科学网-基于几何的风机智能状态识别与故障预测图像建模方法-邹铁枫的博文

基于几何的风机智能状态识别与故障预测图像建模方法

2026-1-5 16:37

阅读：696

Geometry-based image modeling method for intelligent state identification and fault prediction of wind turbines（基于几何的风机智能状态识别与故障预测图像建模方法）

风能产业快速发展背景下，风机故障易造成经济损失与安全隐患，传统状态识别与故障预测方法存在依赖精确模型、人工特征提取局限或鲁棒性不足等问题。本文提出一种基于几何的图像建模新方法，通过构建风速-功率-辅助变量三维点云、提取几何特征并转化为2D-RGB图像模型，结合基于Xception的迁移学习深度卷积神经网络实现智能识别与预测。实验表明，该方法对风机运行状态识别精度极高，故障预测准确率达 93.875%，为风机运维监测提供了高效可靠的新思路。

Geometry-based image modeling method for intelligent state identification and fault prediction of wind turbines 基于几何的风机智能状态识别与故障预测图像建模方法

作者：Jinman Luo1, Xiaoxia Li1, Yuqing Li1, Haiji Wang2, Pu Zhang3

机构：1 广东电网有限责任公司东莞供电局; 2 中国能源建设集团广东省电力设计研究院有限公司;3 西安理工大学

引用: Luo, J., Li, X., Li, Y. et al. Geometry-based image modeling method for intelligent state identification and fault prediction of wind turbines. Control Theory Technol. (2025).https://doi.org/10.1007/s11768-025-00290-6

全文链接：https://rdcu.be/eVr7S

摘要

本文提出一种基于几何的图像建模方法，结合深度卷积神经网络（DCNN）实现风机运行状态智能识别与故障预测。首先，利用风速、功率及筛选出的辅助变量构建三维空间点云模型，提取点云几何特征形成三维特征曲面，并转化为蕴含背景信息的2D灰度图，最终堆叠为2D-RGB图像模型，完整包含了风机的动态行为与运行状态。随后，基于Xception的迁移学习DCNN对该图像模型进行训练与测试，实现状态识别与故障预测。该方法聚焦采样点几何分布特性，而非水平特征，有效提升了对异常数据的鲁棒性。实验结果表明，所提方法在风机运行状态识别中精度优异，故障预测准确率高达93.875%。

引言

近二十年来，风能产业实现显著增长，风机的运行监测与故障预测成为关键研究方向。风机故障不仅影响经济效益，还对风电场安全构成威胁。传统基于解析模型的方法需建立精确的风机系统模型，但风机运行过程复杂，精准建模难度较大。随着数据科学的发展，数据驱动的智能方法受到广泛关注。早期基于传统机器学习的智能方法需人工提取特征，特征质量直接影响识别结果；一维卷积神经网络等深度学习方法难以充分利用高维信息，而基于矩阵重排或时频变换的二维图像重构方法存在可解释性差、计算量庞大或鲁棒性不足等问题。此外，这些方法多依赖采样点数值，对异常数据敏感，重构数据稀疏性不足。基于上述问题，本文提出一种新的基于几何的图像建模方法（IMDP）。本文的贡献如下：（1）从几何视角分析数据，聚焦采样点分布特性，使成像过程对异常值不敏感，同时保障成像方法的理论基础与计算速度。（2）基于数据网格，利用几何分布特征点表征网格内所有点云，实现数据的双重稀疏化，提升识别方法的鲁棒性。（3）采用DCNN验证所提成像方法的实用性，通过Xception迁移学习优化网络性能，实现高效的状态识别与故障预测。

结论

本文提出一种基于数据分布几何视角的成像方法，专门用于风机运行状态识别与故障预测。该方法通过在三维坐标系中对采样点建模，提取采样点在三维空间中的相对位置与分布特征信息，并将其封装于2D-RGB图像模型中。基于 Xception的迁移学习DCNN通过对2D-RGB图像模型进行分类，实现了风机状态识别与故障预测。实验结果验证了该方法在状态识别中的高精度，且能提前实现高准确率的故障预测。未来研究将进一步探索风机的动态影响因素，如叶片加速度、控制系统延迟和机械惯性等，并将这些动态特性融入模型中。

作者介绍

Jinman Luo，毕业于华南理工大学，现任广东电网有限责任公司东莞供电局信息中心高级工程师，研究方向为综合能源管理与信息技术。

Xiaoxia Li，于2020 年获得东北大学信息科学与工程硕士学位，现任广东电网有限责任公司东莞供电局职员，研究方向为传统电力技术与信息技术融合、电力大数据分析。

Yuqing Li，毕业于中山大学，现任广东电网有限责任公司东莞供电局工程师，研究方向为新型电力系统基础设施研发。

Haiji Wang，毕业于中山大学，现任中国能源建设集团广东省电力设计研究院有限公司高级工程师，研究方向为微电网信息自动化与能源管理。

Pu Zhang，分别于2014年、2017年获得西安理工大学学士、硕士学位，现于西北工业大学攻读博士学位，2021-2022 年获国家留学基金委支持，在新加坡南洋理工大学电气与电子工程系联合培养，研究方向为多智能体系统、容错控制与信息物理系统。

期刊简介

640 spr.jpg

欢迎扫码进入期刊主页

Control Theory and Technology (CTT), 中文名《控制理论与技术》, 创刊于2003年，原刊名为Journal of Control Theory and Applications，2014年刊名更改为Control Theory and Technology。由华南理工大学与中国科学院数学与系统科学研究院联合主办，主要报道系统控制科学中具有新观念、新思想的理论研究成果及其在各个领域中的应用。目前被 ESCI (JIF 1.5)、EI、Scopus (CiteScore 3.2)、CSCD、INSPEC、ACM 等众多数据库收录, 并于2013–2018年获得两期中国科技期刊国际影响力提升计划项目资助。2017–2021年连续获得“中国最具国际影响力学术期刊”和“中国国际影响力优秀学术期刊”称号，获得广东省高水平科技期刊建设项目I期(2021-2024年)和II期，2022-2025年进入中国科协自动化学科领域高质量科技期刊目录。

官网：https://link.springer.com/journal/11768 (即http://www.springer.com/11768)

https://jcta.ijournals.cn/cta_en/ch/index.aspx

投稿：https://mc03.manuscriptcentral.com/ctt

微信：ControlTheoryTech （欢迎扫码关注期刊微信公众号）