新闻中心News

突破风电运维瓶颈！上交大联合昇腾实现联邦学习训练性能飞跃

作者：看不見的法師 | 点击: | 来源：看不見的法師

1108
2025

风电机组常年处于严苛的自然条件下，频繁发生的故障不仅造成巨大的经济损失，还潜藏着严重的安全风险。如何利用智能化手段解决跨多个风电场联合故障诊断时面临的数据差异难题，达成高效精准的诊断效果，已成为风电产业亟需攻克的关键挑战。近期，上海交通大学机械与动力工程学院李艳婷课题组在鲲鹏昇腾科教创新卓越中心提供的算力支撑下，其“基于鲲鹏昇腾的风电机组智能化运维关键技术开发”项目取得重要突破——依托昇腾算力平台构建的轻量化集群联邦学习（CFL）框架，在确保诊断精度的前提下，实现了训练性能的显著提升。该成果为风...

风电机组常年处于严苛的自然条件下，频繁发生的故障不仅造成巨大的经济损失，还潜藏着严重的安全风险。如何利用智能化手段解决跨多个风电场联合故

障诊断时面临的数据差异难题，达成高效精准的诊断效果，已成为风电产业亟需攻克的关键挑战。

近期，上海交通大学机械与动力工程学院李艳婷课题组在鲲鹏昇腾科教创新卓越中心提供的算力支撑下，其“基于鲲鹏昇腾的风电机组智能化运维关键技术开发”项目取得重要突破——依托昇腾算力平台构建的轻量化集群联邦学习（CFL）框架，在确保诊断精度的前提下，实现了训练性能的显著提升。该成果为风电行业迈向自主可控的智能运维提供了创新性的技术路径。

此次性能突破的关键在于，研究团队自主研发的轻量级多尺度可分离残差网络（LMSRN）与昇腾平台强大硬件算力之间的高效协同。LMSRN凭借其创新的特征提取机制及深度可分离卷积技术，大幅降低了模型计算负担与通信成本。而昇腾平台针对卷积运算的高度优化能力，充分释放了LMSRN的潜力，使其在维持高诊断准确率的同时，训练速度大幅提升，为联邦学习中的协同优化提供了有力支撑。

此外，借助昇腾异构计算架构的优势，团队基于开源生态开发的轻量化集群联邦学习（CFL）框架得以快速适配与部署，实现了对计算资源的精细化调度。得益于昇腾软硬件一体化的优化策略，CFL框架的训练效率相比传统联邦学习方案提升了58%，且诊断准确率保持稳定。

尤为突出的是，昇腾AI基础软硬件平台进一步增强了数据处理与传输过程中的安全性，强化了联邦学习本身具备的隐私保护特性，有效保障了风电企业核心运营数据与商业机密的安全，回应了行业长期关注的数据隐私难题。

这项科研进展不仅为风电领域带来了兼具高性能与高安全性的智能诊断新方案，也充分验证了昇腾自主算力平台在工业智能化应用中的卓越适应性与强大潜力。未来，上海交通大学鲲鹏昇腾科教创新卓越中心将继续依托昇腾生态开展深入探索，推动相关技术在更广泛的工业场景中落地应用，加速自主算力与实体经济的深度融合。

欢迎光临，我们是一家专注中小型企业营销推广服务的公司！

专注企业电商网络营销推广！免费电商SEO诊断，你可信任的网络推广专家

突破风电运维瓶颈！上交大联合昇腾实现联邦学习训练性能飞跃