摘要
齿轮箱是风电机组的重要组成部件,准确获取其运行状态及劣化趋势对提高风电机组的运行可靠度至关重要.本文提出基于健康指数(health index,HI)与隐马尔可夫模型(hidden Markov model,HMM)的风电机组齿轮箱状态评估与分析的新方法.利用HI获得齿轮箱历史温度数据的特征观测序列,分别对不同状态的HI-HMM模型进行训练,建立模型库.利用HI-HMM模型库对待评估样本进行识别,根据最大对数似然概率值判断齿轮箱的状态.最后,利用该方法对齿轮箱故障前的状态进行评估与分析,其状态变化与实际完全吻合.与随机森林、支持向量机、概率神经网络和BP神经网络方法进行对比,本文方法状态识别的准确度达到97％.该方法能准确识别齿轮箱状态,获取劣化趋势,为风场确定故障预警时间提供参考.
NETL
NSTL
维普
万方数据