发电机作为风电机组的关键部件,在风电机组实际运行过程中发生故障频率较高且故障维修耗时较长,研究风电机组发电机健康管理,提高风电机组维护智能化,对保障风电机组安全经济运行意义重大。本文针对风机发电机进行了健康状态评估和故障预测的研究,主要研究内容如下:(1)状态参数的选取对发电机健康状态评估至关重要,目前大多数研究中只依赖专家经验进行选取,导致人为因素影响较大,由此本文提出一种基于相关性分析的发电机健康状态评估模型。首先,使用Pearson相关系数和最大信息系数MIC充分评估状态参数间的相关性和冗余性,从SCADA系统中提取出与发电机较为相关的状态参数,并去除冗余状态参数。其次,利用风机正常运行时的状态参数数据构建基于高斯混合模型(GMM)的健康基准模型,并采用马氏距离构建健康衰退指标。最后,利用实际的SCADA数据验证该健康衰退指标的有效性,能够准确评估发电机的运行状态、识别发电机劣化过程,实现早期故障预警,降低漏报警次数。(2)进一步,考虑风速、环境温度变化等导致发电机运行工况复杂多变,本文提出一种基于工况辨识的发电机健康状态评估模型。首先,利用工况参数数据并采用K-Means聚类算法对发电机正常运行的历史工况进行划分。其次,解决数据不平衡问题,针对每个工况,利用状态参数数据建立健康基准模型,并训练工况辨识模型和构建最终的健康衰退指标。再者,考虑到发电机实时运行状态的非平稳性,设计一种基于全局固定阈值和局部动态阈值的报警方案。最后,利用实际的SCADA数据进行验证,结果表明,经工况辨识后的健康衰退指标与未经工况辨识相比,对发电机运行状态的变化更敏感,且能够降低漏报警和误报警的发生。(3)针对发电机中的关键频发故障—发电机后轴承温度报警故障,提出基于支持向量回归(SVR)的发电机后轴承温度故障预测模型,对未来的发电机后轴承温度和距故障发生的剩余时间均进行预测。首先,为了克服实时数据的随机和异常变动,采用移动平均法对状态参数数据进行平滑处理。其次,考虑到各状态参数对发电机后轴承温度故障的影响不同,利用相关性分析结果设计各状态参数的权重,并采用网格搜索和交叉验证的方法对SVR模型的超参数进行寻优。最后,利用实际的SCADA数据对所提方法进行验证,结果表明该故障预测模型与粒子群优化算法寻优的SVR模型、传统SVR模型以及极限学习机(ELM)模型相比具有更高的预测精度。