風電機組常年暴露在復雜自然環境中，故障頻發不僅導致經濟損失，更暗藏安全隱患。如何通過智能化技術應對多風場聯合故障診斷中的數據異質問題，實現高效故障診斷，成為風電行業亟待破解的難題。
近日，上海交通大學機械與動力工程學院李艷婷課題組在鯤鵬昇騰科教創新卓越中心的算力支持下，其“基于鯤鵬昇騰的風電機組智能化運維關鍵技術開發”課題研究取得突破性進展——基于昇騰算力平臺的輕量化集群聯邦學習(CFL)框架在診斷精度不變的情況下實現訓練性能飛躍。這一成果為風電行業智能化運維提供了可自主創新的全新解決方案。
這一性能飛躍的核心在于，科研團隊創新研發的輕量級多尺度可分離殘差網絡(LMSRN)與昇騰平臺強勁硬件算力的高效協同。 LMSRN通過獨特的特征提取設計和深度可分離卷積技術，顯著降低了模型的計算復雜度和通信開銷。昇騰強大的大規模并行計算能力，特別是其對卷積運算的高度優化，完美契合了LMSRN的設計需求， 使得模型在保持高精度的同時，訓練效率得到充分釋放，為后續聯邦學習的協同優化奠定了堅實基礎。
同時，依托昇騰異構計算架構特性，團隊基于開源框架開發的輕量化集群聯邦學習(CFL)框架能夠快速兼容和適配，實現了計算資源的高效調度。利用昇騰軟硬件協同優勢，CFL框架的訓練效率經優化后，較傳統聯邦學習框架提升58%，同時保持診斷精度不變。
昇騰AI基礎軟硬件平臺進一步加固了數據處理和傳輸的安全性，強化了聯邦學習固有的隱私保護優勢，最大限度保護風電企業的運營數據隱私與商業機密，解決了行業長期面臨的數據安全痛點。
此科研突破不僅為風電行業提供了兼顧高性能與隱私保護的智能化故障診斷解決方案，驗證了昇騰自主算力平臺在工業智能領域的強大適配性與性能潛力。未來，上海交通大學 鯤鵬昇騰科教創新卓越中心將基于昇騰平臺持續探索和創新，相關成果有望在更廣泛的工業場景中實現落地，助力自主算力與實體經濟的深度融合。
