本网讯（大数据学院 文/图 张婧慧）近日，大数据学院杨仁增副教授团队在国际测量领域权威期刊Measurement（JCR Q1/二区Top期刊）发表研究成果《Turbo-generator rotor fault diagnosis via vibration mode decomposition signatures》，针对新能源大规模并网下的汽轮发电机运行安全问题，提出覆盖测量全过程的多模态智能诊断方法，支撑大型发电设备可靠运行。

随着风电、光伏等可再生能源并网比例持续提高，电力系统负荷波动加剧，汽轮发电机在频繁调峰运行中承受显著增大的机械与电磁应力，转子绕组匝间短路等隐性故障风险随之上升。针对该共性难题，研究团队构建了覆盖“测量—建模—特征提取—诊断”全链条的故障状态估计框架，兼具可追溯性与高鲁棒性。

研究提出一种基于定子励磁端50 Hz与100 Hz振动分量的转子故障敏感指标，并从理论上阐明其与转子绕组匝间短路的内在关联；进而建立ANSYS电磁—机械耦合模型，系统揭示转子匝间短路对定子振动频谱的调制机理，并开展了600 MW级汽轮发电机匝间短路故障的仿真模态实验验证。

在信号处理与智能诊断方面，研究创新融合变分模态分解（VMD）与算术优化算法（AOA），自适应优化VMD关键参数；基于振动检测仪采集的机端带通振动幅值序列，提取多模态时频特征，并构建含多模态特征重构层的时序神经网络，显著提升故障识别准确率；同时建立覆盖“传感器采集—特征提取—输出”的全过程可追溯测量模型，系统量化信噪比、频率分辨率、模态分离度及重复性/再现性等关键因素引入的不确定性。

实验结果表明，该方法在复杂工况下可实现稳定、准确的转子故障状态估计，抗噪性能与识别精度均显著优于传统模型。研究成果为大型汽轮发电机转子绕组匝间短路的早期诊断提供了新范式，对提升电力装备智能运维能力具有重要工程应用价值。

该研究揭示了发电机转子绕组匝间短路故障的电磁—机械耦合振动机理，验证了多模态数据融合与深度神经网络在能源装备健康监测中的工程可行性，相关技术已具备实际部署条件，可支撑新型电力系统安全稳定运行。

一审：张婧慧

二审：王喜宾

三审：张  艳