仪器仪表学报

作者：金晓航，王奇超，张元鸣，孔子迁，徐正国

单位：金晓航,1.浙江工业大学机械工程学院杭州310023； 2.高端装备机械传动全国重点实验室重庆400044,,王奇超,浙江工业大学机械工程学院杭州310023,,张元鸣,浙江工业大学计算机科学与技术学院杭州310023,,孔子迁,杭州电子科技大学“一带一路” 信息技术研究院杭州310018,,徐正国,浙江大学控制科学与工程学院杭州310027,xzg@zju.edu.cn,

关键词：风电机组;状态监测;知识图谱;时空图神经网络;图注意网络

基金：国家自然科学基金（62473336）、浙江省自然科学基金（LZ25F030004）、国家重点研发计划（2022YFE0198900）、高端装备机械传动全国重点实验室开放课题（SKLMT-MSKFKT-202315）项目资助

在推动风能产业健康发展的过程中，风电机组状态监测发挥着至关重要的作用。现有数据驱动的状态监测方法主要依赖于风电机组时序类数据（如数据采集与监控系统（SCADA）、状态监测系统数据）的分析，未能有效利用机组文本类数据（如设计手册、操作手册、论文专利、运维记录、故障报告等）中蕴含的信息，在故障传递因果关系分析和监测结果可解释剖析等方面具有一定的局限性。鉴于此，提出了一种知识图谱与时空图神经网络（KG-STGNN）融合驱动的风电机组状态监测方法。首先，利用文本类数据结合机组结构设计等信息构建风电运维知识图谱，形成风电机组有向图结构；然后，将SCADA数据嵌入图结构中，生成风电时序图数据；接着，利用高阶图注意力网络（HGAT）和Transformer构建状态监测时空图神经网络模型，挖掘出图数据中的空间和时间特征；之后，利用机组历史健康数据训练KG-STGNN模型，进行正常行为建模；最后，根据风电机组运行时图结构中节点所表征的信息判断机组的运行状态，构建监测策略以确定故障预警时间并解释状态监测结果。通过两台风电机组案例分析可知：所提方法在机组状态监测中表现优异，具有最低误报率和最早异常预警能力；消融实验验证了引入知识图谱对模型性能提升至关重要；所提监测策略消除了超过85%的误报情况，对监测结果也具有较好的可解释性。

来源：2025年第12期

《仪器仪表学报》期刊编辑部

查看仪器仪表学报杂志2025年第12期