中文摘要：

风电场设备的状态监测与预警，对提高风力发电机组的运行可靠性，实现状态维修，降低维护成本有着重要意义。本项目拟从研究风力发电机组的退化机理入手，研究风力机组的建模方法及退化模型，为机组的状态监测与预警提供理论基础。针对风力发电机组系统复杂，参数繁多的特点，研究风力发电机组传感器优化布设，采用多源监测数据融合方法，获得机组运行状态的准确信息。研究风力发电机组状态多尺度数据分析方法，确定敏感参数，达到最优化的监控目的。针对风力发电机组故障发生、发展过程的特点，研究趋势演化预警的理论方法与技术问题，研究适用于风力发电机组的趋势预警算法和预测诊断方法。在此基础上研究预警和预测诊断结果的可靠性和不确定性，提出预警和预测诊断的评估方法，建立风力发电机组预警和预测诊断可靠性评价体系，构建完整的预警和预测诊断模型，为最终建立风电场设备远程状态监测与预警系统奠定基础。

结论摘要：

本项目就风电场设备故障和退化机理、状态监测与故障诊断方法、预警和预测诊断方法、预测诊断性能评价、风力机智能故障诊断系统研究与开发五个方面展开研究工作。 在风电场设备故障和退化机理研究方面，利用理论建模方法和系统辨识方法，建立了风力发电机组的数学模型。建立了塔架和叶片的有限元模型，分析了塔架和叶片的模态。利用GH Bladed软件和有限元方法，对风力发电机组的正常工况、质量不平衡故障、桨距角故障、叶片结冰故障、偏航故障进行时域仿真，获得了不同状态下风力机主轴的动态响应。采用有限元方法，建立了裂纹的扩展模型，为后续裂纹结构的寿命预测打下了理论基础。 在状态监测与故障诊断方法方面，将自相关消噪和共振解调技术用于实际风力机轴承和齿轮的加速度振动信号的分析，给出了风力发电机组传感器优化布设的建议。提出了一种基于多源信息融合的故障诊断方法，该方法从多个传感器的数据中提取特征，基于全局几何相似性进行特征参数的选择以确定敏感参数，然后采用SVM和GRNN进行故障诊断，并利用实验室直驱型风力机的实验数据进行了验证。 在预警和预测诊断方法研究方面，搭建了滚动轴承退化实验台，获得了退化数据，研究了基于混沌理论的滚动轴承退化信号预测的方法和基于RBF神经网络的滚动轴承退化信号预测的方法。 在预测方法性能评价研究方面，研究了基于Bayes估计的裂纹扩展寿命预测和预测不确定性评估方法研究。研究结果显示随着预测时间的增加，预测结果的分散性增加，即不确定性增加，可靠性下降。 在风力机智能故障诊断系统研究与开发方面，针对风力机智能故障诊断系统的关键技术进行了研究，主要包括海量数据的实时存储和管理，模糊诊断专家系统和风力机振动故障特征算法，并进一步开发了一套用于大型风力机的远程智能监测与诊断系统。该系统采用分布式架构，使用高效的实时数据存储系统对实时数据进行存储，使用一种模糊专家系统作为推理内核，进行顶层的推理控制，系统智能化程度高。 通过本项目的研究，解决了风力发电机组建模与求解方法、预测诊断可靠性评估方法等关键问题，为实现风电场风力发电机组状态监测与预警,延长风力机运行时间，减少经济损失，提高风力机可靠性，提供了技术支撑。