风电叶片雷击多模态监测数据集（MDWTBM-LS）的构建及其在智能运维中的应用

本研究针对风电叶片雷击损伤数据稀缺的难题，开发了全球首个风电叶片雷击多模态监测数据集（MDWTBM-LS）。通过光纤载荷传感器和加速度计同步采集振动、应变、载荷等参数，完整记录了雷击事件全过程的动态响应。该数据集填补了极端工况下风电设备监测数据的空白，为机器学习驱动的雷击故障预测与健康管理（PHM）提供了关键数据支撑，对提升风电设备可靠性与运维效率具有重要意义。

　　

风电作为清洁能源的重要支柱，其叶片却常年暴露在雷击威胁之下——单次雷击可造成叶片开裂、分层甚至断裂，导致巨额维修费用。但令人头疼的是，雷击事件虽频发，其动态过程却如同"闪电侠"般难以捕捉，使得相关研究长期面临"无米之炊"的困境。传统SCADA系统仅能记录常规运行参数，对雷击这类极端事件的响应数据几乎空白。这种数据荒严重制约了风电设备智能运维技术的发展，就像试图用黑白电视观看4D电影，关键信息严重缺失。

为此，Tao Li团队在《Scientific Data》发表了开创性研究。他们利用安装在叶片上的光纤MEMS传感网络，首次实现了雷击事件全过程的多模态数据采集。这套系统如同给叶片装上了"神经系统"，能同步捕捉振动、应变、载荷等关键参数的变化。特别值得一提的是，传感器布局经过精心设计：在叶片根部布置应变传感器监测弦向/展向变形，在1/3和2/3叶片长度处同时部署应变计与加速度计，形成立体监测网络。数据通过光纤传感分析仪实时传输，配合北斗卫星时钟同步，确保多源数据的时间一致性。

数据记录与验证

研究团队完整记录了从雷击发生（04:20）到叶片完全断裂（11:13）的全过程。图5展示的传感器数据如同"黑匣子"般清晰呈现了灾难演变：雷击瞬间（04:23-04:27）载荷骤增300%，伴随剧烈振动；后续多次强制启停（如07:42-08:30）加速损伤扩散，最终导致19.5m处应变值突破安全阈值。技术验证环节更显匠心——通过对比故障日与历史数据（图7），证实正常工况下同风速区间的振动/应变分布高度一致，而雷击数据则呈现显著离群特征，验证了数据的可靠性。

数据集架构

公开的MDWTBM-LS数据集包含六大模块（图6）：振动数据（叶片1/3和2/3处的挥舞/变桨方向响应）、载荷数据（叶尖与根部的弦向/展向载荷）、扩展载荷数据（根部附加载荷通道）、应变数据（表面与弦向分布）、扩展应变数据（附加弦向应变）以及温度数据。所有数据均同步记录风速、转速、桨距角等工况参数，形成多维关联矩阵。这种架构既满足单参数深度分析，又支持多模态联合挖掘。

这项研究的价值如同在风电领域投下"数据核弹"。首先，它破解了雷击研究的数据瓶颈——以往学者只能通过仿真或事后检测推测损伤机制，现在则能基于真实动态数据建立预测模型。其次，多模态同步采集技术为复杂工况下的设备健康监测树立了新标杆。更重要的是，数据集特别设计了时间连续性，使机器学习模型能捕捉从正常→雷击→损伤扩大的完整演变规律，这对开发早期预警算法至关重要。正如作者强调，该成果不仅助力风电设备"延寿"，更推动运维模式从"被动检修"向"主动预防"变革。未来，结合数字孪生等技术，这类极端事件数据集或将重塑新能源设备的全生命周期管理范式。