[发明专利]风电齿轮箱退化状态跟踪与失效聚集风险评估方法

权利要求书

1.一种风电齿轮箱退化状态跟踪与失效聚集风险评估方法，其特征在于，所述方法包括以下步骤：

步骤1）监测数据清洗，过程如下：

对于监测参数，其数据预处理完成以下步骤：1.1）完整性检验：当缺失数据较少时，根据其缺失时间前后的数据记录值，采用线性插补法或前值代替法对其进行插补；1.2）超限检验：结合历史数据以及设定阈值，对超限数据进行剔除、修正；1.3）回归预测检验：当出现大片数据缺失和明显的畸变时，该区域数据段予以删除，采用最小二乘法对缺失、畸变数据进行回归预测填补；对于风电机组的振动、电气信号，引入最小能量准则、Parseval定理准则以及高斯分布准则进行有效性判断；

步骤2）风电齿轮箱退化过程跟踪，过程如下：

从概率统计角度出发，基于非参数法建立监测周期内齿轮箱退化度的概率密度函数fi(x)，并估计其置信区间，利用监测周期内概率密度函数最大值对应退化度gi，结合不同监测周期机组退化变化概率Pi来表征风电齿轮箱退化度变化趋势；

步骤3) 风电场集群状态融合与风场机组划分，过程如下：

风电机组的转速和桨距角能有效表征其运行工况，采用模糊C均值聚类划分方法，将风电场中运行处于相近工况的风电机组进行划分，用以确定同一机群内风电机组部件的动态健康阈值；

步骤4）风电齿轮箱退化失效指标动态阈值的确定，过程如下：

研究结合数据模型和物理过程模型，首先采用切比雪夫不等式确定风电齿轮箱的健康状态和故障产生时退化过程状态下的健康阈值，而后根据近似运行工况的划分机群，采用多项式回归拟合方法建立转速和目标监测特征数据的关系，得到以风机转速为自变量，超限停机目标特征为因变量的数学表达模型；通过机群划分近似运行工况机组融合集群状态时变参数，确定风电齿轮箱的健康动态阈值；

步骤5）集群内风电齿轮箱失效风险聚集评估，过程如下：

通过模糊C均值聚类划分方法，得到近似运行工况的风电场机组设备有类似随机退化过程和相似的参数分布，其退化过程相互独立存在弱相关性；依据极值统计理论，当机群中有任何机组失效时，其对应的最差退化状态即为失效阈值；或当没有失效事件发生时，采用针对独立同变量的近极值平均态密度作为描述机组退化状态指标，用以描述同一集群内机组失效聚集的风险；区别于无限数量样本的期望寿命分布估计或者是针对单一个体的剩余寿命分布预测，研究根据每一个划分集群的机组失效时间到首次失效时间的平均距离，计算机组首次失效时间的失效分散性；同时，针对集群中机组数量是有限的，采用极值统计方法，估计距离最差退化状态的系统退化状态平均密度分布，距离失效阈值的系统状态平均密度，距离首次失效的剩余使用寿命的平均密度分布，根据每一个机组的退化状态到同一观测集群中最严重机组退化状态的平均距离，得到机组系统状态距离最差系统状态的聚集强度。

2.如权利要求1所述的风电齿轮箱退化状态跟踪与失效聚集风险评估方法，其特征在于，所述步骤2）的实现过程为：

2.1）使用非参数核密度估计方法计算第1个监测周期内齿轮箱退化度的概率密度函数及最大值对应的退化度，并估计相应的应置信区间；

2.2）计算第2个监测窗口内退化度的概率密度函数及最大值对应的退化度，并求得置信区间内累积概率；

2.3）对后续监测周期重复上述过程，得到各个监测窗口内风电齿轮箱的退化度概率，计算概率密度函数及其最大值对应的退化度，并以此作为依据反映退化变化趋势。

3.如权利要求1或2所述的风电齿轮箱退化状态跟踪与失效聚集风险评估方法，其特征在于，所述步骤3）中，风场机组划分的步骤为：

3.1）从目标风场SCADA 系统中提取多个机组转速；设置模糊C均值聚类划分方法的参数；

3.2）将目标转速对应的监测数据进行归一化处理，输入到模糊C均值聚类划分方法中，经迭代计算得到初步的机群划分结果；

3.3）对3.2）中的机群划分数目进行合理性检验，若不满足检验条件，则机群数自动加1，重新进行机群划分；否则，给出对应的机群划分结果。