迁移学习在风力涡轮机异常检测中的应用

风力涡轮机的异常检测通常涉及使用正常行为模型来及早发现故障。然而，为每台涡轮机训练自编码器模型既耗时又耗费资源。因此，对于数据有限的风力涡轮机或计算资源有限的应用，迁移学习变得至关重要。本研究探讨了如何将跨涡轮机迁移学习应用于基于自编码器的异常检测。在此，自编码器与重构误差的固定阈值相结合，以确定输入数据是否包含异常。模型最初在一台或多台源风力涡轮机一年的数据上进行训练。然后使用来自另一台涡轮机的少量数据进行微调。我们研究了三种微调方法：调整整个自编码器、仅调整解码器或仅调整模型阈值。将迁移学习模型的性能与在目标风力涡轮机一年数据上训练的基线模型进行了比较。本研究进行的测试结果表明，与在一台源风力涡轮机数据上训练的模型相比，在多台风力涡轮机数据上训练的模型并未提高异常检测能力。此外，修改模型阈值可以获得与基线相当甚至更优的性能，而微调解码器或自编码器则进一步提升了模型的性能。