Ранняя предсказательная диагностика неисправностей ветряных турбин с использованием 1D-CNN и временной инженерии признаков на мульти-источниковых SCADA-данных

Как сохранить турбины в рабочем состоянии

Ветряные парки становятся опорой чистой энергетики, но каждая турбина — это крупная комплексная машина, работающая в суровых условиях. Когда внутри турбины происходит сбой, ремонт обходится дорого, а каждый час простоя означает потерянную электроэнергию. В этой работе исследуется, как современные методы искусственного интеллекта могут выявлять ранние признаки проблем в данных турбины, чтобы операторы могли устранить мелкие неполадки до того, как они перерастут в крупные и дорогостоящие отказы.

Проблема наблюдения за миллионами измерений

Каждая ветряная турбина постоянно передаёт потоки данных через управляющую систему, известную как SCADA. Эти показания включают температуру окружающего воздуха, скорость вращения вала, вырабатываемую мощность и стабильность частоты электрической сети. На десятках турбин в нескольких парках это превращается в миллионы измерений с метками времени. Инженерам-человекам нереалистично просматривать всё это вручную, а традиционные правило-ориентированные тревоги с трудом справляются, когда условия отличаются от парка к парку или меняются по сезонам.

Создание единой картины из данных нескольких парков

Авторы решили эту задачу, объединив SCADA-данные из трёх разных ветряных парков в Португалии и Германии, покрывающих в сумме 36 турбин за многие годы. Поскольку в каждом парке свой набор сенсоров и масштабов, команда сначала тщательно выровняла и очистила данные. Они выбрали четыре основных сигнала, общих для всех парков — температура воздуха, частота сети, активная мощность и скорость вращения — и привели их к единым единицам и стандартизации, чтобы турбина в одной стране была сопоставима с турбиной в другой. Также добавили простые временные признаки, такие как час дня и месяц года, затем разрезали данные на перекрывающиеся 24-часовые окна, помечая их как нормальное поведение или как содержащие событие неисправности.

Сравнение разных подходов ИИ

Имея унифицированный набор данных, команда провела очное сравнение нескольких популярных методов глубокого обучения для временных данных. Они протестировали традиционные рекуррентные сети, обрабатывающие последовательности шаг за шагом, более продвинутые архитектуры с памятью, такие как LSTM и двунаправленный LSTM, временную сверточную сеть, использующую дилатированные фильтры для охвата более удалённой истории, и одномерную сверточную сеть (1D-CNN), обнаруживающую локальные шаблоны вдоль оси времени. Все модели обучались и настраивались в одинаковых условиях и оценивались по способности отличать нормальную работу от ранних признаков отказа, при этом минимизируя ложные срабатывания.

Почему выиграла простая свёртка

Несмотря на популярность более сложных последовательных моделей, простая 1D-CNN показала наилучшие результаты для этой задачи. Она достигла примерно 85 процентов по точности и F1-мере и продемонстрировала высокую способность различать здоровое и неисправное поведение во всех трёх парках. Авторы полагают, что успех объясняется тем, что свёрточные фильтры эффективно улавливают краткосрочные закономерности и резкие изменения сразу в нескольких сигналах — то, что часто важно для ранних признаков неисправностей. Статистические тесты подтвердили, что преимущество 1D-CNN над другими стандартными моделями не является случайным.

Добавление более умной гибридной модели

Установив честную базовую линию, исследователи пошли дальше и разработали гибридную модель, сочетающую свёрточные слои, слои LSTM и механизм внимания. В такой конфигурации свёрточная часть быстро извлекает локальные признаки из сигналов датчиков, LSTM отслеживает развитие этих признаков на более длинных отрезках времени, а компонент внимания автоматически придаёт больший вес наиболее информативным моментам в последовательности. Этот гибридный подход ещё немного улучшил результаты — до примерно 87 процентов по точности — и превзошёл другие комбинированные архитектуры, собранные из тех же компонентов.

Что это значит для чистой энергетики

Для неспециалистов основной вывод в том, что тщательно подготовленные данные в сочетании с грамотно подобранными моделями глубокого обучения могут давать операторам ветропарков ранние и надёжные оповещения о том, что начинается проблема. Объединяя информацию с нескольких площадок и позволяя алгоритмам выучивать шаблоны, предшествующие отказам, исследование показывает путь к более умным и общим инструментам мониторинга турбин. На практике это означает меньше неожиданных поломок, ниже затраты на обслуживание и более стабильную подачу чистой энергии в сеть — что помогает держать лопасти в движении и свет включённым.

Цитирование: Ata, M.M., Osama, S., Ibraheem, M.R. et al. Early prediction of wind turbine anomalies using 1D-CNN and temporal feature engineering on multi-source SCADA data. Sci Rep 16, 9667 (2026). https://doi.org/10.1038/s41598-026-41571-7

Ключевые слова: мониторинг ветряных турбин, прогнозное обслуживание, временные ряды SCADA, модели глубокого обучения, обнаружение ошибок