故障传播图模型

找准风机病根

融合物理规则与数据隐含知识的图神经网络，实现对风力涡轮机故障根因的精准定位。

Feng, Chenlong · 柳超 · 蒋东翔

Knowledge-Based Systems 2024

技术优势

故障根因可追溯

模型利用预测偏差定义异常程度，通过回溯分析沿图结构追踪故障传播路径，直接定位根因变量。

物理规则与数据融合

构建五类基于显式规则的显式知识描述变量关系，通过准硬注意力机制与数据中的隐式知识融合，生成图邻接矩阵，增强模型可解释性。

跨行业可迁移

在风电场、糖厂和火电厂的现场故障数据上均验证有效，表明方法对不同工业系统的适应性。

应用场景

• 风电运维：用SCADA数据自动定位根因，减少人工排查时间，降低运维成本。
• 工业设备健康管理：提供故障传播路径解释，支撑预测性维护决策，避免非计划停机。
• SCADA数据分析：从高维SCADA数据中学习变量依赖图，提取故障传播特征，提升数据分析价值。