风电机组是一类典型的非线性、强耦合复杂机电设备，由于其自身结构、动态响应特性及运行工况的复杂性，难以建立其精确的物理或数学模型，而且机组的运行状态是一个时变的过程，难以用精确建模的方法描述系统在真实工况中的状态变化，因而在实际应用中基于模型的方法具有很大的局限性。

　　另一方面，随着状态监测技术的日益发展和日趋广泛的应用，风电设备在生产过程中产生了海量丰富的数据，这些数据蕴含着设备健康状态与运行维护等大量的信息，因此，基于大数据驱动的状态监测与故障诊断已成为目前风电领域的新的诊断方法。

　　相比于基于模型的方法，大数据驱动方法具有如下优点：

　　1)容易实现自动诊断，这与风电设备故障诊断技术的自动化、智能化发展需求是切合的;

　　2)不需要过多的系统机理知识或专家先验知识，直接从传感器数据中进行挖掘与分析，提取有用的知识与信息来达到诊断的目的。

基本流程

　　基于大数据驱动的风电设备故障诊断过程是模式识别的过程，其基本流程如图表所示。

　　首先，利用传感器对风电设备的关键部件进行数据采集，然后通过采用各种先进的信号处理方法对采集的原始信号进行故障特征提取，以消除噪声干扰和冗余信息，提高故障特征信息的有效性和可利用性。

　　为了尽可能全面的提取表征设备故障状态的特征，提高故障诊断精度，有时需要将多种特征提取方法融合并进行特征选择或降维以消除特征维数灾难问题和降低信息的冗余性。

　　最后，选择合适的分类算法对故障状态进行识别和分类，从而为设备的维修维护提供决策支持。

应用方案

　　1)智能采集终端+振动传感器的方案，监测双馈风电组传动系统中的齿轮箱和轴承等8个通道的振动数据。该方案中监测指标除了常规时域指标之外，还对采集到的时域信号进行了频谱分析，实现了时域指标到频域指标的转换，进而寻找轴承与齿轮箱的故障特征频率以及幅值大小，为判断传动系统故障的有无和预测性分析维护，提供了完整的理论依据。

　　2)智能采集终端+电压电流互感器方案，监测风电机组中双馈式异步发电机3个电压与3个电流通道。通过采集到的发电机三相电压和电流的数据，依据成熟的发电机故障诊断的综合算法模型，监测其运行的健康状态。

　　同时还可以将风电设备的状态诊断数据与风电场的SCADA监控系统相连，来获取风电机组运行工况和齿轮箱润滑油进出口的温度等参数，完善大数据驱动所需要数据参数，从而为完成风电机组运行状态的预测性维护和寿命预测。