1.現(xiàn)有技術(shù)局限性分析

現(xiàn)有的風(fēng)電機(jī)組齒輪箱運(yùn)行受風(fēng)速、溫度波動(dòng)及負(fù)載擾動(dòng)等多種工況因素的顯著影響，導(dǎo)致關(guān)鍵監(jiān)測信號(hào)呈現(xiàn)較強(qiáng)的非穩(wěn)定性和擾動(dòng)敏感性[1]。在傳統(tǒng)數(shù)據(jù)驅(qū)動(dòng)模型中，通常依賴歷史監(jiān)測樣本進(jìn)行建模，盡管在某些特定場景下取得一定成果，但在面對(duì)復(fù)雜工況和不同風(fēng)電場的差異時(shí)，模型的泛化能力不足，無法適應(yīng)新環(huán)境或進(jìn)行跨平臺(tái)部署[2]。此外，現(xiàn)有健康評(píng)估體系多依賴有限的指標(biāo)，如振動(dòng)RMS、溫度峰值等，難以準(zhǔn)確反映齒輪箱的復(fù)雜退化過程。缺乏分階段風(fēng)險(xiǎn)識(shí)別能力，使得設(shè)備退化的早期信號(hào)難以捕捉，導(dǎo)致預(yù)警時(shí)效不足。此外現(xiàn)有方法無法有效應(yīng)對(duì)非線性擾動(dòng)與異常工況的影響，從而限制了故障預(yù)測的準(zhǔn)確性與穩(wěn)定性[3]。

2.基于工況自適應(yīng)融合建模的體系設(shè)計(jì)

2.1模型原理與架構(gòu)定義

針對(duì)風(fēng)電齒輪箱運(yùn)行工況的高度非線性與多變性，構(gòu)建了基于工況自適應(yīng)的多源數(shù)據(jù)融合模型體系，以提升故障預(yù)測的魯棒性和健康評(píng)估的精準(zhǔn)度。該體系結(jié)合多工況條件下信號(hào)特征的動(dòng)態(tài)變化，采用工況識(shí)別驅(qū)動(dòng)的參數(shù)自適應(yīng)策略，實(shí)現(xiàn)模型結(jié)構(gòu)和參數(shù)的實(shí)時(shí)調(diào)整，確保預(yù)測模型在復(fù)雜環(huán)境中的泛化能力。

該體系架構(gòu)包括工況識(shí)別、多源融合建模和健康評(píng)估三大模塊。工況識(shí)別模塊通過實(shí)時(shí)分類風(fēng)速、負(fù)載、溫度等變量，為模型的自適應(yīng)調(diào)整提供支持。多源融合建模模塊整合振動(dòng)、油液和溫度等異構(gòu)數(shù)據(jù)，采用貝葉斯推斷與多任務(wù)學(xué)習(xí)，實(shí)現(xiàn)模型權(quán)重動(dòng)態(tài)更新與特征深度融合，提升對(duì)工況擾動(dòng)的適應(yīng)性和故障識(shí)別精度。健康評(píng)估模塊通過多指標(biāo)融合與動(dòng)態(tài)閾值設(shè)計(jì)，構(gòu)建連續(xù)且可解釋的健康狀態(tài)量化體系，實(shí)現(xiàn)設(shè)備退化的精細(xì)刻畫與分階段風(fēng)險(xiǎn)預(yù)警。具體設(shè)計(jì)流程見圖1。

2.2工況識(shí)別驅(qū)動(dòng)的參數(shù)自適應(yīng)機(jī)制

風(fēng)電齒輪箱的運(yùn)行環(huán)境復(fù)雜多變，工況識(shí)別驅(qū)動(dòng)的參數(shù)自適應(yīng)機(jī)制通過實(shí)時(shí)分類當(dāng)前工況狀態(tài)，實(shí)現(xiàn)模型參數(shù)的動(dòng)態(tài)調(diào)節(jié)，增強(qiáng)預(yù)測模型對(duì)多工況變化的適應(yīng)能力。該機(jī)制包括工況特征提取、工況分類以及基于工況類別的模型參數(shù)更新三大環(huán)節(jié)。首先，利用多源傳感器數(shù)據(jù)提取工況特征，常用方法包括時(shí)頻分析、小波包變換及統(tǒng)計(jì)特征計(jì)算，從原始信號(hào)中挖掘代表性信息。隨后，應(yīng)用支持向量機(jī)或深度神經(jīng)網(wǎng)絡(luò)等分類算法，對(duì)降維后的工況特征進(jìn)行判別，實(shí)現(xiàn)工況類別的劃分。

2.3多源融合驅(qū)動(dòng)的故障預(yù)測模型設(shè)計(jì)

在完成工況識(shí)別的參數(shù)自適應(yīng)設(shè)計(jì)后，應(yīng)建立基于多源數(shù)據(jù)融合的故障預(yù)測模型，通過深度協(xié)同與動(dòng)態(tài)權(quán)重分配實(shí)現(xiàn)傳感信息的綜合應(yīng)用。在特征構(gòu)建階段，可通過對(duì)監(jiān)測數(shù)據(jù)的分析與提取，重點(diǎn)關(guān)注頻域能量、幅值變化率及時(shí)序突變等特征，采用歸一化和PCA降維技術(shù)建立標(biāo)準(zhǔn)化特征空間，為后續(xù)融合建模提供統(tǒng)一輸入。在融合建模階段，加入注意力機(jī)制，基于當(dāng)前工況自適應(yīng)地動(dòng)態(tài)調(diào)整各特征的權(quán)重，增強(qiáng)弱特征表達(dá)能力，抑制冗余干擾。預(yù)測框架設(shè)計(jì)中，使用深度神經(jīng)網(wǎng)絡(luò)架構(gòu)，結(jié)合殘差連接和多通道卷積核結(jié)構(gòu)，確保高維特征的非線性映射能力與多尺度建模，同時(shí)嵌入工況識(shí)別模塊標(biāo)簽，實(shí)現(xiàn)工況自適應(yīng)調(diào)整，賦予模型在不同運(yùn)行場景下的重構(gòu)能力與參數(shù)切換機(jī)制。

2.4健康狀態(tài)量化及風(fēng)險(xiǎn)評(píng)定策略

在完成工況識(shí)別和多源融合建模的基礎(chǔ)上，健康評(píng)估系統(tǒng)需解決兩方面核心問題：即“如何將高維特征響應(yīng)轉(zhuǎn)化為具有判別性的單一健康指標(biāo)”和“如何根據(jù)健康狀態(tài)演化趨勢合理劃分風(fēng)險(xiǎn)等級(jí)”。為此，形成以“融合響應(yīng)驅(qū)動(dòng) + 工況感知調(diào)節(jié)”為核心的健康狀態(tài)量化與風(fēng)險(xiǎn)評(píng)定策略?；谌诤夏Ｐ偷妮敵鰵埐睢㈩A(yù)測置信度及特征偏移構(gòu)建多維狀態(tài)描述符，并通過線性映射函數(shù)壓縮至區(qū)間化健康指標(biāo)，形成統(tǒng)一判別標(biāo)準(zhǔn)。在此基礎(chǔ)上，構(gòu)建基于健康區(qū)間的風(fēng)險(xiǎn)等級(jí)劃分策略。根據(jù)指標(biāo)歷史趨勢與波動(dòng)率，劃分穩(wěn)定運(yùn)行、輕度預(yù)警、中度預(yù)警及嚴(yán)重預(yù)警四個(gè)階段。其中，輕中度預(yù)警主要用于捕捉隱性退化與早期風(fēng)險(xiǎn)信號(hào)，而嚴(yán)重預(yù)警則觸發(fā)調(diào)度干預(yù)機(jī)制。為避免誤判，該策略同步接入工況識(shí)別模塊輸出，對(duì)閾值邊界進(jìn)行動(dòng)態(tài)校正，使評(píng)估系統(tǒng)具備工況感知能力。

3.應(yīng)用效果分析

3.1應(yīng)用環(huán)境及設(shè)備選取

選取華北沿海某典型高風(fēng)壓區(qū)域風(fēng)電場作為齒輪箱故障預(yù)測與健康評(píng)估體系的實(shí)際部署場景。風(fēng)電機(jī)組長期處于變載、變速工況下運(yùn)行。目標(biāo)測試設(shè)備具備邊緣計(jì)算終端與歷史維護(hù)日志歸檔能力，為故障預(yù)測與健康狀態(tài)回溯分析提供了完整數(shù)據(jù)鏈支持。

3.2故障預(yù)測性能驗(yàn)證

測試對(duì)象包括齒輪嚙合異常及潤滑劣化演化過程中的典型數(shù)據(jù)段，采用窗口滑動(dòng)預(yù)測方式獲取模型殘差響應(yīng)，并與傳統(tǒng)支持向量回歸和長短期記憶神經(jīng)網(wǎng)絡(luò)進(jìn)行性能對(duì)比。統(tǒng)計(jì)結(jié)果如表1所示。

結(jié)果顯示，本方法在平均絕對(duì)誤差和均方根誤差兩項(xiàng)指標(biāo)上分別達(dá)到 3.12×10^-3 和 4.98×10^-3 ，較SVR的 7.85×10^-3 和 11.27×10^-3 分別降低 60.3% 和 55.8% ，相較于LSTM模型亦有顯著提升。早期預(yù)警準(zhǔn)確率方面，本方法達(dá)到 91.7% ，顯著優(yōu)于SVR和LSTM模型。所提融合模型具備更強(qiáng)的非線性適應(yīng)能力和魯棒性，能有效緩解傳統(tǒng)模型在動(dòng)態(tài)工況下的預(yù)測偏差和誤報(bào)問題，實(shí)現(xiàn)對(duì)齒輪箱故障的提前識(shí)別，為風(fēng)電機(jī)組的精準(zhǔn)運(yùn)維提供有力支持。

3.3健康評(píng)估驗(yàn)證

為驗(yàn)證健康評(píng)估模塊在實(shí)際運(yùn)行場景下的判別能力與風(fēng)險(xiǎn)預(yù)警效果，對(duì)選定風(fēng)電齒輪箱樣本的運(yùn)行周期進(jìn)行回溯分析。所采用健康指數(shù) （HI）基于融合模型殘差等因子構(gòu)建，并通過歸一化映射形成區(qū)間量化結(jié)果。

如表2所示，HI在異常演化早期即呈現(xiàn)顯著上升趨勢，在無明顯報(bào)警條件下給出中度退化提示，為人工排查提供先驗(yàn)指導(dǎo)。其中，HI在3月27日達(dá)到0.61后轉(zhuǎn)入中度風(fēng)險(xiǎn)區(qū)間，并與實(shí)際齒輪嚙合異常反饋高度吻合。在4月5日，HI超過0.8觸發(fā)嚴(yán)重預(yù)警，系統(tǒng)穩(wěn)定完成風(fēng)險(xiǎn)信號(hào)的前置識(shí)別。

4.結(jié)束語

本文對(duì)風(fēng)電齒輪箱在復(fù)雜工況下故障預(yù)測與健康管理研究，構(gòu)建了高度適應(yīng)性的多源數(shù)據(jù)融合體系，顯著提升了智能感知的穩(wěn)定性與準(zhǔn)確性。結(jié)果表明，該體系有效提升設(shè)備可靠性、降低運(yùn)維成本，并增強(qiáng)了風(fēng)電機(jī)組的安全性。研究成果豐富了風(fēng)電裝備智能運(yùn)維的理論體系，并為工程推廣提供了參考。未來可深化物理機(jī)理與數(shù)據(jù)驅(qū)動(dòng)的融合，以推動(dòng)風(fēng)電裝備健康管理向更高水平發(fā)展。能

參考文獻(xiàn)：

[1]朱彥民、李忠虎、王金明等。基于Transformer的風(fēng)電機(jī)組故障預(yù)測[J].電子測量技術(shù)，2024，47（13）：45-52.

[2]田紀(jì)龍。智能技術(shù)在新能源發(fā)電設(shè)備故障診斷與健康管理系統(tǒng)中的應(yīng)用[J].2025（1）：294-295.

[3]徐經(jīng)緯、王寧、李鼎翰等。一種風(fēng)電齒輪箱的綜合故障診斷方法[J].設(shè)備管理與維修，2024（21）：166-169.作者單位：華電鄭州機(jī)械設(shè)計(jì)研究院有限公司