通过使用基于概率多层感知器的正常行为建模以及通过微调进行迁移学习，我们提供了一种风电场的条件监测系统。该模型基于从主管控制和数据采集（SCADA）系统中提取的特征，预测风力涡轮机在正常运行状态下的输出功率。它的优势在于可以使用至少数年的 SCADA 数据进行训练，可以将风电场中所有风力涡轮机的 SCADA 数据作为特征进行整合，假设输出功率遵循具有异方差的正态密度，并且可以通过从所有其他风力涡轮机的数据中借力来预测一个风力涡轮机的输出。我们通过一个真实的 SCADA 数据示例展示了我们模型的性能，证明其优于其他概率预测模型。

Apr, 2024

本研究提出了一种基于特征选择和构造的方法，用于检测风力涡轮机的发电机发热故障，旨在提高分类准确度和减小计算负担。

Jun, 2023

探讨了特征工程对于解决物理系统数据诊断过程中存在的数据质量，噪声干扰，决策模型不精确等挑战的影响作用；论文使用特征筛选、降维和决策模型等方法，在 118 个节点的电力系统上进行了数据驱动的故障诊断，同时比较了多种高级技术在该领域的应用。实验结果表明，特征筛选和降维方法的联合应用可以有效提高数据质量，提高物理系统的诊断准确性。

Mar, 2023

本文提出了一个数字孪生的概念，用于通过获取来自风电场操作员的 SCADA 数据中的实时信息，实现针对时间到故障的预测。

Apr, 2022

数据流计算是一种用于多种系统工程的范式，具有潜力成为数据驱动应用程序开发的选择。数据流计算的特征之一是对整个系统的数据流图的自然访问。最近，观察到这些数据流图可以被视为完全的图形因果模型，从而开放了将因果推理技术应用于数据流系统的机会。在本篇论文中，我们旨在提供首个实际验证这个想法的论文，并特别关注因果故障定位。我们提供了多个演示，它们展示了如何使用因果推理在三个现代数据流引擎中检测软件错误和数据偏移的多种情况。

Apr, 2023

该文提出一种通过直方图理论设计 / 提取输入特征的新算法，将不同的时间序列传感器数据的特征提取过程统一起来，用于机器状态识别，结果表明该方案对于预测机器健康状态具有显著效果。

Feb, 2024

基于 LSTM 神经网络的多元时间序列数据监测和故障检测，采用 Modelica 模型进行验证，引入阈值筛选机制并过滤超出操作者兴趣范围的故障。

Dec, 2016

发布了一个包含 36 台风力发电机跨 3 个风场的数据集，为我们所知公开风力发电机数据集中含有最详细故障信息。而且，我们提出了一个名为 CARE（覆盖率、准确性、可靠性和预报性）的新的评分方法，利用该数据集的信息深度来识别一个全面的异常检测模型。该评分方法考虑了异常检测的性能，正确识别正常行为的能力以及尽可能少出现虚警的能力，同时能够尽早检测到异常。

Apr, 2024

无监督的健康状况监测在复杂工业系统的故障检测中起着重要作用。本研究通过对自编码器和输入 - 输出模型进行综合比较，探索了这两种基于残差的方法在健康指标构建、故障检测和健康指标解释方面的性能。结果显示，输入 - 输出模型在潜在故障类型和可能故障部件的解释方面具有更好的可解释性。

Sep, 2023

本文提出了第一个完全自动化的失效分析方法，该方法基于机器学习故障树从原始数据中提取连续变量，并且可以在实际数据集上工作。

Mar, 2022