王桂松， 郭 鹏， 胥 佳， 刘瑞华， 李韶武

(1.华北电力大学 控制与计算机工程学院，北京 102206；2.龙源(北京)风电工程技术有限公司，北京 100034)

0 引言

风电机组长期运行在室外恶劣的自然环境中，故障率高。齿轮箱、发电机轴承等大部件的故障检修难度大、费用高，高额的运营维护成本降低了风电的经济效益。通过有效方法，实时监测风电机组运行状态，定位状态劣化点，回溯状态劣化原因，做出预防性维修，对于减少风电场运营成本、降低风电机组的运行风险具有重要意义[1]。

齿轮箱是风电机组的重要部件，其结构复杂，包含齿轮、轴承、轴、箱体等多种构件，某一结构的失效都有可能引发齿轮箱的整体故障，进而造成严重的后果[2]。风电机组SCADA数据中蕴藏着风电机组运行状态信息，应用齿轮箱温度数据分析成为近年来国内外风电机组齿轮箱状态监测的主流。BRANDAO.R.F.M等人利用神经网络的方法预测风电机组齿轮箱油液温度以实现对齿轮箱的故障预测[3]。Wang L等使用改进的深度神经网络进行齿轮箱故障预警，预测准确率已高于支持向量机 (Support Vector Machines，SVM)[4]。但依靠神经网络等机器学习算法建立的监测模型存在模型学习时间过长，学习效率过低问题，不适应于在线工程应用。郭鹏等人采用非线性状态估计建立齿轮箱正常工作状态下的温度模型并用其进行温度预测，已具有较高的建模效率和预测精度[5]。刘帅等人将高斯混合模型、动态时间规整及熵权值算法三者紧密结合，提出了一种基于群体多维特征相似性的故障预警策略[6]。……