Die Anomalieidentifikation und Fehlerlokalisierung von Windturbinen durch Daten von Supervisory Control and Data Acquisition (SCADA) ist ein beliebtes Thema, aber die meisten Studien vernachlässigen die komplexe zeit-räumliche Abhängigkeit zwischen den SCADA-Variablen der Windturbinen, was zu einer niedrigen Erkennungsgenauigkeit für Anomalien in kritischen beweglichen Bauteilen der Windturbine führt. Um dieses Problem anzugehen, schlägt dieses Papier eine Methode zur Fehlererkennung und -identifikation vor, die auf einem dynamischen Graphmodell mit einem kausalen spatio-temporalen Aufmerksamkeitsmechanismus und variabel-normiertem Fluss basiert. Zuerst wird ein spatio-temporaler Aufmerksamkeitsmechanismus unter Kausalität eingeführt, um spatio-temporale Merkmale der Variablen zu extrahieren, und ein graphenkonvolutionales neuronales Netzwerk wird verwendet, um die extrahierten spatio-temporalen Merkmale als dynamischen Graphen darzustellen. Zweitens wird ein dynamischer Normalisierungsfluss vorgeschlagen, um die logarithmische Dichteschätzung zwischen den Variablen zu berechnen. Schließlich werden die Anomaliewerte durch logarithmische Dichteschätzung berechnet. Basierend auf diesen Werten werden Anomalien erkannt und lokalisiert. Die experimentelle Validierung an realen SCADA-Daten von Windturbinen zeigt, dass die Methode effektiv abnormalen Betriebszustände identifizieren und Frühwarnungen bereitstellen kann, wodurch höhere Genauigkeit und größere Stabilität erreicht werden.
Gao et al. (Sun,) haben diese Frage untersucht.