CN112597607A - 风力发电机高速轴承的预测性维修方法及系统 - Google Patents

Abstract

本发明提供一种面向风力发电机高速轴承的预测性维修方法及系统，属于工业自动化技术领域。其中，面向风力发电机高速轴承的预测性维修方法包括采集风力发电机高速轴承的振动数据，并对所述振动数据进行处理，根据处理后的振动数据拟合指数退化模型，对所述指数退化模型进行增量更新，并预测所述风力发电高速轴承的剩余寿命。本发明的预测性维修方法实现了对投产初期，无历史数的风力发电机高速轴承实现剩余寿命预测，进而指导预测性维护。并且，本发明的方法随着设备运行，可利用新采集的数据在线更新模型参数，并可以实时预测风力发电高速轴承的剩余寿命，同时还可以计算预测结果的置信度。

Description

风力发电机高速轴承的预测性维修方法及系统

技术领域

本发明属于工业自动化技术领域，具体涉及一种面向风力发电机高速轴承的预测性维修方法与系统。

背景技术

风力发电机机组通常都是在人迹罕至的野外和海上，同时风力发电机的安装分布范围也很大，各台发电机之间也有一定距离，并不像传统电站一样集中。再加上，风力发电机周边的道路状况很差，导致了在风力发电机运行的过程中必然存在检修维护耗时长，效率低的问题。高速轴承是风力发电机的重要组成部件，也是风机中的易损部件。通过预测高速轴承的剩余使用寿命(RUL)，可以实现风电机组基于状态的视情维护——预测性维护，提前预测故障发生时间，进而提高维修效率，减少非意外停机。

目前风力发电机高速轴承剩余寿命预测的实现，主要有基于信号分析和基于历史退化数据两类方法。基于信号分析的方法，预测模型可解释性强，但其存在预测精度低、使用门槛高推广困难等问题。基于历史数据的方法，高度依赖于模型的历史退化数据，在风力发电机投产初期，无法实现预测，且模型离线拟合对算力要求高，可解释性差，推广难度高。

因此，针对无法实现对投产初期，无历史数的风力发电机高速轴承实现剩余寿命预测的技术问题，以及，随着设备的运行，无法利用新采集的数据在线更新模型参数等技术问题，本发明提出一种面向风力发电机高速轴承的预测性维修方法与系统。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一，提供一种面向风力发电机高速轴承的预测性维修方法与系统。

本发明的一方面，提供一种面向风力发电机高速轴承的预测性维修方法，具体包括以下步骤：

采集风力发电机高速轴承的振动数据，并对所述振动数据进行处理；

根据处理后的振动数据拟合指数退化模型；

对所述指数退化模型进行增量更新，并预测所述风力发电高速轴承的剩余寿命。

可选的，所述采集风力发电机高速轴承的振动数据，并对所述振动数据进行处理，包括：

在预设时间间隔内采集风力发电机高速轴承的振动数据；

对所述振动数据进行统计特征提取、特征滤波以及特征筛选。

可选的，所述特征为包括有时域特征、频域特征、时频域特征以及信息熵的特征集；和/或，

所述统计特征提取的指标包括基本时域统计指标、高阶时域统计指标、脉冲指标、信号处理系数、频域指标、谱峰指标以及模态系数中至少一者；和/或，

所述特征滤波采用滑动均值滤波。

可选的，所述特征筛选采用特征的单调性指标计算公式进行筛选，具体关系式(1)如下：

式中：n表示测点数；

N₁表示正偏差的个数；

N₂表示负偏差的个数；

m表示机器数

表示第j个设备的第i个特征。

可选的，所述根据处理后的振动数据拟合指数退化模型，包括：

对处理后的振动数据进行信息融合，构建一维健康值；

利用一维健康值拟合指数退化模型。

可选的，对处理后的振动数据进行信息融合，构建一维健康值，包括：

对振动数据中筛选的多维特征数据计算均值与标准差，并进行归一化处理；

利用主成份分析算法降维融合，以得到一维健康值。

可选的，所述指数退化模型如下式(2)：

式中，h(t)表示一维健康值，时间的函数；

φ表示常数，指数退化模型的截距；

θ表示随机参数，满足对数正态分布；

β表示随机参数，满足高斯分布；

ε表示白噪音，满足N(0，σ²)；

表示使得h(t)期望满足E[h(t)|θ，β］＝φ+θe^(β/t)；

θ和β根据最新的健康状态的值实时更新。

可选的，所述利用一维健康值拟合指数退化模型，包括：

采用指数退化模型拟合风力发电机高速轴承的退化趋势，其中，对参数设置具有大方差的随机值，具体如下：

E(θ)＝1，Var(θ)＝10⁶；E(β)＝1，并基于E(h(0))＝φ+E(θ)，截距θ＝-1，其中，所述一维健康值和噪声变量的关系如下式(3)：

Δh(t)≈(h(t)-Φ)Δε(t) (3)

假设噪声的标准差接近阈值时会导致所述一维健康值发生 10％的误差，其中，所述噪声的标准差定义如下：

可选的，所述对所述指数退化模型进行增量更新，并预测所述风力发电高速轴承的剩余寿命，包括：

再次采集所述风力发电机高速轴承的振动数据，并该再次采集的振动数据对应的一维健康值与之前采集的一维健康值形成新数据集；

利用所述新数据集拟合指数退化模型参数，以对所述指数退化模型进行更新；

根据更新后的指数退化模型计算所述风力发电高速轴承的剩余寿命。

本发明的另一方面，提供一种面向风力发电机高速轴承的预测性维修系统，包括：

数据处理模块，用于采集风力发电机高速轴承的振动数据，并对所述振动数据进行处理；

模型拟合模块，用于根据处理后的振动数据拟合指数退化模型；

增量更新与预测模块，用于对所述指数退化模型进行增量更新，并预测所述风力发电高速轴承的剩余寿命。

本发明提供一种面向风力发电机高速轴承的预测性维修方法，包括采集风力发电机高速轴承的振动数据，并对所述振动数据进行处理，根据处理后的振动数据拟合指数退化模型，对所述指数退化模型进行增量更新，并预测所述风力发电高速轴承的剩余寿命。本发明的预测性维修方法实现对投产初期，无历史数的风力发电机高速轴承实现剩余寿命预测，进而指导预测性维护。并且，随着设备运行，利用新采集的数据在线更新模型参数，并可以实时预测风力发电高速轴承的剩余寿命，同时还可以计算预测结果的置信度。

附图说明

图1为本发明一实施例的一种面向风力发电机高速轴承的预测性维修方法的流程框图；

图2为本发明另一实施例的一种面向风力发电机高速轴承的预测性维修方法的流程示意图；

图3为本发明另一实施例的光谱峰度值随设备退化的变化结果图；

图4为本发明另一实施例的滑动滤波前后特征(SKSkewness) 波形图；

图5为本发明另一实施例的特征融合后的HI结果图；

图6为本发明另一实施例的一种面向风力发电机高速轴承的预测性维修系统的结构示意图；

图7为本发明另一实施例的振动信号在时域中的波形图(前 6秒)；

图8为本发明另一实施例的第26天和第43天时HI曲线及其置信区间结果图。

具体实施方式

为使本领域技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方式对本发明作进一步详细描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护范围。

如图1和图2所示，本发明的一方面，提供一种面向风力发电机高速轴承的预测性维修方法S100，具体包括以下步骤 S110～S130：

S110、采集风力发电机高速轴承的振动数据，并对振动数据进行处理。

具体的，如图2所示，在预设时间间隔内采集风力发电机高速轴承的振动数据，对振动数据处理包括有对振动数据进行统计特征提取、特征滤波以及特征筛选。

需要说明的是，本实施例采集的振动数据为纵向加速度信号数据。

仍需要说明的是，本实施例对于预设时间间隔不作具体限定，例如，每天采集一次，也就是说采集周期可以为一天，也可以为其他时间段。例如，风力发电机每次开始运行速度稳定后，单次采集6～10s，且采样频率大于97000Hz。

进一步的，本实施例的特征为包括有时域特征、频域特征、时频域特征以及信息熵的特征集。另外，统计特征提取的指标包括基本时域统计指标、高阶时域统计指标、脉冲指标、信号处理系数、频域指标、谱峰指标以及模态系数中至少一者。也就是说，本实施例可以采用上述任一个指标来评价振动数据。

具体的，本实施例给出上述几个统计特征提取的指标的相关内容：

第一、基本的时域统计指标包括：均值、均方根、标准差和波形因素，其中，均方根关系式为

标准差为

波形因数定义为波形的有效值与平均值之比

波形因素越大波形越平坦。

式中：x_i表示采样值；

N表示采样个数；

μ表示采样均值；U表示波形的有效值；

表示波形的平均值；

第二、高阶时域统计指标：偏度分布非对称程度的数字特征。表征概率分布密度(PDF)曲线相对于平均值不对称程度的特征数，直观就是密度函数曲线尾部的相对长度，计算公式如下式(1)：

式中：X表示采样值；

μ表示采样均值；

σ表示标准差；

K₂，K₃分别表示二阶和三阶中心矩。

第三、峭度(kurtosis)是反映随机变量分布特性的数值统计量，是归一化4阶中心矩。衡量实数随机变量概率分布的峰态；表示样本的函数图形顶峰的凸平度。计算公式如下式(2)：

式中：X表示采样值；

μ表示采样均值；

n表示采样个数。

需要说明的是，峭度是无量纲参数，由于它与轴承转速、尺寸、载荷等无关，对冲击信号特别敏感，特别适用于表面损伤类故障、尤其是早期故障的诊断。在轴承无故障运转时，由于各种不确定因素的影响，振动信号的幅值分布接近正态分布，峭度值 K≈3。随着故障的出现和发展，振动信号中大幅值的概率密度增加，信号幅值的分布偏离正态分布，正态曲线出现偏斜或分散，峭度值也随之增大。峭度指标的绝对值越大，说明轴承偏离其正常状态，故障越严重，如当其K＞8时，则很可能出现了较大的故障。一并结合图3所示，是单次退化试验中，光谱峭度随时间的变化结果。

第四、脉冲指标：峰值，波峰因素，其中，波峰因素定义为波形的峰值与有效值之比。对于脉冲列，波峰因素(脉冲列的波峰因素是与脉冲宽度及重复频率相关的复合参数)近似等于占空比倒数的平方根。波峰因素会影响交流测量的精度。

第五、信号处理系数：信噪比，总谐波失真，信纳比。其中，信噪比(SIGNAL-NOISERATIO)是指信号与噪声的比例。这里面的信号指的是来自设备外部需要通过这台设备进行处理的电子信号，噪声是指经过该设备后产生的原信号中并不存在的无规则的额外信号(或信息)，并且该种信号并不随原信号的变化而变化。

总谐波失真表明功放工作时，由于电路不可避免的振荡或其他谐振产生的二次，三次谐波与实际输入信号叠加，在输出端输出的信号就不单纯是与输入信号完全相同的成分，而是包括了谐波成分的信号，这些多余出来的谐波成分与实际输入信号的对比，用百分比来表示就称为总谐波失真。

第六、频域指标共5个，在求得信号功率谱的基础上，分析谱峰、模态系数功率带宽等指标。

需要说明的是，除了上述几个重要指标外，还包括有谱峰指标：谱峰频率和谱峰峰值，模态系数：自然频率和阻尼系数，以及功率带宽等，对于本领域技术人员来说，可以根据实际需要进行选择。

进一步的，在对特征提取之后，需要进行特征滤波，本实施例的特征滤波采用滑动均值滤波。

具体的，风力发电机轴承振动信号中通常含有噪声，特征提取过程中会将噪声信号一起提取出来。含有噪声的特征，会干扰单调性评价，影响后续的剩余寿命预测。由此，本发明人经过多次试验发现，采用滑动均值滤波相较于其他滤波算法的预测结果更精确，请一并参考图4所示，滑动滤波后的波形波动性更小，单调性更好。

更进一步的，特征筛选包括：将提取以及滤波后的特征以单调性为指标进行筛选，具体特征的单调性指标计算公式如下式 (3)：

式中：n表示测点数；

N₁表示正偏差的个数；

N₂表示负偏差的个数；

m表示机器数

表示第j个设备的第i个特征。

需要说明的是，本实施例通过以单调性为指标，将上述各统计指标进行单调性排序，保留分数较高的指标。

进一步需要说明的是，本实施例的特征处理是关键点，其中，振动数据特征的处理直接关系剩余寿命的预测精度。

S120、根据处理后的振动数据拟合指数退化模型。

具体的，如图2所示，步骤S120相当于模型拟合的步骤，包括有对处理后的振动数据进行信息融合(特征融合)，构建一维健康值(Health Indicator，HI)，并利用一维健康值拟合指数退化模型RUL＝f(HI)。

应当理解的是，步骤S120中提及的处理后的振动数据应为步骤S110中筛选后的多维特征数据。也就是说，对筛选的多维特征数据计算均值与标准差，并进行归一化处理，之后，利用主成份分析(PCA)算法降维融合，以得到一维健康值，这样，产生新的特征。经过试验，主成份数目设置为2时，主成份1包含了全部信息的90％，并且对时间具有良好的单调性。因此，将PCA1 即为健康状态指数，请参考图5所示的特征融合后的HI。

进一步的，对筛选的多维特征融合后，需要利用HI拟合指数退化模型，以得到与实际数据相对应的模型。

具体的，指数退化模型如下式(4)：

式中，h(t)表示一维健康值，时间的函数；

φ表示常数，指数退化模型的截距；

θ表示随机参数，满足对数正态分布；

β表示随机参数，满足高斯分布；

ε表示白噪音，满足N(0，σ²)；

表示使得h(t)期望满足E[h(t)|θ，β］＝φ+θe^(βt)；

θ和β根据最新的健康状态的值实时更新。

进一步的，基于上述指数退化模型，本实施例对模型进行拟合。

需要说明的是，如果历史数据可用，可以通过拟合历史数据拟合截距和和其他斜率参数。然而，本实施例针对无历史退化数据，仅使用设备早期的运行数据。

具体的，利用一维健康值拟合指数退化模型，包括：

采用指数退化模型拟合风力发电机高速轴承的退化趋势，其中，为了使参数的拟合全部依赖于观测值，对参数设置了具有大方差的随机值，具体如下：

E(θ)＝1，Var(θ)＝10⁶；E(β)＝1，并基于E(h(0))＝Φ+E(θ)，截距θ＝-1，其中，一维健康值和噪声变量的关系如下式(5)：

Δh(t)≈(h(t)-Φ)Δε(t) (5)

假设噪声的标准差接近阈值时会导致一维健康值发生10％的误差，其中，噪声的标准差定义如下：

其中，阈值为设定值。

S130、对指数退化模型进行增量更新，并预测风力发电高速轴承的剩余寿命(RUL)。

需要说明的是，本实施例基于步骤S120得到的模型，对RUL 进行预测以及对模型参数做进一步的更新。

如图2所示，步骤S130为增量更新与预测的步骤，主要包括有采集新的数据，增量训练RUL＝f(HI)，以及预测RUL。具体的，再次采集风力发电机高速轴承的振动数据，并该再次采集的振动数据对应的一维健康值与之前采集的一维健康值形成新数据集。之后，利用新数据集拟合指数退化模型参数，以对指数退化模型进行更新，根据更新后的指数退化模型计算风力发电高速轴承的剩余寿命。也就是说，新采集的数据，利用前文记载的同样的方法进行处理，并计算其HI值，新采集数据的HI值和早期数据的 HI值形成新的数据集，之后，再利用新数据集一起拟合模型参数，获得新的模型。并且，在获得新模型之后，根据上述关系式(6) 中提出的阈值，计算设备寿命，这样，寿命与当前已经运行时间的差，即为风力发电高速轴承的剩余寿命RUL。

需要说明的是，在拥有同类或者相似风力发电力高速轴承的历史退化数据时，可以采用LSTM、GRU、biGRU等算法，离线训练模型，实现设备剩余寿命预测。但该类算法对数据样本需求量大，在新一批风力发电机投产初期无法实现基于状态的事情维护，且算法可解释性差，现场维护人员可接受度差。

进一步需要说明的是，本实施例的方法整体可以分为三个步骤，分别是数据处理、模型拟合、增量更新与预测。数据处理是本实施例的重点，数据处理流程主要包含特征提取、特征滤波、特征筛选三个步骤。模型拟合是本实施例的核心，通过对筛选的特征进行降维、融合，构建与剩余寿命高度相关的融合一维HI值。进而拟合输入未HI，输出为RUL的指数退化模型。当采集到新数据时，对指数退化明显进行增量更新，并预测RUL。

本实施例的方法利用当前监测数据及历史运行数据，对设备系统或者子系统当前健康状况做出评估。有效的剩余寿命预测算法不仅能够从状态监测实时变化中评估当前系统状况、追踪性能退化轨迹，在故障早期进行预警，并做出进一步的RUL预测。

如图6所示，本发明的另一方面，提供一种面向风力发电机高速轴承的预测性维修系统S200，包括：数据处理模块210，用于采集风力发电机高速轴承的振动数据，并对振动数据进行处理。模型拟合模块220，用于根据处理后的振动数据拟合指数退化模型。增量更新与预测模块230，用于对指数退化模型进行增量更新，并预测风力发电高速轴承的剩余寿命。

具体的，由图6可以看出，本实施例的数据处理模块210包括有数据采集子模块211、特征提取子模块212、特征滤波子模块 213以及特征筛选子模块214。其中，数据采集子模块，用于采集风力发电机高速轴承的振动数据。特征提取子模块，用于对振动数据进行处理以提取特征集，具体如何提取特征集可参考前文记载。特征滤波子模块，用于采用平滑均值滤波法对特征进行滤波处理。特征筛选子模块，用于对提取的特征以单调性为指标进行筛选。

进一步的，请参考图6，模型拟合模块220包括有特征融合子模块221、构建一维HI子模块222以及拟合指数退化模型子模块223。其中，特征融合子模块，用于对筛选的多维特征数据计算各自的平均值与标准差，并归一化处理，以及，采用PCA算法降维融合。构建一维HI子模块，用于根据融合后的特征数据构建一维HI子模块。拟合指数退化模型子模块，用于采用指数退化模型拟合风力发电机高速轴承的退化趋势，并利用HI值拟合模型。

更进一步的，请继续参考图6，增量更新与预测模块230包括有采集新数据子模块231、增量训练子模块232以及预测RUL 子模块232。其中，采集新数据子模块，用于采集新的振动数据。增量训练子模块，用于将采集的新振动数据采用同样的处理方法进行处理，并计算HI值，以及，新采集数据的HI值和早期数据的HI值，形成新的数据集，一起拟合模型参数，获得新的模型，也就是说，将新增的振动数据经过训练后添加在模型中，以获得新模型。预测RUL子模块，用于根据新模型计算设备的寿命，并计算寿命与当前已经运行时间的差，以预测风力发电机高速轴承的RUL。

下面将结合具体实施例进一步说明风力发电机高速轴承的预测性维修方法：

实施例1

本示例的数据集是一个由20齿的小齿轮驱动2MW风力涡轮机高速轴上收集的。每天采集6秒，连续采集50天的振动信号。在第50天时间出现了内圈故障，并导致轴承故障。

具体实施步骤如下：

S1、采集风力发电机高速轴承的振动数据，并对振动数据进行处理。

具体的，第一步、数据组织，清洗并读入内存，其中，振动信号在时域中的波形图如图7所示。

第二步、统计特征计算，计算的特征参数如前文提及的特征集，但并不限于上述所列的。

第三步、特征处理，本示例采用滑动滤波，以消除噪声对特征单调性的影响。

第四步、特征筛选，本示例以单调性为指标，计算公式参考前文记载的公式3。按照计算指标的大小，从1到0排序，舍弃指标小于0.3的特征数据。

S2、根据处理后的振动数据拟合指数退化模型。

第一步、特征融合，对筛选的特征集进行PCA降维，本示例采用2个主成份，其中PCA1包含了全部信息的90％，并且对时间有很好的单调性。所以，PCA1即为HI一维健康值，如图8所示，给出了第26天和第43天时HI曲线及其置信区间。

第二步、模型拟合，利用数据前20天的数据，拟合模型4，获得初始的参数。

S3、对指数退化模型进行增量更新，并预测风力发电高速轴承的剩余寿命(RUL)。

具体的，模型更新以及RUL预测，从第21天开始，采集到的新数据，首先更新模型4中的截距、斜率等参数，并利用更新后的参数，预测设备的寿命。预测值减去当前值，即为剩余寿命。

本发明提供一种面向风力发电机高速轴承的预测性维修方法及系统。相对于现有技术而言，本发明的预测性维修方法实现对投产初期，无历史数的风力发电机高速轴承实现剩余寿命预测，进而指导预测性维护，并且，随着设备运行，利用新采集的数据在线更新模型参数，并可以实时预测风力发电高速轴承的剩余寿命，同时还可以计算预测结果的置信度。

可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。

Claims (10)

1.一种面向风力发电机高速轴承的预测性维修方法，其特征在于，具体包括以下步骤：

采集风力发电机高速轴承的振动数据，并对所述振动数据进行处理；

根据处理后的振动数据拟合指数退化模型；

对所述指数退化模型进行增量更新，并预测所述风力发电高速轴承的剩余寿命。

2.根据权利要求1所述的方法，其特征在于，所述采集风力发电机高速轴承的振动数据，并对所述振动数据进行处理，包括：

在预设时间间隔内采集风力发电机高速轴承的振动数据；

对所述振动数据进行统计特征提取、特征滤波以及特征筛选。

3.根据权利要求2所述的方法，其特征在于，所述特征为包括有时域特征、频域特征、时频域特征以及信息熵的特征集；和/或，

所述统计特征提取的指标包括基本时域统计指标、高阶时域统计指标、脉冲指标、信号处理系数、频域指标、谱峰指标以及模态系数中至少一者；和/或，

所述特征滤波采用滑动均值滤波。

4.根据权利要求2所述的方法，其特征在于，所述特征筛选采用特征的单调性指标计算公式进行筛选，具体关系式(1)如下：

式中：n表示测点数；

N₁表示正偏差的个数；

N₂表示负偏差的个数；

m表示机器数

表示第j个设备的第i个特征。

5.根据权利要求1所述的方法，其特征在于，所述根据处理后的振动数据拟合指数退化模型，包括：

对处理后的振动数据进行信息融合，构建一维健康值；

利用一维健康值拟合指数退化模型。

6.根据权利要求5所述的方法，其特征在于，对处理后的振动数据进行信息融合，构建一维健康值，包括：

对振动数据中筛选的多维特征数据计算均值与标准差，并进行归一化处理；

利用主成份分析算法降维融合，以得到一维健康值。

7.根据权利要求5所述的方法，其特征在于，所述指数退化模型如下式(2)：

式中，h(t)表示一维健康值，时间的函数；

φ表示常数，指数退化模型的截距；

θ表示随机参数，满足对数正态分布；

β表示随机参数，满足高斯分布；

ε表示白噪声，满足N(0，σ²)；

表示使得h(t)期望满足E[h(t)|θ，β］＝φ+θe^(βt)；

θ和β根据最新的健康状态的值实时更新。

8.根据权利要求7所述的方法，其特征在于，所述利用一维健康值拟合指数退化模型，包括：

采用指数退化模型拟合风力发电机高速轴承的退化趋势，其中，对参数设置具有大方差的随机值，具体如下：

E(θ)＝1，Var(θ)＝10⁶；E(β)＝1，并基于E(h(0))＝φ+E(θ)，截距θ＝-1，其中，所述一维健康值和噪声变量的关系如下式(3)：

Δh(t)≈(h(t)-Φ)Δε(t) (3)

假设噪声的标准差接近阈值时会导致所述一维健康值发生10％的误差，其中，所述噪声的标准差定义如下：

9.根据权利要求1至8任一项所述的方法，其特征在于，所述对所述指数退化模型进行增量更新，并预测所述风力发电高速轴承的剩余寿命，包括：

再次采集所述风力发电机高速轴承的振动数据，并该再次采集的振动数据对应的一维健康值与之前采集的一维健康值形成新数据集；

利用所述新数据集拟合指数退化模型参数，以对所述指数退化模型进行更新；

根据更新后的指数退化模型计算所述风力发电高速轴承的剩余寿命。

10.一种面向风力发电机高速轴承的预测性维修系统，其特征在于，包括：

数据处理模块，用于采集风力发电机高速轴承的振动数据，并对所述振动数据进行处理；

模型拟合模块，用于根据处理后的振动数据拟合指数退化模型；

增量更新与预测模块，用于对所述指数退化模型进行增量更新，并预测所述风力发电高速轴承的剩余寿命。

Images