编辑推荐：
海上风电变桨系统故障诊断研究综述，系统分析2021-2025年间43项研究，总结信号基、物理基、数据驱动及混合方法在齿轮箱、轴承、叶片等关键部件诊断中的应用特征与局限性，揭示数据稀缺、环境复杂性和模型可解释性三大挑战，提出加强混合框架、迁移学习及基准测试等未来方向。
王新燕|毛润泽|韩佩华|袁宁|李远江|郭玉婷|尹申|张后祥
江苏科技大学海洋学院，中国镇江市蒙西路2号，212003
摘要
海上风能已成为一种关键的可再生能源，然而海上风力涡轮机（OWTs）的可靠性和成本效益受到频繁的部件故障以及高昂的运行和维护（O&M）成本的严重限制。故障诊断在提高涡轮机可用性、减少停机时间和延长使用寿命方面发挥着关键作用。本文基于2021年至2025年间发表的43项研究，采用PRISMA方法论对OWTs的故障诊断方法进行了系统回顾。所回顾的方法分为基于信号的方法、基于物理的方法、数据驱动的方法和混合方法，并详细比较了它们的原理、优势、局限性和应用场景。特别关注针对齿轮箱、轴承、叶片和发电机等关键部件的诊断研究，以及系统级别的调查。分析强调了当前的研究特点，包括第一作者所在机构的地理分布、数据集、部件和性能指标，并指出了数据稀缺、环境复杂性和高级模型解释性有限等主要挑战。最后，提出了未来的研究方向，强调需要强大的混合框架、改进的迁移学习技术和标准化的基准测试，以提高海上环境中的故障诊断性能和实际应用性。
引言
在全球经济持续增长的背景下，能源需求正在迅速增加。同时，能源供应问题也变得越来越严重。在这种双重压力下，可再生能源在能源系统中发挥着重要作用。其中，风能被认为是最清洁、最环保的能源之一，其发电潜力足以满足世界每日电力消耗的35倍以上（Liu等人，2025b）。与陆上风力发电相比，海上风能技术起步较晚，但具有独特的优势。海上风能资源更为丰富，风切变较小，生态影响有限，涡轮机容量系数更高，功率输出更稳定（Bilgili和Alphan，2022；Li等人，2020）。此外，海上风电场通常位于远离居民区的位置，因此噪音问题不太突出（Wu等人，2019）。
海上风电行业正处于发展的关键阶段，预计在未来几年将快速增长。新一代涡轮机有望提高资源利用率，显著增加满负荷运行时间（Díaz和Soares，2020）。全球风能理事会（GWEC）的《2025年全球海上风电报告》指出，2024年全球新增海上风电容量达到8吉瓦，使总装机容量达到83吉瓦。尽管年度装机量相比上一年有所下降，但全球累计容量仍在增长。从地区来看，欧洲以23.2吉瓦的拍卖容量领先，中国紧随其后，为17.4吉瓦。然而，该行业面临重大挑战，尤其是由于可访问性有限和维护资源稀缺。意外故障可能导致长时间停机和高昂的维修成本，尤其是对于齿轮箱、叶片、转子和发电机等关键部件（Liu等人，2025b）。因此，海上风力涡轮机的维护成本远高于陆上涡轮机（Sinha和Steel，2015）。此外，海上风力涡轮机（OWTs）暴露在更恶劣的环境条件下，如高温、湿度、盐雾、海洋腐蚀、海冰和台风（Bilgili和Alphan，2022；Su等人，2024b），这些因素增加了故障率并使维护变得更加复杂。
近年来，OWTs故障诊断领域也取得了进展。例如，Xie等人（2023）探索了利用故障频率先验信息来提高深度学习模型准确性的方法。他们的结果表明，FFP-DL方法，特别是FFP-CNN模型，显著提高了诊断准确性和Macro-F1分数。Jin等人（2023）开发了一种序数分类原型网络（OCPN），该网络能够在高质量标记数据有限的情况下工作，并通过序数回归纳入故障严重程度。此外，Lu等人（2023）提出了针对OWTs的分布式故障诊断方法，并提出了事件触发联邦学习框架（ETFedOWT）。这种方法能够在没有直接访问原始数据的情况下从地理分布式的风力涡轮机中学习，同时通过在必要时触发更新来降低通信成本。与固定底部涡轮机相比，浮动式涡轮机（FOWTs）提供了更大的灵活性，为海上风电发展开辟了新的机会（Hong等人，2024）。最近，由于系泊系统、转子和叶片之间的复杂相互作用，它们的建模和仿真引起了广泛关注（Chen等人，2019）。最初为陆上涡轮机开发的仿真工具（如FAST）已被广泛扩展到浮动平台，以捕捉空气-水-伺服-弹性耦合效应（Jonkman，2007）。
除了这些最新进展外，2021年之前的几项基础研究也为现代OWTs故障诊断方法奠定了基础。Cho等人（2018）在浮动式风力涡轮机的叶片俯仰系统故障管理框架中采用了卡尔曼滤波器方法进行故障检测。Badihi等人（2017）提出了一个农场级别的容错控制框架，该框架解决了叶片侵蚀和碎屑积累导致的功率下降问题，并使用无模型方法和基于模型的方法进行故障检测和诊断。为了解决长期在线疲劳监测的困难，Gao等人（2016）结合了基于物理的模型和感应热成像技术来评估OWTs齿轮的接触疲劳。Li等人（2018a）提出了一种用于海上风电场多端直流系统的鲁棒频域保护和故障定位方案，克服了传统行波方法的时序限制。对于海上风电场的俯仰系统，Kandukuri等人（2019）开发了一种两阶段故障检测和分类方法，利用现有的电机电流信号，无需额外传感器。总体而言，这些研究提高了OWTs故障的诊断准确性、鲁棒性和系统级理解。然而，仍存在挑战，例如对大型标记数据集的依赖以及在实际环境中实现实时性能的需求。在过去五年中，许多综述集中在陆上风力涡轮机的故障诊断上，而专门针对OWTs故障诊断的系统综述较少。
鉴于近年来该领域的持续进展，本综述的主要目的是检查和分析OWTs故障诊断的现状和技术进步。通过整理现有研究成果和实践经验，本综述旨在突出OWTs故障诊断面临的挑战。同时，它评估了现有方法的优点和局限性，不仅涵盖了已经广泛应用的常规诊断方法，还包括新兴技术及其在OWTs中的最新应用。此外，本综述还对文献中的方法论和研究特点进行了结构化调查，旨在为OWTs故障诊断的未来研究方向提供理论支持。本综述的主要贡献如下：
•提供了OWTs现有故障诊断方法的系统调查。
•分析了所调查研究的特征，特别关注第一作者所在机构、数据集、部件和性能指标等方面。
•确定了OWTs故障诊断的研究空白并指出了未来的研究方向。
本文的其余部分组织如下。第2节描述了用于选择OWTs故障诊断论文的系统方法论。第3节概述了OWTs的结构和常见故障类型。第4节详细回顾了现有的故障诊断方法。第5节分析了该领域的各种相关指标。第6节概述了OWTs故障诊断研究的未来方向。第7节总结了本文。
章节摘录
文献搜索方法
本研究根据Moher等人（2009）提出的PRISMA声明的结构化指南进行了文献搜索。PRISMA流程图改编自Mao等人（2025）。如图1所示，通过搜索关键词、标题和摘要，从2021年1月1日至2025年7月30日期间从Web of Science数据库中检索了相关出版物。搜索策略依赖于“海上风力涡轮机”、“浮动式风力涡轮机”和“故障”等术语。
OWTs概述
本节从三个角度概述了OWTs。第一部分描述了OWTs的结构，包括其主要部件和功能。第二部分讨论了海上环境对它们运行的影响，包括风、波浪、腐蚀和极端天气条件。第三部分回顾了各种部件中的常见故障并分析了其根本原因。
故障诊断方法概述
故障诊断是一个监测设备状态并基于收集的信息确定故障的过程（Kang等人，2019a）。主要程序通常包括早期预警、基于监控数据的特征识别、得出诊断结论，最后解决故障。图4展示了本文讨论的方法类别，这些方法分为基于信号的方法、基于物理的方法、数据驱动的方法和混合方法。
特征分析
为了揭示OWTs故障诊断的研究重点和发展趋势，对回顾的文献进行了特征分析。分析涵盖了四个关键方面：（1）第一作者所在机构的地理分布；（2）故障诊断的目标部件；（3）使用的数据集；（4）性能指标。
挑战
从环境角度来看，OWTs在腐蚀、湿度、强风和冰负荷等恶劣且多变的海洋条件下运行。这些因素加速了部件的退化，并在监控数据中引入了噪声和不确定性，而当前的诊断模型在这种条件下往往缺乏鲁棒性。
从系统角度来看，大多数现有研究集中在部件级别的故障上，特别是齿轮箱和轴承，而系统级和系泊绳的诊断
结论
本综述全面调查了2021年至2025年间发表的43项OWTs故障诊断方法。讨论涵盖了基于信号的方法，如振动、温度和声学监测，以及更先进的基于物理的方法、数据驱动的方法和混合方法。尽管本综述受论文数量限制且可能存在地区偏见，但这些因素预计不会改变总体结论。特别关注
CRediT作者贡献声明
王新燕：撰写——初稿、可视化、调查、正式分析。毛润泽：撰写——审阅与编辑、撰写——初稿、监督、概念化。韩佩华：撰写——审阅与编辑、监督。袁宁：撰写——审阅与编辑。李远江：撰写——审阅与编辑。郭玉婷：撰写——审阅与编辑、监督。尹申：撰写——审阅与编辑、监督。张后祥：撰写——审阅与编辑、监督。
利益冲突声明
作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。
