大家好，我是华北电力大学许伯强教授团队的一员。许伯强教授带领我们搞了个新招，把改进的EEMD和强化视觉Transformer结合起来，专门给风电机组做故障预警。为啥要这么做呢？因为风电机组在野外工作条件特别差，维护起来太难了。这套技术能帮着我们把运维成本降下来，电网也更安全了。现在很多机组都装了SCADA系统，这玩意儿提供了很多宝贵的数据。可现有的预警方法大多只盯着单一部件或者单一故障类型看，很难看出整个机组的全貌。我们这次提出了一种结合改进EEMD和强化ViT的方法，把这些问题给解决了。 EMD类算法在实时预警里有几个老大难问题：信息泄露、模态混叠还有端点效应。ViT模型处理多维多尺度数据时也挺费劲，计算量大不说，对时间尺度也不够敏感。为了克服这些问题，我们先把SCADA数据通过改进后的EEMD分解成IMF分量，然后用这些分量构建成一个特征矩阵。这个矩阵就像一面镜子，能把风电机组实时的状态给照出来。我们还用了非对称卷积和可变形注意力机制来优化ViT模型，这就好比给模型装上了眼睛和耳朵，让它既能看到多尺度的细节，又不用费太多力气计算。 接下来讲讲具体怎么做。我们给EEMD算法设置了滑动窗口，结合历史数据来做动态分解。这样做就能把信息泄露给挡住了，端点效应也减少了很多。接着我们把分解出来的IMF分量拼成一个多维的特征矩阵（图2）。为了让ViT更好地处理这个矩阵，我们加了非对称卷积模块让它适应风电机组数据的特点。再引入可变形注意力机制降低计算量（图3），最后就得到了一个超强的预警工具（图4）。 实验结果证明这套方法确实挺厉害。改进后的EEMD不仅避免了信息泄露和模态混叠，还把分解的速度和准确性都提上去了。构建的特征矩阵把不同故障类型的状态都给表征出来了。强化ViT在正常状态下预测特别准，收敛也快。总的来说，这套基于改进集合经验模态分解和强化视觉Transformer模型的方法能提前给我们发出警报，还能帮忙识别出具体是哪儿坏了。这对智能运维来说真是个利器。 再简单介绍一下团队情况。许伯强老师是博士、教授、博士生导师，专门研究大型电机的状态监测和故障诊断。王彪是硕士研究生，主攻风电机组的这一块。孙丽玲老师是副教授，负责风力发电机定转子故障检测与诊断。尹彦博是博士研究生，方向也是风电机组的状态监测与故障诊断。我们团队一直坚持做前沿研究和应用开发并重的事情。 最近几年我们拿下了好几个国家级课题，在顶级期刊上发了80多篇高水平论文，还拿到了11项国家发明专利。我们研发的“异步电动机初发故障在线检测仪”通过了河北省科学技术厅的鉴定，被认为达到了国际先进水平。我们团队一直秉承“理论创新引领，技术落地服务”的理念，把成果用到了国防和工业领域里。 最后说一下这个成果发在哪儿了。《电工技术学报》2025年第20期上刊登了我们的论文《基于改进集合经验模态分解和强化视觉Transformer模型的风电机组故障预警》。这个课题是由国家自然科学基金资助的项目。