基于SVM与Simulink的风力涡轮机故障检测：从原理到工程实现

如果你正在研究风力发电系统的故障诊断，或者你的项目需要一种既能检测异常又能适应复杂运行环境的算法，那么这篇文章就是为你准备的。很多人一听到“支持向量机”和“故障检测”，第一反应是：这又是一个复杂的理论模型，离实际工程应用很远。但事实恰恰相反，SVM（支持向量机）在风力涡轮机这类非线性、强耦合系统中，展现出了传统阈值法或简单统计方法难以比拟的鲁棒性和准确性。

风力涡轮机常年工作在恶劣的自然环境中，其关键部件（如齿轮箱、发电机、叶片）的故障不仅维修成本高昂，更会导致严重的发电量损失甚至安全事故。传统的基于物理模型的故障诊断方法，往往依赖于精确的系统方程，这在复杂的风电机组中建模难度极大。而纯粹基于数据驱动的深度学习方法，又常常面临“黑箱”问题和海量数据需求的挑战。

本文要解决的核心问题就是：如何利用相对“轻量级”的机器学习算法——支持向量机，结合Matlab/Simulink这一强大的工程仿真平台，构建一个从数据仿真、特征提取到故障分类的完整、可落地的风力涡轮机故障检测方案。我们将不只停留在“是什么”的理论层面，而是深入到“为什么有效”、“如何一步步实现”以及“实际应用中会遇到哪些坑”的工程实践层面。

读完本文，你将能够：

1. 理解SVM为何特别适合处理风力涡轮机这类小样本、非线性的故障分类问题。
2. 掌握在Matlab环境中，从Simulink仿真模型生成故障数据，到训练、测试SVM分类器的完整工作流。
3. 获得可直接复用的Matlab代码和Simulink模型搭建思路。
4. 了解如何评估模型性能，并规避实际部署中常见的过拟合、特征选择等陷阱。

1. 为什么是SVM？风力涡轮机故障检测的算法选型逻辑

在开始敲代码之前，我们必须先想清楚一个根本问题：面对琳琅满目的机器学习算法，为什么偏偏选择支持向量机来做风力涡轮机的故障检测？这不是随机的选择，而是由风力涡轮机故障数据的内在特性决定的。

风力涡轮机的故障数据通常有以下几个特点：

• 小样本性：严重的故障（如齿轮断裂、叶片裂纹）发生频率低，能收集到的带标签的故障样本数量有限。像深度学习这类“数据饥渴”型算法，在这里可能“吃不饱”，效果反而不好。
• 非线性可分性：正常状态与故障状态在特征空间中的边界往往不是一条直线。振动信号、温度、转速等多维特征交织在一起，形成复杂的决策边界。
• 高维特征：从原始传感器信号（振动、电流、温度等）中可以提取出数十甚至上百个特征（如时域均值、方差，频域谱峰、谐波分量等）。

SVM的核心优势正好应对了这些挑战：

1. 最大化间隔分类器：SVM的核心思想是寻找一个最优超平面，使得两类数据点（正常 vs. 故障）之间的“间隔”最大。这个特性赋予了模型良好的泛化能力，即使在样本不多的情况下，也能较好地抵抗过拟合，这对小样本场景至关重要。
2. 核函数技巧：这是SVM处理非线性问题的“杀手锏”。通过核函数（如高斯径向基核RBF），SVM可以将原始低维空间中线性不可分的数据，映射到一个高维特征空间，从而在高维空间中找到那个线性的最优分割超平面。对于风力涡轮机复杂的故障模式，RBF核通常有很好的表现。
3. 凸优化问题：SVM的训练最终转化为一个凸二次规划问题，这意味着它能找到全局最优解，避免了神经网络可能陷入局部最优的风险。

相比之下，简单的逻辑回归可能无法处理复杂的非线性边界；决策树容易过拟合小样本数据；而神经网络则需要大量的数据和调参经验。因此，在小样本、非线性、需要强泛化能力的风力涡轮机故障检测场景中，SVM是一个在理论保障和工程实践上都非常均衡的选择。

2. 核心概念与系统框架：从仿真到诊断的闭环

在动手搭建系统前，我们需要建立一个清晰的顶层框架。一个完整的基于SVM的风力涡轮机故障检测系统，通常包含以下几个核心环节，它们构成了一个从“虚拟电厂”到“智能诊断”的闭环：

[风力涡轮机Simulink仿真模型] ↓ (注入故障，如齿轮磨损、不平衡质量) [生成多工况运行数据] (正常/各种故障状态下的传感器信号) ↓ (特征工程) [特征提取与构建] (时域、频域、时频域特征，形成特征向量) ↓ (数据准备) [数据集划分] (训练集/测试集) ↓ (模型学习) [SVM分类器训练与优化] (选择核函数、调整惩罚参数C、核参数γ) ↓ (模型验证) [性能评估与测试] (准确率、混淆矩阵、ROC曲线) ↓ (部署应用) [在线/离线故障诊断] (对新采集的数据进行实时或事后分类)

关键概念解析：

• Simulink仿真模型：这是我们获取数据的“数字孪生”平台。通过建立包含风机空气动力学、传动链、发电机、控制器的物理模型，我们可以安全、低成本地模拟各种故障，生成近乎真实的传感器数据（如发电机转速、齿轮箱振动、输出功率等）。这是后续所有数据分析的基础。
• 特征工程：这是决定SVM模型性能上限的关键步骤。原始数据噪声大、维度高，直接喂给SVM效果很差。我们需要从中提取出能表征设备健康状态的信息。例如：
  • 时域特征：均值、均方根值(RMS)、峰值、峭度（对冲击故障敏感）、偏度等。
  • 频域特征：通过FFT变换后，提取主导频率的幅值、频率等。
  • 时频域特征：如小波包能量，适合处理非平稳信号。
• SVM分类器：在本项目中，我们通常使用C-SVC（C-支持向量分类）类型的SVM，并搭配RBF（径向基函数）核。需要调节的两个最关键参数是：
  • 惩罚参数C：控制对误分类样本的惩罚力度。C越大，模型越倾向于将所有训练样本分类正确，可能导致过拟合；C越小，模型容忍一些错误，可能欠拟合。
  • 核参数γ：定义了单个训练样本的影响范围。γ越大，样本影响范围越小，决策边界越复杂，容易过拟合；γ越小，决策边界越平滑。

理解了这个闭环框架和核心概念，我们就知道每一步代码和模型是在为什么服务，避免了“只见树木，不见森林”的盲目操作。

3. 环境准备与工具包检查

工欲善其事，必先利其器。在开始编码和仿真前，请确保你的Matlab环境已就绪。本项目主要依赖Matlab的基础功能和部分工具箱。

必需环境：

• MATLAB R2018b 或更高版本：建议使用较新版本以获得更好的性能和兼容性。本文示例基于 MATLAB R2021a 编写，但核心代码在后续版本中兼容。
• Statistics and Machine Learning Toolbox：这是SVM模型训练和预测的核心工具箱，提供了fitcsvm、predict等关键函数。必须安装。
• Signal Processing Toolbox：用于信号处理和特征提取（如FFT、滤波、计算统计量）。强烈建议安装。
• Simulink：用于搭建风力涡轮机仿真模型。如果你的研究侧重于已有数据的分析，可暂不安装，但完整的项目离不开它。

环境检查脚本：在MATLAB命令窗口中运行以下代码，可以快速检查关键工具箱是否可用。

% check_environment.m % 检查必要工具箱的安装情况 needed_toolboxes = {'Statistics and Machine Learning Toolbox', 'Signal Processing Toolbox'}; all_toolboxes = ver; % 获取已安装的所有工具箱信息 fprintf('=== 环境依赖检查 ===\n'); available = true; for i = 1:length(needed_toolboxes) tb_name = needed_toolboxes{i}; if any(strcmp({all_toolboxes.Name}, tb_name)) fprintf('[✓] %s 已安装。\n', tb_name); else fprintf('[✗] **警告：%s 未找到！** 部分功能将无法运行。\n', tb_name); available = false; end end if available fprintf('\n所有必需工具箱已就绪，可以开始项目。\n'); else fprintf('\n请通过MATLAB的“附加功能”管理器安装缺失的工具箱。\n'); end % 检查Simulink（非必需，但推荐） if license('test', 'Simulink') fprintf('[✓] Simulink 可用。\n'); else fprintf('[!] Simulink 未授权或未安装。将无法运行仿真模型部分。\n'); end

运行后，如果看到[✓]标记，说明环境准备完成。如果缺少工具箱，请通过MATLAB主页的“附加功能”进行安装。

4. 第一步：构建风力涡轮机Simulink仿真模型与数据生成

数据是机器学习模型的“燃料”。对于故障诊断，获取大量带标签的故障数据在现实中成本极高。Simulink仿真为我们提供了一个完美的解决方案。

模型搭建思路：我们构建一个简化的风力涡轮机传动链模型，主要包含以下模块：

1. 风速模型：使用随机风速或标准风速序列作为输入。
2. 风机空气动力学模型：将风速转换为作用在转子上的机械转矩。
3. 传动链模型：通常简化为两质量块模型（转子侧和发电机侧），通过轴连接，并可以在此处注入故障。
   • 正常模型：传动效率为固定值。
   • 故障模型：模拟齿轮箱磨损，可通过降低传动效率或增加额外的振动扭矩纹波来实现。
4. 发电机与控制系统：包含最大功率点跟踪控制、变桨控制等。
5. 传感器与输出：模型输出关键信号，如：发电机转速GenSpeed (rpm)、发电机输出功率Power (kW)、齿轮箱振动加速度Vibration (m/s²)等。

故障注入示例（在传动链模型中）：在Simulink中，你可以通过修改参数或添加干扰信号来模拟故障。例如，模拟齿轮箱轻微磨损，可以将传动链的阻尼系数D和刚度系数K进行微小改变，以模拟刚度下降和振动加剧。

数据生成脚本：运行不同的仿真案例（正常、故障1、故障2...），并将结果保存到.mat文件或工作区中。

% generate_fault_data.m % 此脚本控制Simulink模型运行，生成不同健康状态下的数据集 clear; close all; clc; % 定义仿真案例：正常和两种故障状态 cases = {'Normal', 'Fault_GearWear_Mild', 'Fault_GearWear_Severe'}; % 对应的模型参数配置（示例，需根据你的实际模型调整） configs = struct(); configs.Normal.damping = 100; % 正常阻尼 configs.Normal.stiffness = 1e5; % 正常刚度 configs.Fault_GearWear_Mild.damping = 90; configs.Fault_GearWear_Mild.stiffness = 0.9e5; configs.Fault_GearWear_Severe.damping = 70; configs.Fault_GearWear_Severe.stiffness = 0.7e5; % 加载Simulink模型（假设模型文件名为 'WindTurbine_Simple.slx'） model_name = 'WindTurbine_Simple'; load_system(model_name); % 加载但不打开图形界面 % 为每个案例运行仿真并保存数据 allData = struct(); for i = 1:length(cases) case_name = cases{i}; fprintf('正在仿真案例: %s ...\n', case_name); % 设置模型参数（这里假设模型中有对应的工作区变量） set_param([model_name '/Damping'], 'Value', num2str(configs.(case_name).damping)); set_param([model_name '/Stiffness'], 'Value', num2str(configs.(case_name).stiffness)); % 运行仿真 simOut = sim(model_name, 'StopTime', '100'); % 仿真100秒 % 提取感兴趣的信号（假设Simulink模型使用To Workspace模块，变量名为logsout） logs = simOut.get('logsout'); gen_speed = logs.get('GenSpeed').Values.Data; power = logs.get('Power').Values.Data; vibration = logs.get('Vibration').Values.Data; time = logs.get('GenSpeed').Values.Time; % 存储数据 allData.(case_name).time = time; allData.(case_name).GenSpeed = gen_speed; allData.(case_name).Power = power; allData.(case_name).Vibration = vibration; allData.(case_name).Label = i-1; % 为分类设置标签，例如：正常-0， 故障1-1， 故障2-2 fprintf('案例 %s 完成。数据长度：%d\n', case_name, length(time)); end % 保存所有数据到文件 save('WindTurbine_Fault_Data.mat', 'allData', 'cases'); fprintf('\n所有仿真完成，数据已保存至 WindTurbine_Fault_Data.mat。\n'); % 关闭模型 close_system(model_name, 0);

关键点：

• 通过修改模型参数来模拟不同程度的故障，比直接添加噪声信号更具物理意义。
• 为每个数据样本打上明确的标签（如0-正常，1-故障A，2-故障B），这是监督学习的关键。
• 仿真时间要足够长，以覆盖风机运行的不同工况（如启动、额定运行、切出）。

5. 第二步：特征提取与数据集构建

拿到原始数据后，我们不能直接把一长串时间序列信号扔给SVM。特征提取的目的是降维和增强类别区分度。

我们将从每个案例的Vibration振动信号中提取一组特征。振动信号对机械故障非常敏感。

% feature_extraction.m % 从振动信号中提取时域和频域特征 clear; close all; clc; % 加载上一步生成的数据 load('WindTurbine_Fault_Data.mat', 'allData', 'cases'); featureSet = []; % 存储所有特征向量 labels = []; % 存储对应标签 for i = 1:length(cases) case_name = cases{i}; data_struct = allData.(case_name); vib_signal = data_struct.Vibration; fs = 1 / (data_struct.time(2) - data_struct.time(1)); % 计算采样频率 num_samples = length(vib_signal); % 这里为了简化，我们假设每个案例只生成一个样本（用整个信号的特征）。 % 更高级的做法是进行滑动窗口分割，生成多个样本。 % 1. 时域特征 mean_val = mean(vib_signal); rms_val = rms(vib_signal); peak_val = max(abs(vib_signal)); kurtosis_val = kurtosis(vib_signal); % 峭度，对冲击敏感 skewness_val = skewness(vib_signal); % 偏度 % 2. 频域特征 (使用FFT) N = length(vib_signal); Y = fft(vib_signal); P2 = abs(Y/N); P1 = P2(1:floor(N/2)+1); P1(2:end-1) = 2*P1(2:end-1); f = fs*(0:(N/2))/N; % 找到主频（幅度最大的频率） [max_mag, max_idx] = max(P1); main_freq = f(max_idx); % 计算频带能量（示例：0-10Hz, 10-50Hz, 50-200Hz） freq_band1 = P1(f <= 10); energy_band1 = sum(freq_band1.^2); freq_band2 = P1(f > 10 & f <= 50); energy_band2 = sum(freq_band2.^2); freq_band3 = P1(f > 50 & f <= 200); energy_band3 = sum(freq_band3.^2); % 将所有特征组合成一个向量 features = [mean_val, rms_val, peak_val, kurtosis_val, skewness_val, ... main_freq, energy_band1, energy_band2, energy_band3]; featureSet = [featureSet; features]; labels = [labels; data_struct.Label]; fprintf('案例 [%s] 特征提取完成。特征数：%d\n', case_name, length(features)); end % 保存特征和标签 save('Extracted_Features.mat', 'featureSet', 'labels', 'cases'); fprintf('\n特征提取完成。总样本数：%d， 每个样本特征数：%d\n', size(featureSet, 1), size(featureSet, 2)); % 可选：可视化特征（前两个主成分） if size(featureSet, 2) > 2 [coeff, score, ~, ~, explained] = pca(featureSet); figure; gscatter(score(:,1), score(:,2), labels); xlabel(['PC1 (', num2str(explained(1)), '%)']); ylabel(['PC2 (', num2str(explained(2)), '%)']); title('PCA可视化：不同故障状态的特征分布'); legend(cases, 'Location', 'best'); grid on; end

特征工程要点：

• 这里仅提取了9个基础特征。实际项目中，特征数量可能达到几十个，包括更复杂的时频特征（如小波包能量熵）。
• 特征标准化至关重要！SVM对特征的尺度非常敏感。在训练前，必须对特征进行标准化（如Z-score标准化），使每个特征均值为0，方差为1。我们可以使用Matlab的zscore函数或将其放入后续的流水线中。
• PCA可视化可以帮助我们直观感受不同类别的样本在特征空间中是否可分。

6. 第三步：SVM模型训练、优化与评估

现在进入核心环节：使用提取的特征训练SVM分类器。我们将采用标准的机器学习流程：数据划分 -> 标准化 -> 训练 -> 超参数调优 -> 评估。

% svm_train_evaluate.m % 训练并评估SVM分类器 clear; close all; clc; % 加载特征数据 load('Extracted_Features.mat', 'featureSet', 'labels'); % 1. 数据划分：训练集 (70%) 和 测试集 (30%) rng(42); % 设置随机种子，确保结果可复现 cv = cvpartition(labels, 'HoldOut', 0.3); idxTrain = training(cv); idxTest = test(cv); XTrain = featureSet(idxTrain, :); yTrain = labels(idxTrain); XTest = featureSet(idxTest, :); yTest = labels(idxTest); fprintf('数据划分完成。训练集样本数：%d， 测试集样本数：%d\n', sum(idxTrain), sum(idxTest)); % 2. 特征标准化 (使用训练集的均值和标准差标准化训练集和测试集) [XTrain_scaled, mu, sigma] = zscore(XTrain); % mu是均值，sigma是标准差 XTest_scaled = (XTest - mu) ./ sigma; % 应用相同的变换到测试集 % 3. 训练一个基础的SVM模型（使用RBF核） % 初次训练，使用默认参数或经验参数 SVMModel_initial = fitcsvm(XTrain_scaled, yTrain, ... 'KernelFunction', 'rbf', ... % 使用RBF核函数 'Standardize', false, ... % 我们已经手动标准化了，所以这里设为false 'ClassNames', unique(yTrain), ... % 指定类别标签 'BoxConstraint', 1, ... % 惩罚参数C，默认1 'KernelScale', 'auto'); % 核参数γ的倒数，'auto'使用启发式方法 % 在训练集上预测，看看初始效果 [yTrain_pred, scoreTrain] = predict(SVMModel_initial, XTrain_scaled); trainAccuracy_initial = sum(yTrain_pred == yTrain) / numel(yTrain); fprintf('初始模型在训练集上的准确率：%.2f%%\n', trainAccuracy_initial*100); % 4. 超参数优化（使用交叉验证寻找最佳C和γ） % 定义参数搜索范围（对C和γ取对数空间） C_values = [0.01, 0.1, 1, 10, 100]; gamma_values = [0.001, 0.01, 0.1, 1, 10]; % 注意：fitcsvm中KernelScale是γ的倒数，所以搜索1/γ % 初始化存储最佳结果 bestCVAccuracy = 0; bestC = 1; bestGamma = 1; % 对应的KernelScale = 1/bestGamma % 5折交叉验证 fprintf('\n开始网格搜索超参数优化...\n'); for C = C_values for gamma = gamma_values kernelScale = 1 / sqrt(gamma); % 一种常见的转换关系，也可直接用1/gamma % 使用5折交叉验证训练一个临时模型 SVMModel_cv = fitcsvm(XTrain_scaled, yTrain, ... 'KernelFunction', 'rbf', ... 'Standardize', false, ... 'BoxConstraint', C, ... 'KernelScale', kernelScale, ... 'KFold', 5); % 5折交叉验证 % 计算交叉验证准确率 cvLoss = kfoldLoss(SVMModel_cv); cvAccuracy = 1 - cvLoss; if cvAccuracy > bestCVAccuracy bestCVAccuracy = cvAccuracy; bestC = C; bestGamma = gamma; end fprintf(' C=%.2f, γ=%.3f (Scale=%.3f) -> CV Acc: %.2f%%\n', ... C, gamma, kernelScale, cvAccuracy*100); end end fprintf('\n最佳超参数：C = %.2f, γ = %.3f (KernelScale = %.3f)\n', bestC, bestGamma, 1/sqrt(bestGamma)); fprintf('最佳交叉验证准确率：%.2f%%\n', bestCVAccuracy*100); % 5. 使用最佳参数训练最终模型 finalKernelScale = 1 / sqrt(bestGamma); % 使用与搜索时一致的转换 SVMModel_final = fitcsvm(XTrain_scaled, yTrain, ... 'KernelFunction', 'rbf', ... 'Standardize', false, ... 'BoxConstraint', bestC, ... 'KernelScale', finalKernelScale); % 6. 在测试集上评估最终模型 [yTest_pred, scoreTest] = predict(SVMModel_final, XTest_scaled); testAccuracy = sum(yTest_pred == yTest) / numel(yTest); fprintf('\n最终模型在测试集上的准确率：%.2f%%\n', testAccuracy*100); % 7. 详细性能评估：混淆矩阵和分类报告 figure; cm = confusionchart(yTest, yTest_pred); cm.Title = 'SVM分类器混淆矩阵 (测试集)'; cm.RowSummary = 'row-normalized'; cm.ColumnSummary = 'column-normalized'; % 计算精确率、召回率、F1分数（针对多分类，需逐类计算） classes = unique(yTest); for i = 1:length(classes) class = classes(i); TP = sum((yTest == class) & (yTest_pred == class)); FP = sum((yTest ~= class) & (yTest_pred == class)); FN = sum((yTest == class) & (yTest_pred ~= class)); precision = TP / (TP + FP + eps); % eps防止除零 recall = TP / (TP + FN + eps); f1 = 2 * (precision * recall) / (precision + recall + eps); fprintf('类别 %d: 精确率=%.3f, 召回率=%.3f, F1分数=%.3f\n', ... class, precision, recall, f1); end % 8. 保存训练好的模型，供后续在线诊断使用 save('Trained_SVM_Model.mat', 'SVMModel_final', 'mu', 'sigma', 'classes'); fprintf('\n训练完成的模型和标准化参数已保存至 Trained_SVM_Model.mat。\n');

代码关键解析与注意事项：

1. 数据泄露：标准化必须在数据划分之后进行，且只能使用训练集的统计量（mu,sigma）来转换测试集。这是机器学习中的基本原则，违反会导致模型评估结果过于乐观。
2. 超参数优化：我们使用了简单的网格搜索和5折交叉验证。BoxConstraint对应惩罚参数C，KernelScale对应RBF核函数中的σ（γ = 1/(2σ²)）。搜索范围需要根据具体问题调整。
3. 模型评估：准确率只是一个宏观指标。对于类别不平衡的数据集（如正常样本远多于故障样本），必须查看混淆矩阵和精确率、召回率、F1分数，特别是故障类的召回率（即故障检出率）至关重要。
4. 模型保存：保存训练好的模型对象SVMModel_final以及标准化参数mu和sigma，这样在部署时可以对新数据应用完全相同的预处理。

7. 第四步：集成Simulink进行在线故障诊断仿真

训练好的模型如何用起来？一个高级的应用是将SVM模型集成到Simulink仿真中，实现近乎实时的“在线”故障诊断。这可以通过Simulink的MATLAB Function块或Interpreted MATLAB Function块来实现。

步骤：

1. 创建一个新的Simulink模型，例如WindTurbine_Online_FDI.slx。
2. 复用之前的风力涡轮机模型部分作为被监控对象。
3. 添加一个MATLAB Function块。
4. 在该块中编写函数，实时读取传感器信号（如最近1秒的振动窗口），提取相同的特征，调用保存的SVM模型进行预测。
5. 将诊断结果（如“0-正常”，“1-故障”）输出到示波器或工作区。

MATLAB Function 块内代码示例：

% Online_Fault_Detector.m (用于嵌入Simulink MATLAB Function块) % 注意：此函数需要在Simulink中配置为“MATLAB Function”块的内容。 function fault_label = Online_Fault_Detector(vibration_signal_window) %#codegen % 允许代码生成 % 输入：vibration_signal_window，一个固定长度的滑动窗口振动信号向量 % 输出：fault_label， 故障标签 (0,1,2...) % 持久化变量，用于加载一次模型和参数，避免每次仿真步长都加载 persistent svmModel mu sigma if isempty(svmModel) % 首次调用时，加载训练好的模型和参数 data = coder.load('Trained_SVM_Model.mat'); % 使用coder.load用于代码生成 svmModel = data.SVMModel_final; mu = data.mu; sigma = data.sigma; end % 1. 特征提取 (必须与训练时完全一致！) fs = 1000; % 假设采样频率为1000Hz，需与实际模型匹配 % 提取相同的9个特征（此处为示例，需与feature_extraction.m中的逻辑一致） mean_val = mean(vibration_signal_window); rms_val = rms(vibration_signal_window); peak_val = max(abs(vibration_signal_window)); kurtosis_val = kurtosis(vibration_signal_window); skewness_val = skewness(vibration_signal_window); N = length(vibration_signal_window); Y = fft(vibration_signal_window); P2 = abs(Y/N); P1 = P2(1:floor(N/2)+1); P1(2:end-1) = 2*P1(2:end-1); f = fs*(0:(N/2))/N; [max_mag, max_idx] = max(P1); main_freq = f(max_idx); freq_band1 = P1(f <= 10); energy_band1 = sum(freq_band1.^2); freq_band2 = P1(f > 10 & f <= 50); energy_band2 = sum(freq_band2.^2); freq_band3 = P1(f > 50 & f <= 200); energy_band3 = sum(freq_band3.^2); features = [mean_val, rms_val, peak_val, kurtosis_val, skewness_val, ... main_freq, energy_band1, energy_band2, energy_band3]; % 2. 特征标准化 (使用训练时保存的mu和sigma) features_scaled = (features - mu) ./ sigma; % 3. 使用SVM模型进行预测 [~, score] = predict(svmModel, features_scaled); [~, maxIdx] = max(score); % 对于多分类，predict返回的score矩阵，取最大得分对应的类 % 注意：fitcsvm默认用于二分类，多分类需使用fitcecoc。这里假设已处理。 fault_label = svmModel.ClassNames(maxIdx); end

在Simulink中配置该函数块，其输入连接到一个缓存最近1秒振动信号的缓冲区，输出可以连接到一个Display块或Scope块，实时显示诊断结果。这样，当仿真中模型参数突然变化（模拟故障发生）时，你就能观察到诊断输出从“0”跳变到“1”或“2”，实现了在线故障检测。

8. 常见问题、排查思路与调优指南

在实际运行上述流程时，你可能会遇到各种问题。下表汇总了典型问题及其解决方案：

9. 最佳实践与项目进阶建议

遵循以下实践，能让你的故障检测系统更加稳健和实用：

1. 特征工程是核心：投入70%的时间在数据理解和特征工程上。尝试更多类型的特征（如小波包变换、希尔伯特-黄变换的特征），并使用递归特征消除或基于模型的特征重要性进行筛选。
2. 建立标准化的数据流水线：将数据生成、特征提取、训练、评估封装成独立的函数或脚本，并使用配置文件管理所有路径和参数。这有利于实验的可复现性。
3. 模型版本化管理：保存每个重要实验的模型、参数和性能指标。记录下当时的数据集、特征集和超参数。这有助于回溯和比较不同方案的优劣。
4. 考虑更复杂的故障模式：本文示例使用了参数微调来模拟故障。在实际研究中，应使用更精确的故障仿真模块，如Simscape中的齿轮箱磨损模型、Simulink的故障注入库等。
5. 从仿真走向真实数据：仿真是强大的工具，但最终需用真实风场数据验证。注意处理真实数据中的噪声、缺失值和不同工况下的数据分布差异。迁移学习可能是一个研究方向。
6. 系统集成与部署：对于真正的在线系统，Matlab/Simulink可能不是最终部署平台。考虑将训练好的SVM模型通过Matlab Coder或ONNX格式导出，集成到C++、Python或PLC等工业控制程序中。
7. 超越SVM：SVM是一个优秀的起点，但并非终点。可以将其与集成学习（如随机森林、XGBoost）或深度学习（1D-CNN, LSTM）进行对比实验。对于振动信号这种序列数据，CNN和LSTM可能能自动学习到更优的特征。

通过本文的步骤，你不仅完成了一个“能用”的风力涡轮机故障检测模型，更掌握了一套从仿真建模、特征工程、机器学习建模到系统集成的完整方法论。这套方法论的适用性远超风电领域，可以迁移到旋转机械、电机、轴承等多种工业设备的故障预测与健康管理场景中。