《Energy Conversion and Management-X》：Vibration-Based multi-class fault severity classification of wind turbine gearboxes using explainable machine learning
编辑推荐：
本刊推荐：针对风力发电机齿轮箱故障严重程度难以量化识别的问题，研究人员开展了基于振动信号的多级故障严重程度分类研究。通过分析NREL提供的振动数据，结合K-means聚类与随机森林等机器学习算法，实现了早期、中度、严重三级故障的精准分类（准确率达99.95%），并采用SHAP技术增强模型可解释性。该研究为风电设备预测性维护提供了自动化、可解释的智能诊断方案。
随着全球能源转型加速，风电作为清洁能源的重要组成部分，其装机容量持续增长。然而，风力发电机常部署在偏远或海上区域，恶劣环境导致维护成本高昂，其中齿轮箱故障更是造成停机的主要因素。据统计，齿轮箱相关故障导致约20%的停机时间，每次故障平均损失超过18天运行。传统故障检测方法多局限于“健康”与“损坏”的二元判断，无法识别故障的严重程度，而基于深度学习的方案又面临数据需求大、计算复杂、可解释性差等挑战。
为解决上述问题，来自孟加拉国BRAC大学电气与电子工程系的All Mumtahina Arika等研究人员在《Energy Conversion and Management-X》发表论文，提出了一种结合无监督聚类与有监督学习的故障严重程度分类框架。该研究利用美国国家可再生能源实验室（NREL）的齿轮箱振动数据，通过特征提取、传感器优选、聚类标记和机器学习建模，实现了对齿轮箱环齿轮和轴承故障的早期、中度、严重三级分类。
研究团队首先从8个加速度传感器（AN3-AN10）采集的高频振动信号中提取了时域和频域特征，包括均值、标准差、峰度、峰值幅度等。通过分析损坏数据中的变异性，选择AN4传感器（靠近环齿轮）和AN8传感器（靠近轴承）作为关键监测点。利用K-means聚类将损坏数据分为三类，并通过频域特征（如峰值频率幅度、频谱峰度）解析聚类对应的严重程度：早期故障表现为低能量振动，中度故障显示过渡特性，严重故障则呈现高幅度和脉冲特征。
在标记聚类结果后，研究人员训练了多种机器学习模型，包括随机森林（RFC）、XGBoost、LightGBM等。结果显示，随机森林在环齿轮和轴承故障分类中均达到约99.95%的准确率。为增强模型透明度，采用SHAP（SHapley Additive exPlanations）技术解释特征重要性，发现频域峰值幅度（AN4_fptp/AN8_fptp）和频域峰度（AN4_fkurtosis/AN8_fkurtosis）是区分故障级别的关键指标。
关键技术方法
研究采用振动信号分段处理（每段2400样本），提取时域和频域统计特征，通过互信息（Mutual Information）筛选敏感传感器，使用K-means聚类进行无标记严重程度划分，并应用随机森林等算法进行有监督分类，结合SHAP实现决策可解释性。数据来源于NREL公开数据集，包含健康与损坏状态各10,000段样本。
研究结果
1. 环齿轮故障分析
AN4传感器数据显示，聚类后三类故障的频域特征呈明显梯度：早期故障特征值最低，严重故障最高。随机森林分类准确率达99.97%，宏平均F1分数为0.999。SHAP分析表明，高频幅度和脉冲性是主要判别依据。
2. 轴承故障分析
AN8传感器聚类轮廓分数（0.5535）优于环齿轮数据，随机森林分类准确率为99.93%。严重故障样本显示频域幅度和峰度显著升高，与机械损伤的物理机制一致。
3. 模型鲁棒性验证
通过置换检验（p<0.005）和噪声干扰测试（信噪比≥20dB时准确率>96%），证实模型具备强泛化能力。
结论与意义
该研究实现了风力发电机齿轮箱故障严重程度的自动化、高精度分类，突破了传统二元诊断的局限。通过可解释机器学习，将模型决策与物理故障特征（如频谱展宽、脉冲增长）关联，为运维人员提供了可信赖的预警工具。该方法计算高效、无需预标记数据，适用于实际风电监测场景，有望降低维护成本，提升风电系统可靠性。未来可探索实时部署、多工况适配等方向。
