基于全景镜像实况在环的风电装备性能衰退及预测方法研究

我国风电产业发展迅猛，装机容量位居世界第一。因风机服役工况复杂、环境严酷，产业突发性增长的同时也伴生着安全隐患和可靠性问题。由于缺乏风机系统的历史数据积累，现有故障诊断预测理论不能准确预示失效形式与失效时间，在线健康状态评估与故障预示成为揭示机组性能衰退规律、保证风机安全服役的根本方法。本项目提出物理风场、镜像风场、试验风场- - "三场"实时协同的实况在环建模、仿真、诊断预测新模式，研究极端条件下风机复杂潜在病态信号获取、特征提取及状态性能表征方法，研究复杂典型工况下风机关键部件及系统失效机理，揭示风机从初始性能、过程性能及性能衰退至失效的动态演变规律，研究数据挖掘方法与知识再生理论，建立风电机组健康状态精确评估及性能精准预测模型，依托正在建设的"三场"平台，构建风机性能衰退与剩余寿命预测验证系统，形成风机故障预示和健康评估理论体系，为大型风机的安全、健康、稳定运行奠定理论和技术基础。

针对风机服役工况复杂、环境严酷，产业突发性增长的同时也伴随着安全隐患和可靠性的问题，提出了基于多层自组织映射神经网络的风机工况智能识别方法。针对风机系统历史数据的缺乏和现有故障样本库的完整性问题，研究了在线健康状态评估与故障诊断预测系统，积累了大量的数据样本。针对风机关键部件及系统的失效、性能衰退剩余寿命预测，研究数据挖掘方法与知识再生理论，建立风电机组健康状态精确评估及性能精准预测模型，提出了基于小波Leader的特征提取方法，基于稀疏编码的故障特征表达，基于故障诊断字典学习的特征字典学习算法和基于ARMA的性能预测方法。建立了物理风场、镜像风场和试验风场，三场协同的建模、仿真、诊断和预测方法，构建风机性能衰退与剩余寿命预测验证系统，为大型风机的安全、健康、稳定运行奠定理论和技术基础。