El estado de salud de la caja de cambios afecta directamente la cantidad de energía producida por una turbina eólica. Con el fin de lograr una alerta temprana del estado de falla de la caja de cambios en la práctica de ingeniería, se propone un algoritmo de agrupación K-means basado en la optimización mejorada de la manada de leones. Se introduce un mecanismo de supervisión y optimización coseno optimizado no linealmente en el algoritmo de la manada de leones para mejorar el algoritmo, y mejorando la manada de leones durante los periodos de posición del rey, se elige la mejor solución como centro de agrupación del algoritmo K-means para resolver el problema de la fuerte dependencia de los algoritmos de agrupación tradicionales a los centros de agrupación iniciales. El algoritmo se aplica para la verificación y comparación de datos UCI, y los resultados muestran que la optimización mejorada de la manada de leones para el algoritmo de agrupación K-means experimenta una mejora en la precisión y la estabilidad de la clasificación. Este algoritmo se aplica a pruebas comparativas de vibraciones de aceleración de 4 unidades del mismo modelo de cajas de cambios dentro de un campo eólico, y se descubre que la distribución de los centros de clasificación del algoritmo corresponde exactamente al estado de funcionamiento real de la caja de cambios, y corresponde a la distribución de energía vibratoria para diferentes condiciones de caja de cambios y corresponde a las normas, demostrando la capacidad de este algoritmo para realizar una alerta temprana sobre la falla del generador eólico.

turbina eólica; caja de cambios; mejora de la optimización de la manada de leones; algoritmo de agrupación; alerta de falla