在追求綠色能源轉型的全球浪潮中，風力發電扮演著越來越重要的角色。然而，矗立在風口浪尖的風力發電機(WT)結構復雜、運行環境惡劣，其關鍵部件（如齒輪箱、發電機、葉片等）的故障時有發生，一旦故障未及時發現，輕則導致發電量損失，重則引發設備嚴重損壞甚至安全事故，造成巨大的經濟損失。為了保障風機安全、穩定、高效運行，對其進行狀態監測與故障診斷至關重要。

現代大型風機通常配備有數據采集與監控(SCADA)系統，能夠持續不斷地采集并記錄反映風機運行狀態的數十甚至上百個參數，如風速、功率、轉速、溫度、振動等，形成了海量的多變量時間序列數據。這為基于數據驅動的智能故障診斷提供了豐富的“原料”。然而，理想很豐滿，現實卻很“骨感”。在風機的實際運行中，大部分時間都處于正常狀態，發生故障的時刻相對稀少。這就導致收集到的SCADA數據存在嚴重的類別不平衡問題——代表各種故障的“少數類”樣本數量，遠遠少于代表正常狀態的“多數類”樣本。當我們將這些不平衡的數據直接喂給常規的機器學習模型時，模型會傾向于“偷懶”，即過度學習數量龐大的正常狀態模式，而對那些數量稀少但至關重要的故障模式“視而不見”或學習不足。這直接導致故障診斷的準確率，特別是對少數故障類的檢測率顯著下降，使得智能診斷系統在實際應用中面臨“失靈”的風險。

此外，風機故障的機理復雜，其發生與發展往往不是由單一參數異常引起，而是多個物理量在空間（不同部件、不同測點）和時間上相互作用、協同演變的結果。例如，軸承的早期磨損可能同時引起振動加劇和溫度升高，并且這種異常信號會隨時間推移而增強。如何從高維、耦合的多變量時間序列中，有效地提取并融合這種隱藏在數據背后的空間關聯特征與時間演化規律（即時空特征），是另一個技術難點。傳統的故障診斷方法要么側重于單一時間點的多變量分析（忽略時間動態），要么對每個變量單獨進行時序分析后再簡單拼接（忽略變量間的空間關聯），難以捕獲真正的時空耦合故障特征。

正是為了攻克上述“數據不平衡”與“特征提取難”的雙重挑戰，一項題為《Spatiotemporal Feature Extraction from Integrated Multivariate Time Series via MCNN-LSTM for Wind Turbine Fault Diagnosis》的研究在《Journal of Modern Power Systems and Clean Energy》上發表。這項研究旨在開發一種更魯棒、更精準的風機故障診斷方法。研究人員認識到，要想提升模型對少數故障的識別能力，必須從數據表示、模型架構和損失函數三個層面進行協同優化。他們最終提出了一種全新的框架，其核心思路是：首先，將原始雜亂的SCADA數據，重組為一種能夠同時顯式編碼物理空間拓撲和時序演化特性的“集成多變量時間序列(IMTS)”矩陣；然后，設計一個能夠分層提取“空間”關聯特征和時間依賴特征的混合神經網絡模型(MCNN-LSTM)；最后，在模型訓練時，通過改進的損失函數，迫使模型將更多的“注意力”資源分配給難分類的少數類樣本。實驗證明，這套“組合拳”成效顯著，在真實的SCADA數據集上取得了卓越的綜合診斷性能。

為開展研究，作者主要運用了以下關鍵技術方法：1. 集成多變量時間序列(IMTS)數據表示法：通過滑動窗口整合多源時序數據，構建雙標簽矩陣，顯式編碼變量的物理空間拓撲與時間演化。2. 層次化MCNN-LSTM模型架構：結合多尺度卷積神經網絡(MCNN)提取跨變量關聯特征（視為空間特征）并提供全局狀態先驗，利用堆疊的長短期記憶網絡(LSTM)捕捉短長期時間依賴，并通過特征對齊與融合模塊學習時空融合特征。3. 改進的加權交叉熵損失函數：引入基于核密度估計的樣本概率作為正則化項，使模型關注少數類和難分類樣本。研究所用數據來源于真實風電場SCADA系統數據集。

為了驗證所提出的IMTS數據表示方法的優勢，研究人員將其與幾種基線數據表示方法進行了對比實驗。基線方法包括：直接使用原始多變量時間序列、經過滑動窗口處理但未進行空間拓撲編碼的序列、以及僅考慮空間關聯的圖表示等。實驗結果表明，在使用相同分類模型（如標準LSTM或CNN）的情況下，基于IMTS表示的數據所訓練出的模型，在宏平均F1分數(F1-macro)和幾何平均數(G-mean)等關鍵指標上均顯著優于使用基線數據表示的模型。這證實了IMTS表示能夠更有效地保留和呈現多變量數據中固有的空間結構與時間上下文信息，為后續的特征學習提供了更優越的底層數據基礎。具體來說，IMTS通過其矩陣結構，將不同物理位置（空間維度）的變量在連續時間點（時間維度）上的讀數有機組織起來，使得模型能夠更直觀地“看到”變量間伴隨時間變化的協同或異步模式，這對于識別特定的故障簽名至關重要。

在確定了IMTS數據表示后，研究重點評估了所提出的MCNN-LSTM混合架構的性能。研究人員將其與一系列先進的深度學習模型進行了比較，包括但不限于：純LSTM網絡、純CNN網絡（如一維CNN、二維CNN）、CNN與LSTM的簡單串聯或并聯模型，以及其他用于時序分類的經典模型。消融實驗也被用于分析MCNN模塊和LSTM模塊各自的作用。結果顯示，完整的MCNN-LSTM模型在故障診斷任務上取得了最佳性能。消融實驗表明，當移除MCNN模塊，僅使用LSTM時，模型對某些空間耦合特征明顯的故障（如多個溫度測點同時異常）的識別率下降；反之，當移除LSTM模塊，僅使用MCNN時，模型對具有強時間演化規律的故障（如振動幅值緩慢增長）的敏感度降低。這證明了MCNN模塊擅長提取跨變量的、反映系統全局狀態的“空間”關聯特征，而堆疊LSTM模塊則擅長捕捉局部和長期的時間依賴模式。兩者通過特征對齊與融合機制進行整合，實現了“1+1>2”的效果，使模型能夠學習到判別力更強的時空融合特征，從而全面應對各類故障模式。

針對SCADA數據不平衡的核心挑戰，研究提出了改進的加權交叉熵損失函數，并與標準交叉熵損失、常見的類別加權交叉熵損失以及焦點損失(Focal Loss)等進行了對比。改進的損失函數創新性地引入了基于核密度估計的樣本概率作為正則化權重。該權重能夠自動評估每個訓練樣本的“難度”及其所屬類別的“稀有度”，并對少數類樣本和分類難度大的樣本賦予更高的權重。實驗結果表明，在使用相同MCNN-LSTM模型和IMTS數據的情況下，采用改進損失函數進行訓練，模型在所有故障類別上的召回率(Recall)得到了更為均衡的提升，特別是那些樣本數量最少的故障類別，其檢測精度改善最為明顯。與此同時，模型的整體精度(Accuracy)和宏平均F1分數也獲得了同步提高。這表明，所提出的損失函數有效地緩解了類別不平衡帶來的負面影響，引導模型在不過度犧牲多數類精度的情況下，顯著加強了對少數類樣本的特征學習與分類決策能力，從而提升了模型的整體泛化性能和實用價值。

本研究針對風力發電機SCADA數據存在的類別不平衡和時空特征提取困難的問題，提出了一套協同優化的故障診斷解決方案。通過設計集成多變量時間序列(IMTS)表示法，為模型提供了同時蘊含空間拓撲與時間演化的高質量數據輸入。所構建的層次化MCNN-LSTM模型，創新性地融合了多尺度卷積神經網絡(MCNN)在提取跨變量空間關聯特征方面的優勢，以及長短期記憶網絡(LSTM)在建模時序依賴關系方面的特長，實現了對復雜故障時空特征的深度挖掘。進一步提出的改進加權交叉熵損失函數，通過核密度估計自適應調整樣本權重，有效引導模型關注少數類和難分類樣本，緩解了數據不平衡對模型性能的制約。

在真實風電場SCADA數據集上的綜合實驗表明，該方法顯著超越了多種現有對比方法，取得了宏平均F1分數0.943和幾何平均數0.942的優異性能，證明了其在提升風機故障診斷準確性、特別是少數故障類檢測率方面的有效性和先進性。該研究的意義在于，它不僅為不平衡SCADA數據下的風機故障診斷提供了一個高性能、可操作的深度學習框架，更重要的是，其“數據表示-模型架構-損失函數”協同優化的思路，對解決其他工業設備監測領域中類似的數據不平衡與復雜特征提取問題，也具有重要的方法論參考價值。將物理系統的空間拓撲知識嵌入數據表示，并利用混合神經網絡捕捉其動態演化，代表了數據驅動工業智能向更精細、更可靠方向發展的一個有益探索。未來工作可考慮將該框架擴展到更廣泛的故障類型、不同的風機型號，并探索其在邊緣計算設備上的輕量化部署，以推動研究成果向工程實際應用的進一步轉化。