风电机组齿轮箱故障预警算法研究及应用OA北大核心CSTPCD

齿轮箱健康状态直接影响风电机组的发电量,为了在工程实际中尽早实现齿轮箱故障状态的预警,提出一种基于改进狮群优化的K-means聚类算法。将监督机制及考虑非线性权重的正余弦优化算法引入狮群算法实现算法改进,通过改进狮群优化算法对狮王位置的迭代,选择最优解作为K-means算法聚类中心,以解决传统聚类算法对初始聚类中心依赖性强的问题。选择UCI数据对算法进行对比验证,结果表明,基于改进狮群优化的K-means聚类算法的分类准确度和稳定性有较好的提升。将该算法应用于某风电场内4台同一型号机组齿轮箱振动加速度有效值的对比测试,发现该算法的分类中心分布与齿轮箱实际运行状态相吻合,且与标准规定的齿轮箱不同状态所对应的振动能量分布相一致,证明该算法可实现风电机组齿轮箱早期故障预警。