L'état de santé de la boîte de vitesses affecte directement la quantité d'énergie produite par une éolienne. Afin de réaliser une alerte précoce de l'état de défaillance de la boîte de vitesses dans la pratique de l'ingénierie, un algorithme de clustering K-means basé sur l'optimisation améliorée de la meute de lions est proposé. Un mécanisme de supervision et d'optimisation cosinus optimisé non linéairement est introduit dans l'algorithme de la meute de lions pour améliorer l'algorithme, et en améliorant la meute de lions pendant les périodes de position du roi, la meilleure solution est choisie comme centre de clustering de l'algorithme K-means pour résoudre le problème de la forte dépendance des algorithmes de clustering traditionnels aux centres de clustering initiaux. L'algorithme est appliqué pour la vérification et la comparaison des données UCI, et les résultats montrent que l'optimisation améliorée de la meute de lions pour l'algorithme de clustering K-means connaît une amélioration de la précision et de la stabilité de la classification. Cet algorithme est appliqué pour des tests comparatifs des vibrations d'accélération de 4 unités de même modèle de boîtes de vitesses à l'intérieur d'un champ éolien, et il est découvert que la distribution des centres de classement de l'algorithme correspond exactement à l'état de fonctionnement réel de la boîte de vitesses, et correspond à la distribution d'énergie vibratoire pour différentes conditions de boîte de vitesses et correspond aux normes, démontrant la capacité de cet algorithme à réaliser une alerte précoce sur la défaillance de l'éolienne.

éolienne; boîte de vitesses; amélioration de l'optimisation de la meute de lions; algorithme de clustering; alerte de défaillance