一种风电机组剩余寿命预测方法及系统与流程

本技术属于风力发电领域，具体涉及一种风电机组剩余寿命预测方法及系统。

背景技术：

1、在风力发电运维领域，风电机组的健康状态监测与寿命预测对于保障设备安全运行至关重要。当前，风电场普遍依托scada系统及部署在传动链或结构件上的传感器采集多维运行数据，并基于该类历史数据结合机器学习算法构建状态评估模型，进而开展设备寿命预测。在运维调度上，行业内多依据此类基础预测结果执行固定的定期检修计划。此外，部分智能化风电项目逐步引入了数字孪生技术，其常规应用方式为建立物理机组的三维数字模型，通过单向接入实测数据来实现设备运行状态的远程可视化监控。

2、目前存在的问题是，上述寿命预测与运维方法在应对高寒高海拔等特殊地理气候环境时存在明显的局限性。现有数据驱动类预测模型的准确率严重依赖海量且包含完整退化周期的真实故障样本进行模型训练。但在实际工程中，风电机组核心部件（如主轴承、变桨电机）发生严重故障的概率极低，加之极低温环境对材料刚度及润滑特性的影响存在非线性突变，导致具备高寒特征的真实故障演化数据严重匮乏。这种故障样本的缺失直接造成预测模型泛化能力弱、评估精度不足。同时，现有的数字孪生技术通常仅局限于表层的状态映射与数据展示，未能与设备底层的机械磨损、疲劳损伤等物理退化机理进行深度融合与动态推演。

技术实现思路

1、本技术针对现有风电机组寿命预测模型因真实故障样本匮乏导致预测精度不足的技术问题，提供一种风电机组剩余寿命预测方法及系统。

2、为了实现上述目的，本技术采用以下技术方案予以实现：

3、第一方面，一种风电机组剩余寿命预测方法，包括：

4、采集风电机组在目标运行环境下的多源状态数据；

5、将所述多源状态数据进行时间戳同步处理后，作为边界条件输入至预先构建的风电机组数字孪生模型中，通过多物理场耦合解算将所述多源状态数据映射为所述风电机组关键部件的实时物理场分布矩阵；

6、在所述数字孪生模型中将所述实时物理场分布矩阵作为初始健康状态边界，并基于预设的部件损伤演化方程进行时序迭代求解，得到关键部件在多个递进退化阶段的物理场特征矩阵；

7、将所述关键部件在多个递进退化阶段的物理场特征矩阵，按时间维度拼接重构，并赋予对应的故障类别与退化程度标签，生成虚拟故障仿真时序样本；

8、将所述多源状态数据标注为正常运行样本，并与所述虚拟故障仿真时序样本在时序维度上进行数据拼接与归一化处理，得到联合训练集；

9、利用所述联合训练集对预先构建的长短期记忆网络模型进行监督训练，以最小化预测误差为目标更新网络权重，直至损失函数收敛，生成健康状态评估模型；

10、将所述风电机组当前的实时多源状态数据输入至所述健康状态评估模型，输出所述关键部件的预测剩余寿命。

11、在一些实施方式中，所述多源状态数据包括风电机组的scada系统数据、机械传动链的振动数据、关键承载部件的应变数据以及关键部位的温度数据。

12、在一些实施方式中，所述实时物理场分布矩阵包括三维温度场分布矩阵和三维应力场分布矩阵；

13、所述通过多物理场耦合解算将所述多源状态数据映射为所述风电机组关键部件的实时物理场分布矩阵，包括：

14、基于经过时间戳同步的所述多源状态数据，在所述风电机组数字孪生模型中进行有限元热力耦合计算，得到关键部件的实时受力形变和热传导状态；

15、根据所述关键部件的实时受力形变和热传导状态，驱动所述风电机组数字孪生模型的几何节点生成更新后的所述三维温度场分布矩阵和三维应力场分布矩阵，作为实时物理场分布矩阵。

16、在一些实施方式中，所述预设的部件损伤演化方程包括疲劳损伤演化方程和机械磨损演化方程；

17、所述故障类别包括主轴承磨损故障和变桨电机卡滞故障；

18、所述基于预设的部件损伤演化方程进行时序迭代求解，包括：

19、提取所述三维温度场分布矩阵中的局部温度数据和所述三维应力场分布矩阵中的局部应力数据；

20、根据所述局部温度数据获取对应温度下的材料弹性模量与疲劳极限，并结合所述局部应力数据代入所述疲劳损伤演化方程中进行迭代计算，得到所述关键部件在当前退化阶段的累积损伤量；

21、根据所述局部温度数据获取对应温度下的润滑油黏度和摩擦因数，并结合所述局部应力数据代入所述机械磨损演化方程中进行迭代计算，得到所述关键部件在当前退化阶段的表面磨损深度；

22、基于多个退化阶段对应的所述累积损伤量和所述表面磨损深度，构建生成所述关键部件在多个递进退化阶段的物理场特征矩阵。

23、在一些实施方式中，所述将所述多源状态数据标注为正常运行样本，并与所述虚拟故障仿真时序样本在时序维度上进行数据拼接与归一化处理，得到联合训练集，包括：

24、对所述多源状态数据进行时频域特征提取，生成第一特征向量；

25、对所述虚拟故障仿真时序样本进行空间特征提取，生成第二特征向量；

26、将所述第一特征向量与所述第二特征向量在相同时序节点上进行拼接重组，得到统一维度的高维状态特征向量；

27、对所述高维状态特征向量采用主成分分析法进行冗余降维，并映射至预设归一化区间，生成所述联合训练集。

28、在一些实施方式中，所述将所述风电机组当前的实时多源状态数据输入至所述健康状态评估模型，输出所述关键部件的预测剩余寿命之后，还包括：

29、判断所述预测剩余寿命是否小于预设安全阈值，若小于所述预设安全阈值，则生成预测性维护策略。

30、第二方面，一种风电机组剩余寿命预测系统，包括：

31、数据采集模块，用于采集风电机组在目标运行环境下的多源状态数据；

32、孪生映射模块，用于将所述多源状态数据进行时间戳同步处理后，作为边界条件输入至预先构建的风电机组数字孪生模型中，通过多物理场耦合解算将所述多源状态数据映射为所述风电机组关键部件的实时物理场分布矩阵；

33、故障仿真模块，用于在所述数字孪生模型中将所述实时物理场分布矩阵作为初始健康状态边界，并基于预设的部件损伤演化方程进行时序迭代求解，得到关键部件在多个递进退化阶段的物理场特征矩阵；

34、样本重构模块，用于将所述关键部件在多个递进退化阶段的物理场特征矩阵，按时间维度拼接重构，并赋予对应的故障类别与退化程度标签，生成虚拟故障仿真时序样本；

35、训练集构建模块，用于将所述多源状态数据标注为正常运行样本，并与所述虚拟故障仿真时序样本在时序维度上进行数据拼接与归一化处理，得到联合训练集；

36、模型训练模块，用于利用所述联合训练集对预先构建的长短期记忆网络模型进行监督训练，以最小化预测误差为目标更新网络权重，直至损失函数收敛，生成健康状态评估模型；

37、寿命预测模块，用于将所述风电机组当前的实时多源状态数据输入至所述健康状态评估模型，输出所述关键部件的预测剩余寿命。

38、第三方面，一种计算机设备，包括：处理器和计算机可读存储介质；

39、处理器，适于执行计算机程序；

40、计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被所述处理器执行时，实现如所述的一种风电机组剩余寿命预测方法。

41、第四方面，一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序适于被处理器加载并执行如所述的一种风电机组剩余寿命预测方法。

42、第五方面，一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时，实现如所述的一种风电机组剩余寿命预测方法。

43、与现有技术相比，本技术具有以下有益效果：

44、本技术通过对多源状态数据进行时间戳同步并输入至数字孪生模型中进行多物理场耦合解算，继而以实时物理场分布矩阵为初始边界，基于部件损伤演化方程执行故障注入仿真，生成虚拟故障仿真时序样本，最终将其与正常运行样本拼接构建联合训练集以训练长短期记忆网络模型，突破了传统数据驱动模型严重依赖真实故障样本的历史局限，利用数字孪生空间内的机理推演弥补了极端环境下严重故障负样本匮乏的技术缺陷；通过融合真实健康数据与虚拟故障样本，从底层数据结构上提升了预测模型的鲁棒性与泛化能力，实现了风电机组剩余寿命的高精度预测。

45、进一步地，通过在风电机组数字孪生模型中执行有限元热力耦合计算获取实时受力形变和热传导状态，进而驱动几何节点更新以生成三维温度场分布矩阵和三维应力场分布矩阵，将抽象的一维传感信号具象化为直观的三维空间物理场，实现了物理机组热力学与动力学状态的深度数字映射，解决了现有数字孪生技术仅停留在表层数据展示而缺乏内在三维物理机理支撑的技术问题。

46、进一步地，通过提取局部温度数据和局部应力数据，动态获取对应温度下的材料弹性模量、疲劳极限、润滑油黏度及摩擦因数，并代入疲劳损伤演化方程和机械磨损演化方程中迭代计算累积损伤量与表面磨损深度，无需引入人为虚构的修正系数，直接遵循物理学本构规律，精准还原了高寒极低温环境对材料脆化和润滑失效的非线性物理影响，确保了生成的主轴承磨损故障和变桨电机卡滞故障等虚拟样本在工程力学层面的绝对可靠性与真实性。