基于生成式迁移学习的有限数据新型风力发电机故障检测
机器学习
2026-01-13 v2 系统与控制
系统与控制
摘要
风力发电机的智能状态监测对于减少停机时间至关重要。在风力发电机运行数据上训练的机器学习模型通常用于检测异常，并最终检测运行故障。然而，数据驱动的正常行为模型需要大量训练数据，因为用稀缺数据训练的NBM可能导致不可靠的故障检测。为了克服这一限制，我们提出了一种新颖的生成式深度迁移学习方法，使缺乏训练数据的某台风力发电机的SCADA样本类似于具有代表性训练数据的风力发电机的SCADA数据。通过基于CycleGAN的领域映射，我们的方法使得在现有风力发电机上训练的NBM能够应用于数据严重受限的新风机。我们在7台差异显著的风力发电机的SCADA样本映射上展示了该方法。我们的研究结果表明，在数据稀缺的风力发电机中故障检测得到了显著改善。我们的方法实现了与用丰富数据训练的NBM最相似的异常分数，优于在稀缺训练数据上训练的NBM，在1个月训练数据可用时F1分数提高了+10.3%，在2周数据可用时提高了+16.8%。在所有考虑的数据稀缺程度（从1到8周训练数据）下，领域映射方法均优于传统的微调方法。所提出的技术能够在新建风电场中实现更早、更可靠的故障检测，展示了一条在面临训练数据稀缺时改进异常检测的极具前景的新研究方向。
引用
@article{arxiv.2504.17709,
title = {Fault Detection in New Wind Turbines with Limited Data by Generative Transfer Learning},
author = {Stefan Jonas and Angela Meyer},
journal= {arXiv preprint arXiv:2504.17709},
year = {2026}
}
备注
Change of phrasing to fault detection, including title change, and minor revisions. No changes to models, experiments, or results