基于大数据分析的风电机组运行状态评估及故障诊断
基于大数据的风力发电机组故障检测技术研究
基于大数据的风力发电机组故障检测技术研究近年来，风力发电在全球范围内逐渐得到了广泛应用，成为了一种可持续发展的清洁能源。
然而，随着风力发电机组的数量不断增多，对其进行检测和维护也面临着巨大挑战。
特别是在大规模风电场中，一旦设备故障引发问题，将会导致严重影响甚至造成生命损失。
对此，利用大数据技术进行故障检测，成为了目前行业关注的热点话题。
一、大数据与风力发电机组故障检测“大数据”是指传统数据库处理软件无法处理的大量数据集合的领域，其具有规模、速度和多样性等特点。
在风力发电场中，每天都会产生大量的数据，包括风速、温度、湿度、转速、功率等数据。
同时，每台风力发电机组还具有自身的特性和故障诊断信息。
这些数据，若能够得到合理利用，将会为故障检测和预防提供重要支撑。
利用大数据技术进行风力发电机组故障检测的基本思路是，通过数据收集、处理、分析等方式，识别发电机组故障的特征和模式，从而提升故障检测和预防的能力。
在实际操作中，大数据故障检测需要建立故障诊断模型，并进行数据挖掘、机器学习等技术分析，最终形成预测和判断结果。
二、大数据风力发电机组故障检测技术的优势大数据风力发电机组故障检测技术具有以下优势：1、减少检测成本传统的风力发电机组故障检测方式，需要人工巡检和维护，造成了人力物力资源的浪费。
而利用大数据技术进行故障检测，可实现自动化、智能化的管理和维护，从而降低了生产和检测成本。
2、提高故障检测效率传统故障检测方式往往需要人工逐一巡检，而大数据技术能够将检测处理速度提升到更高的层次，实现对更多机组的监控和检测，减少了检测过程中的漏检和误检现象，提高了检测效率。
3、提升安全性大规模风电场中，一旦某台设备出现故障，将会对其它设备和人员的安全产生重大影响。
利用大数据技术进行故障检测，可实现对发电机组运行情况的实时监测，及时发现故障并进行处理，有效提升了安全性和可靠性。
4、增加风力发电机组寿命风力发电机组的零部件使用寿命通常在20年左右，对其进行定期检测和维护，能够延长其使用寿命。
基于机器学习与大数据的风电发电机组故障诊断与维护
基于机器学习与大数据的风电发电机组故障诊断与维护风电发电机组是可再生能源的重要组成部分之一，具有绿色、清洁、可持续等优势，并且在世界范围内得到了广泛应用。
然而，随着风电装机容量的不断增加，风电发电机组的故障诊断与维护成为一项紧迫而重要的任务。
基于机器学习与大数据技术的风电发电机组故障诊断与维护方法应运而生，为提高风电发电机组的可靠性和效益提供了新的途径。
1. 机器学习在风电发电机组故障诊断中的应用机器学习是一种通过从大量数据中学习并自动改进预测模型的方法。
在风电发电机组故障诊断中，机器学习可以借助大量的历史故障数据和相关参数数据，从中学习故障特征和模式，进而实现对新故障的准确诊断。
首先，机器学习可以通过构建故障分类模型来实现风电发电机组故障的自动识别。
通过对故障样本的特征提取和选择，结合适当的算法，可以建立准确的分类模型，实现对不同类型故障的诊断，例如电机故障、电子元件故障等。
其次，机器学习可以通过构建故障预测模型来实现风电发电机组故障的提前预警。
通过分析历史故障数据和相关参数数据，机器学习可以发现故障前的特征模式和异常行为，从而实现对潜在故障的预测和预警。
这个模型可以帮助维护人员及时采取措施，避免机组故障对电网的影响，提高风电发电机组的可用性。
2. 大数据在风电发电机组故障诊断中的应用大数据是指以海量、高速、多样化的数据为基础，通过高效的处理和分析，挖掘出有价值的信息和知识的技术。
在风电发电机组故障诊断中，大数据技术可以帮助挖掘出隐藏在大量数据中的故障规律和关联性，提高故障诊断的准确性和效率。
首先，大数据可以帮助维护人员实时监测风电发电机组的运行状态。
通过采集风电发电机组传感器数据、控制参数数据等，将其进行实时处理和分析，可以帮助维护人员及时发现机组运行异常，如温度异常、振动异常等，从而避免故障的发生和进一步损坏。
其次，大数据可以帮助建立风电发电机组故障的关联性模型。
通过分析大量的历史故障数据，大数据技术可以发现故障之间的关联性和规律，如某种故障的发生可能会导致其他故障的发生，或者某种操作方式与故障之间存在潜在的关系。
基于大数据分析的风电机组在线监测与故障诊断系统研究
基于大数据分析的风电机组在线监测与故障诊断系统研究随着能源需求的不断增长，风电发电已成为可再生能源的重要组成部分之一。
然而，由于风电机组的特殊性和复杂性，其运行状态的监测和故障诊断一直是一个关键问题。
基于大数据分析的风电机组在线监测与故障诊断系统的研究，为实现风电机组的可靠性和经济性提供了新的解决方案。
一、背景介绍风电机组是将风能转化为电能的设备。
然而，由于风能的不可控性和不稳定性，风电机组的可靠性和安全性一直是一个重要问题。
传统的风电机组监测方法主要依靠人工巡检和传感器检测，但这种方法效率低、成本高，并且无法全面监测和诊断风电机组的故障。
因此，基于大数据分析的风电机组在线监测与故障诊断系统的研究迫在眉睫。
二、研究目标通过基于大数据分析的风电机组在线监测与故障诊断系统的研究，旨在实现以下目标：1. 提高风电机组的可靠性和安全性；2. 实现对风电机组全面、实时的监测与诊断；3. 提高故障诊断的准确性和效率；4. 降低风电机组的运维成本。
三、研究方法1. 数据采集与存储：通过传感器和监测设备采集风电机组的运行数据，包括温度、振动、电流等参数，并将数据进行实时存储。
2. 数据预处理：对采集的原始数据进行去噪、滤波和归一化处理，提高数据的准确性和可用性。
3. 特征提取与选择：根据风电机组的工作原理和故障模式，提取与故障诊断相关的特征，并通过特征选择方法选取最具区分性的特征。
4. 模型建立与训练：基于机器学习和深度学习算法，建立风电机组故障诊断模型，并通过训练模型来提高故障诊断的准确性和效率。
5. 系统开发与应用：基于上述研究成果，开发基于大数据分析的风电机组在线监测与故障诊断系统，并将其应用于实际风电场进行系统测试和验证。
四、研究意义基于大数据分析的风电机组在线监测与故障诊断系统的研究具有以下意义：1. 提高风电机组的可靠性和安全性，减少停机时间和损失；2. 实现对风电机组全面、实时的监测与诊断，及早发现和解决问题；3. 提高故障诊断的准确性和效率，降低误报率和漏报率；4. 降低风电机组的运维成本，节省人力和物力资源。
基于大数据的风力发电机组故障诊断研
基于大数据的风力发电机组故障诊断研内蒙古电力（集团）有限责任公司巴彦淖尔供电分公司2内蒙古呼和浩特抽水蓄能发电有限责任公司3内蒙古自治区巴彦淖尔市015000摘要：近年来我国科学技术飞速发展，风力发电蓬勃发展，国内风电装机容量累计逐年增长。
本文主要对风力发电机组故障诊断展开研究，期望能够为后续风电工作起到参考作用。
关键词：风力发电机组；故障诊断；诊断技术1风力发电机采用状态监测和故障诊断技术的必要性为了便于风能的获取，风场一般都设在比较偏远的山区或者近海区域，所以风力发电机会受到阵风、侵蚀等因素的影响。
风力发电机组一般设在50~80m的高空，在机组运行时需要承受较大的受力载荷。
由于设计不合理、焊接质量缺陷等原因会引发机组运行故障，当出现阵风时，会对叶片造成短暂而频繁的冲击载荷，而叶片受到的荷载又会对传动链上的部件产生不同程度的影响而引发故障，其中风轮、主轴、齿轮箱、发电机等受到的影响较大。
计划维修和事后维修是风力发电机比较常用的维修方式，但是这两种维修方式都存在一定的缺陷，计划维修的检修范围不大，维修内容不详细，无法全面的反应出机电设备的运行状况。
而事后维修的维修时间长，维修效率低，所以造成的经济损失较大。
所以需要提高风力发电机维修水平，采用状态监测和故障诊断技术可大大提高风力发电机运行的稳定性和可靠性。
风力发电机状态监测和故障诊断技术主要是利用计算机控制系统，将信号采集、在线监测和信号分析综合运用的系统。
状态监测技术主要有油液监测、振动监测、温度监测、应变力监测，利用安装在风力发电机中的检测设备进行信号的收集，然后通过对信号的处理、分析、判断和诊断，就能够及时获取发电机的运行状态，进而通过控制中心对发电机的运行状态进行调整，可有效预防故障的发生。
油液监测技术主要是通过对润滑油和液压油的性能进行分析，以此来掌握设备的润滑及磨损状态。
振动监测主要是通过振动信号的收集来分析风力发电机的机械故障，比如转子不平衡，转轴弯曲等。
基于大数据的风机故障诊断与预测模型研究
基于大数据的风机故障诊断与预测模型研究随着工业化进程的加快，风机在工业生产中扮演着重要的角色。
然而，由于长时间运行和各种环境因素的影响，风机发生故障的概率较大。
及时诊断和预测风机故障对于保障生产效率和降低维修成本至关重要。
随着大数据技术的发展和应用，基于大数据的风机故障诊断与预测模型的研究逐渐成为学术界和工业界的热点。
一、引言风机故障会导致生产中断、能源浪费等不利后果，因此及时预测和诊断风机故障对于保持工业生产的稳定和高效至关重要。
传统的故障诊断方法主要依赖于经验和设备运行数据的手动分析，效率低下且容易出现遗漏和误判的情况。
而基于大数据的风机故障诊断与预测模型则可以从海量数据中自动提取特征、发现潜在的故障模式，并预测潜在的故障发生时间和类型，从而帮助企业及时采取维修措施。
二、基于大数据的风机故障诊断方法（1）数据采集与清洗基于大数据的风机故障诊断首先需要采集庞大的风机运行数据，包括转速、振动、压力、温度等多种传感器数据。
然后对数据进行清洗，排除异常值和噪声，确保分析的准确性。
（2）特征提取与选择从海量的风机运行数据中提取有意义的特征是风机故障诊断的关键一步。
可以采用统计学方法、频谱分析、小波变换等技术提取时域特征、频域特征和时频域特征，并根据这些特征对风机故障进行分类和预测。
（3）模型构建与训练基于大数据的风机故障诊断模型可以使用机器学习、深度学习等方法进行构建和训练。
常用的方法包括支持向量机、神经网络、随机森林等。
通过将特征数据输入到模型中进行训练，模型会自动学习特征之间的关系，并建立起诊断模型。
（4）模型评估与优化构建好模型之后，需要对模型进行评估和优化。
可以使用交叉验证、混淆矩阵、ROC曲线等方法来评估模型的准确性和稳定性，并根据评估结果进行优化和调整。
三、基于大数据的风机故障预测方法（1）故障时间序列模型基于大数据的风机故障预测可以使用时间序列模型进行建模和预测，如ARIMA模型、指数平滑模型等。
基于数据挖掘技术的风电机组在线监测与故障诊断系统研究
基于数据挖掘技术的风电机组在线监测与故障诊断系统研究风能是一种可再生的清洁能源，风力发电已成为全球各国发展的重要能源形式之一。
为了保证风力发电机组的安全运行和有效利用，基于数据挖掘技术的风电机组在线监测与故障诊断系统应运而生。
该系统通过采集风电机组运行过程中的大量数据，并应用数据挖掘技术对这些数据进行分析，实现对风电机组状态的实时监测和故障的自动诊断。
在此系统中，数据采集是至关重要的一步。
风电机组包括风力发电机、塔筒、转子叶片等不同的组成部分，每个部分都设有传感器以采集与其相关的数据。
例如，温度、压力、振动等参数可以通过传感器获得。
这些传感器会持续不断地将数据发送给监测系统，从而形成一个庞大的数据集。
数据挖掘技术在风电机组在线监测与故障诊断系统中扮演着重要的角色。
首先，数据预处理是数据挖掘的关键步骤之一。
由于传感器采集到的数据通常具有噪声、缺失值等问题，因此需要对数据进行清洗和预处理，以确保数据的质量和可靠性。
常见的预处理方法包括数据清洗、数据变换、数据集成等。
接下来，特征选择是数据挖掘的另一个重要环节。
通过选择与风电机组状态相关的特征，可以提高故障诊断的准确性。
特征选择算法可以从原始数据中提取出最具代表性的特征，减少了模型训练的复杂度。
常见的特征选择方法有相关系数、互信息、决策树等。
在特征选择之后，可以应用机器学习算法建立故障诊断模型。
机器学习算法可以根据已有的数据样本建立模型，然后通过对新样本的预测来进行故障诊断。
常见的机器学习算法有支持向量机、随机森林、神经网络等。
在选择机器学习算法时，需要考虑算法的准确率、效率和可解释性。
除了机器学习算法，还可以使用聚类算法对风电机组状态进行分组。
聚类算法将具有相似特征的样本聚集到一起，形成不同的簇。
通过观察不同簇之间的差异，可以对风电机组的状态进行判别和诊断。
常见的聚类算法有K均值算法、DBSCAN算法等。
此外，数据可视化也是该系统中不可或缺的一环。
通过将数据可视化成图表、曲线等形式，可以直观地展示风电机组的运行状态和故障信息。
基于大数据的风电场智能运行及故障诊断
基于大数据的风电场智能运行及故障诊断风电场是目前全球发展最迅速的可再生能源之一，其在减少二氧化碳排放和替代传统化石能源方面发挥了重要作用。
然而，由于风电场数量庞大且分布广泛，其运行维护面临着一系列的挑战。
为了实现风电场的高效运行和确保持续供电，基于大数据的风电场智能运行和故障诊断技术应运而生。
大数据技术的引入使得风电场能够实时收集和分析海量的数据，为运营商提供全面的运行状况监测和决策支持。
首先，大数据技术可以对风电机组进行状态监测，通过检测运行数据中的异常值和故障信号来进行故障诊断。
例如，可以利用数据挖掘和机器学习算法分析风电机组的振动、电流和温度等参数，识别出可能存在的故障模式，并及时报警提醒运维人员。
这种基于数据的故障诊断方法相比传统的定期巡检和预防性维护更加高效和准确，可以大幅降低故障损失和维护成本。
此外，大数据技术还可以为风电场运维提供智能化的运行决策支持。
通过收集和分析历史数据和实时数据，可以建立风电场的运行模型和预测模型，以实现智能化的运维管理。
例如，可以根据大数据分析结果对风电机组进行优化调度，使得风电场的整体发电效率最大化。
同时，还可以根据天气预报和风力变化等因素，合理安排风电机组的维护计划，避免因突发故障而造成的停机损失。
另外，基于大数据的风电场智能运行和故障诊断技术还可以改善风电场的运行安全性。
通过收集和分析智能传感器和装备设备的数据，可以帮助监测和预测高风险区域的故障风险，并提前采取相应的修复措施。
此外，大数据技术还可以提供风电场的实时监控和远程操作功能，使得运维人员可以随时随地对风电场进行监控和控制，及时处理可能出现的故障和风险。
然而，要实现基于大数据的风电场智能运行和故障诊断，并不是一项简单的任务。
首先，风电场需要建立完善的数据收集和存储系统，以确保数据的完整性和可靠性。
其次，需要开发和应用高效的数据分析和挖掘算法，对收集到的海量数据进行处理和分析。
此外，还需要建立合理的决策支持系统，将数据分析结果转化为实际的运维决策和行动计划。
基于风电场运维数据分析的故障诊断与预测
基于风电场运维数据分析的故障诊断与预测风电场作为一种清洁、可再生的能源形式，近年来得到了广泛的应用和发展。
然而，长期以来风电场的运维工作一直是一个具有挑战性的任务。
故障的发生和风电设备的维修不仅会增加运维成本，还会降低发电效率和可靠性。
因此，基于风电场运维数据分析的故障诊断与预测显得尤为关键。
故障诊断是指通过分析风电场运维数据，找出设备异常行为的特征，并快速准确地识别系统中存在的故障，并及时采取相应的维修措施。
故障诊断的目标是提高风电场系统的可靠性和运行效率，并降低运维成本。
首先，基于风电场运维数据进行故障诊断需要收集和记录大量的数据。
这些数据包括风电设备的运行状态、温度、振动等参数的变化情况。
通过对这些数据的分析，可以找出设备异常行为的规律性特征，从而识别出存在的故障。
为了减少数据采集和处理的复杂性，可以利用物联网技术和传感器设备实时监测风电设备的运行状态，将数据传输到中央服务器进行分析和处理。
其次，针对风电场中常见的故障类型，可以构建相应的故障预测模型。
故障预测的目标是根据历史数据和已知的故障情况，预测未来可能发生的故障，并提前采取措施进行维修。
例如，可以利用机器学习算法和时间序列分析方法，对风电设备的运行状态进行建模和预测。
通过监测设备的振动、温度等参数的变化，可以预测出设备故障的可能性，并及时采取维修措施，避免故障对发电效率和可靠性造成影响。
此外，故障诊断和预测还需要考虑风电场的特殊环境和工况。
风电场通常位于开阔的野外环境中，受到自然环境的影响较大。
针对这一问题，可以利用气象数据和环境监测数据，结合设备的运行状态数据，进行多元数据的分析和建模。
在模型训练和预测过程中，考虑到环境因素的影响，可以提高故障诊断和预测的准确性和可靠性。
最后，故障诊断和预测的结果需要及时有效地传达给风电场的运维人员和管理人员。
通过建立可视化的故障诊断和预测平台，运维人员可以实时监测风电设备的运行状态，并得到故障预警信息。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于大数据分析的风电机组运行状态评估及故障诊断
发表时间：2019-11-08T10:53:05.477Z 来源：《电力设备》2019年第14期作者：李鹏
[导读] 摘要：目前风电行业，随着风电机组运行年限增加，大量的风电机组超出质保期，其安全隐患不断增加、造成运维的成本不断升高，使得风电场的经济效益严重下降。
(山西龙源风力发电有限公司山西省太原市 030006)
摘要：目前风电行业，随着风电机组运行年限增加，大量的风电机组超出质保期，其安全隐患不断增加、造成运维的成本不断升高，使得风电场的经济效益严重下降。
因此，为保证风电机组健康安全运行和降低风场运维成本等方面考虑，研发基于大数据分析的大型风电机组运行状态评估及故障诊断技术已成为风电行业亟待解决的课题。
关键词：风电机组；大数据；状态评估；故障诊断
风电机组是集多种电气、控制和机械等子系统为一体的非线性、强耦合机械设备，不同子系统的部件之间的联系和耦合极其紧密，任何某一部件发生故障，如果不及时诊断排除，通过部件之间的层层级联与相互不断耦合的放大作用，将进一步发生严重故障，从而导致风电机组故障停机，给电力设备的安全稳定运行带来严重威胁。
而且机组一旦发生故障，由于事前对机组的健康信息掌握不充分，受天气状况和地理位置影响，造成故障事后维修工作难度大、停机时间长、维修成本高等经济损失加重。
因此，通过基于风电机组的 SCADA 系统监测数据、振动系统监测数据、生产运行和管理数据等大数据应用分析，判断其健康状况，诊断潜藏性故障，对降低运行维护成本，提高机组的运行效率和可靠性，已成为我国风电行业亟待解决的关键问题。
1风电机组的主要故障类型
1.1齿轮箱故障
齿轮箱是风电系统中故障率最高的部件，且造成停机时间较长，包含齿轮、滚动轴承和轴等部件，其常见的故障主要为齿轮和滚动轴承的故障。
近年来，新投产风电机组普遍都配备了振动监测系统。
当齿轮或滚动轴承存在局部缺陷时，其振动信号中含有丰富的信息。
通过有效提取信号的特征，一般可以较为准确地诊断出缺陷种类及所处的部位。
1.2发电机故障
目前风电系统采用的发电机型主要有双馈异步电发机、笼型异步发电机和永磁同步电发机。
由于承载发电机的机舱处于几十米的高空，发电机长期运行于交变工况和恶劣的电磁环境中，极易发生故障。
常见的故障有轴承故障、短路故障、转子偏心故障等。
当发电机由正常状态衍化到故障状态时，会引发某些电量和非电量的变化。
其中电量信号主要有电流、电压、输出有功功率、电磁力矩等，而非电量主要为振动信号。
发电机的故障诊断正是以这些反映电机运行状态的物理量信号的变化为依据，通过相应监测设备获取电量或非电量信号，采用先进有效的信号处理技术，最终提取出反映发电机故障种类以及故障严重程度的特征信息。
1.3电力电子装置故障
并网风电机组一般通过变频器接入电网，从而实现在环境风速变化的情况下，也可以向电网输送高质量电能。
所不同的是：永磁直驱式风力发电机是定子侧通过变频器接入电网的；双馈式风力发电机是转子侧通过变频器接入电网的，定子侧直接与电网相连。
变速恒频式风力发电机，尤其是双馈式风力发电机在电网发生故障时容易导致风力发电机机端电压跌落，造成发电机定子电流增加进而导致转子电流的增加，极易导致风电机组变频装置的功率元器件损坏。
1.4叶片故障
叶片是风电机组最基础和最关键的部分，长期承受风带来的交变冲击载荷作用，是受力最复杂的部件之一，运行过程中各种激振力通过叶片传递出去。
实际中常用有限元分析法建立风电机组的动力学模型，通过计算与模态分析获得其固有频率和振型等信息，并通过观测固有频率变化反映叶片的裂纹等故障特征，依此达到对风机叶片故障的检测与诊断识别的目的。
2基于大数据分析的风电机组运行状态评估及故障诊断方案
风电机组的结构主要可分为两部分：一是由将风能转换为机械能的风力机；二是将机械能转换为电能的发电机。
风力机主要由风轮、主轴、齿轮箱、控制器及辅助装置组成，其作用是将转化成机械能的风能传递至齿轮箱，通过齿轮箱增速，带动高速发电机工作。
风电机组的类型有双馈型风电机组和直驱型风电机组等，其中双馈型风电机组在我国实际运行数量最多。
首先，在机组各个关键部位安装不同传感器，采集振动、转速、温度等信号。
如低速轴位置选择低速加速度传感器，在高速轴部分选择压电加速度传感器。
然后通过调整单元和信号采集卡，输入到在LabVIEW上开发监测平台，该平台运用小波消噪的方法进行消噪，然后通过快速傅里叶变换将输入信号进行分解，通过曲线拟合、时域分析、频域分析等步骤，将数据以图形的形式呈现出来，并根据分析得到的结果对照正常运行时的信号，如果出现信号异常，进行故障原因分析，并在系统界面上给出故障预示以及故障维护建议。
3基于大数据分析的风电机组运行状态评估及故障诊断的发展方向
结合现有先进技术以及风电场运行维护经验的不断完善和基础数据的不断增加，提出下一步基于大数据分析的风电机组运行状态评估及故障诊断的发展方向。
完整和正确的数据采集是后续状态分析和故障诊断的基础。
因此，在今后的集中监控技术研究中，应将风电机组SCADA系统、升压站综合自动化系统、风功率预测系统、AGC/A VC能量管理系统、生产管理系统等现有分散监控与管理系统进行整合。
采取不同时间尺度的异构数据采集技术、防止数据丢失的数据队列技术以及不同时间尺度的异构数据的统一存储技术，建立以风电机组关键部件的振动在线监测数据、油液在线监测数据、叶片在线监测、离线点检数据、风电场的环境监测数据等为基础的统一实时和历史数据库，确保风电场实时数据的完整性和正确性。
进而，基于各类异构数据的统一管理技术，将实时数据库和历史数据库与统一的风电设备健康状态数据库相结合，建立风电场统管数据库。
基于风电场统管数据库，开发风电场场群的集中监控与管理技术，实现不同供应商的各类设备的集中监控与管理，实现风电场场群的状态监测、运维调度和生产运营的统一管理。
在风电场场群的实时监测、运维管理和生产运营的统一管理基础上，下一步的工作即是开发重要子系统的在线监测系统，如齿轮箱磨损状态监控、叶片表面状态监控等。
以齿轮箱磨损状态监控为例，通过对齿轮摩擦副的摩擦、磨损、润滑与润滑油劣化特征的研究，寻求对齿轮油运动粘度、油中水含量、介电常数、温度、磨损烈度指数等多参数的集成式实时在线检测方法，从而系统地建立风电机组齿轮箱润滑磨损在线监测体系。
风电场故障预警技术的实现，有利于运维人员工作职责的原子化、远程化和信息化，实现风电场维护的智能化和简易化，最终达到风
电场的安全、稳定、高效运行。
4结束语
本文总结了风电机组齿轮箱、发电机等重要零部件的常见故障类型以及常用的故障分析理论，并针对基于大数据分析的风电机组运行状态评估及故障诊断的分散性，提出了基于大数据分析的风电机组运行状态评估及故障诊断的发展方向。
对单风场现有分散的监控与管理系统进行整合，通过异构数据采集技术、数据队列技术以及异构数据存储技术，建立统一的实时数据库和历史数据库，确保风电场实时数据的完整性和正确性。
基于完整的风电场统管数据库，开发各个重要子系统的在线监测系统，最终实现基于数据融合方法的具有自学习能力的风电场智能化专家故障预测，为风电场的安全稳定运行提供可靠保证。
参考文献：
[1]徐颖剑.风电机组发电机故障分析诊断[D].华北电力大学，2013.
[2]戴煜林.故障树及振动包络分析在风电机组故障诊断中的应用[D].华北电力大学（北京），2016.。