劉曦檬，湯占軍，李英娜，王金軒，周盛山

(昆明理工大學(xué)信息工程與自動(dòng)化學(xué)院，云南 昆明 650504)

隨著現(xiàn)有風(fēng)機(jī)塔筒高度不斷提升，葉片更易劃過(guò)低空云層，低溫高濕環(huán)境導(dǎo)致風(fēng)機(jī)葉片不可避免的發(fā)生結(jié)冰現(xiàn)象，不僅造成發(fā)電量下降、并網(wǎng)不穩(wěn)定等問(wèn)題，且從旋轉(zhuǎn)的葉片上脫落的冰塊會(huì)損毀周圍設(shè)備，對(duì)工作人員產(chǎn)生嚴(yán)重傷害，長(zhǎng)期覆蓋積冰的葉片會(huì)面臨折斷的風(fēng)險(xiǎn)，給風(fēng)電場(chǎng)帶來(lái)巨大的經(jīng)濟(jì)損失，對(duì)風(fēng)機(jī)葉片狀況進(jìn)行及時(shí)準(zhǔn)確的診斷就能安全合理調(diào)度風(fēng)機(jī)運(yùn)行，故開展風(fēng)機(jī)葉片結(jié)冰診斷模型研究具有重要意義。

國(guó)內(nèi)外學(xué)者針對(duì)風(fēng)機(jī)葉片結(jié)冰問(wèn)題展開了一系列研究，涂層的被動(dòng)方法[1]受材料性能影響較大，通常與主動(dòng)式的方法結(jié)合使用；常用的加熱除冰[2]一直維持開啟耗能較大，與使用風(fēng)電節(jié)能的初衷相悖；超聲波的方法[3]需對(duì)葉片改造，會(huì)增大維護(hù)成本；基于風(fēng)洞試驗(yàn)的研究[4-5]沒有考慮氣象條件或機(jī)械因素，對(duì)硬件有較高要求，成本高昂，操作方法具有復(fù)雜性；數(shù)值模擬的方法[6-7]以冰層產(chǎn)生機(jī)理與過(guò)程數(shù)值作為重點(diǎn)研究對(duì)象忽略了風(fēng)機(jī)自身運(yùn)行數(shù)據(jù)的特性。SCADA系統(tǒng)在風(fēng)場(chǎng)中應(yīng)用廣泛，它能夠獲取風(fēng)機(jī)各部件或子系統(tǒng)大量狀態(tài)監(jiān)測(cè)數(shù)據(jù)，因此對(duì)風(fēng)機(jī)SCADA系統(tǒng)導(dǎo)出的歷史數(shù)據(jù)使用合適的分析方法[8-10]構(gòu)建模型，挖掘風(fēng)機(jī)運(yùn)行過(guò)程中各特征變量與葉片發(fā)生結(jié)冰的內(nèi)在規(guī)律，是目前解決該問(wèn)題的主體思路。近年來(lái)基于深度學(xué)習(xí)的分析方法逐漸興起，李大中等[11]提出采用深度全連接神經(jīng)網(wǎng)絡(luò)模型，結(jié)果該模型較傳統(tǒng)機(jī)器學(xué)習(xí)模型具有更高的求取精度和更少的計(jì)算量；周廣飛[12]沿著發(fā)展脈路，分析了傳統(tǒng)機(jī)器學(xué)習(xí)模型PSO-SVM、進(jìn)階機(jī)器學(xué)習(xí)模型XGBoost和深度學(xué)習(xí)模型CNN-LSTM在風(fēng)機(jī)葉片結(jié)冰診斷問(wèn)題上的性能與優(yōu)缺點(diǎn)；劉娟等[13]基于棧式自動(dòng)編碼器建立了風(fēng)機(jī)葉片結(jié)冰預(yù)測(cè)模型，該模型在15號(hào)風(fēng)機(jī)上取得了良好的結(jié)果，但直接在21號(hào)風(fēng)機(jī)上測(cè)試時(shí)準(zhǔn)確率僅有60%；李銘璐[14]考慮到葉片結(jié)冰的時(shí)序性過(guò)程，基于長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)構(gòu)建了覆冰檢測(cè)模型，在相同風(fēng)機(jī)測(cè)試集上判斷精度高，計(jì)算量少，具有一定優(yōu)勢(shì)，但在不同風(fēng)機(jī)測(cè)試集上的診斷結(jié)果卻并不理想。這都是由于基于單風(fēng)機(jī)訓(xùn)練的診斷模型忽視了不同風(fēng)機(jī)的特征分布差異，導(dǎo)致在不同風(fēng)機(jī)測(cè)試集上泛化能力不足，重新訓(xùn)練模型會(huì)浪費(fèi)大量時(shí)間，使深度學(xué)習(xí)方法在解決該問(wèn)題的應(yīng)用中具有局限性，文獻(xiàn)[13]提出采用微調(diào)的方式解決，但在實(shí)際任務(wù)中往往面臨目標(biāo)風(fēng)機(jī)無(wú)葉片狀態(tài)標(biāo)注的情況；文獻(xiàn)[14]通過(guò)人為分析，選擇具有相似分布的特征數(shù)據(jù)訓(xùn)練模型，完成單風(fēng)機(jī)模型向多風(fēng)機(jī)適用的延伸；孟杭等[15]通過(guò)聚類的方法實(shí)現(xiàn)不同風(fēng)機(jī)的工況劃分，使用具有相似性的歷史數(shù)據(jù)進(jìn)行模型的訓(xùn)練與測(cè)試，從而實(shí)現(xiàn)多工況、多模型的遷移。根據(jù)文獻(xiàn)調(diào)研,針對(duì)風(fēng)機(jī)葉片結(jié)冰診斷問(wèn)題的遷移研究尚不多見，綜上，為提升單風(fēng)機(jī)模型在面向運(yùn)行數(shù)據(jù)分布存在差異且無(wú)葉片狀態(tài)標(biāo)注的不同風(fēng)機(jī)結(jié)冰診斷任務(wù)時(shí)的泛化性，本研究采用遷移學(xué)習(xí)中的深度域適應(yīng)方法。目前深度學(xué)習(xí)背景下針對(duì)風(fēng)機(jī)葉片結(jié)冰診斷問(wèn)題的序列建模研究主要以長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)為主，本文結(jié)合長(zhǎng)效記憶能力更佳的時(shí)序卷積網(wǎng)絡(luò)(Temporal Convolutional Networks，TCN)構(gòu)建風(fēng)機(jī)葉片結(jié)冰診斷模型，搭建時(shí)序卷積模塊從不同編號(hào)風(fēng)機(jī)原始數(shù)據(jù)中進(jìn)行特征提取，基于對(duì)抗學(xué)習(xí)的域適應(yīng)框架保證特征的泛化性和可遷移性，并在金風(fēng)科技提供的15號(hào)風(fēng)機(jī)和21號(hào)風(fēng)機(jī)運(yùn)行數(shù)據(jù)上進(jìn)行了驗(yàn)證。

1 材料與方法

1.1 數(shù)據(jù)分析

1.1.1 數(shù)據(jù)描述

本文所采用的風(fēng)力發(fā)電機(jī)葉片結(jié)冰數(shù)據(jù)來(lái)源于2017年工業(yè)大數(shù)據(jù)平臺(tái)，由金風(fēng)科技提供的國(guó)內(nèi)某風(fēng)電場(chǎng)15號(hào)和21號(hào)水平軸風(fēng)力發(fā)電機(jī)SCADA系統(tǒng)數(shù)據(jù)，采樣間隔7～10 s不等，其相關(guān)特征參數(shù)共28項(xiàng)如表1所示，其中15號(hào)風(fēng)力發(fā)電機(jī)數(shù)據(jù)集中包含從2015年11月1日至2016年1月1日期間葉片結(jié)冰、正常及異常數(shù)據(jù)共393 885條，剔除異常數(shù)據(jù)后共374 082條；21號(hào)風(fēng)力發(fā)電機(jī)數(shù)據(jù)集中包含從2015年12月1日至2016年1月1日期間葉片結(jié)冰、正常及異常數(shù)據(jù)共190 492條，剔除異常數(shù)據(jù)后共179 646條。

表1 風(fēng)機(jī)葉片結(jié)冰相關(guān)特征參數(shù)

1.1.2 不同風(fēng)機(jī)特征數(shù)據(jù)分布分析

本節(jié)對(duì)15號(hào)風(fēng)機(jī)和21號(hào)風(fēng)機(jī)的特征數(shù)據(jù)分布進(jìn)行分析，佐證對(duì)于風(fēng)機(jī)葉片結(jié)冰診斷模型由單風(fēng)機(jī)任務(wù)向不同風(fēng)機(jī)任務(wù)轉(zhuǎn)化的必要性，15號(hào)風(fēng)機(jī)和21號(hào)風(fēng)機(jī)運(yùn)行數(shù)據(jù)具有相同的特征空間和標(biāo)簽空間，它們的部分特征數(shù)據(jù)直方及擬合曲線趨勢(shì)對(duì)比如圖1所示，葉片1角度、葉片2角度、葉片3角度、葉片1速度、葉片2速度、葉片3速度、風(fēng)速、發(fā)電機(jī)轉(zhuǎn)速、對(duì)風(fēng)角、25 秒平均風(fēng)向角、偏航速度、X方向加速度、Y方向加速度等特征具有相似性；偏航位置、環(huán)境溫度、網(wǎng)側(cè)有功功率、機(jī)艙溫度、ng5 1充電器直流電流、ng5 2充電器直流電流、ng5 3充電器直流電流、變槳電機(jī)1溫度、變槳電機(jī)2溫度、變槳電機(jī)3溫度、ng5 1 溫度、ng5 2 溫度、ng5 3 溫度等特征則具有不同程度的差異性。

圖1 部分?jǐn)?shù)據(jù)特征分布對(duì)比

1.2 基于時(shí)序卷積對(duì)抗域適應(yīng)的風(fēng)機(jī)葉片結(jié)冰診斷

1.2.1 時(shí)序卷積網(wǎng)絡(luò)TCN

時(shí)序卷積網(wǎng)絡(luò)(Temporal Convolutional Network, TCN)于2018年被首次提出，它是卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)的一種延伸，TCN與循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Netural Network,RNN)及其變體家族長(zhǎng)短時(shí)記憶(Long Short-Term Memory,LSTM)網(wǎng)絡(luò)等不同，它使用卷積替代了遞歸，具有較快的訓(xùn)練速度，同時(shí)其精度也不輸一系列遞歸結(jié)構(gòu)的網(wǎng)絡(luò)，在長(zhǎng)效歷史記憶能力上優(yōu)勢(shì)更加明顯，TCN包含膨脹因果卷積、殘差模塊及一維全卷積結(jié)構(gòu)三個(gè)部分，結(jié)構(gòu)如圖2所示。

圖2 時(shí)序卷積網(wǎng)絡(luò)結(jié)構(gòu)圖[16]

因果卷積(Causal Convolution)的因果性體現(xiàn)在不涉及未來(lái)時(shí)刻，即對(duì)于當(dāng)前輸出結(jié)果yt只和xT及xT以前的輸入元素相關(guān)，它采用一維卷積，為確保無(wú)論過(guò)濾器和膨脹基數(shù)的設(shè)定值為多少，每一個(gè)隱含層的輸入輸出都維持相同時(shí)間步。

膨脹因果卷積(Dilated Causal Convolution)在因果卷積的基礎(chǔ)上通過(guò)空洞來(lái)加速提升感受野，使用過(guò)濾器f:{0,…,k-1}→R對(duì)一維輸入序列x∈Rn在具有固定間隙d的單元s上進(jìn)行卷積操作，其表達(dá)式為：

(1)

式中，d代表膨脹基數(shù)，隨著網(wǎng)絡(luò)層數(shù)的上升而增大，k代表過(guò)濾器大小。

TCN以殘差網(wǎng)絡(luò)結(jié)構(gòu)完成膨脹因果卷積層間的連接，采用1×1cov1對(duì)x做變換以保證跨層信息傳遞時(shí)和F(x)通道數(shù)一致，其函數(shù)表達(dá)式為：

o=Activation(x+F(x))。

(2)

式中，Activation代表Relu激活函數(shù)。

每一個(gè)時(shí)序殘差模塊均由兩個(gè)相同膨脹系數(shù)的卷積層和非線性映射Relu構(gòu)成，通過(guò)WeightNorm和Dropout對(duì)網(wǎng)絡(luò)進(jìn)行正則化，其示意圖如圖3所示[17]。

圖3 時(shí)序殘差模塊結(jié)構(gòu)圖

1.2.2 模型的構(gòu)建與訓(xùn)練

所構(gòu)建的時(shí)序卷積對(duì)抗域適應(yīng)葉片結(jié)冰診斷模型主要包括滑窗處理、時(shí)序卷積模塊特征提取、葉片結(jié)冰診斷模塊及領(lǐng)域判別模塊，算法框架示意圖如4所示。

圖4 時(shí)序卷積對(duì)抗域適應(yīng)算法框架

采用滑動(dòng)窗口大小為100，滑動(dòng)步長(zhǎng)為1來(lái)構(gòu)造源域與目標(biāo)域訓(xùn)練序列樣本，該訓(xùn)練樣本集由兩部分組成，分別為帶領(lǐng)域標(biāo)簽、葉片狀態(tài)標(biāo)簽的源域風(fēng)機(jī)序列樣本集和只帶領(lǐng)域標(biāo)簽的目標(biāo)域風(fēng)機(jī)序列樣本集。

搭建時(shí)序卷積網(wǎng)絡(luò)作為特征提取器Gf，其由數(shù)個(gè)時(shí)序殘差模塊組成，本節(jié)搭建3個(gè)時(shí)序殘差模塊，輸入通道數(shù)根據(jù)序列樣本的特征維度保持一致，這里輸入通道數(shù)目為26，卷積核的尺寸取5，各個(gè)時(shí)序殘差模塊隱含層通道數(shù)分別取8、16和32，膨脹系數(shù)分別為1、2和4，結(jié)冰診斷模塊由2個(gè)全連接層和1個(gè)Softmax層構(gòu)成，第1個(gè)全連接層輸出維度為100，激活函數(shù)為Relu，第2個(gè)全連接層輸出維度為100，激活函數(shù)為Relu，Softmax層輸出維度為2，領(lǐng)域判別模塊結(jié)構(gòu)與結(jié)冰診斷模塊結(jié)構(gòu)相同。

時(shí)序卷積網(wǎng)絡(luò)特征提取器Gf與領(lǐng)域判別器Gd相連構(gòu)建對(duì)抗域適應(yīng)網(wǎng)絡(luò)，將帶領(lǐng)域標(biāo)簽、葉片狀態(tài)標(biāo)簽的源域風(fēng)機(jī)樣本和帶領(lǐng)域標(biāo)簽的目標(biāo)域風(fēng)機(jī)樣本作為輸入，經(jīng)過(guò)時(shí)序卷積網(wǎng)絡(luò)輸出共享特征Gf(xi)，通過(guò)領(lǐng)域判別器Gd得到輸出結(jié)果向量，并根據(jù)域標(biāo)簽計(jì)算領(lǐng)域判別器的交叉熵?fù)p失，函數(shù)表達(dá)式為：

Ld(Gd(Gf(xi)),di)=-dilog(Gd(Gf(xi)))-

(1-di)(1-log(Gd(Gf(xi))))。

(3)

式中，di代表樣本的域類別。

將帶源域標(biāo)簽的特征Gf(xi)從總的特征中分離出來(lái)作為結(jié)冰診斷器Gy的輸入，利用源域風(fēng)機(jī)樣本中充足的結(jié)冰標(biāo)注信息來(lái)保證所提取特征的域內(nèi)分辨性，計(jì)算分類交叉熵?fù)p失，函數(shù)表達(dá)式為：

Ly(Gy(Gf(xi)),yi)=-yilogGy(Gf(xi))。

(4)

綜上，時(shí)序卷積對(duì)抗域適應(yīng)的聯(lián)合損失函數(shù)由源域交叉熵?fù)p失項(xiàng)和跨域分類正則項(xiàng)共同組成，其表達(dá)式為：

(5)

式中，?代表域正則系數(shù)。

Ganin結(jié)合梯度反轉(zhuǎn)(Gradient Reversal Layer, GRL)的思想來(lái)實(shí)現(xiàn)網(wǎng)絡(luò)前向傳播與反向傳播[18]，構(gòu)建的偽函數(shù)在前向傳播過(guò)程中輸出保持不變，表達(dá)式為：

R?(x)=x。

(6)

在反向傳播到特征提取器Gf前自動(dòng)轉(zhuǎn)為負(fù)向梯度，表達(dá)式為：

▽R?(x)=-?p·▽R?(x)。

(7)

則新的損失函數(shù)可表示為：

(8)

輸出訓(xùn)練好的深層時(shí)序卷積網(wǎng)絡(luò)Gf，與訓(xùn)練好的結(jié)冰診斷器Gy相連，輸入目標(biāo)域風(fēng)機(jī)無(wú)狀態(tài)標(biāo)簽樣本，以輸出最大概率對(duì)應(yīng)類別作為診斷結(jié)果，進(jìn)而實(shí)現(xiàn)源域有標(biāo)注的風(fēng)機(jī)葉片結(jié)冰數(shù)據(jù)輔助診斷無(wú)標(biāo)注目標(biāo)域風(fēng)機(jī)葉片狀態(tài)。

2 結(jié)果與分析

硬件配置為 Windows 7(64位)操作系統(tǒng)，8 G安裝內(nèi)存，i5-3230M和2.60 GHz主頻CPU的計(jì)算機(jī)，語(yǔ)言環(huán)境為Python 3.7.6，使用Pytorch程序包實(shí)現(xiàn)，GPU顯存16 G，Cuda版本11.0。

對(duì)時(shí)序卷積對(duì)抗域適應(yīng)(Domain-Adversial Temporal Convolution Network,DATCN)診斷模型訓(xùn)練時(shí)，按照比例劃分兩域的訓(xùn)練數(shù)據(jù)、驗(yàn)證數(shù)據(jù)和測(cè)試數(shù)據(jù)，其中21號(hào)風(fēng)機(jī)運(yùn)行數(shù)據(jù)的劃分比例為7∶2∶1，作為目標(biāo)域；15號(hào)風(fēng)機(jī)運(yùn)行數(shù)據(jù)的劃分比例為8∶1∶1，作為源域；經(jīng)窗寬為100和步長(zhǎng)為1的滑窗處理獲得兩域訓(xùn)練樣本和驗(yàn)證樣本，以樣本總數(shù)小的風(fēng)機(jī)為基準(zhǔn)取相同樣本數(shù)目，實(shí)際參與訓(xùn)練的兩域樣本251 072個(gè)，驗(yàn)證樣本35 704個(gè)。

以準(zhǔn)確率指標(biāo)為依據(jù)對(duì)各時(shí)序卷積模塊通道數(shù)進(jìn)行調(diào)節(jié)，首先根據(jù)經(jīng)驗(yàn)設(shè)置兩組基本通道數(shù)目組合，在此基礎(chǔ)上依次以2倍、4倍關(guān)系對(duì)各通道數(shù)目進(jìn)行調(diào)整，并記錄結(jié)果如表2所示，結(jié)果顯示各層通道數(shù)目分別為8、16和32時(shí)效果最佳。

表2 時(shí)序卷積通道數(shù)參數(shù)調(diào)節(jié)

模型權(quán)重參數(shù)初始化服從均值為0方差為0.01的高斯分布，采用early stopping的方法以驗(yàn)證集損失確定訓(xùn)練輪次數(shù)，epoch最終為24，DATCN模型相關(guān)參數(shù)具體如表3所示，得到的訓(xùn)練與驗(yàn)證精度如圖5所示。

表3 DATCN模型相關(guān)參數(shù)

圖5 DATCN訓(xùn)練與驗(yàn)證精度

為證明所構(gòu)建模型對(duì)風(fēng)機(jī)葉片結(jié)冰診斷的有效性，本文設(shè)計(jì)以下四種診斷模型進(jìn)行對(duì)比實(shí)驗(yàn)：方法一基于TCN的診斷模型；方法二基于長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)域適配(Long Short-Term Memory Adaption Network,LSTMAN)的診斷模型；方法三基于時(shí)序卷積網(wǎng)絡(luò)域適配(Temporal Convolution Adaption Network,TCNAN)的診斷模型；方法四基于DATCN的診斷模型。其中方法一的TCN診斷模型不進(jìn)行遷移適配，在15號(hào)風(fēng)機(jī)上訓(xùn)練后直接在21號(hào)風(fēng)機(jī)上測(cè)試，方法二和方法三均為基于最大均值差異MMD的深度域適配模型，特征提取器分別基于LSTM和TCN搭建，方法三的TCN層數(shù)與方法四保持一致，繪制幾個(gè)模型在21號(hào)測(cè)試集上的ROC曲線對(duì)比圖，結(jié)果如圖6—9所示。

圖6 DATCN模型ROC曲線結(jié)果

圖7 TCN模型ROC曲線結(jié)果

圖8 TCNAN模型ROC曲線結(jié)果

圖9 LSTMAN模型ROC曲線結(jié)果

從圖7中可以看出，未進(jìn)行遷移適配的時(shí)序卷積模型在21號(hào)風(fēng)機(jī)測(cè)試集上的AUC面積是4個(gè)模型中最低的，因此基于15號(hào)風(fēng)機(jī)訓(xùn)練的時(shí)序卷積模型不能夠準(zhǔn)確的提供21號(hào)風(fēng)機(jī)葉片狀態(tài)診斷結(jié)果；從圖6、圖8和圖9可以看出，基于深度域適應(yīng)的幾種遷移方法能夠改善對(duì)不同風(fēng)機(jī)葉片狀態(tài)的診斷性能，相較圖7，幾個(gè)模型在21號(hào)風(fēng)機(jī)測(cè)試集上的AUC面積均有所提升，驗(yàn)證了遷移的有效性，其中基于深度適配的LSTMAN和TCNAN兩種模型的AUC面積均低于基于對(duì)抗域適應(yīng)的DATCN模型。

為進(jìn)一步分析各診斷模型的性能，本文以15號(hào)風(fēng)機(jī)和21號(hào)風(fēng)機(jī)運(yùn)行數(shù)據(jù)分別作為源域和目標(biāo)域進(jìn)行了4組試驗(yàn)，以目標(biāo)域在測(cè)試集上的診斷準(zhǔn)確率作為評(píng)價(jià)指標(biāo)，得到四種模型診斷結(jié)果如圖10所示。

圖10 不同模型遷移結(jié)果對(duì)比

從準(zhǔn)確率評(píng)價(jià)指標(biāo)來(lái)看，基于TCN的模型由于未進(jìn)行遷移適配，因此在幾組遷移實(shí)驗(yàn)中準(zhǔn)確率最低為69.9%，這說(shuō)明基于15號(hào)風(fēng)機(jī)運(yùn)行數(shù)據(jù)學(xué)習(xí)的模型不能夠很好的適應(yīng)特征分布存在差異的21號(hào)風(fēng)機(jī)運(yùn)行數(shù)據(jù)，在21號(hào)風(fēng)機(jī)的葉片狀態(tài)診斷任務(wù)中泛化能力較弱；基于LSTMAN和TCNAN的模型診斷準(zhǔn)確率分別為78.0%和82.12%，相較未進(jìn)行適配的TCN模型，TCNAN模型更具適應(yīng)性，從葉片狀態(tài)診斷準(zhǔn)確率指標(biāo)上看提升了12.22%，DATCN模型較TCNAN模型提高了7.68%，證明了結(jié)合時(shí)序卷積和對(duì)抗域適應(yīng)的模型具備更好的遷移能力，更有利于在面向數(shù)據(jù)分布存在差異且無(wú)標(biāo)注的風(fēng)機(jī)葉片狀態(tài)診斷問(wèn)題時(shí)進(jìn)行實(shí)際延展。

3 結(jié)論

目前深度學(xué)習(xí)背景下針對(duì)風(fēng)機(jī)葉片結(jié)冰診斷問(wèn)題的序列建模研究主要以長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)為主，本文基于長(zhǎng)效記憶能力更佳的時(shí)序卷積網(wǎng)絡(luò)構(gòu)建葉片結(jié)冰診斷模型，結(jié)合對(duì)抗學(xué)習(xí)的域適應(yīng)框架以解決單風(fēng)機(jī)模型在面向運(yùn)行數(shù)據(jù)分布存在差異且無(wú)葉片狀態(tài)標(biāo)注的不同風(fēng)機(jī)結(jié)冰診斷任務(wù)時(shí)的局限性，實(shí)驗(yàn)結(jié)果顯示所構(gòu)建的DATCN模型在21號(hào)風(fēng)機(jī)葉片結(jié)冰診斷任務(wù)上的準(zhǔn)確率提高了20%，遷移前后準(zhǔn)確率具有一定的提升幅度，可提供一定參考。