近期，我校机械设备健康维护湖南省重点实验室“高端装备智能感知与运维”科技创新团队21级硕士生李赛在不平衡样本数据下风机叶片结冰预测方向取得新进展，相关研究成果以“Prediction of Wind Turbine Blades Icing Based on CJBM With Imbalanced Data”为题，发表在工程技术领域国际顶尖学术期刊《IEEE Sensors Journal》(中国科学院二区TOP，IF: 4.3，非开源)。该论文是在彭延峰副教授和宾光富教授联合指导下完成的部分研究成果。

▲论文首页

风力发电替代化石燃料的推广应用是减少环境污染、减缓甚至逆转全球变暖的有效途径。但由于WT发电的地理特点，约有20%-30%的风力发电设施位于低温高湿地区，WT叶片结冰问题严重。叶片结冰会导致叶片负荷分布不均匀，增加机械故障的风险，缩短WT的使用寿命。因此，准确预测WT叶片结冰故障，有利于风电系统的安全运行，降低运行成本。目前，监控和数据采集(SCADA)系统是WTs的主流监测方法。然而，由于采集不到足够的WT叶片结冰[6]数据，SCADA数据存在数据不平衡的问题。

理论研究表明，基于γ步长自适应选择截距dc和聚类中心方法是可行的，数据集的筛选策略也提高了聚类和分类预测的精度。对比分析表明，所提出的CJBM模型具有较高的检测精度，并在两个SCADA的WT数据集上进行了验证。结果表明，相对于kmean-smote模型，该模型的正确率、精密度、查全率和f1分值分别提高了2.34%/2.71%、2.58%/1.42%、2.58%/2.73%、3.94%/2.66%和2.54%/2.71%，运行时间明显快于其他模型，证明了该模型的有效性。相关研究结论可为低温高湿环境下的风机叶片结冰预测提供一种可行方案，具有重要的工程实际意义。

▲方法详细框架

该研究受到了湖南省科技创新人才计划项目(No. 2022RC1135)和湖南省自然科学基金项目(No. 2021JJ30260)项目支持。据悉，李赛同学参与申报国家自然科学基金等科研项目，作为核心技术人员参与了华为技术有限公司、华菱湘潭钢铁集团有限公司和中国航发湖南动力机械研究所等多项攻关项目，在论文发表、专利撰写、项目研究、代码编制和工程测试等方面积累了较为丰富的经验。

（一审：李海屿 二审：王 虎 三审：李洪华）