项目背景

伴随着经济的发展，全球能源危机环境危机日益凸显，风能以其成本低、清洁、安全、可再生等优点越来越受到世界各国的重视，所以近几年以来风力发电得到快速发展。然而风电机组常处于恶劣的环境中极易出现运行故障，其中齿轮箱是整个风电机组发生故障概率最高的部件，据统计风电机组60%以上的故障都发生于齿轮箱部位。因此能迅速、准确地对齿轮箱故障预警，对降低风电场的运维成本、提高风电场的经济效益、提高风电机组运行的可靠性具有重要意义。

问题与挑战

1、机组类型不同。从业务角度来说，存在三种不同容量的机组，且设计和运行参数会有一定的差异，为了发现不同类型机组齿轮箱故障的特征，保证故障模型的准确率，需要对机组进行分类。
2、用于分析的多个变量间会存在较多的信息重复。机组运行的参数数据很多，若直接用来分析，会导致模型复杂，同时可能会引起模型较大误差，因此要初步探索数据间的相关性，剔除重复因素。
3、时间因素的损失。故障发生虽说只是一个时间点，但在故障发生的前一段时间就已经有某些特性的改变，因此在进行故障预测时，可将故障发生前一段时间都标记为故障。

解决方案

基于联合动力机组的设计原理，进行机组类型划分，在此基础上，针对不同类型的机组，利用机器学习算法，分析与联合动力机组齿轮箱故障相关的影响因素，构建机组齿轮箱故障预警分类模型。

机组类型划分

从机理和业务角度对机组进行类型划分。机组数据一致、传感器位置一致则划分为同一种类型。

机组运行参数相关性分析

在机组分类的基础上，分别针对不同的机组进行参数相关性分析，实现数据降维。

齿轮箱故障预测

基于各类型机组，利用有监督的二分类算法对机组齿轮箱是否发生故障进行分类，从而预测机组齿轮箱故障发生的概率。利用有监督的多分类算法对机组故障类型进行分类，从而预测机组发生的故障类别。

应用价值

预警联合动力机组齿轮箱故障

保证联合动力机组可靠运行

推动风力发电技术发展