增量宽度网络
跨工况诊断更稳
一种可在线扩展的时序卷积宽度网络，配合伪标签动态筛选，能够适应新故障类型和多变工况，提升风电机组齿轮箱故障诊断在真实场景下的迁移能力和识别准确性。
He, Yuchen · Xi, Li · 钱丽娟 · 陆佳炜
Engineering Applications of Artificial Intelligence 2026
参数信息
- 平均总体准确率
- 94.41 %
- 平均总体准确率
- 93.56 %
- 未知故障类别平均识别准确率
- 82.25 %
- 未知故障类别平均识别准确率
- 80.97 %
- 未知故障识别准确率较次优方法提升（SEU）
- 7.22 %
- 未知故障识别准确率较次优方法提升（WT）
- 5.92 %
技术优势
跨工况更稳
全局与局部分类器协同评估伪标签质量，动态调整分布对齐策略，有效提升跨工作条件迁移性能。
能识别未知故障
基于样本置信度排序和中心损失函数，可准确识别训练中未出现的故障类别，适应新工况与在线更新。
可在线扩展
模型具备可扩展性，可适应新加入的故障样本和故障类别，无需从头训练。
应用场景
- 风电机组故障诊断：诊断齿轮箱振动信号，识别多工况和未知故障，提升风场运维效率。
- 能源装备健康管理：为风电机组提供在线健康评估，支持预测性维护，减少非计划停机。
- 工业设备状态监测：处理非平稳振动信号，适应工况变化，可部署于现有监测系统。
- 齿轮箱轴承监测：针对齿轮箱轴承等旋转部件进行故障定位与识别，辅助检修决策。