CN105205569A - 风机齿轮箱状态在线评估模型建立方法及在线评估方法 - Google Patents

Abstract

本发明涉及一种基于趋势预测-正态云模型的风机齿轮箱状态在线评估模型建立方法，以及一种风机齿轮箱状态在线评估方法。趋势状态分析法在实际应用时，由于齿轮箱状态转换边界具有模糊性和不确定性的特征，如何判断趋势状态的转换一直是制约该方法应用的难题，本发明解决了趋势状态分析法所存在的问题。结果表明，本发明所述的模型能够对齿轮箱的早期缺陷及时预警，达到在线状态监测的目的，有助于防范齿轮箱严重故障的发生，提高风电机组安全性、可靠性和经济性。

Description

风机齿轮箱状态在线评估模型建立方法及在线评估方法

技术领域

本发明涉及电力系统技术领域，更具体地说，涉及一种基于趋势预测-正态云模型的风机齿轮箱状态在线评估模型建立方法，以及一种风机齿轮箱状态在线评估方法。

背景技术

为提高风电机组可用性，减少停机时间，现有技术已经做了大量工作以提高风电机组的可靠性。根据风电机组故障和停机时间统计数据，齿轮箱的平均停机时间为12天/年，虽然齿轮箱的故障率并不高，但是其维修、更换和停机损失的总费用却很高昂，因而对齿轮箱进行实时状态监测，及时发现异常，对于降低齿轮箱运维成本和提高机组可靠性具有重大意义。

现有的风电机组齿轮箱状态监测方法中，应用较为广泛的是在线监测系统(CMS)中振动信号的频谱分析，该方法能够给出明确的齿轮箱异常预警信号，达到了较好的诊断效果，但是用于振动信号测量所需的加速度传感器非常昂贵，导致该方法成本过高。

现代风电机组大多建立了联接机组、气象站和远程计算机的数据采集与监控(SCADA)系统，其特点是无需额外安装传感器，符合成本效益，并且由于SCADA系统能够提供全面的设备监测数据，因而被越来越多地应用于实现齿轮箱的状态监测。其中，趋势状态分析法是齿轮箱状态监测的一种有效方法，其基本思想是基于历史数据建立齿轮箱正常运行时相关指标的预测模型，并利用该模型对齿轮箱的运行参数进行预测，当预测趋势背离实际演化趋势时则认为齿轮箱状态出现了异常，由于其概念清晰、实现方便，因而得到了广泛应用。

趋势状态分析法虽然取得了良好的应用效果，但是在实际应用时，由于齿轮箱状态转换边界具有模糊性和不确定性的特征，因此，如何判断趋势状态的转换一直是制约该方法应用的难题。

通过分析残差的统计特性分析进行诊断，但是其残差阀值仍需运行人员根据经验确定；采用统计过程控制技术分析齿轮箱油温和轴承温度的实际值与估计值的残差，该方法建立在数理统计方法的基础之上，需要大量的统计数据支撑。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于趋势预测-正态云模型的风机齿轮箱状态在线评估模型建立方法，以及一种风机齿轮箱状态在线评估方法。

本发明的技术方案如下：

一种风机齿轮箱状态在线评估模型建立方法，包括如下步骤：

1)基于SCADA历史数据，采用SVM建立齿轮箱各温度指标正常状态下的预测模型，分别将正常时的监测数据、异常时的监测数据作为模型输入，进行温度预测，并计算相对误差序列e_ijk，其中，i＝1,2；j＝1,…,q；k＝1,…,t，当i＝1表示正常状态，i＝2表示异常状态，j＝1,…,q表示齿轮箱各温度指标，k表示预测样本序号；

2)采用改进无确定度逆向正态云发生器模型，利用所求取的相对误差序列e_ijk提取正常云和异常云的数字特征(Ex_ij,En_ij,He_ij)，利用所求得的数字特征(Ex_ij,En_ij,He_ij)，构建齿轮箱状态正常云模型和异常云模型；其中，期望值Ex是最能够代表定性概念的点，是这个概念量化的最典型样本；熵En反映定性概念的不确定性，表示在论域空间可以被定性概念接受的取值范围大小，即模糊度；超熵He反映代表定性概念值的样本出现的随机性，揭示了模糊性和随机性的关联；

3)计算正态云模型间关联度k_j和贡献度w_j，完成在线评估模型建立；其中，贡献度w_j表示状态云之间的关联度k_j对区分不同定性概念的贡献程度，关联度越大，则其对区分定性概念的贡献越小，反之则越大。

作为优选，步骤1)中，进行温度预测时，当齿轮箱状态正常，通过趋势状态分析法得出的参数预测值与真实值的预测误差，小于当齿轮箱状态异常的参数预测值与真实值的预测误差，进而采用预测误差的变化序列描述齿轮箱趋势状态的演化过程。

作为优选，步骤1)中，进行温度预测时，先分别选取与齿轮箱各温度指标相关性符合预设值的监测指标，以选取的监测指标的当前值及齿轮箱各温度指标的上一时刻值作为SVM模型输入，以齿轮箱各温度指标当前时刻值为SVM模型输出，建立齿轮箱输入轴温度预测模型。

作为优选，步骤1)中，在SVM模型的建模过程中，核函数、惩罚系数C和核宽参数σ决定着模型的性能，采用径向基函数RBF作为核函数，惩罚系数C和核宽参数σ由网格法和十折交叉验证法进行寻优，确定最优参数组合。

作为优选，步骤2)中，正态云模型用数字特征(Ex_ij,En_ij,He_ij)进行表征，设U是一个用精确数值表示的定量论域，C是论域U的定性概念，若x∈X是定性概念C上的一次随机出现，若同时满足以下两个条件：

其中

x对C的关联度 $y\left(x\right)=\exp (-{(x-Ex)}^2/\left(2E_n^{\′2}\right));$

则x在论域U上的分布称为正态云。

作为优选，正态云发生器包括正向正态云发生器、逆向正态云发生器和条件正态云发生器；

正向正态云发生器完成从定性概念到定量值的映射，根据正态云模型数字特征(Ex_ij,En_ij,He_ij)产生云滴；

逆向正态云发生器是实现从定量值到定性概念的转换，将一定数量的精确数据转换为以数字特征(Ex_ij,En_ij,He_ij)表示的定性概念；

条件正态云发生器包括X条件正态云发生器、Y条件正态云发生器，其中，X条件正态云发生器中，当已知正态云模型数字特征(Ex_ij,En_ij,He_ij)后，给定x＝x₀条件，求取y(x)＝y(x₀)。

作为优选，通过如下算法过程得到超熵He：

2.1)根据数据样本x_i，分别得到样本均值一阶样本绝对中心距A、样本方差S²，公式如下：

$\stackrel{\‾}{X}=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{x}_i;$

$A=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}\left|x_i-\stackrel{\‾}{X}\right|;$

$S^2=\frac{1}{n-1}\underset{i=1}{\overset{n}{\Σ}}{\left(x_i-\stackrel{\‾}{X}\right)}^2:$

2.2) $E_x=\stackrel{\‾}{X};$

2.3) $E_n=\sqrt{\frac{\mathrm{\π}}{2}}\×A;$

2.4)若S²-En²＜0，则删除m＝n×1％个离期望值Ex最近的样本点，在剩余样本中重新计算方差S²，直到S²-En²＞0，再跳转步骤2.5)；若S²-En²＞0直接跳转步骤2.5)；

2.5) $He=\sqrt{S^2-{\mathrm{En}}^2}.$

作为优选，步骤3)中的关联度k_j的计算过程如下：

若把数x作为一个云滴，y表示数x对正态云模型的关联程度，则称y为云滴关联度，由X条件正态云发生器求取，公式如下：

$E_n^{\′}=normrnd(E_n,H_e^2);$

$y^{\′}=\exp (-{(x_0-Ex)}^2/\left(2E_n^{\′2}\right));$

$y=\underset{i=1}{\overset{k}{\Σ}}{y}_i^{\′}/k;$

在定性概念的正态云模型中，正态云模型C₁和C₂之间的关联度k_j定义为：其中，N和M分别表示区间交集和并集：

$N=\{(E_x^1-3E_n^1,E_x^1+3E_n^1)\∩(E_x^2-3E_n^2,E_x^2+3E_n^2)\};$

$M=\{(E_x^1-3E_n^1,E_x^1+3E_n^1)\∪(E_x^2-3E_n^2,E_x^2+3E_n^2)\};$

贡献度w_j的计算公式为：

一种利用所述的风机齿轮箱状态在线评估模型建立方法进行在线评估的方法，包括如下步骤：

A)获取实时SCADA数据，作为SVM模型的输入，求取齿轮箱各温度指标的相对误差序列，进而计算得到云滴关联度，结合正态云模型间关联度k_j和贡献度w_j，计算待测试样本对正常正态云模型和异常正态云模型的贴近程度ρ₁和ρ₂；

B)按照最大贴近度的原则确定齿轮箱状态；若ρ₁＞ρ₂，则判定齿轮箱为正常状态，若ρ₁≤ρ₂，则判定齿轮箱为异常状态。

作为优选，贴近度表示样本对不同定性概念正态云模型的贴近程度，计算公式如下：

ρ_i＝y_ij×w_j，i＝1,2；j＝1,…,q；

其中，ρ_i表示定性概念正态云模型贴近度，y_ij表示状态i的第j个指标的云滴关联度，w_j表示第j个指标的贡献度。

本发明的有益效果如下：

本发明所述的基于趋势预测-正态云模型的风机齿轮箱状态在线评估模型建立方法，应用支持向量机法建立齿轮箱运行温度预测模型，并利用该模型分析齿轮箱不同状态时的趋势状态特征，求取齿轮箱运行温度预测相对误差序列，以获取描述齿轮箱趋势状态的量化数据；采用改进无确定度逆向正态云发生器模型，利用所求取的相对误差序列提取正常云和异常云的数字特征，构建齿轮箱状态监测云模型。

计算齿轮箱当前状态对正常状态和异常状态的贴近度，将反映齿轮箱趋势状态的量化数据转换为齿轮箱状态的定性评估。利用某风机齿轮箱的实测SCADA系统数据对所提模型进行了验证，结果表明，该模型能够对齿轮箱的早期缺陷及时预警，达到在线状态监测的目的，有助于防范齿轮箱严重故障的发生，提高风电机组安全性、可靠性和经济性。

趋势状态分析法在实际应用时，由于齿轮箱状态转换边界具有模糊性和不确定性的特征，如何判断趋势状态的转换一直是制约该方法应用的难题，本发明解决了趋势状态分析法所存在的问题。

附图说明

图1是本发明的整体流程图，图中，左半部分为离线训练过程(即在线评估模型建立方法流程)，右半部分为在线状态监测过程(即在线评估方法流程)；

图2是该风机齿轮箱输入轴温度正常状态时预测模型的预测结果曲线图；

图3是该状态时预测相对误差波动曲线图；

图4是预测模型对系统报警前70分钟的预测结果曲线图；

图5是异常状态时预测相对误差波动曲线图；

图6是正态云模型贴近度变化曲线图；

图7是齿轮箱在线状态评估结果曲线图。

具体实施方式

以下结合附图及实施例对本发明进行进一步的详细说明。

本发明为了解决趋势状态分析法所存在的问题，提供一种基于趋势预测-正态云模型的风机齿轮箱状态在线评估模型建立方法，应用支持向量机法建立齿轮箱运行温度预测模型，并利用该模型分析齿轮箱不同状态时的趋势状态特征，求取齿轮箱运行温度预测相对误差序列，以获取描述齿轮箱趋势状态的量化数据；采用改进无确定度逆向正态云发生器模型，利用所求取的相对误差序列提取正常云和异常云的数字特征，构建齿轮箱状态监测云模型，计算齿轮箱当前状态对正常状态和异常状态的贴近度，将反映齿轮箱趋势状态的量化数据转换为齿轮箱状态的定性评估。

所述的基于趋势预测-正态云模型的风机齿轮箱状态在线评估模型建立方法，包括如下步骤：

1)基于SCADA历史数据，采用SVM建立齿轮箱各温度指标正常状态下的预测模型，分别将正常时的监测数据、异常时的监测数据作为模型输入，进行温度预测，并计算相对误差序列e_ijk，其中，i＝1,2；j＝1,2，3，4；k＝1,…,t，当i＝1表示正常状态，i＝2表示异常状态，j＝1,2，3，4表示齿轮箱各温度指标，k表示预测样本序号。具体包括以下几个分步骤：

1.1)预测误差状态分析。

基于齿轮箱正常状态时的历史数据建立齿轮箱运行温度的预测模型后，将其用于齿轮箱运行温度预测。当齿轮箱状态正常时，趋势状态分析法能够准确挖掘指标参数的非线性关系，得出的参数预测值可较好拟合真实值，预测误差很小；而若齿轮箱处于异常状态时，其参数内部关系发生变化，已由当前关系转移至其他不确定的关系，导致参数趋势的变化并不在预测算法的“记忆”中，此时参数预测效果必然较差，导致误差值很大，因此可以采用预测误差的变化序列描述齿轮箱趋势状态的演化过程。

常用误差指标包括了相对误差，均方根误差，绝对值误差等。其中，相对误差指标将单个样本的预测值与实际值的绝对误差除以实际值，表示绝对误差占实际值的百分比，从而将误差进行规范化。相对误差比起绝对误差更能反映预测的可信程度[19]，比起方根误差计算更简单，因而本发明选取相对误差表征预测误差，其公式如下：

$e_{RE}=\left|\frac{y_{pi}-y_{ci}}{y_{ci}}\right|\×100\%,1\≤i\≤n;$

其中，y_pi表示预测值，y_ci表示实际值，n表示实际值或真实值的个数。

1.2)输入量和输出量的确定。

本发明以风机齿轮箱为状态评估对象，其SCADA系统采样频率为1次/min；该SCADA系统包含了47项连续监测指标，齿轮箱的监测指标包括齿轮箱输入轴温度，齿轮箱输出轴温度，齿轮箱油温和主轴齿轮箱侧轴承温度；为对这四个指标参数值进行准确预测，需先选取与其相关性较强的监测指标，本发明采用SPSS19.0软件所带的变量相关性分析功能[20]，对齿轮箱指标进行相关性分析；以齿轮箱输入轴温度为例，分析结果表明其与齿轮箱输出轴温度、齿轮箱油温、发电机转速、叶轮转速以及主轴齿轮箱侧轴承温度高度相关，Pearson相关系数在[0.8,1.0]范围内；因而以上述相关变量的当前值及其齿轮箱输入轴温度上一时刻值作为SVM模型输入，以齿轮箱输入轴温度作为SVM模型输出，建立齿轮箱输入轴温度预测模型。

1.3)SVM模型性能参数选取和训练。

在SVM模型的建模过程中，核函数、惩罚系数C和核宽参数σ决定着模型的性能；由于齿轮箱各温度指标的预测模型是高度非线性模型，因此本发明采用径向基函数(RBF)作为核函数，惩罚系数C和核宽参数σ由网格法和十折交叉验证法进行寻优，确定最优参数组合。

2)采用改进无确定度逆向正态云发生器模型，利用所求取的相对误差序列e_ijk提取正常云和异常云的数字特征(Ex_ij,En_ij,He_ij)，利用所求得的数字特征(Ex_ij,En_ij,He_ij)，构建齿轮箱状态正常云模型和异常云模型；其中，期望值Ex是最能够代表定性概念的点，是这个概念量化的最典型样本；熵En反映定性概念的不确定性，表示在论域空间可以被定性概念接受的取值范围大小，即模糊度；超熵He反映代表定性概念值的样本出现的随机性，揭示了模糊性和随机性的关联。

正态云模型理论：设U是一个用精确数值表示的定量论域，C是论域U的定性概念，若x∈X是定性概念C上的一次随机出现，若同时满足以下两个条件：

其中

x对C的关联度 $y\left(x\right)=\exp (-{(x-Ex)}^2/\left(2E_n^{\′2}\right));$

则x在论域U上的分布称为正态云。

正态云模型通过数字特征(Ex_ij,En_ij,He_ij)进行表征。

正态云发生器包括正向正态云发生器、逆向正态云发生器和条件正态云发生器；

正向正态云发生器完成从定性概念到定量值的映射，根据正态云模型数字特征(Ex_ij,En_ij,He_ij)产生云滴；

逆向正态云发生器是实现从定量值到定性概念的转换，将一定数量的精确数据转换为以数字特征(Ex_ij,En_ij,He_ij)表示的定性概念；

条件正态云发生器包括X条件正态云发生器、Y条件正态云发生器，其中，X条件正态云发生器中，当已知正态云模型数字特征(Ex_ij,En_ij,He_ij)后，给定x＝x₀条件，求取y(x)＝y(x₀)。

改进无确定度逆向正态云发生器求取云数字特征。

在利用逆向正态云发生器生成齿轮箱状态评估云模型时，预测相对误差序列不包括属于定性概念的确定度信息，因此本发明采用无确定度的逆向正态云发生器建模。传统无确定度的逆向正态云发生器生成评估云数字特征时，由于超熵计算过程中如果出现方差S²小于的情况，则会导致超熵He的结果为虚数而无法计算。考虑到熵En已是全局最优解^[24]，因而采用如下算法改进：

2.1)根据数据样本x_i，分别得到样本均值一阶样本绝对中心距A、样本方差S²，公式如下：

$\stackrel{\‾}{X}=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{x}_i;$

$A=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}\left|x_i-\stackrel{\‾}{X}\right|;$

$S^2=\frac{1}{n-1}\underset{i=1}{\overset{n}{\Σ}}{\left(x_i-\stackrel{\‾}{X}\right)}^2:$

2.2) $E_x=\stackrel{\‾}{X};$

2.3) $E_n=\sqrt{\frac{\mathrm{\π}}{2}}\×A;$

2.4)若S²-En²＜0，则删除m＝n×1％个离期望值Ex最近的样本点，在剩余样本中重新计算方差S²，直到S²-En²＞0，再跳转步骤2.5)；若S²-En²＞0直接跳转步骤2.5)；

2.5) $He=\sqrt{S^2-{\mathrm{En}}^2}.$

齿轮箱定性概念评估策略：若把数x作为一个云滴，y表示数x对正态云模型的关联程度，则称y为云滴关联度，其可由X条件正态云发生器求取，具体步骤如下：

公式如下：

$E_n^{\′}=normrnd(E_n,H_e^2);$

$y^{\′}=\exp (-{(x_0-Ex)}^2/\left(2E_n^{\′2}\right));$

所求云滴关联度y′不是一个数值，而是小范围内的随机数集合；本文计算随机数的平均值，即最终确定云滴关联度y。

在定性概念的正态云模型中，99.74％的云滴位于(Ex-3En,Ex+3En)区间内，若将这个区间视为一个集合，则正态云模型C₁和C₂之间的关联度k_j定义为：其中，N和M分别表示区间交集和并集：

$N=\{(E_x^1-3E_n^1,E_x^1+3E_n^1)\∩(E_x^2-3E_n^2,E_x^2+3E_n^2)\};$

$M=\{(E_x^1-3E_n^1,E_x^1+3E_n^1)\∪(E_x^2-3E_n^2,E_x^2+3E_n^2)\};$

贡献度w_j表示正态云模型间的关联度对区分不同定性概念的贡献程度，关联度越大，则其对区分定性概念的贡献越小，反之则越大；贡献度w_j的计算公式为：

基于上述的风机齿轮箱状态在线评估模型建立方法，本发明还提供一种在线评估的方法，如图1所示，包括如下步骤：

A)获取实时SCADA数据，作为SVM模型的输入，求取齿轮箱各温度指标的相对误差序列，进而计算得到云滴关联度，结合正态云模型间关联度k_j和贡献度w_j，计算待测试样本对正常正态云模型和异常正态云模型的贴近程度ρ₁和ρ₂；

B)按照最大贴近度的原则确定齿轮箱状态；若ρ₁＞ρ₂，则判定齿轮箱为正常状态，若ρ₁≤ρ₂，则判定齿轮箱为异常状态。

至此，完成了对风机齿轮箱状态评估过程。

贴近度表示样本对不同定性概念正态云模型的贴近程度，计算公式如下：

ρ_i＝y_ij×w_j，i＝1,2；j＝1,2，3，4；

其中，ρ_i表示定性概念正态云模型贴近度，y_ij表示状态i的第j个指标的云滴关联度，w_j表示第j个指标的贡献度。

本实例中，采用MATLAB对各具体步骤进行仿真。

(1)正常和异常状态下齿轮箱相关温度指标预测。

获取前文所述风电机组齿轮箱的SCADA系统监测数据，以齿轮箱输入轴温度为例，建立正常状态SVM温度模型，进行温度预测。选取该风机齿轮箱在半个月内的正常运行数据，采用其中400个连续样本作为训练数据，以间隔10个小时以上的200个连续样本作为测试数据，保证了模型的科学性和适用性。

预测结果如图2、图3所示，平均相对误差为0.45％，最大相对误差为1.19％。此时预测平均相对误差为0.45％，最大相对误差为1.19％，模型的预测精度较高，能够准确反映齿轮箱输入轴温度正常状态时的趋势变化。

该风电机组在2012年1月22日2时41分发出齿轮箱故障预警，由于齿轮箱故障的发生是一个量变到质变的缓慢发展过程，SCADA系统能够记录该时间段内的异常监测数据，因而本发明获取此次故障发生前的70个连续样本作为测试数据进行预测，预测结果如图4、图5所示。此时平均相对误差为18.07％，最大相对误差为24.44％。

显然，由于齿轮箱预测模型是根据正常状态的数据所建立，因而当齿轮箱状态发生异常时，其趋势状态变化特征已经与正常状态背离，难以准确描述。

得到一定数量正常和异常状态时的预测样本之后，计算各预测样本的相对误差指标。同样地，根据上述过程能够求得齿轮箱输出轴温度，齿轮箱油温和主轴齿轮箱侧轴承温度在正常和异常状态下的相对误差序列。

(2)计算正态云模型的数字特征。

仍以齿轮箱输入轴温度为例，将正常预测样本的相对误差作为改进无确定度逆向正态云发生器的输入，得到正常正态云模型的数字特性为(Ex₁,En₁,He₁)＝(0.45,0.28,0.02)。在超熵He₁的计算过程中，若采用传统发生器，得到的结果为虚数0.26i，采用改进发生器剔除22个样本点后，在剩余178个样本点中重新计算得到He＝0.02。同理，异常正态云模型的数字特征为(Ex₂,En₂,He₂)＝(14.51,5.17,8.53)。表1所示为齿轮箱各指标状态的正态云模型数字特征。

表1

指标	正常云	异常云
			齿轮箱输入轴温度	(0.45,0.28,0.02)	(13.97,5.36,0.33)
齿轮箱输出轴温度	(0.82,0.62,0.17)	(23.92,8.32,1.55)
			齿轮箱油温	(0.60,0.48,0.17)	(17.39,6.35,0.62)
主轴齿轮箱侧轴承温度	(0.62,0.44,0.56)	(18.67,7.42,0.56)

(3)齿轮箱在线状态评估可行性验证。

该风电机组于2012年3月21日14:27发出齿轮箱故障警报，本发明获取了该故障发生前3个小时内的SCADA系统数据，共180组监测数据，应用本发明模型对其进行在线状态评估，

由图6可直观看出，在前半部分，正常的贴近度曲线存在波动，但其值明显大于异常的贴近度。在后半部分，正常贴近度快速下降为0，而异常贴近度迅速上升至较大数值。从图7的在线状态评估结果来看，在第105个样本点处，即故障前76分钟，本发明所提模型评估齿轮箱为异常状态，可提醒机组监控人员及时排查齿轮箱问题。

实例分析的结果验证了本发明所提模型能够根据齿轮箱实测数据在线评估其状态，评估结果符合实际情况，能够对出现的早期缺陷进行及时预警，具有一定的故障早报能力。

上述实施例仅是用来说明本发明，而并非用作对本发明的限定。只要是依据本发明的技术实质，对上述实施例进行变化、变型等都将落在本发明的权利要求的范围内。

Claims (10)

1.一种风机齿轮箱状态在线评估模型建立方法，其特征在于，包括如下步骤：

1)基于SCADA历史数据，采用SVM建立齿轮箱各温度指标正常状态下的预测模型，分别将正常时的监测数据、异常时的监测数据作为模型输入，进行温度预测，并计算相对误差序列e_ijk，其中，i＝1,2；j＝1,…,q；k＝1,…,t，当i＝1表示正常状态，i＝2表示异常状态，j＝1,…,q表示齿轮箱各温度指标，k表示预测样本序号；

2)采用改进无确定度逆向正态云发生器模型，利用所求取的相对误差序列e_ijk提取正常云和异常云的数字特征(Ex_ij,En_ij,He_ij)，利用所求得的数字特征(Ex_ij,En_ij,He_ij)，构建齿轮箱状态正常云模型和异常云模型；其中，期望值Ex是最能够代表定性概念的点，是这个概念量化的最典型样本；熵En反映定性概念的不确定性，表示在论域空间可以被定性概念接受的取值范围大小，即模糊度；超熵He反映代表定性概念值的样本出现的随机性，揭示了模糊性和随机性的关联；

3)计算正态云模型间关联度k_j和贡献度w_j，完成在线评估模型建立；其中，贡献度w_j表示状态云之间的关联度k_j对区分不同定性概念的贡献程度，关联度越大，则其对区分定性概念的贡献越小，反之则越大。

2.根据权利要求1所述的风机齿轮箱状态在线评估模型建立方法，其特征在于，步骤1)中，进行温度预测时，当齿轮箱状态正常，通过趋势状态分析法得出的参数预测值与真实值的预测误差，小于当齿轮箱状态异常的参数预测值与真实值的预测误差，进而采用预测误差的变化序列描述齿轮箱趋势状态的演化过程。

3.根据权利要求2所述的风机齿轮箱状态在线评估模型建立方法，其特征在于，步骤1)中，进行温度预测时，先分别选取与齿轮箱各温度指标相关性符合预设值的监测指标，以选取的监测指标的当前值及齿轮箱各温度指标的上一时刻值作为SVM模型输入，以齿轮箱各温度指标当前时刻值为SVM模型输出，建立齿轮箱输入轴温度预测模型。

4.根据权利要求3所述的风机齿轮箱状态在线评估模型建立方法，其特征在于，步骤1)中，在SVM模型的建模过程中，核函数、惩罚系数C和核宽参数σ决定着模型的性能，采用径向基函数RBF作为核函数，惩罚系数C和核宽参数σ由网格法和十折交叉验证法进行寻优，确定最优参数组合。

5.根据权利要求1所述的风机齿轮箱状态在线评估模型建立方法，其特征在于，步骤2)中，正态云模型用数字特征(Ex_ij,En_ij,He_ij)进行表征，设U是一个用精确数值表示的定量论域，C是论域U的定性概念，若x∈X是定性概念C上的一次随机出现，若同时满足以下两个条件：

$x~N(E_x,E_n^{\′2}),$ 其中 $E_n^{\′}~N(E_x,H_e^2);$

x对C的关联度 $y\left(x\right)=\exp (-{(x-Ex)}^2/(2E_n^{\′2}));$

则x在论域U上的分布称为正态云。

6.根据权利要求5所述的风机齿轮箱状态在线评估模型建立方法，其特征在于，正态云发生器包括正向正态云发生器、逆向正态云发生器和条件正态云发生器；

正向正态云发生器完成从定性概念到定量值的映射，根据正态云模型数字特征(Ex_ij,En_ij,He_ij)产生云滴；

逆向正态云发生器是实现从定量值到定性概念的转换，将一定数量的精确数据转换为以数字特征(Ex_ij,En_ij,He_ij)表示的定性概念；

条件正态云发生器包括X条件正态云发生器、Y条件正态云发生器，其中，X条件正态云发生器中，当已知正态云模型数字特征(Ex_ij,En_ij,He_ij)后，给定x＝x₀条件，求取y(x)＝y(x₀)。

7.根据权利要求5所述的风机齿轮箱状态在线评估模型建立方法，其特征在于，通过如下算法过程得到超熵He：

2.1)根据数据样本x_i，分别得到样本均值一阶样本绝对中心距A、样本方差S²，公式如下：

$\stackrel{\‾}{X}=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{x}_i;$

$A=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}|x_i-\stackrel{\‾}{X}|;$

$S^2=\frac{1}{n-1}\underset{i=1}{\overset{n}{\Σ}}{(x_i-\stackrel{\‾}{X})}^2:$

2.2) $E_x=\stackrel{\‾}{X};$

2.3) $E_n=\sqrt{\frac{\mathrm{\π}}{2}}\×A;$

2.4)若S²-En²＜0，则删除m＝n×1％个离期望值Ex最近的样本点，在剩余样本中重新计算方差S²，直到S²-En²＞0，再跳转步骤2.5)；若S²-En²＞0直接跳转步骤2.5)；

2.5) $He=\sqrt{S^2-{\mathrm{En}}^2}.$

8.根据权利要求7所述的风机齿轮箱状态在线评估模型建立方法，其特征在于，步骤3)中的关联度k_j的计算过程如下：

若把数x作为一个云滴，y表示数x对正态云模型的关联程度，则称y为云滴关联度，由X条件正态云发生器求取，公式如下：

$E_n^{\′}=normrnd(E_n,H_e^2);$

$y^{\′}=\exp (-{(x_0-Ex)}^2/(2E_n^{\′2}));$

$y=\underset{i=1}{\overset{k}{\Σ}}{y}_i^{\′}/k;$

在定性概念的正态云模型中，正态云模型C₁和C₂之间的关联度k_j定义为：其中，N和M分别表示区间交集和并集：

$N=\{(E_x^1-3E_n^1,E_x^1+3E_n^1)\∩(E_x^2-3E_n^2,E_x^2+3E_n^2)\};$

$M=\{(E_x^1-3E_n^1,E_x^1+3E_n^1)\∪(E_x^2-3E_n^2,E_x^2+3E_n^2)\};$

贡献度w_j的计算公式为：

9.一种利用权利要求1至8任一项所述的风机齿轮箱状态在线评估模型建立方法进行在线评估的方法，其特征在于，包括如下步骤：

A)获取实时SCADA数据，作为SVM模型的输入，求取齿轮箱各温度指标的相对误差序列，进而计算得到云滴关联度，结合正态云模型间关联度k_j和贡献度w_j，计算待测试样本对正常正态云模型和异常正态云模型的贴近程度ρ₁和ρ₂；

B)按照最大贴近度的原则确定齿轮箱状态；若ρ₁＞ρ₂，则判定齿轮箱为正常状态，若ρ₁≤ρ₂，则判定齿轮箱为异常状态。

10.根据权利要求9所述的进行在线评估的方法，其特征在于，贴近度表示样本对不同定性概念正态云模型的贴近程度，计算公式如下：

ρ_i＝y_ij×w_j，i＝1,2；j＝1,…,q；

其中，ρ_i表示定性概念正态云模型贴近度，y_ij表示状态i的第j个指标的云滴关联度，w_j表示第j个指标的贡献度。