李浪，劉輝海，趙洪山

（1.無(wú)錫供電公司，江蘇無(wú)錫 214000；2.華北電力大學(xué)電氣與電子工程學(xué)院，河北保定 071003）

風(fēng)力發(fā)電作為一種清潔、高效、可再生的新型能源，近年來發(fā)展十分迅速發(fā)。據(jù)中國(guó)風(fēng)能協(xié)會(huì)的數(shù)據(jù)統(tǒng)計(jì)，截止到2015年，我國(guó)風(fēng)電并網(wǎng)總裝機(jī)容量已經(jīng)高達(dá)145 GW，躍居世界第一。風(fēng)電場(chǎng)的位置一般坐落在偏遠(yuǎn)的山區(qū)，交通條件十分不便，并且機(jī)艙通常位于幾十米甚至上百米的高空，一旦風(fēng)電機(jī)組發(fā)生故障，不僅會(huì)由于風(fēng)電機(jī)組長(zhǎng)時(shí)間停機(jī)造成經(jīng)濟(jì)損失，還會(huì)產(chǎn)生高額的維修成本。因此，研究風(fēng)電機(jī)組的狀態(tài)監(jiān)測(cè)與故障診斷方法，對(duì)減小維修成本，提高機(jī)組運(yùn)行經(jīng)濟(jì)性，具有非常重要的意義[1]。

振動(dòng)監(jiān)測(cè)是一種有效的風(fēng)電機(jī)組狀態(tài)監(jiān)測(cè)方法，尤其適用于旋轉(zhuǎn)機(jī)械設(shè)備[2]。該方法是通過采集風(fēng)電機(jī)組關(guān)鍵設(shè)備上的振動(dòng)信號(hào)，并進(jìn)行分析處理，提取出反映風(fēng)電機(jī)組故障的特征信息，進(jìn)而根據(jù)這些特征信息診斷出故障的具體類型、程度、部位及發(fā)展趨勢(shì)。近年來不少學(xué)者對(duì)風(fēng)電機(jī)組振動(dòng)監(jiān)測(cè)與故障診斷技術(shù)進(jìn)行了深入研究，提出了許多關(guān)于振動(dòng)信號(hào)分析的方法，其中不少分析方法已經(jīng)在風(fēng)電機(jī)組的故障診斷中得到了應(yīng)用[3-6]。

本文首先簡(jiǎn)要介紹了風(fēng)力發(fā)電機(jī)的結(jié)構(gòu)及故障特點(diǎn)，然后對(duì)近些年國(guó)內(nèi)外風(fēng)力發(fā)電機(jī)振動(dòng)監(jiān)測(cè)與故障診斷相關(guān)研究進(jìn)行了深入的探討，通過對(duì)各種方法分類來具體分析各類方法的優(yōu)缺點(diǎn)和應(yīng)用情況。最后結(jié)合風(fēng)電機(jī)組故障診斷技術(shù)的研究現(xiàn)狀和不足，對(duì)其未來的發(fā)展方向進(jìn)行了展望。

1 風(fēng)力發(fā)電機(jī)結(jié)構(gòu)及故障特點(diǎn)

風(fēng)電機(jī)組的基本功能是利用風(fēng)輪系統(tǒng)吸收風(fēng)能并轉(zhuǎn)換成機(jī)械能，然后通過傳動(dòng)系統(tǒng)把機(jī)械能傳遞到發(fā)電機(jī)系統(tǒng)，接著由發(fā)電機(jī)將其轉(zhuǎn)化為電能，最終通過并網(wǎng)將電能輸出來完成將風(fēng)能轉(zhuǎn)化為電能的整個(gè)過程。在此過程中，除了風(fēng)輪系統(tǒng)、傳動(dòng)系統(tǒng)、發(fā)電機(jī)系統(tǒng)之外，還有其他系統(tǒng)直接或間接地參與了電能的轉(zhuǎn)換。這些系統(tǒng)完整地構(gòu)成了整個(gè)風(fēng)電機(jī)組。圖1展示了風(fēng)電機(jī)組的基本構(gòu)成[3]。盡管風(fēng)電機(jī)組的類型很多，但是其基本工作原理以及基本結(jié)構(gòu)相似。風(fēng)電機(jī)組主要包括風(fēng)輪系統(tǒng)、主軸系統(tǒng)、齒輪箱系統(tǒng)、發(fā)電機(jī)系統(tǒng)、偏航系統(tǒng)、控制系統(tǒng)、制動(dòng)系統(tǒng)、液壓系統(tǒng)、機(jī)艙、塔架及其他輔助系統(tǒng)等。

圖1 風(fēng)力發(fā)電機(jī)的基本結(jié)構(gòu)示意圖Fig.1 The basic structure diagram of a wind turbine

風(fēng)電機(jī)組在運(yùn)行過程中，風(fēng)輪的轉(zhuǎn)速會(huì)受到風(fēng)速的影響而不斷變化。當(dāng)一陣強(qiáng)風(fēng)吹來時(shí)，葉片會(huì)頻繁地受到?jīng)_擊載荷的作用，同時(shí)將沖擊載荷傳遞到傳動(dòng)系統(tǒng)上的各個(gè)部件，使得各個(gè)部件也會(huì)受到交變載荷的作用，從而嚴(yán)重影響部件的工作壽命，使風(fēng)電機(jī)組發(fā)生各種故障。

圖2 風(fēng)機(jī)關(guān)鍵部件故障率Fig.2 Failure rate of key components of wind turbines

不少學(xué)者發(fā)現(xiàn)，風(fēng)電機(jī)組的主要故障是由機(jī)械部件的不平衡、磨損、疲勞損傷、斷裂等問題引起的[7-9]。瑞士風(fēng)能機(jī)構(gòu)測(cè)試結(jié)果顯示，機(jī)械部件出現(xiàn)問題是大多數(shù)失效的一個(gè)非常重要的原因，這些失效會(huì)伴隨著電氣系統(tǒng)和傳感器的問題同時(shí)出現(xiàn)。圖2和圖3是2000年—2004年對(duì)瑞典某風(fēng)電場(chǎng)的故障進(jìn)行統(tǒng)計(jì)得到的結(jié)果[7]，可以看出風(fēng)電機(jī)組相當(dāng)大比例的故障是由機(jī)械部件故障引起的。因此，對(duì)引起這些機(jī)械故障的關(guān)鍵部件實(shí)時(shí)振動(dòng)監(jiān)測(cè)，及時(shí)獲取故障信息，是至關(guān)重要的。

圖3 風(fēng)機(jī)關(guān)鍵部件每次故障停機(jī)時(shí)間Fig.3 Downtimes for wind turbine key components

2 時(shí)域診斷方法

2.1 時(shí)域統(tǒng)計(jì)分析

時(shí)域統(tǒng)計(jì)分析是通過計(jì)算風(fēng)力發(fā)電機(jī)振動(dòng)信號(hào)的各種時(shí)域參數(shù)和指標(biāo)并進(jìn)行分析，從而初步判斷風(fēng)電機(jī)組的故障。振動(dòng)信號(hào)的很多時(shí)域統(tǒng)計(jì)特征參量會(huì)隨著風(fēng)故障的出現(xiàn)而發(fā)生改變，不同類型的故障以及嚴(yán)重程度會(huì)影響這些統(tǒng)計(jì)參量的變化。應(yīng)用較為廣泛的時(shí)域參數(shù)指標(biāo)主要包括峰值、均方根值、脈沖因子、峭度、裕度因子等。文獻(xiàn)[10]考慮到時(shí)域參數(shù)敏感于軸承早期故障這一特點(diǎn)，可以定期檢測(cè)滾動(dòng)軸承的振動(dòng)信號(hào)，得到軸承的峰值因子、峭度、有效值的趨勢(shì)曲線，根據(jù)上述指標(biāo)的趨勢(shì)曲線來預(yù)測(cè)軸承未來的狀態(tài)。時(shí)域分析方法通過計(jì)算分析振動(dòng)信號(hào)時(shí)域參數(shù)來提取時(shí)域特征，這種方法能直觀反映特征信息，且計(jì)算簡(jiǎn)單，能對(duì)風(fēng)電機(jī)組是否發(fā)生故障進(jìn)行初步診斷，但無(wú)法對(duì)故障類型、故障位置以及故障嚴(yán)重程度做出具體判斷。

2.2 相關(guān)分析

相關(guān)分析最早是由Hotelling于1936年提出來的，可分為自相關(guān)分析和互相關(guān)分析。由于隨機(jī)信號(hào)及其相關(guān)函數(shù)包含相同的周期成分，因此可利用相關(guān)分析發(fā)現(xiàn)被強(qiáng)烈噪聲所掩蓋的周期分量，及時(shí)發(fā)現(xiàn)機(jī)器設(shè)備出現(xiàn)的故障。特別是在風(fēng)力發(fā)電機(jī)早期故障的診斷和分析中，振動(dòng)信號(hào)中的周期成分不明顯，難以通過直接觀察發(fā)現(xiàn)故障特征，因此相關(guān)分析就具有了重要的應(yīng)用價(jià)值[11]。但在隨機(jī)信號(hào)中存在頻率相同的干擾信號(hào)的情況下，相關(guān)分析的性能會(huì)大大降低，甚至?xí)霈F(xiàn)“偽相關(guān)”等現(xiàn)象；在振動(dòng)信號(hào)受到強(qiáng)背景噪聲干擾的情況下，無(wú)法利用相關(guān)函數(shù)有效提取出特征。

3 頻域診斷方法

時(shí)域診斷法在風(fēng)電機(jī)組振動(dòng)故障的檢測(cè)應(yīng)用中，不能夠全面地反映出振動(dòng)信號(hào)中的信息量。而風(fēng)電機(jī)組的故障通常伴隨著振動(dòng)信號(hào)的頻率變化。頻域診斷法是通過識(shí)別故障與正常狀態(tài)時(shí)振動(dòng)信號(hào)中頻率特征的不同，來對(duì)故障進(jìn)行分析。頻域分析方法的基礎(chǔ)是傅里葉變換，主要包括頻譜分析、倒頻譜分析和包絡(luò)譜分析等。

3.1 頻譜分析

工程上較為常用的頻譜分析方法有幅值譜和功率譜。幅值譜表示振動(dòng)信號(hào)中各頻率成分所對(duì)應(yīng)的振幅大小，而功率譜描述的是信號(hào)能量在頻域中的分布情況。功率譜所反映的是信號(hào)幅值譜的平方，頻域特征結(jié)構(gòu)更為明顯，因此，功率譜與幅值譜提供了相同的信息，但功率譜能夠顯示出比幅值譜更為清晰的特征。文獻(xiàn)[12]深入探討了振動(dòng)信號(hào)的頻譜結(jié)構(gòu)，利用傅里葉變換方法對(duì)行星齒輪箱進(jìn)行故障診斷。

3.2 倒頻譜分析

倒頻譜分析也稱為二次頻譜分析，是檢測(cè)振動(dòng)信號(hào)中所含周期成分的一種重要方法，其原理是在計(jì)算得到功率譜的基礎(chǔ)上再進(jìn)一步做傅里葉逆變換。倒頻譜分析的流程如圖4所示。倒頻譜分析能將周期成分在頻譜中突顯出來，使得故障特征更易于提取。風(fēng)電機(jī)組中軸承、齒輪箱等出現(xiàn)故障時(shí)，采用倒頻譜分析可以有效識(shí)別故障頻率、故障的原因和部位[13-14]。另外，振動(dòng)信號(hào)的傳遞路徑往往會(huì)對(duì)振動(dòng)信號(hào)的特征產(chǎn)生影響，而倒頻譜分析對(duì)信號(hào)的傳遞路徑和傳感器檢測(cè)點(diǎn)的選取不敏感。

圖4 倒頻譜分析的流程圖Fig.4 Flow chart of the inverse spectrum analysis

3.3 包絡(luò)譜分析

包絡(luò)譜分析又稱為包絡(luò)解調(diào)，是目前診斷風(fēng)電機(jī)組故障的最有力工具之一。當(dāng)風(fēng)電機(jī)組軸承和齒輪等部件出現(xiàn)局部損傷時(shí)，會(huì)產(chǎn)生周期性的瞬時(shí)沖擊。沖擊信號(hào)的頻率較低容易受到其他自由衰減信號(hào)和各種隨機(jī)干擾信號(hào)的調(diào)制，并引起設(shè)備發(fā)生高頻固有頻率的諧振。包絡(luò)譜分析的流程如圖5所示。包絡(luò)譜分析可將高頻固有振動(dòng)中與故障沖擊有關(guān)的低頻信號(hào)解調(diào)出來，并進(jìn)一步對(duì)低頻信號(hào)進(jìn)行頻譜分析來判斷故障的具體類型及故障程度。包絡(luò)譜分析在判斷設(shè)備損傷類故障應(yīng)用中取得了非常好的效果，近年來廣泛應(yīng)用于風(fēng)電機(jī)組傳動(dòng)系統(tǒng)的故障特征提取[15-16]。

圖5 包絡(luò)譜分析的流程圖Fig.5 Flow chart of the envelope spectrum analysis

3.4 頻域診斷方法的不足

風(fēng)電機(jī)組運(yùn)行時(shí)存在多部件耦合振動(dòng)，且工作運(yùn)行時(shí)背景噪聲一般較強(qiáng)，使得采集的振動(dòng)信號(hào)多表現(xiàn)出非平穩(wěn)、非線性。而傅里葉變換是建立在信號(hào)全局上的變換，無(wú)法對(duì)非平穩(wěn)、非線性信號(hào)進(jìn)行局部分析，并且它是一種純頻域的分析方法，在時(shí)域內(nèi)無(wú)分辨能力，因此，以傅里葉變換為基礎(chǔ)的頻域診斷方法存在一定的局限性。

4 時(shí)頻域診斷方法

風(fēng)力發(fā)電機(jī)在實(shí)際工作時(shí)受各種工作狀況的影響，一般產(chǎn)生的是非線性、非平穩(wěn)振動(dòng)信號(hào)?；诟道锶~變換的頻域診斷方法一般是建立在信號(hào)全局上的變換，不能有效地分析非線性、非平穩(wěn)信號(hào)。為了更好地體現(xiàn)出風(fēng)機(jī)振動(dòng)信號(hào)的局部特征，專家們提出時(shí)頻域診斷方法，將時(shí)域和頻域進(jìn)行二維聯(lián)合，使信號(hào)在時(shí)頻域上能夠同時(shí)局部化。目前，常用的時(shí)頻域診斷方法有小波分析、經(jīng)驗(yàn)?zāi)B(tài)分解、Wigner-Vile分布等。

4.1 小波分析

小波分析方法是一種時(shí)間窗和頻率窗形狀均能變化的時(shí)頻域診斷方法。它通過將振動(dòng)信號(hào)變換到多個(gè)頻段，并對(duì)認(rèn)為有價(jià)值的頻段進(jìn)行分析來提取故障特征頻率。小波分析可以對(duì)信號(hào)中的短時(shí)高頻現(xiàn)象進(jìn)行“顯微”，并且可以有效地分析短時(shí)沖擊信號(hào)。但是這種方法也存在一定的缺陷，它不具自適應(yīng)性[14]。將小波技術(shù)和神經(jīng)網(wǎng)絡(luò)、奇異值分解、模糊評(píng)判和分形盒維數(shù)等技術(shù)相結(jié)合的綜合運(yùn)用進(jìn)行故障模式識(shí)別的方法，取得了廣泛應(yīng)用。

4.2 經(jīng)驗(yàn)?zāi)B(tài)分解

經(jīng)驗(yàn)?zāi)B(tài)分解（empirical mode decomposition，EMD）由美國(guó)國(guó)家宇航局的Huang博士于1998年首次提出的[17]，利用EMD方法可將非平穩(wěn)的振動(dòng)信號(hào)自適應(yīng)地分解為若干個(gè)平穩(wěn)的固有模態(tài)函數(shù)（intrinsic mode function，IMF），其流程圖如圖6所示。EMD采用循環(huán)包絡(luò)篩分方法處理信號(hào)，實(shí)現(xiàn)信號(hào)從高頻到低頻的自適應(yīng)劃分，本質(zhì)上是一組頻率由高到低的帶通濾波器。EMD克服了小波變換和自適應(yīng)時(shí)頻域分析方法的不足，具有自適應(yīng)、正交性和完備性的特點(diǎn)，非常適用于非線性、非平穩(wěn)信號(hào)的分析處理[18]，在故障特征提取方面受到廣泛關(guān)注。EMD方法本身存在著一些不足，如模態(tài)混疊、存在端點(diǎn)效應(yīng)、受采樣頻率影響較大等[19]，仍需進(jìn)行深入研究。

圖6 經(jīng)驗(yàn)?zāi)B(tài)分解算法流程圖Fig.6 Flow chart of the EMD algorithm

4.3 Wigner-Vile分布

Wigner-Ville分布 （Wigner-Ville distribution，WVD）是一種重要的時(shí)頻域診斷方法，同時(shí)具有較高的時(shí)間分辨率和頻域分辨率，并具有優(yōu)良的能量聚集能力。WVD分布可以被看作信號(hào)能量在頻率和時(shí)間聯(lián)合域內(nèi)的分布，能夠?qū)φ駝?dòng)信號(hào)的時(shí)頻特性進(jìn)行精確地描述[20]。但WVD存在一個(gè)明顯的缺陷，那就是存在交叉項(xiàng)干擾現(xiàn)象，造成了振動(dòng)信號(hào)的各特征參數(shù)無(wú)法被有效提取，大大降低了WMD對(duì)信號(hào)的分析性能。為了消除交叉干擾造成的影響，國(guó)內(nèi)外學(xué)者開展了大量的研究工作，已經(jīng)提出了輔助函數(shù)法、預(yù)濾波等改進(jìn)方法。但直到目前為止，如何抑制交叉項(xiàng)造成的干擾問題仍然沒有得到有效地解決。

5 現(xiàn)代故障診斷方法

5.1 盲源分離

利用傳感器采集風(fēng)電機(jī)組振動(dòng)信號(hào)的過程中，采集的信號(hào)往往是若干個(gè)不同機(jī)械部件產(chǎn)生的源信號(hào)的混合信號(hào)，使得故障特征提取變得困難。盲源分離（blind source separation，BSS）是在源信號(hào)和傳輸通道特性均未知的情況下，僅由傳感器采集到的振動(dòng)信號(hào)分離出對(duì)應(yīng)各個(gè)部件的源信號(hào)，其基本原理如圖7所示。獨(dú)立成分分析（independent component analysis，ICA）是一種解決盲源分離問題的主要方法[21]，適用于平穩(wěn)和非平穩(wěn)信號(hào)，尤其對(duì)于微弱信號(hào)特征信息的提取和分離具有較好的效果。近十年來，盲源分離技術(shù)得到了進(jìn)一步的發(fā)展，在風(fēng)電機(jī)組故障診斷方面已取得了一些研究成果[22]。盲源分離方法雖然取得了一系列的突破，但盲源分離在源數(shù)估計(jì)和處理非線性問題方面仍存在不足，需要進(jìn)一步的研究。

圖7 盲源分離原理框圖Fig.7 Principle block diagram of the BSS method

5.2 子空間方法

子空間方法（subspace identification algorithm，SIA）是一種基于離散狀態(tài)空間模型的模態(tài)參數(shù)識(shí)別方法，非常適用于振動(dòng)信號(hào)的建模分析。SIA直接利用振動(dòng)信號(hào)的時(shí)域數(shù)據(jù)建立數(shù)學(xué)模型，從而準(zhǔn)確識(shí)別系統(tǒng)的模態(tài)參數(shù)，具有數(shù)值穩(wěn)定和簡(jiǎn)易等優(yōu)點(diǎn)。在過去的二十多年里，子空間識(shí)別方法在振動(dòng)信號(hào)故障分析方面的應(yīng)用取得了飛快發(fā)展，在風(fēng)力發(fā)電機(jī)齒輪箱的故障診斷等領(lǐng)域也有較多的應(yīng)用[23]。由于子空間方法對(duì)信號(hào)處理采用了狀態(tài)空間模型，因此該方法的關(guān)鍵在于確定系統(tǒng)的階次。但目前系統(tǒng)階次尚無(wú)良好的方法來確定，易產(chǎn)生冗余導(dǎo)致虛假模態(tài)出現(xiàn)。

5.3 流形學(xué)習(xí)算法

流形學(xué)習(xí)是一種新的非線性算法，能夠透過觀測(cè)的振動(dòng)數(shù)據(jù)發(fā)現(xiàn)事物的本質(zhì)，挖掘出數(shù)據(jù)的本質(zhì)特征。該方法的基本原理是通過從高維數(shù)據(jù)中嵌入映射出低維流形的結(jié)構(gòu)，達(dá)到對(duì)高維數(shù)據(jù)進(jìn)行特征壓縮的目的。流形學(xué)習(xí)算法可有效去除噪聲等干擾成分的影響，挖掘蘊(yùn)含在振動(dòng)信號(hào)中的故障本質(zhì)特征，此特性非常適用于風(fēng)電機(jī)組的故障診斷。拉普拉斯特征映射是一種基于圖譜理論的流形學(xué)習(xí)方法，具有較好的收斂性和魯棒性，已成功地應(yīng)用于風(fēng)電機(jī)組的故障診斷[24-25]。但目前已有的流形算法對(duì)參數(shù)都比較敏感，由于參數(shù)較小的變化量會(huì)引起差異顯著的學(xué)習(xí)結(jié)果，因此提高流形學(xué)習(xí)的穩(wěn)定性成為一個(gè)需要解決的問題。

為了分析各故障診斷方法的性能，表1對(duì)不同故障診斷方法的優(yōu)缺點(diǎn)以及適用范圍進(jìn)行了總結(jié)。

表1 不同診斷方法的優(yōu)缺點(diǎn)及適用范圍比較Tab.1 Comparison of advantages，disadvantages and application range of different diagnostic methods

6 我國(guó)研究近況和進(jìn)展

我國(guó)在風(fēng)電機(jī)組振動(dòng)監(jiān)測(cè)與故障診斷技術(shù)方面起步較晚，但隨著我國(guó)經(jīng)濟(jì)水平的不斷提高，科學(xué)技術(shù)的不斷發(fā)展，以及我國(guó)科研人員的不懈努力，近年來取得了一定的突破和研究成果。尤其在《風(fēng)力發(fā)電機(jī)組振動(dòng)狀態(tài)監(jiān)測(cè)導(dǎo)則》這一國(guó)家行業(yè)標(biāo)準(zhǔn)于2011年頒布之后，風(fēng)電機(jī)組振動(dòng)監(jiān)測(cè)與故障診斷技術(shù)得到了大力的發(fā)展。

文獻(xiàn)[26]提出了一種基于固有時(shí)間尺度分解（intrinsic time-scale decomposition，ITD）的風(fēng)電機(jī)組調(diào)心滾子軸承故障特征提取方法。該方法利用ITD將非線性、非平穩(wěn)的軸承振動(dòng)信號(hào)分解為多個(gè)固有旋轉(zhuǎn)分量，并進(jìn)一步對(duì)固有旋轉(zhuǎn)分量做頻譜分析提取軸承故障特征頻率，并且在實(shí)際中驗(yàn)證了該方法處理非平穩(wěn)時(shí)變信號(hào)的有效性。

文獻(xiàn)[27]為了有效地診斷風(fēng)電機(jī)組齒輪箱故障，采用了一種基于粒子群優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)方法。該法計(jì)算風(fēng)電機(jī)組齒輪正常、磨損和斷齒3種不同狀態(tài)振動(dòng)信號(hào)的特征向量，并利用粒子群優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行故障識(shí)別，取得較高的識(shí)別精度。

文獻(xiàn)[28]提出了一種基于混合時(shí)頻分析的風(fēng)電機(jī)組故障診斷方法。該方法首先采用參數(shù)優(yōu)化Morlet小波消噪方法對(duì)原始振動(dòng)信號(hào)進(jìn)行分析，濾除強(qiáng)大的背景噪聲干擾；進(jìn)而通過自項(xiàng)窗方法抑制時(shí)頻面的干擾項(xiàng)，增強(qiáng)信號(hào)特征成分，提取故障特征以實(shí)現(xiàn)故障診斷。通過對(duì)風(fēng)電機(jī)組振動(dòng)數(shù)據(jù)的分析，能夠有效地消除背景噪聲和提取故障特征。

文獻(xiàn)[29]提出改進(jìn)的小波包結(jié)合包絡(luò)譜的風(fēng)電機(jī)組傳動(dòng)系統(tǒng)故障診斷方法。深入研究了小波包頻帶錯(cuò)亂的問題，對(duì)小波包實(shí)施改進(jìn)，消除頻帶錯(cuò)亂的缺陷。將改進(jìn)的小波包與包絡(luò)譜結(jié)合起來，通過對(duì)風(fēng)機(jī)傳動(dòng)系統(tǒng)試驗(yàn)臺(tái)的齒輪、軸承故障實(shí)際數(shù)據(jù)地深入分析，能夠準(zhǔn)確提取出故障特征量。

文獻(xiàn)[30]提出一種基于集合經(jīng)驗(yàn)?zāi)Ｊ椒纸猓‥EMD）、奇異譜熵和模糊C均值聚類的故障診斷方法來解決風(fēng)電機(jī)組齒輪箱中齒輪故障特征提取與故障診斷問題。該方法通過對(duì)振動(dòng)信號(hào)進(jìn)行EEMD分解，得到若干IMF，并構(gòu)成特征模式矩陣，然后通過計(jì)算特征模式矩陣的奇異譜熵值，最后利用模糊聚類分析進(jìn)行故障識(shí)別。

文獻(xiàn)[31]提出一種基于小波包與倒頻譜分析的信號(hào)處理分析方法用于風(fēng)電機(jī)組齒輪箱齒輪裂紋的診斷。該方法通過小波包分析得到故障頻率范圍，并利用倒頻譜提取齒輪箱振動(dòng)信號(hào)中的周期成分，成功地判斷出故障類型及發(fā)生的部位。

7 結(jié)論

隨著振動(dòng)信號(hào)分析方法的不斷改進(jìn)，風(fēng)力發(fā)電機(jī)振動(dòng)監(jiān)測(cè)與故障診斷技術(shù)有了很大進(jìn)步，越來越多的診斷方法投入到實(shí)際應(yīng)用中[32-33]，但仍然存在許多關(guān)鍵問題尚未解決。展望未來，風(fēng)電機(jī)組振動(dòng)監(jiān)測(cè)和故障診斷技術(shù)在以下幾方面需要進(jìn)一步完善和發(fā)展：

1）非穩(wěn)態(tài)信號(hào)的分析。雖然目前有小波分析、經(jīng)驗(yàn)?zāi)B(tài)分解和Wigner-Vile分布等應(yīng)用在平穩(wěn)、非線性信號(hào)的分析中，但依然有很多問題需要解決。風(fēng)電機(jī)組的非穩(wěn)態(tài)振動(dòng)信號(hào)中包含了極為豐富的故障信息，研究如何有效的分析非穩(wěn)態(tài)信號(hào)具有重要意義。

2）微弱故障特征的提取。工程實(shí)際中，當(dāng)風(fēng)電機(jī)組處于早期故障階段時(shí)，由故障產(chǎn)生的沖擊成分相對(duì)微弱，并且環(huán)境噪聲引起的干擾比較嚴(yán)重，使得微弱故障特征的提取一直面臨著困難。目前在微弱故障特征提取的研究中已經(jīng)取得了一些成果，但效果不很完善，有待進(jìn)一步地深入研究。

3）人工智能方法的研究。在完善上述方法的基礎(chǔ)上，不斷探討現(xiàn)代人工智能故障診斷方法在風(fēng)電機(jī)組故障診斷中的應(yīng)用。集合多領(lǐng)域?qū)＜业闹腔?，進(jìn)行跨學(xué)科研究。新興方法將是未來故障診斷很長(zhǎng)一段時(shí)間的發(fā)展方向和研究熱點(diǎn)。

[1]趙洪山，連莎莎，邵玲.基于模型的風(fēng)電機(jī)組變槳距系統(tǒng)故障檢測(cè)[J].電網(wǎng)技術(shù)，2015，39（2）：440-444.ZHAO Hongshan，LIAN Shasha，SHAO Ling.A modelbased fault detection for variable-pitch system of wind turbines[J].Power System Technology，2015，39（2）：440-444.

[2]趙洪山，李浪，王穎.一種基于盲源分離和流形學(xué)習(xí)的風(fēng)電機(jī)組軸承故障特征提取方法[J].太陽(yáng)能學(xué)報(bào)，2016，37（2）：269-275.ZHAO Hongshan，LI Lang，WANG Ying.Research on fault feature extraction of wind turbine bearing based on blind source separation and manifold learning[J].Acta Energiae Solaris Sinica，2016，37（2）：269-275.

[3]趙洪山，張健平，高奪，等.風(fēng)電機(jī)組的狀態(tài)-機(jī)會(huì)維修策略[J].中國(guó)電機(jī)工程學(xué)報(bào)，2015，35（15）：3851-3858.ZHAOHongshan，ZHANGJianpign，GAODuo，etal.Acondition based opportunistic maintenance strategy for wind turbine[J].Proceedings of the Chinese Society for Electrical Engineering，2015，35（15）：3851-3858.

[4]祁麗婉，梁庚，童國(guó)煒.基于果繩算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的齒輪箱故障診斷[J].電網(wǎng)與清潔能源，2014，30（9）：31-36.QI Liwan，LIANG Geng，TONG Guowei.A gear box fault diagnosis method based on fruit fly optimization algorithm to optimize the BP neural network[J].Power System and Clean Energy，2014，30（9）：31-36.

[5]王奇，張晗，鄧軍，等.基于狀態(tài)評(píng)價(jià)的風(fēng)力發(fā)電設(shè)備故障診斷系統(tǒng)的研制[J].電網(wǎng)與清潔能源，2014，30（11）：103-108.WANG Qi，ZHANG Han，DENG Jun，et al.Research on fault diagnosis system for wind power equipment based on condition evaluation[J].Power System and Clean Energy，2014，30（11）：103-108.

[6]蔣維.基于灰色粗糙集理論的風(fēng)電機(jī)組傳動(dòng)鏈智能診斷方法[J].電網(wǎng)與清潔能源，2012，28（12）：79-83.JIANG Wei.An intelligent diagnosis method based on grey rough set theory for wind turbine driving chain[J].Power System and Clean Energy，2012，28（12）：79-83.

[7]RIBRANT J，BERTLING L M.Survey of failures in wind power systems with focus on Swedish wind power plants during 1997-2005[J].IEEE Transactions on Energy Conversion，2007，22（1）：167-173.

[8]TAVNER P J.Reliability analysis for wind turbines[J].Journal of Wind Energy，2006，10（1）：1-18.

[9]AMIRAT Y，BENBOUZID M，AL A E，et al.A brief status on condition monitoring and fault diagnosis in wind energy conversion systems[J].Renewable and Sustainable Energy Reviews，2009，13（9）：2629-2636.

[10]萬(wàn)書亭，吳美玲.基于時(shí)域參數(shù)趨勢(shì)分析的滾動(dòng)軸承故障診斷[J].機(jī)械工程與自動(dòng)化，2010（3）：108-110.WAN Shuting，WU Meiling.Fault diagnosis for rolling bearing based on trend analysis of time doma in parameters[J].Mechanical Engineering&Automation，2010（3）：108-110.

[11]明安波，諸福磊，張煒.滾動(dòng)軸承故障特征提取的頻譜自相關(guān)方法[J].機(jī)械工程學(xué)報(bào)，2012，48（19）：65-71.MING Anbo，ZHU Fulei，ZHANG Wei.Feature extracting method in the rolling element bearing fault diagnosis：spectrum auto-correlation[J].Journal of Mechanical Engineering，2012，48（19）：65-71.

[12]COZENS N J，WATSON S J.State of the art condition monitoring techniques suitable for wind turbines and wind farm applications[C]//Report for CONMOW Project，Berlin，2003.

[13]張博，程珩.倒頻譜在直驅(qū)風(fēng)機(jī)主軸軸承故障診斷中的應(yīng)用[J].機(jī)械設(shè)計(jì)與制造，2014（7）：265-267.ZHANG Bo，CHENG Yan.Application of the cepstrum in fault diagnosis of direct—drive wind turbine main shaft bearing[J].Machinery Design＆Manufacture.2014（7）：265-267.

[14]羅毅，甄立敬.基于小波包與倒頻譜分析的風(fēng)電機(jī)組齒輪箱齒輪裂紋診斷方法[J].振動(dòng)與沖擊，2015，34（3）：210-214.LUO Yi，ZHEN Lijing.Diagnosis method of turbine gearbox gearcrack based on wavelet packet and cepstrum analysis[J].Journal of Vibration and Shock，2015，34（3）：210-214.

[15]王敏，劉佳，顧煜炯，等.基于IMF希爾伯特解調(diào)的風(fēng)電齒輪箱復(fù)合故障診斷方法[J].可再生能源，2012，30（11）：45-59.WANG Min，LIU Jia，GU Yujiong，et al.The composite fault identification for wind turbine gearbox based on the IMF envelopment analysis[J].Renewable Energy Resources，2012，30（11）：45-59.

[16]蔡艷平，李艾華，石林鎖，等.基于EMD與譜峭度的滾動(dòng)軸承故障檢測(cè)改進(jìn)包絡(luò)譜分析[J].振動(dòng)與沖擊，2011，30（2）：167-172.CAI Yanping，LI Aihua，SHI Linsuo，et al.Roller bearing fault detect ion using improved envelope spectrum analysis based on EMD and spectrum kurtosis[J].Journal of Vibration and Shock，2011，30（2）：167-172.

[17]鐘佑明，秦樹人，湯寶平.一種振動(dòng)信號(hào)新變換法的研究[J].振動(dòng)工程學(xué)報(bào)，2002，15（2）：113－118.ZHONG Youming，QIN Shuren，TANG Baoping.Study on a new transform method for vibration signal[J].Journal of Vibration Engineering，2002，15（2）：113-118.

[18]康守強(qiáng)，王玉靜，楊廣學(xué)，等.基于經(jīng)驗(yàn)?zāi)B(tài)分解和超球多類支持向量機(jī)的滾動(dòng)軸承故障診斷方法[J].中國(guó)電機(jī)工程學(xué)報(bào)，2011，31（14）：96-102.KANG Shouqiang，WANG Yujing，YANG Guangxue，et al.Rolling bearing fault diagnosis method using empirical mode decomposition and hypersphere multiclass support vector machine[J].Proceedings of the Chinese Society for Electrical Engineering，2011，31（14）：96-102.

[19]QIN S R，ZHONG Y M.A New algorithm of hilbert-huang transform[J].Mechanical Systems and Signal Processing，2006，20（8）：1941-1952.

[20]石林鎖，張亞洲，米文鵬.基于WVD的譜峭度法在軸承故障診斷中的應(yīng)用[J].振動(dòng)、測(cè)試與診斷，2011，31（1）：27-31.SHI Linsuo，ZHANG Yazhou，MI Wenpeng.Application of wigner-ville-distribution-based spectral kurtosis algorithm to fault diagnosis of rolling bearing[J].Journal of Vibration，Measurement&Diagnosis，2011，31（1）：27-31.

[21]史習(xí)智.盲信號(hào)處理—理論與實(shí)踐[M].上海：上海交通大學(xué)出版社，2008.

[22]趙洪山，邵玲，連莎莎.基于最大信噪比的風(fēng)電機(jī)組主軸承故障特征提取[J].可再生能源，2015，33（3）：410-415.ZHAO Hongshan，SHAO Ling，LIAN Shasha.Method for extracting fault feature of wind turbine main bearing based on maximum signal to noise ratio[J].Renewable Energy Resources，2015，33（3）：410-415.

[23]趙洪山，郭偉，邵玲，等.基于子空間方法的風(fēng)機(jī)齒輪箱故障預(yù)測(cè)算法[J].電力自動(dòng)化設(shè)備，2015，35（3）：27-32.ZHAOHongshan，GUOWei，SHAOLing，etal.Gearboxfault prediction algorithm based on subspace method for wind turbine[J].Electric Power Automation Equipment，2015，35（3）：27-32.

[24]李鋒.基于流形學(xué)習(xí)的風(fēng)電機(jī)組傳動(dòng)系統(tǒng)故障診斷方法研究[D].重慶：重慶大學(xué)，2011.

[25]栗茂林，王孫安，梁霖.利用非線性流形學(xué)習(xí)的軸承早期故障特征提取方法[J].西安交通大學(xué)學(xué)報(bào)，2010，44（5）：45-49.LI Maolin，WANG Sun'an，LIANG Lin.Feature extraction for incipient fault diagnosis of rolling bearings based on nonlinear manifold learning[J].Journal of Xi′an Jiaotong University，2010，44（5）：45-49.

[26]安學(xué)利，蔣東翔，劉超，等.基于固有時(shí)間尺度分解的風(fēng)電機(jī)組軸承故障特征提取[J].電力系統(tǒng)自動(dòng)化，2012，36（5）：41-44.AN Xueli，JIANG Dongxiang，LIU Chao，et al.Bearing fault feature extraction of wind turbine based on intrinsic time-scale decomposition[J].Automation of Electric Power Systems，2012，36（5）：41-44.

[27]龍泉，劉永前，楊永平.基于粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的風(fēng)電機(jī)組齒輪箱故障診斷方法[J].太陽(yáng)能學(xué)報(bào)，2012，33（1）：120-125.LONG Quan，LIU Yongqian，YANG Yongping.Fault dia gnosis method of wind turbine gearbox based on BP network trained by particle swarm optimization algorithm[J].Acta Energiae Solaris Sinica，2012，33（1）：120-125.

[28]劉文藝，韓繼光.基于混合時(shí)頻分析方法的風(fēng)電機(jī)組故障診斷[J].機(jī)械科學(xué)與技術(shù)，2013，32（1）：96-99.LIU Wenyi，HAN Jiguang.Wind turbine fault diagnosis based on the hybrid time-frequency analysis method[J].Mechanical Science and Technology for Aerospace Engineering，2013，32（1）：96-99.

[29]申戩林，王靈梅，郭東杰，等.基于改進(jìn)小波包與包絡(luò)譜的風(fēng)電機(jī)組傳動(dòng)系統(tǒng)的故障診斷方法研究[J].太陽(yáng)能學(xué)報(bào)，2014，35（9）：1771-1777.SHEN Jianlin，WANG Lingmei，GUO Dongjie，et al.Research on fault diagnosis method based on improved wavelet packet envelop spectrum of wind turbine transmission system[J].Acta Energiae Solaris Sinica，2014，35（9）：1771-1777.

[30]王軍輝，賈嶸，譚泊.基于EEMD和模糊C均值聚類的風(fēng)電機(jī)組齒輪箱故障診斷[J].太陽(yáng)能學(xué)報(bào)，2015，36（2）：319-324.WANG Junhui，JIA Rong，TAN Bo.Fault diagnosis of wind turbine’s gearbox based on EEMD and fuzzy C means clustering[J].Acta Energiae Solaris Sinica，2015，36（2）：319-324.

[31]羅毅，甄立敏.基于小波包與倒頻譜分析的風(fēng)電機(jī)組齒輪箱齒輪裂紋診斷方法[J].振動(dòng)與沖擊，2015，34（3）：210-214.LUO Yi，ZHEN Limin.Diagnosis method of turbine gearbox gearcrack based on wavelet packet and cepstrum analysis[J].Journal of Vibration and Shock，2015，34（3）：210-214.

[32]彭華東，陳曉清，任明，等.風(fēng)電機(jī)組故障智能診斷技術(shù)及系統(tǒng)研究[J].電網(wǎng)與清潔能源，2011，27（2）：61-66.PENG Huadong，CHEN Xiaoqing，REN Ming，et al.Intelligent fault diagnosis technology and system for wind turbines[J].Power System and Clean Energy，2011，27（2）：61-66.

[33]李斌，王沛然，邵盛昌，等.基于MATLAB的風(fēng)電機(jī)組故障診斷方法研究[J].電網(wǎng)與清潔能源，2015，31（7）：88-91.LI Bin，WANG Peiran，SHAO Shengchang，et al.Study on wind turbine fault diagnosis method based on MATLAB software[J].Power System and Clean Energy，2015，31（7）：88-91.