基于难样本挖掘的监督对比特征学习用于风力机变桨系统故障诊断
机器学习
2023-08-14 v2 人工智能
摘要
风力机对风能的高效利用依赖于其变桨系统根据风速变化调整叶片桨距角的能力。然而，由于长期磨损，变桨系统存在多种健康状态，给准确分类带来挑战，从而增加了风力机的维护成本甚至造成损坏。本文提出一种基于难样本挖掘赋能的监督对比学习(HSMSCL)的新方法来解决该问题。所提方法采用余弦相似度识别难样本，随后利用监督对比学习通过构建难样本对来学习更具判别性的表示。此外，所提方法中的难样本挖掘框架还利用学习到的表示构建难样本，使多层感知机(MLP)的训练过程更具挑战性并使其成为更有效的分类器。所提方法通过在 SCL 和 MLP 阶段引入难样本逐步改进故障诊断模型，从而提升其在复杂多类故障诊断任务中的性能。为评估所提方法的有效性，使用了两个包含风力机变桨系统齿形带断裂数据的真实数据集。将所提方法的故障诊断性能与现有方法进行比较，结果表明其具有更优性能。所提方法在故障诊断性能上表现出显著改进，为提升风力机变桨系统故障诊断的可靠性和效率提供了良好前景。
引用
@article{arxiv.2306.14701,
title = {Hard Sample Mining Enabled Supervised Contrastive Feature Learning for Wind Turbine Pitch System Fault Diagnosis},
author = {Zixuan Wang and Bo Qin and Mengxuan Li and Chenlu Zhan and Mark D. Butala and Peng Peng and Hongwei Wang},
journal= {arXiv preprint arXiv:2306.14701},
year = {2023}
}