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

　　风电机组常年暴露在复杂自然环境中，故障频发不仅导致经济损失，更暗藏安全隐患。如何通过智能化技术应对多风场联合故障诊断中的数据异质问题，实现高效故障诊断，成为风电行业亟待破解的难题。

　　近日，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的算力支持下，其“基于鲲鹏昇腾的风电机组智能化运维关键技术开发”课题研究取得突破性进展——基于昇腾算力平台的轻量化集群联邦学习(CFL)框架在诊断精度不变的情况下实现训练性能飞跃。这一成果为风电行业智能化运维提供了可自主创新的全新解决方案。

　　这一性能飞跃的核心在于，科研团队创新研发的轻量级多尺度可分离残差网络(LMSRN)与昇腾平台强劲硬件算力的高效协同。 LMSRN通过独特的特征提取设计和深度可分离卷积技术，显著降低了模型的计算复杂度和通信开销。昇腾强大的大规模并行计算能力，特别是其对卷积运算的高度优化，完美契合了LMSRN的设计需求， 使得模型在保持高精度的同时，训练效率得到充分释放，为后续联邦学习的协同优化奠定了坚实基础。

　　同时，依托昇腾异构计算架构特性，团队基于开源框架开发的轻量化集群联邦学习(CFL)框架能够快速兼容和适配，实现了计算资源的高效调度。利用昇腾软硬件协同优势，CFL框架的训练效率经优化后，较传统联邦学习框架提升58%，同时保持诊断精度不变。

　　值得一提的是，昇腾AI基础软硬件平台进一步加固了数据处理和传输的安全性，强化了联邦学习固有的隐私保护优势，最大限度保护风电企业的运营数据隐私与商业机密，解决了行业长期面临的数据安全痛点。

　　此科研突破不仅为风电行业提供了兼顾高性能与隐私保护的智能化故障诊断解决方案，验证了昇腾自主算力平台在工业智能领域的强大适配性与性能潜力。未来，上海交通大学 鲲鹏昇腾科教创新卓越中心将基于昇腾平台持续探索和创新，相关成果有望在更广泛的工业场景中实现落地，助力自主算力与实体经济的深度融合。