基于一维卷积神经网络的风电机组齿轮箱状态监测方法

简介：基于卷积神经网络的风电机组齿轮箱状态监测方法是一份学术PDF，面向风电场运维人员、设备状态监测工程师及深度学习方向研究者。内容围绕CNN在齿轮箱故障诊断中的应用，说明如何将SCADA与振动信号构成状态矩阵，并以VGGNet为基础设计紧凑网络结构与池化规则，实现特征自动提取与异常状态识别。文中还梳理了线性调频小波、变分模态分解、BP神经网络、支持向量机等传统方法的不足，并通过实际运行数据验证模型，识别精度达96.3%，且可迁移至同一风场其他机组，具备较强泛化与实用价值。资源包仅含1个PDF文件，大小351KB，内容完整、论证充分，适合用于了解深度学习在风电设备状态监测中的落地思路、网络设计细节及实验验证流程。目前已有171人浏览学习，对从事风电机组智能运维或故障诊断研究的读者具有参考意义。

1. 基于卷积神经网络的风电机组齿轮箱状态监测方法：从阈值报警到趋势预测

风电场的夜班里，齿轮箱异响往往是在某个偏航角度下突然出现的，等SCADA系统报出振动超阈值时，齿面可能已经进入中后期磨损，留给排产换件的时间窗口只剩一两周。基于卷积神经网络的风电机组齿轮箱状态监测方法，做的事就是把加速度传感器采集的振动信号当作文本序列一样，交给一维卷积神经网络（1D CNN）自动提取齿面点蚀、断齿、保持架裂纹的特征，绕开“人设阈值、人挑频带”的老路。直接收益是少做特征工程、能适应变转速变载荷、并在故障早期给出退化趋势。这套方法适合手里有振动数据或SCADA历史数据、想从定期维护转向预测性维护的运维团队，也适合故障诊断方向的研究生拿来当基线方法。

2. 数据准备：把一维振动信号切成卷积网络读得懂的“句子”

2.1 为什么1D CNN比“频谱图+2D CNN”更适合变转速齿轮箱

齿轮箱振动信号有个容易让新手翻车的性质：非平稳。风从切入风速到切出风速，输入轴转速一直在波动，啮合频率随之漂移，固定频率网格上的频谱峰值被拉平、变宽，直接拿FFT谱图喂二维CNN，相当于让网络在一张模糊的移动靶上找规律。常见做法是做阶比跟踪先把转速归一化，但这又多了一步依赖转速计信号的前处理，塔筒里一旦转速探头丢值，整条链路就断掉。

一维卷积神经网络的思路是跳过频域变换，直接在时域波形上做卷积。第一层卷积核相当于一组自适应的带通滤波器组，网络自己决定关注哪些频带的冲击形态，对转速变化相对鲁棒。从部署角度看，1D CNN比2D CNN参数少一个数量级，在风机主控柜旁边的工控机上跑起来很从容，这也是这类论文里多数方案选择时域波形而非时频图的主要原因。

2.2 采样频率、窗长、重叠率：先定这三个数字再写代码

先算再写代码。以一台1.5MW风机为例，高速轴额定转速约1500rpm，高速级啮合频率在几百赫兹到一两千赫兹。要捕捉啮合冲击的形态，采样频率至少要取最高关注啮合频率的5~10倍，常见采集系统用10kHz或25.6kHz。窗口长度则要保证单个样本至少覆盖几个完整的啮合周期：已知啮合频率500Hz，周期2ms，10kHz采样下是20个点，取2048点窗口能容纳约100个啮合周期，足够让卷积层看到周期性冲击的重复关系。

重叠率一般取50%~75%。50%重叠时样本量约为不重叠的两倍，75%更高，但相邻窗口高度相关，随机划分训练/验证集会引入信息泄漏，后面评估数字会虚高。我一般取50%，如果故障样本确实太少，再提到75%并严格按时间顺序切分数据集。

提示：先算啮合频率再定窗长。如果手头只有SCADA低频数据（秒级采样），这类方法吃不饱，需要单独补一路高频加速度采集。

2.3 滑窗切片与数据增强：一份可直接改的PyTorch数据准备代码

滑窗切片我习惯用numpy的as_strided，比for循环快一个数量级，长数据一次性切完放进内存。

import numpy as np from numpy.lib.stride_tricks import as_strided def sliding_window(signal, window_size=2048, overlap=0.5): """一维振动信号滑窗切片，返回 (n_samples, window_size) 数组。 window_size : 每个样本的点数，取 2 的幂，方便卷积层逐级下采样； overlap : 相邻窗口重叠率，0.5 表示每次滑动半窗长。 """ signal = np.ascontiguousarray(signal, dtype=np.float32) step = max(int(window_size * (1 - overlap)), 1) n_windows = (len(signal) - window_size) // step + 1 shape = (n_windows, window_size) strides = (signal.strides[0] * step, signal.strides[0]) return as_strided(signal, shape=shape, strides=strides) # 10 kHz 采样、10 秒振动数据，窗口 2048 点、50% 重叠 fs = 10_000 signal = np.random.randn(fs * 10) * 0.5 # 真实场景替换为加速度计原始数据 windows = sliding_window(signal, window_size=2048, overlap=0.5) print(windows.shape) # (88, 2048)

这段代码的逻辑：as_strided通过修改数组的stride构造窗口视图，不复制数据，真正消耗内存出现在把窗口数据写入磁盘或转成torch.Tensor的那一刻。使用上有两个约束：输入数组必须连续，且窗口只是原数组的视图，如果之后修改原信号，所有窗口都会跟着变，需要保存时主动copy一份。

数据增强要克制。齿轮箱故障样本少，常见做法是在线增强来模拟载荷波动和传感器噪声，而不是离线复制样本：

def augment(x, snr_db=40, scale_lim=(0.97, 1.03), rng=None): """训练期在线增强：幅值缩放 + 高斯噪声。 snr_db : 叠加噪声的信噪比，40 dB 模拟正常传感器噪声，别低于 30 dB； scale_lim: 幅值缩放范围，模拟扭矩波动，工程上限制在正负 3% 内。 """ rng = rng or np.random.default_rng() x = x * rng.uniform(*scale_lim) noise_pow = np.mean(x**2) / (10 ** (snr_db / 10)) return x + rng.normal(0, np.sqrt(noise_pow), size=x.shape)

为什么限制这么死：振动信号的故障特征是叠加在背景上的小幅冲击，幅值放大超过5%会改变冲击相对幅值；噪声信噪比低于30dB时，早期点蚀的窄带冲击可能被直接淹没。增强放DataLoader里做，每个epoch看到的是同一批原始样本的不同扰动，比离线复制样本涨数更稳。

标签从哪里来是另一个容易被低估的活。维修记录的时间粒度是天，振动数据是秒级，常见的保守做法是把“维修前7天到维修时刻”的数据标为该故障，7天之前标为正常；换件之后再出现同型号故障，才把该区间并入故障类。这样标签不够精确，但至少不会引入明显的错标样本。

3. 搭一维卷积神经网络：卷积核大小、通道数和网络骨架怎么定

3.1 网络骨架从三卷积块起步，残差连接不要一上来就加

设备状态监测的训练样本远不如图像分类丰富，一个风电场的故障样本可能只有几十条到几百条，网络一大就过拟合。论文里那些动辄ResNet-50的对比方案，在数据量不足时表现往往不如一个紧凑的三卷积块网络。我一般把基线设成三层Conv1d-BN-ReLU-Pool，通道数32/64/128，全连接直接接自适应池化后的特征。先把这条基线跑通，再讨论要不要加残差。

残差连接在故障诊断里有效，但有个前提：输入输出通道数得匹配。第一层就加残差会限制你的下采样倍数，要么改1×1卷积投影，要么牺牲stride。早期阶段残差对性能提升并不显著，徒增训练难度；反倒是把网络加深到五层以上时，残差才明显压住退化。基线模型不要贪深。

3.2 第一层卷积核大小按啮合周期估算，别照搬图像CNN的3×3

图像CNN的3×3卷积核在振动信号上不是一个好起点。时域波形里一个冲击脉冲只有几个到几十个采样点宽，3×3的感受野太小，只能看到脉冲的局部，捕捉不到啮合冲击的重复周期。常见做法是让第一层卷积核覆盖1~3个啮合周期。按前面10kHz采样、500Hz啮合频率的例子，一个周期20个点，第一层卷积核取64点就能看到三次重复冲击，网络在这一层就能学到“周期性冲击”这种强判别特征。

拿到论文里的卷积神经网络结构图，第一件事也应该是核对第一层的kernel_size和stride，而不是照着图像分类的惯例往下抄。中间层再回到小卷积核3、5、7，用于在上一层输出的特征图上组合局部模式。第一层stride取4快速降采样，后续stride保持1，靠MaxPooling下采样。注意stride不能太大，2048点输入一次降到256是合理的，降到64以下会让短促的冲击细节在早期就被抹掉。

3.3 可复用的Gearbox1DCNN实现与参数表

import torch.nn as nn class Gearbox1DCNN(nn.Module): """齿轮箱振动信号 1D CNN 分类器。 输入 (B, 1, 2048)，输出 (B, num_classes)。 结构：三个 Conv1d-BN-ReLU-Pool 块，自适应池化后接全连接。 """ def __init__(self, in_ch=1, num_classes=4): super().__init__() # block1: 2048 -> (2048+64-65)//4+1 = 512 -> MaxPool -> 256 self.block1 = nn.Sequential( nn.Conv1d(in_ch, 32, kernel_size=65, stride=4, padding=32), nn.BatchNorm1d(32), nn.ReLU(), nn.MaxPool1d(kernel_size=2, stride=2), ) # block2: 256 -> 256 -> MaxPool -> 128 self.block2 = nn.Sequential( nn.Conv1d(32, 64, kernel_size=7, stride=1, padding=3), nn.BatchNorm1d(64), nn.ReLU(), nn.MaxPool1d(kernel_size=2, stride=2), ) # block3: 128 -> AdaptiveAvgPool -> (B, 128, 1) self.block3 = nn.Sequential( nn.Conv1d(64, 128, kernel_size=5, stride=1, padding=2), nn.BatchNorm1d(128), nn.ReLU(), nn.AdaptiveAvgPool1d(1), ) self.fc = nn.Linear(128, num_classes) def forward(self, x): if x.dim() == 2: # (B, L) -> (B, 1, L) x = x.unsqueeze(1) x = self.block1(x) x = self.block2(x) x = self.block3(x) return self.fc(x.flatten(1))

参数说明：第一层65点卷积核在10kHz采样下覆盖约3.25个啮合周期（以500Hz为例）；stride=4配合MaxPool使信号长度从2048降到256，中间层以5/7小卷积核精细组合特征；BatchNorm解决不同机组、不同环境温度下振动幅值尺度漂移的问题。AdaptiveAvgPool把任意长度压到1，好处是推理时如果换了采集系统、窗口点数变了，网络无需重新训练也能前向计算，只是性能需要重新测。

超参数也有一个容易被论文带偏的地方：通道数不是越多越好。32→64→128的递增已经够用，线性层仅128维，分类头简单不容易过拟合。如果你后续要做特征迁移，让倒数第二层输出256维而不是128维也值得，但基线阶段保持小。

3.4 多测点怎么拼：三通道输入还是特征层拼接

齿轮箱上常见的测点有高速轴轴承座、低速轴轴承座、行星级壳体三个位置。论文里有的把三路信号直接堆成(B,3,2048)，有的各自跑一个1D CNN再拼接特征。前者实现简单，但要求三路信号严格时间对齐，采集系统不同步时反而引入伪特征；后者允许各测点采样率不一致，灵活性更高。现场能拿到不同采样率测点时我会选后者：每路先用统一窗长切片，各自过独立卷积块，全连接前把三个128维向量拼成384维。代价是显存和参数量约增加一半，换来的是对采集链路不齐的容忍度。

4. 训练与评估：别被准确率骗了，用跨机组验证和加权F1把关

4.1 优化器、学习率和早停：让训练过程可控

这类网络用AdamW够稳，学习率从3e-4起步，配余弦退火在50~60个epoch内降到接近0。权重衰减取1e-4量级，主要约束全连接层的过拟合。我见过很多人在这种小数据集上拿到特别高的训练准确率，但验证集一测就露馅，问题大多出在没做早停、直接保存了最后一轮权重。早期epoch模型还在学正常样本的整体分布，后期才慢慢记住故障样本的细节，所以必须用验证集指标挑权重。

梯度裁剪是长输入CNN的后悔药。振动样本里偶发一个强冲击，loss就会突跳一截，不裁剪的话学习率瞬时扰动足以把BatchNorm统计量打乱。clip_grad_norm_设成2.0，损失曲线会明显平滑。这一步配置成本极低，但很少看到论文写进去。

4.2 类别不平衡用加权交叉熵，别迷信SMOTE

风电场故障数据天然不平衡：正常样本可能占95%以上，齿面磨损、断齿、轴承点蚀各有百分之一量级。SMOTE在图像和表格数据上有用，在振动信号上我基本不碰，原因很简单：振动冲击的位置、幅值、相位是物理过程决定的，线性插值合成的样本不满足运动学规律，网络学到的可能是插值引入的伪特征而不是机械故障特征。

加权交叉熵是最稳定的做法。权重按类别样本数的倒数做平方根修正，例如正常:磨损:断齿:点蚀的样本数约100:5:2:1时，权重取1.0、4.0、8.0、12.0附近。权重大小会影响模型对故障类的召回，但也会推高正常类误报，具体取值要靠验证集调。

4.3 验证集按机组拆，不按样本随机拆

这是整个项目里对评估数字影响最大的一步。深度学习卷积神经网络这类项目里，验证拆分方式对指标的影响，经常比网络结构本身更大。按样本随机划分训练/验证集，同一台风机的相邻窗口会被分到两边，模型见过你的验证样本的“近亲”，验证F1看着有0.95，部署到另一台风机直接掉到0.6。正确做法是严格按风机编号划分：这台风机只进训练，另一台只进验证，确保两侧完全没有同一机组、同一时段的数据。样本量少时用Leave-One-Turbine-Out做交叉验证，代价是训练N遍模型，但评估数字才敢信。

注意：按机组拆分后，验证集风机不能参与任何训练，包括BatchNorm统计量的估计，否则还是泄漏。

4.4 训练循环与混淆矩阵代码：盯误报率和漏报率

一段实用的训练主循环，包含加权损失、早停和最佳权重保存：

import torch import torch.nn as nn device = torch.device("cuda" if torch.cuda.is_available() else "cpu") model = Gearbox1DCNN(in_ch=1, num_classes=4).to(device) # 类别权重：正常1.0，磨损4.0，断齿8.0，点蚀12.0（按实际样本比微调） class_weights = torch.tensor([1.0, 4.0, 8.0, 12.0], device=device) criterion = nn.CrossEntropyLoss(weight=class_weights) optimizer = torch.optim.AdamW(model.parameters(), lr=3e-4, weight_decay=1e-4) scheduler = torch.optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max=50) best_f1, patience, wait = 0.0, 12, 0 for epoch in range(50): model.train() for xb, yb in train_loader: # xb: (B, 1, 2048) xb, yb = xb.to(device), yb.to(device) loss = criterion(model(xb), yb) optimizer.zero_grad() loss.backward() nn.utils.clip_grad_norm_(model.parameters(), max_norm=2.0) optimizer.step() scheduler.step() val_f1 = evaluate_f1(model, val_loader) # 见下方评估函数 if val_f1 > best_f1: best_f1 = val_f1 torch.save(model.state_dict(), "gearbox_cnn_best.pt") wait = 0 else: wait += 1 if wait >= patience: break

评估阶段不能只看准确率。正常类占95%时，全预测正常就有95%准确率，一个故障都没抓到模型照样“好看”。要看加权F1或Macro-F1，再配合混淆矩阵定位两类错误：

from sklearn.metrics import confusion_matrix, classification_report def evaluate_f1(model, loader): model.eval() y_true, y_pred = [], [] with torch.no_grad(): for xb, yb in loader: logits = model(xb.to(device)) y_pred.extend(logits.argmax(1).cpu().tolist()) y_true.extend(yb.tolist()) return classification_report(y_true, y_pred, output_dict=True)["macro avg"]["f1-score"] # 部署前打印混淆矩阵，重点看正常->故障的误报(第0列)和故障->正常的漏报(第0行) y_true, y_pred = [], [] model.eval() with torch.no_grad(): for xb, yb in val_loader: logits = model(xb.to(device)) y_pred.extend(logits.argmax(1).cpu().tolist()) y_true.extend(yb.tolist()) print(confusion_matrix(y_true, y_pred, labels=[0, 1, 2, 3]))

看混淆矩阵的一个实操经验：运维的代价不对等，误报几次顶多浪费巡检人力，漏报一次可能直接打穿齿轮箱。所以调阈值时宁可把正常类的预测概率门槛抬高，让一部分边界样本滑向“不确定”而不是硬判正常。这也是下一章部署时要做窗口投票的原因。

5. 踩坑与排查：齿轮箱CNN状态监测部署路上的5个翻车现场

5.1 跨机组泛化崩溃：同厂同型号风机换了塔位就失灵

现象：在A风机数据上训练，验证集也来自A风机，F1达到0.92；把模型直接扔到B风机，F1掉到0.6以下，误报根本没法用。

原因：每台风机的装配状态、对中误差、基础沉降都不一样，振动信号的基线能量和频带分布有差异。模型在A风机上学到的判断尺度未必适合B风机，这跟同型号风机“长得像”没关系，数据分布不一样就是不一样。

解决：训练一开始就把数据按风机分组，验证集用完整的一台风机，训练集绝不掺它的窗口。如果现场风机数量足够多，用Leave-One-Turbine-Out交叉验证能稳定评估泛化能力。部署时再做一次轻量标准化，用新风机前7天的正常样本重新估算振动能量基线，相当于给模型配一把“这台机器的尺子”。

5.2 变转速下误报飙升：频谱图方案的天花板

现象：额定转速工况下训练出来的模型，到了低风速或湍流强时段的偏航工况，误报频率明显增加。

原因：转速变低后啮合频率整体下移，原来在频谱图里被当作正常能量集中区的频带位置变了。转速波动还会引入边频带，如果训练数据里没有覆盖这些转速区间，模型看到的输入分布和训练时完全不一样。

解决：换一维CNN直接在时域学，或用阶比跟踪把频谱归一化到转频的整数倍后再建模。论文里常见的另一种做法是把转速作为条件输入，网络除了振动波形之外再吃一个转速标量，这样网络能把“低速工况下的正常形态”和“高速工况下的正常形态”分开学，效果更直接。现场能拿到转速信号时，我倾向做转速分bin训练，每个bin内数据更平稳。

5.3 新齿轮箱磨合期报警不断：基线漂移怎么处理

现象：新齿轮箱或新更换的轴承投入运行头两周，模型连续报警，现场巡检排查后找不到故障。

原因：新件的磨合期振动能量天然比稳定运行期高一点，齿面修形、轴承游隙等因素会改变冲击形态。模型是在历史机组的稳态数据上训练的，没见过这种偏高的基线。纯粹的阈值方法怕的也是这个阶段。

解决：部署时设一个学习期，前7天只采集不报警，用滑动平均更新每台风机的能量基线和噪声本底。训练层面，在数据集里保留一部分“新件磨合期但未故障”的样本参与训练，让网络见过正常的高能量形态。两条都做，误报能明显压住。

5.4 数据增强过头把早期故障特征“增没了”

现象：加入噪声增强和幅值随机缩放后，验证集F1不升反降，尤其是齿面早期磨损类别，召回率掉了5个百分点。

原因：增强参数设得太激进。比如SNR取20dB，叠加的噪声功率已经超过真实传感器的本底，早期点蚀那种很窄的冲击信号被噪声平均掉，网络反而学不到冲击特征；幅值缩放超过10%时，冲击与背景的相对能量关系被破坏。

解决：增强参数贴着物理实际定：SNR不低于30dB，常见用40dB；幅值缩放限制在±3%以内。如果数据量确实太少，优先增加重叠率到75%而不是放大增强强度。增强之后把验证集原样本重跑一遍，如果增强版模型的F1低于原版，说明增强过头或方式不对。

5.5 softmax概率过自信：99%的故障置信度下拆开机舱是正常

现象：一个未覆盖的变工况样本输入模型，softmax输出故障概率0.99，现场按故障处理拆检后发现齿轮箱没有任何异常。

原因：CNN分类器没有被校准，尤其在分布外输入下，softmax概率并不代表真实置信度。训练集中没出现过的工况，模型也会强行分配一个概率极高的类别，这在黑匣子式的高度非线性模型里很常见。

解决：部署前做温度缩放（Temperature Scaling），在验证集上调一个温度参数T，让输出概率分布不再极端，常见T在1.5~2.5之间。更稳的做法是不只用分类头的softmax作为报警依据，把倒数第二层的特征向量和训练集正常样本的分布做一个距离判断，距离过远时输出“未知”类，宁可不报警也不乱报警。实测下来，离线验证集上加了温度缩放后，0.99的极端概率基本被压到0.7~0.8区间，误报率明显下降。

6. 从论文到现场：量化压缩、窗口投票与误报率观测

6.1 先在验证集上过一遍概率分布再谈部署

部署之前值得做的一步：把验证集所有样本的概率分布画出来，观察正常类与故障类的阈值重叠区。如果正常类也有不少样本落在0.95以上的高置信区，说明模型的分类边界和运维的告警需求没对齐。这时可以不用softmax输出直接报警，而是用logits加一个可调的偏置b换算成告警概率，b的具体值由误报率约束反推。这个动作能在一小时内完成，但能提前暴露部署时的大部分惊悚样本。

6.2 导出ONNX、INT8量化与推理占用

训练好的PyTorch模型转ONNX再走INT8量化，是边缘工控机上最常见的落地路径。振动监测的推理频率不需要很高，每秒5~10次足够，但风场工控机往往同时跑多个采集通道，留给单个模型的算力有限。INT8量化在齿轮箱模型上一般损失1~2个点的F1，换来推理显存占用下降到原来的四分之一到八分之一。量化后务必重新跑一遍跨机组验证集，确认量化误差没有把少数类指标推过警戒线。

# ONNX导出并检查输出，再交给TensorRT/ONNX Runtime做INT8量化 model.eval() dummy = torch.randn(1, 1, 2048) torch.onnx.export( model, dummy, "gearbox_cnn.onnx", input_names=["vib"], output_names=["logits"], dynamic_axes={"vib": {0: "batch"}, "logits": {0: "batch"}}, opset_version=17, )

注意ONNX导出时把BatchNorm融合步骤留给推理引擎自动处理；动态轴只设batch，窗口长度固定成2048，可以省掉不少算子兼容性麻烦。

6.3 连续N窗投票后处理：把单窗误报压下去

单窗口的CNN输出存在偶发抖动，一段持续时间极短的冲击噪声就能让概率拱到阈值上方。告警决策不直接看单窗，而是用连续命中同一类别的窗口数做投票，把“时长”引入决策逻辑。齿轮箱故障一旦发生，冲击是持续的，连续3~5个窗口（10kHz采样下约0.6~1秒）都判同一类别才触发告警，绝大多数瞬时干扰会被过滤。

class VotingAlarm: """连续 n_hit 个窗口命中同一故障类才触发告警。 用于抑制单窗随机误报，代价是引入一个决策延迟， 对齿轮箱这种小时级退化的故障来说完全可接受。 """ def __init__(self, n_hit=3): self.queue = [] self.n_hit = n_hit def step(self, pred_class): self.queue.append(pred_class) if len(self.queue) > self.n_hit: self.queue.pop(0) if len(self.queue) == self.n_hit and len(set(self.queue)) == 1: return self.queue[0] # 返回告警类别 return -1 # 不告警

部署后要盯的指标不是准确率，而是误报率和平均预警提前量。误报率的计算很简单：一个月内模型报警但现场检查无异常的次数除以总报警次数。新模型上线的前两周，我习惯让告警输出保持“观察模式”，只记录不派单，把两周的预测和实际维修记录对一下，再做最后的阈值收紧。风电齿轮箱这种慢退化部件的现场试运行，两周已经能暴露大部分问题。

我自己在这类项目上吃过的亏是太相信论文里的准确率数字。后来复盘才发现，大部分漂亮指标是在样本切片级别随机划分验证集得出的，部署到新机组就没了。从那之后，验证集一律按机组拆，模型报告里必须写清跨机组泛化指标，否则不看。这也是建议你从论文落到现场时，最值得坚持的一个习惯。希望帮到你。

本文还有配套的精品资源，点击获取