主轴承作为直驱式风电机组中发生故障最频繁的元件之一,直接影响风机的工作效率与可靠性。本文使用Adaboost-BP神经网络和变系数自回归(FAR)模型分别与指数加权滑动平均(EWMA)控制图相结合的统计模型对主轴承进行早期故障预测,具有广阔的应用前景。主要研究内容及结论如下:使用Adaboost-BP神经网络和EWMA控制图相结合的方法对主轴承故障进行预测。首先选取主轴承正常工作时数据采集与监视控制(SCADA)系统的监测数据建立样本训练集,基于风电机组的功率曲线,利用四分位结合最优组内方差(Quartile-OIV)算法剔除训练集中的降容和停机数据。然后采用Adaboost改进的BP神经网络建立风电机组正常运行状况下的主轴承温度预测模型,得到预测残差,建立基于残差的EWMA控制图,对主轴承运行状态进行评估。使用变系数自回归(FAR)模型和EWMA控制图相结合的方法对主轴承故障进行预测。此方法考虑了过去时刻温度对当前时刻温度的影响,使用FAR模型模拟温度的动态变化。首先利用时序图和ADF检验对温度数据进行平稳性检验,发现原温度序列是不平稳的,一阶差分后的温度序列趋于平稳状态。然后建立风机主轴承正常运行时的FAR预测模型,用EWMA控制图监测预测残差,分析风机主轴承工作状态。最后,从湖南某风场SCADA系统的运行记录和故障日志中提取数据信息,对所提取的数据进行预处理,然后建立风电机组故障预测模型。结果表明,FAR模型预测精度比Adaboost-BP神经网络高,变系数自回归模型能更准确地捕捉温度间的动态变化关系;使用上述两种温度预测模型和EWMA控制图相结合的方法,可以发现主轴承的异常状态,预测其早期故障。