小样本风电机故障诊断模型

少样本即高精度

基于MAML与卷积归一化Transformer编码器，可从极少故障样本中快速学习并精准诊断风电发电机故障。

Likui, Qiao · 张宇献 · Qisen, Wang · Li, Donglin · Peng, Shidong

Expert Systems with Applications 2025

参数信息

对比方法数量

7

技术优势

少量样本即可高精度

通过MAML在任务层面训练，模型学习跨任务的通用特征表示，面对新任务时仅需少量样本微调即可快速适应，避免过拟合。

优于七种流行方法

在FAST仿真平台五种发电机故障和实际风电场四种发电机故障数据上的实验结果均表明，该方法诊断准确率超过七种对比方法。

同时捕捉全局与局部特征

CNTE模型集成一维卷积神经网络、多头自注意力机制和批归一化层，能够同时提取数据的局部和全局特征，提升诊断性能。

应用场景

• 风电机组运维：用极少历史故障样本训练模型，嵌入风电机组监控系统，实现故障早识别，减少停机损失。
• 状态监测与故障诊断：部署为实时诊断模块，对振动或SCADA信号进行在线分析，快速发现发电机故障苗头。