Der Gesundheitszustand des Getriebes wirkt sich direkt auf die Menge der von einer Windturbine erzeugten Energie aus. Um eine frühzeitige Warnung vor dem Ausfallzustand des Getriebes in der ingenieurwissenschaftlichen Praxis zu erreichen, wird ein K-means-Clustering-Algorithmus vorgeschlagen, der auf der verbesserten Optimierung des Löwenrudels basiert. Ein Überwachungs- und Optimierungsmechanismus für nichtlineare optimierte Cosinusoptimierung wird in den Löwenrudel-Algorithmus eingeführt, um den Algorithmus zu verbessern, und durch die Verbesserung des Löwenrudels während der Perioden der Königsposition wird die beste Lösung als Zentrum des K-means-Algorithmus gewählt, um das Problem der starken Abhängigkeit traditioneller Clustering-Algorithmen von den Anfangszentren zu lösen. Der Algorithmus wird für die Überprüfung und den Vergleich von UCI-Daten angewendet, und die Ergebnisse zeigen, dass die verbesserte Optimierung des Löwenrudels für den K-means-Clustering-Algorithmus eine Verbesserung in der Genauigkeit und Stabilität der Klassifizierung erfährt. Dieser Algorithmus wird auf vergleichende Tests von Beschleunigungsschwingungen von 4 Einheiten desselben Getriebemodells innerhalb eines Windfelds angewendet, und es wird festgestellt, dass die Verteilung der Klassifizierungszentren des Algorithmus genau dem tatsächlichen Betriebszustand des Getriebes entspricht und der Verteilung der Schwingungsenergie für verschiedene Getriebezustände und den Normen entspricht, und beweist die Fähigkeit dieses Algorithmus zur frühzeitigen Warnung vor einem Ausfall des Windgenerators.

Windturbine; Getriebe; verbesserte Optimierung des Löwenrudels; Clustering-Algorithmus; Fehlerwarnung