工程師團隊在《Discover Artificial Intelligence》期刊發(fā)表研究，推出面向水電應用的AI診斷框架PIDRN-DT。該框架融合物理控制方程、合成數(shù)據(jù)生成與深度殘差網絡，用于檢測與定位旋轉機械故障。在四項公開旋轉機械基準測試中，系統(tǒng)報告綜合診斷準確率為98.6%，宏觀平均F1分數(shù)為98.4%；在未微調的情況下跨數(shù)據(jù)集遷移知識，平均準確率達97.4%。作者ChenYang Zhu與Yuguo Zhou強調，上述指標為基準測試結果，并非實際運行電站的性能證明。

PIDRN-DT框架由四個協(xié)同模塊構成：面向水電的物理殘差模型、受限潛在空間增強程序、模態(tài)感知融合的一維殘差網絡輸入，以及對抗域對齊機制。物理部分基于三類控制方程：水力功率關系連接水密度、體積流量、有效水頭與渦輪效率；轉子動力學通過微分方程平衡液壓扭矩、負載扭矩、類條件故障擾動、粘性阻尼與轉子角加速度；交軸發(fā)電機方程描述電氣電流隨電壓與轉速的演化。這些關系共同定義殘差算子，量化候選信號偏離給定故障類別物理合理行為的程度。

殘差算子在數(shù)據(jù)增強管線中發(fā)揮雙重作用。研究人員將真實傳感器樣本編碼至緊湊潛在空間，對同類故障樣本進行插值，并將插值點投影回由物理殘差定義的可行區(qū)域。解碼候選樣本僅在其加權殘差范數(shù)低于訓練集估算的類別閾值，且特征處于合理范圍內時才會被接受。該過程不同于無約束的合成少數(shù)類過采樣，確保每個候選樣本均受顯式物理準則篩選。融合階段解決工業(yè)監(jiān)測中的采樣率差異、數(shù)據(jù)缺失與可信度問題，通過可用性掩碼與學習可靠性門控抑制低質量通道，并利用八頭交叉模態(tài)注意力實現(xiàn)多傳感器或多視圖信息交互。分類器核心為一維ResNet-18骨干，其殘差塊嵌入物理約束項，懲罰中間表示與殘差約束投影的距離。損失權重分別為質量守恒項1.0、水力功率殘差0.5、發(fā)電機方程0.3及表示正則化0.1。當基準缺乏某殘差項所需變量時，該項將被掩碼剔除而非從不可用測量值重建。

評估涵蓋Case Western Reserve University軸承數(shù)據(jù)集、Paderborn大學數(shù)據(jù)集、Machinery Fault Prevention Technology數(shù)據(jù)集及復合旋轉機械集合。數(shù)據(jù)按60%訓練、20%驗證、20%測試劃分，采用五折交叉驗證及配對t檢驗與Wilcoxon符號秩檢驗（Bonferroni校正）。預處理包括四階Butterworth帶通濾波、1024樣本窗口（50%重疊）及僅基于訓練數(shù)據(jù)的歸一化。對比七種基線模型后，完整配置表現(xiàn)穩(wěn)定領先。移除增強路徑導致準確率下降4.5個百分點，移除多源融合導致下降5.0個百分點。在信噪比5分貝加性噪聲下，框架準確率達94.2%，顯著優(yōu)于注意力多源融合網絡（85.6%）與普通ResNet（78.3%）；信噪比降至負5分貝時仍保持87.5%。僅使用10%標注數(shù)據(jù)訓練時，準確率達86.4%，表明物理篩選的合成樣本在真實標簽稀缺時作用顯著。

計算測試在配備40GB內存的NVIDIA A100 GPU、Intel Xeon Gold 6248處理器與256GB RAM服務器上進行。單樣本推理延遲報告為8.2毫秒，作者明確指出此為服務器級參考數(shù)據(jù)，不推廣至邊緣設備或電廠實時運行。量化、剪枝、蒸餾、內存占用、功耗、并發(fā)流吞吐量及長期穩(wěn)定性均為待解決的部署任務。t-SNE可視化顯示聚類緊湊，但作者僅將其視為定性證據(jù)，建議未來工作歸檔訓練嵌入后報告定量指標。

該研究的突出特點在于對預期與證據(jù)差距的坦誠說明。物理方程雖面向水電，但基準測試未包含水力瞬變、空化、水錘、導葉動態(tài)或特定電廠電磁行為。盡管存在公開的某水電項目軸承振動數(shù)據(jù)集，但未納入本次實驗。作者明確表示，“面向水電”指物理公式與預期應用，而非基準證據(jù)來源，跨基準遷移不能解讀為水電泛化能力。從基準到電站的實際應用路徑需完成電廠級數(shù)字孿生校準、記錄參數(shù)識別、同步多源水電測量（涵蓋振動、聲發(fā)射、電流、電壓、溫度、水頭、流量、負載及監(jiān)控變量）、定量域差異分析、替代增強生成器匹配對比及邊緣設備延遲測試?？柭鼮V波更新退化與干擾參數(shù)僅作為在線機制保留，同步與自適應能力尚未驗證。在此限制下，該研究為物理知識與深度學習耦合提供了可復現(xiàn)模板，并證明了在噪聲、數(shù)據(jù)稀缺與域偏移條件下可實現(xiàn)可測量的性能提升。

資料來源：bioengineer.org；原文發(fā)布日期：2026-10-28。本文為資料編譯。