用于预测风力涡轮机齿轮箱组件中的可观察损坏的风险的方法和系统与流程

本申请要求于2018年12月31日提交的美国临时申请第62/786,817号的优先权，其全部公开内容通过引用并入本文。

技术领域

本公开一般涉及风力涡轮机。更具体地，本公开一般涉及评估风力涡轮机齿轮箱组件的可观察损坏的风险的方法。

背景技术

考虑到安装的风力涡轮机基数呈指数增长，预测和减轻风力涡轮机组件中的损坏累积在全球范围内是一个机会，价值数十亿美元。过去几年，世界上风力涡轮机运行的数量迅速增加，这导致现场验证的意识到这些风力涡轮机的风力涡轮机齿轮箱(WTG)组件的损坏累积速度比预期的要快，从而导致齿轮箱故障增加导致运营和维护(O&M)支出增加了数百万美元。因此，对解决方案的需求不断增长，这些解决方案可以提供损坏开始的早期预警和损坏发展的跟踪，同时降低不确定性、与特定损坏/故障模式密切相关的智能资产操作以及真实数据驱动的可靠性分析优化长期维护和组件采购策略。

已经开发并应用了多种预测算法来预测WTG组件中的损坏累积。这些方法要么纯粹基于物理的，要么纯粹基于数据/统计的，并且通常依赖于额外昂贵的改装传感器套件的集成。提出了一些混合方法，试图将基于物理的方法与统计、数据驱动的方法组合起来，这依赖于传感器的改装。由于需要昂贵的改装传感器(例如，CMS)，这些方法缺乏可扩展性、高不确定性(即，预测的低准确性)和经济上的不切实际。这些缺点的主要原因包括缺乏对子组件级物理和多体传动系统交互的准确表示；过度依赖使用来自风力涡轮机SCADA系统的时间序列数据(“大数据”)的纯数据驱动的预测；数字化“小数据”的最小集成，即站点和客户特定信息(例如警报日志、站点运维历史日志、物料清单信息、地理空间信息和配置信息)；匮乏的数据治理导致大量未检测到的噪声和各种数据输入中的信息的不一致；以及来自实际现场操作员的经验的量化现场情报的最小集成。

因此，需要改进的方法和系统来准确地评估WTG组件中可观察损坏的风险。

技术实现要素：

实施例可以是一种用于确定风力涡轮机的风力涡轮机齿轮箱的损坏状态的方法。此方法可以包括产生(即，生成)损坏状态诊断，使用操作数据和状态转移函数产生风力涡轮机齿轮箱的损坏进展模型，以及使用混合预诊模型(hybrid prognostics model)将损坏状态诊断与损坏进展模型组合，以产生(即，生成)当前损坏状态估计的概率分布。

实施例可以是一种用于确定风力涡轮机的风力涡轮机齿轮箱的损坏状态的系统。此系统可以包括处理器。此处理器可以被配置为执行一种方法，此方法包括产生损坏状态诊断，使用操作数据和状态转移函数产生风力涡轮机齿轮箱的损坏进展模型，以及使用混合预诊模型将损坏状态诊断与损坏进展模型组合以产生当前损坏状态估计的概率分布。

实施例可以是其上具有指令的有形的、非暂时性的、计算机可读介质。当由处理器执行时，指令可以使处理器执行用于确定风力涡轮机的风力涡轮机齿轮箱的损坏状态的方法，包括产生损坏状态诊断、使用操作数据和状态转移函数产生用于风力涡轮机齿轮箱的损坏进展模型，并使用混合预诊模型将损坏状态诊断与损坏进展模型组合，以生成当前损坏状态估计的概率分布。

产生损坏状态诊断可以包括从风力涡轮机获取测量数据集，将现场操作员提供的情报集成到测量数据集中，相对于风力涡轮机齿轮箱的已知故障行为对测量数据集进行标准化以产生标准化的测量数据集，并将标准化的测量数据集与已知的故障行为组合以产生损坏状态诊断。

混合预诊模型可以包括基于样本的预测器。此方法，无论是在系统的处理器上执行、执行，还是由处理器作为来自有形、非暂时性的计算机可读介质的指令来实现，进一步可以包括使用混合预诊模型来产生未来状态预测。未来状态预测可以包括风力涡轮机齿轮箱达到预测时域(prediction horizon)的临界损坏阈值的概率、达到预测时域的时间以及风力涡轮机齿轮箱在达到预测时域的时间步长的系统状态。

损坏进展模型可以包括基于物理的模型。基于物理的模型可以包括有限元分析、计算流体动力学、多体动力学或者线弹性断裂力学中的一个或多个。

损坏进展模型可以包括基于机器学习的模型。

现场操作员提供的现场情报可以包括先前见过的故障或损坏的操作员发现。操作员对故障或损坏先前见过的发现可能包括管道镜分析中不存在的传闻。此方法，无论是在系统的处理器上执行、执行，还是由处理器作为来自有形、非暂时性的计算机可读介质的指令来实现，进一步可以包括使用操作员先前见过的发现或损坏来构建模型或构建数据表示。

测量数据集可以包括直接测量数据、间接测量数据、全局行为或操作数据中的一个或多个。

测量数据集可以包括直接测量数据。获得测量数据集可以包括使用测量单元执行直接测量以获得直接测量数据。测量单元可以包括管道镜。

测量数据集可以包括间接测量数据并且获得测量数据集可以包括使用温度传感器或振动传感器执行间接测量。

全局行为数据可以包括与风力涡轮机类似地配置的一个或多个类似风力涡轮机的操作数据的比较。

操作数据可以包括监督控制和数据采集(SCADA)数据。SCADA数据可以包括系统输入数据、系统输出数据或系统日志的时间序列中的一个或多个。SCADA数据可以包括系统输入数据并且系统输入数据可以包括风速或风向中的一个或多个。SCADA数据可以包括系统输出数据并且系统输出数据可以包括生成的电力。SCADA数据可以包括系统日志的时间序列，并且系统日志的时间序列可以包括风力涡轮机状态或故障的时间序列。

已知的故障行为可以从历史数据中推导出来。历史数据可以包括维护记录、现场故障信息、根源分析或物料清单数据。

附图说明

为更全面地理解本发明的性质和目的，应组合附图参考以下详细说明，其中：

图1是说明此方法的实施例的流程图；

图2示出了组合数据融合的实施例混合剩余使用寿命框架；以及

图3示出了混合预诊模型的示例实现。

具体实施方式

尽管将根据特定实施例来描述要求保护的主题，但其他实施例，包括不提供本文阐述的所有益处和特征的实施例，也在此公开的范围内。在不脱离本公开的范围的情况下，可以进行各种结构、逻辑、工艺步骤和电子的改变。因此，本公开的范围仅通过参考所附权利要求来定义。

本公开提供了用于预测在诸如轴承和齿轮的WTG组件中存在的可观察损坏的风险的方法、系统和装置。可观察损坏可以指随着时间的推移损坏累积导致单个或多个齿轮箱子组件中存在视觉上可识别的物理损坏。损坏累积可能是指WTG中将扭矩从转子传输到发电机的组件随着时间的推移而退化的过程，这是由于在重复加载循环下会形成微观裂纹。

本公开的实施例实施材料科学、数据科学和现场经验洞察的新颖组合，以提供对WTG组件的损坏累积风险的准确预测，进而推动风力涡轮机的操作维护和寿命延长的有效优化。这些实施例可以包括利用异构信息集来预测风力涡轮机可靠性的过程。此外，这样的实施例可以为设计者、现场管理者、资产管理者和风险管理者提供一种工具来评估在各种情况下：不同的材料、制造过程和操作条件的WTG组件的性能，而不必依赖于昂贵和耗时的测试。使用根据本公开的数据融合过程的实施例方法和系统的输入可以包括材料物理模型、数据科学模型和现场经验洞察。

材料物理驱动模型可以使用物理定律来表示对通过计算模型负责损坏开始和传播的物理过程的因果理解。

材料物理模型可能在通过纯粹基于物理的理解来表示问题和故障模式的能力方面具有优势——不需要任何连续的传感器测量。它们可以提供损坏累积和故障时间的长期概率视图，以及允许风险调整决策的不确定性的测量。它们可能具有高度的可解释性和可说明性——也就是说，由于输出是物理规则的结果，因此设计者和创作者可能清楚地了解为什么以一种特定的方式输出外观和行为的原因。

材料物理模型可能仅限于通过单个模型明确表示的故障模式的表示。因此，此种方法无法表示或预测未知的或缺乏遵循WTG设计的基于物理的因果路径的故障模型(例如，源自制造、设计或现场特定操作问题等的问题)。材料物理模型也可能具有高计算成本，通常需要超级计算机或大量内存密集型云节点，因此可能本身不适合规模的解决方案。

数据科学模型可以指一系列专注于异常检测和决策树类型技术的统计学习技术。此类模型可能旨在使用完全源自传感器的特征以及它们之间的相关性/关联来预测损坏的累积和发展。请注意，与物理驱动模型不同，数据驱动模型不需要因果路径来形成预测算法的基础，因为数据驱动模型依赖于相关性而不是因果关系。

数据科学模型可能具有识别数据中多种预测模式而无需识别相关特征的能力。它们可能非常适合通过诸如异常检测和分类树类型方法等技术解决短期损坏预测问题。它们的计算成本可能相对较低并且适合规模的解决方案。他们可以将各种数据集成到单个预测模型中(例如，传感器数据集、日志类型数据集或通过专家规则的现场情报等)。

数据科学模型可能受限于数据的直接函数，并且很容易出现诸如过拟合等问题，这可能导致误报。他们可能需要大量数据来进行训练、测试和实施。它们可能对数据中的噪声高度敏感——如果不通过领域知识进行过滤，模型可以同等地学习噪声和信号。他们可能需要先前已知的发生的故障才能预测类似类型的故障。他们可能无法预测用于训练模型的数据中不存在的内容。

现场经验洞察可以指现场人员/资产经理在处理各种故障和问题时的经验的提炼，同时在各种条件和地点运行风电场。此类现场经验洞察可以与预测材料物理和数据科学模型组合，以完善整体数据融合模型。

这里提供的方法可能依赖于材料物理驱动的建模和由现场经验衍生的情报引导的数据科学的数据融合(即组合)。这种数据融合方法可以建立在优化数据融合的每个输入的强度和限制的基础上。

数据融合可以估计当前的损坏状态，提供剩余使用寿命(RUL)的预测，并且可以描述为决策级融合，其中组合使用各种预测技术和现场情报来提供与预测的可见的损坏风险相关的准独立的时间窗口的确定。数据融合的核心优势可能归因于材料物理建模框架的使用，其中可以对涉及组件退化的实际物理过程进行建模，而不是仅仅依赖于收集数据的统计分析。

根据本公开的材料物理建模方法可以组合和模拟多种输入参数，而无需假设参数相关性或损坏累积的线性。这可以通过嵌入驱动损坏累积过程的应力和应变的高保真建模表示来实现，以解释常见的WTG组件故障模式，诸如滚动接触疲劳和磨损。

材料物理驱动的建模方法可以考虑将以下技术应用于齿轮箱组件损坏累积过程的各个贡献阶段。此种独特的组合可以更准确和灵活地预测损坏进展。这些技术尤其可以包括：使用气动弹性模拟软件计算的风载荷，包括风速、风切变、湍流强度和空气密度的影响；从转子通过齿轮箱到发电机的载荷传输的多体动力学分析，包括轴和齿轮箱壳体弯曲；和高保真组件加载模型，可以准确地描述宏观级别加载到子组件级别的分布，包括模拟控制接触体摩擦学行为的条件。

数据融合方法的数据科学组件可以利用通过多个预测框架在预测决策数据流中转换的异构“大”和“小”数据。此类数据流的示例尤其可以包括：来自风力涡轮机中各种传感器的时间序列数据——通常称为监督控制和数据采集(SCADA)数据；各种操作日志(例如，故障/警报的日志、涡轮机运行状态的日志或现场维护技术人员手动输入的现场注释)；以前已知的损坏/故障诊断和报告的数字化记录(例如，管道镜图像、油液分析或根源分析报告等)；每个风力涡轮机的维护和更换事件的历史记录(例如，轴承更换、齿轮箱更换或日常维护)；地理空间信息，包括每个涡轮机的地理坐标或包含整个风电场的其他地理数据集(土地使用、地形等)；来自风电场内点位置(及其坐标)的气象数据的时间序列数据，或者如果不可用，描述用于评估风电场设计中与预期的天气相关风险的测量气候条件的文件；和/或每个WTG的物料清单(BOM)。

这些输入数据集中的每一个都可以通过各种不同的预测数据科学模型来利用，此模型基于输入数据集的划分，此划分基于特定信息的百分比表示和关于风力涡轮机操作行为的特定方面的保真度。数据融合方法的数据科学组件可能涉及运行时间序列类型分类和回归模型以及统计模型的集合，这可以将定性风险因素转换为可量化的指标。例如，驻留在SCADA系统中的点测量不能代表旋转风力涡轮机遇到的负载和环境条件的整个三维包络。因此，统计模型可以将地形信息、风力涡轮机坐标经验规则和站点级风向时间序列组合成涡轮机级风险指标，代表来自风电场密度和陡峭地形的高湍流载荷风险。类似地，已知的涡轮机级别警报日志可以转换为基于时间的聚合分数，可以用作损坏风险特征。所有这些特征以及从时间序列数据集导出的标准特征可以在训练模式中针对各种涡轮机的已知过去故障记录进行分析。当在分类类型模型或回归类型异常检测器模型中表示时，此步骤可以通知操作员所使用的特征是否具有对已知损坏/故障事件的预测能力。集合内的每个数据科学模型都可以产生风险等级，包括所有建模风力涡轮机的损坏程度和损坏的时间窗口。

通过执行材料物理模型和支持的数据科学模型，可以通过混合RUL估计框架生成和组合各种建模输出。

RUL框架可能认识到，在任何给定时间点，并非涡轮机齿轮箱损坏或故障的所有已知方式都通过框架中嵌入的各种损坏进展和测量模型来表示。这种导致损坏问题的不完整表示可能通过不正确的预测表现出来——通过与齿轮箱管道镜分析(直接测量)或风力涡轮机齿轮箱的其他已知故障进行比较，被认为是不正确的。因此，本公开可以利用第三输入：从涡轮机操作员和管理人员获得的现场情报。

图1在示出实施例方法的流程图中呈现了这一点。例如，每次发生不准确预测时，都可以进行取证分析并直接与基于经验的现场情报进行比较。这可能会揭示RUL框架中未表示的损坏或故障的具体原因。可以通过详细分析和建模研究进一步审查新原因的任何此类确定，以形成假设并将其表示为新的损坏测量/进展模型。

重要的是要注意当前损坏状态的估计或预测可能与损坏事件的现场检查直接相关。根据损坏估计方法触发的现场检查结果，此框架可以更新未来预测的RUL，或者在预测不正确的情况下，通过取证分析和现场情报集成到模型中对嵌入式模型进行增强。

整合了数据融合的实施例混合RUL框架在图2中示出。为了最大限度地提高预测的准确性，可以同时使用许多不同的数据流。来自先前事件1的数据，也称为“历史数据”，可包括维护记录、现场故障信息、根源分析、BOM数据等。历史数据可用于提取之前在类似的安装和使用的系统和/或组件(即，资产)上发生的用于损坏的比较信息，诸如具有与要确定损坏状态的风力涡轮机类似的配置的类似风力涡轮机。这些来自先前事件的数据可能与从当前资产的直接或间接测量得出的信息流分开，其中的几个例子如图2-图4所示。

资产的当前损坏状态可以通过直接物理检查来评估，在此期间可以使用测量仪器量化相对于安装条件的损坏状态。这些测量的准确度和精密度取决于所使用的仪器。例如，风力涡轮机技术人员经常使用管道镜成像2来检查齿轮箱中的组件。损坏区域的图像可用于根据观察到的损坏区域的大小对损坏状态进行一般性分类(例如损坏类别1-4)。直接测量可能会受到仪器误差的影响。

可以通过在操作期间监视资产的传感器获得损坏状态的间接测量3。传感器测量可以提供系统参数的时间序列数据，这些数据在功能上取决于不断变化的损坏状态。例如，安装在WTG内的温度传感器可以测量温度的时间序列，对过去已知故障的伴随研究可能会揭示大量与较高温度相关的此类事件。这以前被称为异常检测器数据科学模型。例如，聚类技术可以定义特定相关温度变量的“正常行为”(基于来自先前已知故障的时间序列的数据分析)，以及通过回归型温度预测器模型的所有温度异常创建的损坏阈值的调整测量可以产生此类异常的累积测量，用于提供损坏状态的间接测量。间接测量可能会受到两个主要误差来源的影响，即测量误差和映射误差。测量误差可能指校准、漂移、EMI等问题。映射误差可能指通过将测量变量与感兴趣的潜在变量(即，损坏状态)相关联的过程引入的不确定性。

另一种间接测量可以通过使用数据科学模型来获得，此数据科学模型使用全局系统行为的测量。由于系统的全局行为可能随着资产状况的退化而随时间变化，因此此数据流可以是有用的独立数据流，可用于增强对资产当前健康状态的理解。用于风力涡轮机应用的这种全局系统行为数据4的示例可以是警报/故障代码。故障代码可由控制器根据定义正常与异常行为的规则产生。例如，当一个或多个传感器测量的温度超过某预定的值时，控制器可能会生成温度超过故障。根据本公开的方法可以利用基于各种故障代码的特定序列与过去已知损坏/故障事件之间的验证关系的已训练的数据科学模型。因此，在各种警报代码的时间聚合的特征集上运行的此类模型的输出可以代表当前损坏状态的另一种间接测量。

对与感兴趣的资产相关的故障模式的物理模型的理解可用于开发描述资产如何随着时间和使用而退化的模型。这种基于物理的模型6可以根据涉及的物理采取各种形式。常见的基于物理的建模技术的一些示例包括有限元分析(FEA)、计算流体动力学(CFD)、多体动力学(MBD)和线性弹性断裂力学(LEFM)。与物理组件相关的术语“损坏”通常与组成材料的状态的变化有关，因此需要充分了解材料对操作条件(材料科学)的响应才能开发有效的模型。由于模型近似于真实的物理系统，因此还需要了解模型不确定性的来源。

测量系统3-4以及基于材料物理的模型使用操作数据5，这些数据提供描述用于资产使用条件的信息。这样的数据可以包括传感器时间序列测量。在风力涡轮机中，监督控制和数据采集(SCADA)系统可以执行此功能，获取系统输入数据(例如，风速、风向)、系统输出(例如，发电量)以及任何时间序列的系统日志(例如，状态/故障等)。操作数据可能包括局部测量(例如，目视检查)、远程测量(传感器数据)。操作数据也可以分解为提供单个资产的局部行为和全局行为数据，这些数据可以允许将资产与Met Mast(即包含天气测量设备的塔)或多个涡轮机进行比较。

资产的“严重损坏级别”的定义可能因多种因素而有很大差异。一般而言，严重损坏级别定义了资产无法再安全地执行其预期功能的损坏的状态。历史数据可部分用于定义类似资产从服务中移除时的损坏的状态。对包含例如资产物料清单、已知操作条件/使用情况、维护记录等的数据库进行分析，可以提取与感兴趣的资产和故障模式在性质上相似的一组已知故障7。

如上所述，除了现场验证损坏(例如管道镜)的直接测量之外，各种数据科学模型可以直接用作测量对象以提供当前损坏状态的测量。

测量数据融合过程8的输出可以相对于WTG的已知故障行为7(例如，基于类似WTG的过去性能)被标准化(0≤D≤1)以形成损坏状态诊断11。损坏状态“诊断”可以定义为对运行中的资产的单个测量(即观察)。诊断数据必须与相关的不确定性的测量一起报告。例如，可以根据分布的均值和方差来报告表现出高斯不确定性的诊断数据。

可以根据状态转移函数来定义损坏进展模型9，其中系统输入在功能上与损坏进展率相关。这些功能可能(除了少数例外)本质上是单调的——齿轮或轴承不会随着时间\\使用的增加而“不磨损”。损坏进展模型可能是基于物理的6或可能源自数据分析(机器学习)。

为了预测未来的损坏状态，需要了解未来的使用情况。未来输入预测器模型10可用于分析资产已经经历的先前操作条件并推断未来使用模式。在风力涡轮机示例中，可以挖掘先前的SCADA数据以确定每个月代表此特定资产的风荷载直方图，从而允许考虑季节性变化。

来自测量(诊断)和损坏进展模型的信息可以组合在混合预诊模型12中。混合预诊模型通常可以定义为利用来自多个独立数据流的证据组合潜在的损坏进展函数来产生当前和未来状态的概率估计。

可以采用多种不同的状态估计算法将诊断观察数据与损坏进展模型(卡尔曼滤波器、无迹卡尔曼滤波器、颗粒滤波器等)组合，输出是当前损坏状态估计13的概率分布。然后可以使用基于样本的预测算法来产生(即，生成)未来状态预测15，其中可以包括WTG达到给定预测时域的临界损坏阈值的概率、达到此范围的时间和在每个未来时间步长的WTG的系统状态(例如，直到达到此范围)。

在应用中，指示操作员关注的损坏级别的当前状态估计13可以触发手动检查过程或本领域专家的其他维护动作。通过经验获得的标称行为的经验知识是一种可用于“调整”预诊(prognostic)模型的资源。现场情报16可用于识别可能导致意外损坏进展的特定资产的标称外的情况。这种情况在在线数据流中通常是无法观察到的(例如润滑剂污染、装配问题、次级组件的损坏等)，但可能会导致与标称损坏进展行为的显著偏差。将现场情报作为反馈的源集成到预诊预测(prognostic prediction)过程中可以提供一种正式的机制，用于根据资产的真实情况调整算法。

图3示出了混合预诊模型12的示例实现。预诊器对象的目的是封装用于联合状态参数估计和不确定性管理的功能。可以使用初始状态估计来初始化22预诊器对象。在给定的示例颗粒滤波器实现中，初始颗粒状态变量可以从初始诊断21中采样。此时，预诊器还可以被提供到诊断数据流25、资产操作条件数据库26的挂钩，并分配一个或多个更多的损坏进展模型27。然后可以存储23预诊器对象以供以后使用。

当检测24到新的诊断数据点时，预诊器首先可以使用从上次更新时间(Ti-1)到当前时间(Ti)的操作数据26更新模型状态变量，使用损坏进展模型27来建立估计。这里采用的颗粒滤波器算法可能基于采样重要性重采样(SIR)，并且可以很容易地在文献中找到。然后可以基于给定诊断观察28的可能性更新29颗粒权重。当少数颗粒具有高权重而其余颗粒具有非常低的权重时，会发生颗粒简并。为了避免简并问题，可以在权重计算之后对颗粒重采样30。更新和重采样的加权颗粒因此将当前损坏状态估计31表示为离散概率分布。

如果需要32对寿命终止(EOL)或剩余使用寿命(RUL)进行前向预测，则可以使用基于样本的预测器33将每个颗粒状态及时向前传播，使用估计的未来操作条件34和损坏进展模型27，直到损坏状态超过临界级别。由于模型和未来操作条件的不确定性，未来状态预测35也可以由离散概率密度函数来描述。RUL 36可以计算为当前时间与未来状态分布的某个测量(例如，平均值)之间的差。

在示例实施例中，一种用于确定风力涡轮机齿轮箱的损坏状态的方法可以包括产生损坏状态诊断。损坏状态诊断可以通过以下方法产生：获得风力涡轮机的测量数据集、将现场操作员提供的现场情报集成到测量数据集中、关于已知故障行为对测量数据集进行标准化以产生标准化的测量数据集以及将标准化的测量数据集与已知故障行为组合，以产生损坏状态诊断。现场操作员提供的现场情报的示例可能包括操作员先前发现的故障或损坏(例如，任何当前管道镜中都不存在的传闻)，可用于构建模型或在数据中表示。

测量数据集可以包括直接测量数据、间接测量数据、全局行为和操作数据中的一个或多个。直接测量可以包括使用测量，其中测量单元是例如管道镜。间接测量的示例可以包括使用温度传感器或振动传感器。全局行为的示例可以包括类似配置的风力涡轮机的运行数据的比较。操作数据可以包括例如监督控制和数据采集(SCADA)数据，并且SCADA数据可以包括例如系统输入数据、系统输出数据或系统日志的时间序列。系统输入数据可包括例如风速或风向。系统输出数据可以包括例如由实验对象风力涡轮机产生的功率。系统日志的时间序列可以包括例如风力涡轮机状态和/或故障的时间序列。

已知故障行为可以例如从历史数据导出，其可以包括例如维护记录、现场故障信息、根源分析和/或物料清单数据。

此方法进一步可包括使用操作数据和状态转移函数来产生风力涡轮机齿轮箱的损坏进展模型。混合预诊模型可用于将损坏状态诊断与损坏进展模型组合以产生用于当前损坏状态估计的概率分布。在一些实施例中，混合预诊模型可以进一步使用基于样本的预测器来产生未来状态预测。未来状态预测可以包括达到预测时域的临界损坏阈值的概率、达到预测时域的时间和时间步长的系统状态中的一个或多个。

在一些实施例中，损坏进展模型可以是组合例如有限元分析、计算流体动力学、多体动力学和/或线弹性断裂力学的基于物理的模型。在一些实施例中，损坏进展模型可以是基于机器学习的模型。在一些实施例中，损坏进展模型可以包括基于物理的模型和机器学习模型的组件。

本公开可以体现为用于确定风力涡轮机齿轮箱的损坏状态的系统，其中此系统可以实施本文所述的任何方法。这样的系统可以是例如被编程为执行任何公开的方法的处理器。这种系统进一步可以包括用于接收SCADA数据、直接测量数据、间接测量数据、操作数据等中的一个或多个的通信链路。

处理器可以与存储器通信和/或包括存储器。存储器可以是例如随机存取存储器(RAM)(例如，动态RAM、静态RAM)、闪存、可移动存储器等。在一些实例下，与执行本文描述的操作(例如，操作图像传感器，从全息图像中提取多个补丁)相关联的指令可以存储在存储器和/或存储介质内(其中，在一些实施例中，包括存储指令的数据库)并且指令在处理器处执行。

在一些实例下，处理器可以包括一个或多个模块和/或组件。由处理器执行的每个模块/组件可以是基于硬件的模块/组件(例如，现场可编程门阵列(FPGA)、专用集成电路(ASIC)、数字信号处理器(DSP))的任意组合，基于软件的模块(例如，存储在存储器和/或数据库中和/或在处理器处执行的计算机代码的模块)和/或基于硬件和软件的模块的组合。由处理器执行的每个模块/组件能够执行如本文所述的一个或多个特定功能/操作。在一些实例下，处理器中包括和执行的模块/组件可以是例如处理、应用、虚拟机和/或一些其他硬件或软件模块/组件。处理器可以是被配置为运行和/或执行那些模块/组件的任何合适的处理器。处理器可以是被配置为运行和/或执行一组指令或代码的任何合适的处理设备。例如，处理器可以是通用处理器、中央处理单元(CPU)、加速处理单元(APU)、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、数字信号处理器(DSP)等。

本文描述的一些实例可能涉及具有非暂时性计算机可读介质(也可以称为非暂时性处理器可读介质)的计算机存储产品，此介质具有指令用于执行各种计算机实现的操作的指令或计算机代码。计算机可读介质(或处理器可读介质)在其本身不包括瞬态传播信号(例如，在诸如空间或电缆之类的传输介质上携带信息的传播电磁波)的意义上是非瞬态的。媒体和计算机代码(也可以称为代码)可以是为特定目的而设计和构建的那些。非暂时性计算机可读介质的示例包括但不限于：磁存储介质，诸如硬盘、软盘和磁带；光存储介质，诸如光盘/数字视频光盘(CD/DVD)、光盘只读存储器(CD-ROM)和全息设备；磁光存储介质，诸如光磁盘；载波信号处理模块；以及专门配置为存储和执行程序代码的硬件设备，诸如专用集成电路(ASIC)、可编程逻辑器件(PLD)、只读存储器(ROM)和随机5存取存储器(RAM)设备。本文描述的其他实例可以涉及计算机程序产品，其可以包括例如这里讨论的指令和/或计算机代码。

计算机代码的示例可包括但不限于微代码或微指令、机器指令，诸如由编译器产生、用于产生Web服务的代码以及使用翻译器的包含由计算机执行的高级别指令的文件。例如，可以使用Java、C 、.NET或其他编程语言(例如，面向对象的编程语言)和开发工具来实现实例。计算机代码的附加示例可包括但不限于控制信号、加密代码和压缩代码。

在一些实施例中，本公开可以体现为有形的、非暂时性的、计算机可读介质，其上具有指令，当由处理器实施时，所述指令在其上执行或使处理器执行本文公开的任何方法。

在本文公开的各种实施例和示例中描述的方法的步骤足以实施本发明的方法。因此，在实施例中，此方法基本上由本文公开的方法的步骤的组合组成。在另一个实施例中，此方法由这些步骤组成。