所提出的架构由三个核心组成部分构成：最优瞬时频率感知模块、基础分布的估计以及双分支变分自编码器。感知模块首先在振动信号的时频谱中识别出最优的瞬时频率。这些频率具有较高的信噪比，并且与旋转频率有很强的相关性，从而提高了后续健康指标的故障敏感度。健康基准单元指的是那些在运行中的风电场内已完成初始磨合期且没有出现性能下降或故障迹象的涡轮机。变分自编码器则用于估计在不同运行条件下的这一基准单元的不确定性。通过使用沃瑟斯坦距离对变分自编码器的潜在表示进行K均值聚类，可以提取出一组基础分布，这些基础分布通过非线性组合来描述基准单元在不同运行状态下的不确定性。随后采用双分支变分自编码器架构：一个分支用于估计监测数据的不确定性，另一个分支则用于预测基础分布非线性组合的权重。通过设定自定义的损失函数，将这两个不确定性估计值进行比较，从而构建出一个健康指标，该指标能够量化在相似运行条件下监测单元与基准单元之间的偏差。这一过程提高了健康指标对运行条件变化的稳健性。最终得到的健康指标反映了监测数据中的不确定性与健康基准单元的不确定性之间的差异。这种方法为整个风电场提供了统一的健康指标定义，从而实现了不同涡轮机之间的客观比较。与现有方法相比，所提出的方法具有三个主要优势：所获得的健康指标对故障敏感，能够在多维度运行变化下保持稳健，而且在整个风电场内具有统一的定义。本研究的主要贡献总结如下：•本文提出了一种最优瞬时频率感知模块，旨在消除时频谱中低信噪比成分的干扰。这些成分包括交叉频率、强彩色噪声、发散的谐波能量以及非持久性谐波。通过过滤掉这些干扰元素，该模块使神经网络能够准确聚焦于故障特征的变化，而无需任何先验信息。•本文提出了一种双分支变分自编码器架构，该架构以估计得到的基础分布作为参考，使被监测单元的运行条件与健康基准单元的运行条件保持一致。这种一致性提高了健康指标在变化运行条件下的稳健性和趋势性。•在同一个风电场内，健康指标具有统一的定义，便于对多台涡轮机进行比较。本文的其余结构如下：第2节将对所提出的方法进行全面阐述；第3节将分析与最优瞬时频率感知模块相关的仿真结果；第4节将基于真实风力涡轮机数据对实验结果进行分析；第5节将深入评估所提方法的有效性与局限性；最后，第6节将对本文内容进行总结，指出关键研究发现。

章节片段：瞬时频率驱动的跨单元健康评估网络本节介绍了一种基于瞬时频率驱动的跨单元健康评估网络的无人监督学习模型。该模型由三个部分组成：最优瞬时频率感知模块、基础分布的估计以及双分支变分自编码器。频率感知模块会依次检测每个频带，判断其中是否含有信噪比较高的最优瞬时频率，从而决定保留还是舍弃该频带。这一过程提高了健康指标的敏感度。

仿真实验为了对所提出的诊断框架进行严格且可完全复现的评估，我们生成了一个模拟单级齿轮箱特有动态特性的合成振动信号。该离散时间分析信号x(t)包含了基轴的旋转频率fw = 50 Hz以及与之相关的高阶谐波。该波形在30秒的时间范围内以1.5 kHz的采样频率合成，从而得到了完整的记录数据。

实验配置为了严格评估所提方法的实际性能，我们使用了来自一个运行中的风电场近两年的运行数据。如图6所示，该数据集涵盖了2 MW涡轮机的传动系统以及风电场内测量点的具体布局。使用这些现场数据可以对该方法的有效性进行严格验证，同时也凸显出其独特的实际优势。图6展示了实验情况。

所提方法有效性分析本研究提出的方法通过强调稳健性和趋势性，为健康指标的发展做出了贡献，而这种稳健性和趋势性主要是通过不受运行条件波动的影响来实现的。这种稳健性是通过将约束条件整合到双分支VAE架构的损失函数中实现的，从而在生成的健康指标中同时体现趋势性和抗干扰能力。具体而言，损失函数引导模型朝着特定方向发展。

结论：本文提出了一种构建健康指标的新方法，即基于瞬时频率驱动的跨单元健康评估网络。该方法旨在生成对初期故障具有敏感度的健康指标，同时在不同的运行条件下仍能保持稳健性和趋势性。所提出的方法包含三个核心组成部分：最优瞬时频率感知模块、基础分布估计模块以及双分支VAE模块。第一个模块能够自适应地处理各种信息。

CRediT作者贡献声明：
李宗林：写作——审稿与编辑，写作——初稿撰写，可视化，验证，软件，资源，项目管理，方法论，研究，形式分析，数据整理，概念设计。贾明兴：监督，项目管理，资金筹集。郭磊：软件，研究，资金筹集。牛大鹏：监督，项目管理，资金筹集。楚飞：监督，项目管理，资金筹集。

关于手稿准备过程中生成式AI及AI辅助技术的声明：在准备本文档时，作者使用了Chatgpt来提升英语水平，同时使用Grammarly来纠正语法错误。在使用这些工具/服务之后，作者对内容进行了必要的审阅和修改，并对最终发表的内容负全责。

利益冲突声明：作者声明不存在任何可能影响本文所述工作的已知财务利益或个人关系。

致谢：本研究得到了中国国家重点研发计划（项目编号2023YFC3010400）以及国家自然科学基金（项目编号62473369）的支持。