风电设备剩余使用寿命预测：基于多周期特征解耦与两阶段概率建模的创新方法

本文提出一种新型两阶段概率剩余使用寿命（RUL）预测方法，针对风力发电机（WT）关键部件退化数据复杂、噪声干扰大等挑战，创新性地设计多头长短期记忆神经网络（MH-LSTM）解耦时序特征，结合正常行为模型（NBM）与核密度估计（KDE）策略，实现从首次预测时间（FPT）精准判定到概率化RUL预测的全流程优化。实验表明该方法在公开数据集和实际风电数据中均展现出更高精度与鲁棒性。

　　

风电设备剩余使用寿命预测的创新突破

摘要
针对风力发电机（WT）关键部件退化过程建模的三大核心挑战——复杂时序模式、健康指标（HI）敏感性不足及预测不确定性量化困难，本研究提出融合多周期特征解耦与两阶段概率建模的创新框架。

多周期特征解耦的MH-LSTM架构
传统LSTM网络难以捕捉风电数据中交织的多周期耦合特征。如图2所示，MH-LSTM通过快速傅里叶变换（FFT）提取振动信号前K个主导周期分量，采用并行LSTM分支分别处理不同周期片段，最终通过线性层整合特征。实验显示，该结构在齿轮箱油温预测中较传统LSTM、双向LSTM（Bi-LSTM）等模型降低均方根误差（RMSE）达15.6%。

健康指标优选与FPT动态判定
突破传统单一健康指标局限，创新性对比均方根误差（RMSE）、Wasserstein距离（WD）、最大均值差异（MMD）和Jensen-Shannon散度（JSD）四种指标性能。如图6所示，经指数加权移动平均（EWMA）平滑处理的JSD指标在轴承外圈故障案例中最早检测到异常，较RMS指标提前5天识别退化起始点。阈值设定采用μ+3σ原则（μ为正常期均值，σ为标准差），实现FPT精准定位。

两阶段概率预测体系
第一阶段基于正常工况数据建立NBM，第二阶段采用线性回归与核密度估计（KDE）融合策略量化不确定性。如图4所示，滑动窗口内的RUL预测值通过线性投影对齐至窗口末端，再利用高斯核函数估计概率密度分布。在风电齿轮箱案例中，该方法获得0.9378的R²值和1.3010的覆盖宽度准则（CWC），显著优于对比模型。

工程验证与展望
通过美国辛辛那提轴承数据集（案例Ⅰ）和中国江苏风场SCADA数据（案例Ⅱ）的双重验证，证实该方法可适应实验室环境与实际工况差异。未来将拓展至变桨系统、发电机轴承等更多故障模式研究，推动风电运维从定期检修向预测性维护转型。

（注：全文严格依据原文实验数据与结论，未添加非文献记载内容；专业术语均标注英文缩写，数学符号保留原文格式）