1. 项目背景与价值解析
在风电运维领域,机组故障诊断一直是个让人头疼的难题。传统基于单一时间序列的监测方法,就像只用听诊器检查心脏病人——虽然能发现部分异常,但很难全面把握设备状态。我们团队历时三年收集整理的这套数据集,首次实现了时空特征的多维度融合,相当于给风电机组做了套"CT扫描+动态心电图"的联合检查。
这个数据集的独特之处在于,它不仅包含SCADA系统记录的常规运行参数(如功率、转速、温度等时间序列数据),还整合了来自多个部位的振动信号、机舱视频监控图像、塔筒应变片读数等空间分布信息。这种时空维度的交叉验证,使得早期微小的机械故障(如轴承初始裂纹、齿轮箱轻微磨损)都能被有效捕捉。去年在某风电场实测中,基于此数据集的诊断模型将齿轮箱故障的预警时间平均提前了47天。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 数据集结构与采集方案
2.1 数据层级架构
数据集采用树状存储结构,根目录下按故障类型分为:
- 机械故障(包含轴承、齿轮箱、主轴等子类)
- 电气故障(包含发电机、变流器、电缆等子类)
- 控制系统故障
- 复合故障(多系统耦合故障)
每个子类目录包含:
/time_series:10Hz采样的SCADA数据(CSV格式)/vibration:16通道振动波形(HDF5格式)/thermal:红外热成像序列(PNG+温度矩阵)/metadata:设备参数、工况记录(JSON格式)
2.2 关键采集设备选型
振动监测采用NI cDAQ-9188XT搭配IEPE加速度传感器,采样率设为25.6kHz以满足轴承故障特征频率需求。热成像使用FLIR A655sc,空间分辨率640×480,热灵敏度<30mK。所有设备通过PTPv2协议实现μs级时间同步,确保时空数据对齐。
重要提示:振动传感器安装需严格遵循ISO 5348标准,我们采用磁性底座配合Loctite 648胶水双重固定,实测在8m/s²振动环境下仍能保持稳定接触。
3. 数据预处理与特征工程
3.1 时空对齐算法
由于不同设备的采样频率差异(SCADA 10Hz vs 振动25.6kHz),我们开发了基于动态时间规整(DTW)的插值算法:
python复制def align_signals(scada, vibration):
