風電機組傳動系統振動監測研究進展

湯寶平， 羅 雷, 鄧 蕾， 韓 延

(重慶大學機械傳動國家重點實驗室 重慶，400030)

?

?專家論壇?

風電機組傳動系統振動監測研究進展

湯寶平， 羅 雷, 鄧 蕾， 韓 延

(重慶大學機械傳動國家重點實驗室 重慶，400030)

振動監測是當前風電機組傳動系統狀態監測的主要手段。首先，分析了風電機組傳動系統振動監測策略和各部件振動特征提取流程，重點介紹了邊頻帶能量因子、階次譜邊頻帶能量比等振動特征趨勢指標；然后，分析指出解決現役風電機組因傳動系統故障導致巨大經濟損失的關鍵是進行風電機組傳動系統早期故障預示，重點介紹了泛化流形學習的風電機組傳動系統早期故障預示方法；最后，從系統架構、數據采集配置及監測分析方法等方面分析了現有的風電機組傳動系統振動監測系統的功能與特點，指出了基于多源信息融合的大數據預測分析與智能維護將是風電機組健康管理的重要發展趨勢。

風電機組傳動系統； 振動監測； 特征提取； 早期故障預示； 大數據

引 言

風能作為一種無污染的可再生資源，成為各國爭相發展的領域之一。但風電機組安裝在野外幾十米的高空，在變風載、大溫差等惡劣、變化的工況下，風電機組使用壽命受到極大的影響，尤其是風電機組的主軸、齒輪箱等傳動部件在交變載荷的作用下很容易出現故障，造成機組停機。較之其他故障，風電機組傳動系統故障導致機組停機時間最長[1]，嚴重影響發電量，造成經濟損失，而且安裝維護相當困難，維護費用高，使得運營成本增加，嚴重損害風力發電的經濟效益。另一方面，隨著高速發展時期安裝的風電機組開始逐步走出質保期，一個巨大的風電運維市場正在逐漸顯現。因此，開展風電機組傳動系統狀態監測，進而進行基于狀態的早期故障預示和健康管理就顯得非常迫切和必要。

風電機組傳動系統狀態監測技術通常有振動監測[2-4]、聲發射(應力波)監測[5-6]、油液監測[7-8]等。較之其他信號，風電機組傳動系統振動信號包含的狀態信息更豐富，對傳動部件異常更敏感，在傳動部件早期故障預示上有明顯優勢，并且振動信號容易解釋，也更容易對故障進行定位。因此，目前風電機組傳動系統狀態監測多采用振動監測技術。

筆者介紹了風電機組傳動系統振動監測研究進展，主要包括風電機組傳動系統振動監測策略、常用的振動特征趨勢指標、基于振動的早期故障預示以及振動監測系統等，在此基礎上展望風電機組傳動系統振動監測技術的發展趨勢。

1 風電機組傳動系統振動監測策略

風電機組傳動系統主要包括葉片、主軸、增速齒輪箱和發電機等部件。增速齒輪箱結構復雜，采用多級齒輪結構，如圖1所示。其結構采用一級行星和兩級平行軸傳動，其中行星級采用齒圈固定、行星架輸入和太陽輪輸出，所有齒輪均為斜齒輪。一般也分為低速級、中間級和高速級3級。低速級是結構緊湊且堅固的高轉矩行星齒輪，中間級和高速級為平行軸圓柱齒輪。

1-中間級主動齒輪；2-中間級被動齒輪；3-高速級主動齒輪；4-高速級被動齒輪；Tin-低速端輸入轉矩；Tout-高速端輸出轉矩；s-太陽輪；p-行星輪；c-行星架；r-內齒圈；gi-滾動軸承代號；i-滾動軸承編號(i=1，2，…，10)圖1 風電增速齒輪箱結構Fig.1 Structure sketch for wind turbine gearbox

風電機組葉片捕獲風能，經過傳動系統后將能量傳遞給發電機產生電能，實現風能向電能的轉變。因傳動系統結構復雜，傳動比大，轉速不穩定，載荷變化大，其振動特征時變性強，齒輪、軸承及軸等容易出現故障。因此，風電機組傳動系統振動監測主要使用加速度傳感器和轉速計，圍繞傳動系統關鍵位置進行布置，典型的振動監測點分布如表1所示。由于風電機組增速齒輪箱的高傳動比，主軸端與發電機端的轉速差異很大，監測系統通常配置低頻和標準兩種加速度傳感器以適應最佳頻率響應范圍。加速度傳感器的安裝可采用螺紋連接或強力膠，保證傳感器與風電機組表面的緊密可靠連接。電渦流轉速傳感器安裝一般采用專用夾具，將傳感器固定在高速軸剎車盤表面2～4 mm處，通過掃描高速軸剎車盤上的螺母，感知距離變化來產生轉速脈沖，獲取齒輪箱高速軸的轉速。

表1 典型的振動監測點分布

風電機組傳動鏈各部件振動特征頻率與傳動鏈的轉速和各部件結構參數密切相關，傳動鏈振動特征提取流程如圖2所示。將測得轉速信息結合傳動鏈參數計算各部件特征頻率，振動加速度通過信號分析方法獲得特征頻譜，采用特征提取方法從特征頻譜中提取特征頻率，計算特征指標用于趨勢分析，從而實現部件級的狀態監測。常用的振動信號處理方法包括基于快速傅里葉變換的特征提取和基于階次譜的特征提取等，有時還需進行包絡譜分析。

圖2 風電機組傳動鏈振動特征提取流程Fig.2 Feature extraction process of wind turbine drive chain

2 常用的振動特征趨勢指標

振動特征趨勢指標可將海量風電機組傳動系統振動數據指標化，直觀展現數據中蘊藏的風電機組傳動系統狀態信息，其隨時間的變化趨勢可反映風電機組傳動系統運行狀態的變化過程。對這些特征指標設定合理的閾值，可在風電機組傳動系統狀態異常時及時報警。因此，確定恰當的風電機組傳動系統狀態監測振動特征趨勢指標，并根據振動特征趨勢指標進行趨勢分析是風電機組傳動系統狀態監測的關鍵。

2.1 邊頻帶能量因子

在平穩工況下，某些振動信號的時域統計特征可以作為振動特征趨勢指標，如振動信號有效值、峭度及峰值因子等，但是交變載荷作用下的風電機組傳動系統振動時域統計特征受工況影響大，其變化趨勢單調性差、波動大，根據這些特征指標來進行狀態監測很容易產生誤報警。

不同傳動件的振動特征不盡相同。對于齒輪傳動來講，其頻譜所表現的最突出的振動特征是其嚙合頻率及其諧波以及由調制現象產生的邊頻帶，不同故障程度下齒輪嚙合邊頻帶變化[9]如圖3所示。

圖3 不同故障程度下的齒輪嚙合邊頻帶Fig.3 The sidebands of gear meshing frequency within different fault degree

健康狀態下齒輪的邊頻帶數量少且幅值比中心嚙合頻率小很多，隨著健康狀態退化，邊頻帶數量和幅值都會隨之增加。因此，邊頻帶對齒輪健康狀態有很強的預示作用，基于此故障機理提出的邊頻帶能量因子(sideband power factor,簡稱SBPF)指標[10]可以更好地用于齒輪的健康趨勢監測，其計算如下

(1)

其中：PSA(2Xfmesh)表示功率譜中齒輪嚙合頻率的二次諧波幅值；PSA(SBi),i=±1,±2,±3,±4,±5表示嚙合頻率前5階邊頻帶能量幅值。

美國National Renewable Energy Laboratory研究了變負載條件下平行齒輪傳動結構中斷齒及早期齒面磨損情況的邊頻帶能量因子變化趨勢，如圖4[10]所示。從圖上可以看出，邊頻帶能量因子對齒輪健康退化非常敏感，呈現指數發展趨勢，特別是在風機功率輸出較大時，變化更加明顯。可見邊頻帶能量因子對平行齒輪傳動中齒輪退化趨勢和早期故障預示效果顯著。由于行星齒輪傳動結構的低機械振動傳遞特征和更加復雜的嚙合情況，邊頻帶能量因子指標在行星齒輪傳動中的效果還有待進一步研究證實。

圖4 變載條件下SBPF隨齒輪性能退化趨勢Fig.4 Development trend of SBPF index with gear performance degradation under variable load

2.2 階次譜邊頻帶能量比

風電機組長時間在變速狀態下運行，傳動系統各部件特征頻率呈現時變特征，導致頻譜分析時頻率成分模糊，為特征提取帶來困難。采用階次重采樣可將非平穩信號轉速無關化，把時域非平穩信號轉換為角域平穩信號，再進行傅里葉分析得到階次譜，目前階次譜分析方法被風電機組振動監測系統普遍采用。不同故障程度下的齒輪嚙合階次譜邊頻帶變化[9]如圖5所示。

圖5 不同故障程度下的齒輪嚙合階次譜Fig.5 The order spectrum of gear meshing under different fault status

美國GE公司能源研究團隊在階次重采樣基礎上，將階次譜和邊頻帶分析相結合，提出了階次譜邊頻帶能量比(sideband energy ratio，簡稱SER)指標[9]，階次譜前6階邊頻帶幅值之和與齒輪中心嚙合頻率(或嚙合頻率二次諧波)幅值的比值即是邊頻帶能量比指標，其計算如下

(2)

其中：PSA(1Xfmesh)表示功率譜中齒輪中心嚙合頻率(或嚙合頻率二次諧波)幅值；PSA(SBi)，i=1～6表示嚙合頻率前6階邊頻帶能量幅值。

階次譜邊頻帶能量比指標可以克服變轉速狀態下齒輪特征頻率不清晰的問題，可用于監測齒輪狀態退化過程。健康狀態下齒輪的邊頻帶能量比較小，通常小于1。隨著齒輪性能退化，邊頻帶能量比將逐漸增大。階次譜邊頻帶能量比指標已被用于美國GEBently Nevada團隊研發的ADAPT.wind風電機組狀態監測系統中。變轉速下某風電機組斷齒故障三維瀑布圖及階次譜邊頻帶能量比隨故障的變化趨勢[11]如圖6所示。

圖6 SER指標隨齒輪性能退化的發展趨勢Fig.6 Trend of SER index with gear performance degradation

2.3 基于階次包絡解調的軸承振動特征

當滾動軸承出現故障時，在滾動體相對滾道的旋轉過程中，常會產生有規律的沖擊脈沖，能量較大時，激勵起外環固有頻率，形成以外環固有頻率為載波頻率、以軸承通過頻率為調制頻率的固有頻率調制振動現象。對軸承故障振動信號中的周期性沖擊成分進行提取和解調分析是軸承特征提取的關鍵。

軸承故障沖擊為寬帶沖擊，其激發的諧振響應在頻率上高于其他諧振響應，但是幅值更微弱，很容易淹沒在風電機組強噪聲環境中。因此，軸承振動特征提取必須建立在頻率成分清晰的高分辨率頻譜上，將軸承的高頻低幅信號從包含齒輪嚙合頻率、軸轉頻等高幅值成分的信號中分離出來，再進行特征提取。為此，采用階次重采樣將風電機組振動非平穩信號轉化為平穩信號，通過帶通濾波將包含軸承高頻特征的部分提取出來，然后對提取出的信號進行包絡解調得到包絡信號，再進行快速傅里葉變換，實現軸承振動微弱特征提取[10]。基于階次包絡解調的軸承振動特征提取流程如圖7所示。

綜上所述，有效表征風電機組傳動系統各部件狀態發展趨勢的特征指標是當前風電機組振動狀態監測的重點。不同部件的故障機理不同，某個特征指標并非對所有部件都適用，不同部件采用的特征指標應有所不同。然而，從風電機組齒輪箱上測得的振動信號包含了齒輪、軸承及齒輪箱中其他振源的響應，如何將這些振動信號進行分離，對能否有效地提取部件級的特征指標至關重要，值得深入研究。

圖7 軸承振動階次包絡解調流程Fig.7 Vibration enveloping order demodulation process of bearing

3 風電機組傳動系統早期故障預示

在風電機組傳動系統早期故障出現階段，即故障萌芽即將出現、剛剛出現或者故障程度尚輕微時，及時準確地予以辨識和預示，并據此指導保養和維修工作，及時采取措施，防止造成嚴重損失，可提高風電機組運行的可靠性，延長其使用壽命。

風電機組傳動系統早期故障具有以下特點：首先，由于風電機組運行條件惡劣，環境影響因素多，振動信號受噪聲干擾大；其次，早期故障源于正常狀態，故障特征微弱，且由于轉速不穩定、負載交變，其故障特征呈現非線性特點；再次，風電機組傳動系統早期故障隨著風電機組傳動系統的服役歷程逐漸演變凸現，早期故障特征處于動態發展變化之中，需要動態特征提取；最后，風電機組傳動系統的振動監測才開始起步，早期故障樣本缺乏系統的、長期的收集，早期故障樣本稀缺。較之典型故障診斷，這些特點使得風電機組傳動系統早期故障預示難度更大、要求更高。

目前，針對風電機組傳動系統早期故障預示，國內外主要采用了基于信號處理的早期故障預示方法和基于模型的早期故障預示方法。賀王鵬等[12]針對風電機組軸承提出了周期稀疏導向超小波構造方法，提取發電機軸承發生局部損傷后誘發的周期性非平穩沖擊特征。Sun等[13]采用多小波自適應分塊閾值降噪方法，在有效消除噪聲干擾的同時準確提取故障特征。孫自強等[14]針對風電機組齒輪早期故障振動信號被噪聲調制污染、信噪比低及難以識別問題，提出基于混沌和取樣積分技術結合的風電機組齒輪早期故障特征提取方法。Wang等[15]采用集合經驗模態分解與獨立成分分析相結合的方法，在不需要轉速信息與軸承沖擊頻帶等先驗信息情況下，實現強噪聲背景下風電機組早期故障預示。彭進等[16]針對風力發電機組軸承故障振動信號的高噪聲、非平穩特性，通過集成經驗模態分解與峭度-相關系數準則提取多特征量，結合支持向量機實現風電機組軸承早期故障識別。但是，基于信號處理的早期故障預示方法主要側重微弱信號的提取，不能很好地實現早期故障預示。由于風電機組傳動系統的正常、異常和故障等狀態都處于動態的連續發展變化之中，基于模型的早期故障預示方法使用固定靜止的模型來辨識和預示早期故障，這樣的知識推廣方式無法適應早期故障過程的非線性時變性，常常導致誤判和漏判。

流形學習是一種非線性數據降維方法，可有效地挖掘非線性數據的內在分布規律和本質信息，已很好地應用于機械設備故障診斷中[17-18]。文獻[19-23]針對風電機組傳動系統早期故障的非線性時變特點，在研究和拓展流形學習的基礎上，將流形學習維數約簡方法與信號處理方法、支持向量機等模式識別方法相結合，提出了基于泛化流形學習的風電機組傳動系統早期故障預示方法(見圖8)，包括基于無監督流形學習的非線性信號消噪方法、基于監督流形學習的微弱特征提取方法、基于增殖流形學習的早期故障動態特征提取以及基于參數優化的小子樣早期故障模式識別方法，有效實現了風電機組傳動系統的早期故障預示。

圖8 泛化流形學習的早期故障預示方法流程Fig.8 Incipient fault prediction based on generalization manifold learning

上述的早期故障預示方法在實際應用中需要構建早期故障數據庫。由于風電機組成本較高，特別是齒輪箱的技術成本較高，風場和生廠商都不會故意去制造某些故障來構建相關的早期故障庫，導致風電機組傳動系統早期故障樣本數據十分稀缺，需開展風電機組傳動系統早期故障信號收集工作，積累早期故障樣本，為實際應用提供數據支持。如美國National Wind Technology Center在美國能源部支持下，聯合了17家單位，正在建立風電機組傳動系統早期故障數據庫。

4 風電機組傳動鏈振動監測系統

目前，國內外推出了一些風電機組傳動鏈振動監測系統。國外典型的振動監測系統包括瑞典SKF WindCon狀態監測系統、以色列WSL WindSL狀態監測系統、美國GE Bently Nevada公司的CBM狀態監測系統、丹麥Brüel & Kjr公司的Brüel & KjrVibro狀態監測系統等[24]。國內典型的振動監測系統如重慶大學CQ_WindCon狀態監測系統[25]、威銳達WindCMS.VibAnalyzer系統、容知MOS3000狀態監測系統及觀為MDiag設備健康診斷系統等。這些振動監測系統雖各具優勢和特色，也存在許多共性之處。下面將從系統架構、采集配置及監測分析方法等方面就系統共性之處做簡要介紹。

4.1 系統總體架構

當前風電機組傳動鏈振動監測系統普遍采用C/S和B/S混合系統架構，以實現靈活的監測和訪問。風電現場的局域網內以C/S架構提供現場實時數據瀏覽、狀態監測與預警、故障診斷等功能。現場人員可以在控制中心集中監視和管理整個風場的風電機組，發現問題可及時分析并應對。B/S架構通過互聯網為遠程用戶提供遠程訪問功能，借助于互聯網實現跨平臺、多用戶的監測模式，為風電機組的網絡化狀態監測與管理提供極大的便利。典型風電機組傳動鏈振動監測系統架構[25]如圖9所示。

圖9 風電機組傳動鏈振動監測系統架構Fig.9 Architecture of wind turbine drive chain monitoring system

4.2 系統采集配置

在對風電機組傳動鏈振動監測之前，還必須對系統進行相關采集配置，通過振動監測系統軟件、采集硬件與風電機組傳動鏈的一一對應關系，實現數據有序采集和分析。數據采集配置通常通過建立風場-風機-測點的層級視圖來組織整個振動監測過程。對于每臺風電機組，需要定義機組基本信息如機組名稱、機組編號、機組型號及主控IP等，還需定義傳動系統的主要部件，包括主軸、齒輪及軸承等參數信息，建立傳動鏈模型，結合轉速信息即可計算缺陷頻率以供后續分析所用。對于每個測點，需要配置測點信息如測點描述、采樣頻率、采樣長度、采樣間隔及靈敏度等以便將數據正確采集到系統中，并設置對應報警閾值。用戶通常還可以針對感興趣的內容自定義測量定義，包括定義名稱、測量位置、信號類型及信號帶寬等，實現對重點部件、重點頻帶的跟蹤觀察和分析。典型的振動監測系統數據采集配置流程如圖10所示。

圖10 典型振動監測系統數據采集配置流程Fig.10 Data acquisition configuration flow of typical vibration monitoring system

4.3 監測分析方法

時域信號分析是最基本的信號分析方法，直接通過時域波形可查看信號形狀，分析信號周期特性、沖擊特性等特征，并可通過計算時域特征量如峰值、峰峰值、有效值、波形因子、峭度值相對于時間、負載或轉速的發展趨勢，并通過設置預警和告警閾值來發現信號異常。另外，同一風場不同風電機組所處的環境工況差異較小，采用臨近風電機組之間振動信號的比較分析可在一定程度上剔除工況干擾，發現異常。

頻域分析方面，現有振動監測系統使用方法大致相同，主要基于快速傅里葉變換，典型的如幅值譜、相位譜、包絡譜分析、倒譜分析及頻譜峰態等。美國GEBently Nevada公司的CBM系統和丹麥Mita-Teknik的WP4086以加速度包絡譜分析為主，而Brüel & Kjr則兼有包絡譜分析和倒譜分析。系統提供了豐富的頻譜標記功能，如單光標、邊頻、倍頻及頻帶能量等，用戶通過頻譜分析獲取信號的主要頻率成分以及諧波成分，結合由傳動鏈信息和轉速信息計算的部件故障頻率，配合諧波分析、邊頻分析，即可分析振動信號的主要來源以及可能的故障類型。

豐富的圖譜分析如瀑布圖、色譜圖及軸心軌跡圖等可以對數據做全方位的展示，方便理解數據和挖掘狀態信息。例如將不同時間點的頻譜組合起來可以以色譜圖或3D瀑布圖顯示，色譜圖以橫坐標表示頻率，縱坐標表示時間，顏色表示幅值，色譜圖上能直觀地看出各頻率成分在不同時間的幅值變化情況。3D瀑布圖則以三維的方式顯示頻率、時間以及幅值。色譜圖、瀑布圖可用于跟蹤頻譜不隨轉速變化而變化的固定的頻率成分。風電機組傳動鏈振動監測系統主要功能和分析方法如圖11所示。

圖11 振動監測系統主要功能和分析方法Fig.11 Main functions and analysis methods of vibration monitoring system

目前的風電機組傳動鏈振動監測系統的突出特點是強監測、弱診斷，分析方法以經典快速傅里葉變換分析為主，輔以振動信號趨勢預測、閾值報警等功能，在風電機組傳動系統早期故障預示方面亟待加強。另一方面，基于單信息源的狀態監測方法往往不能全面反應風電機組傳動鏈各部件的健康狀態，難免造成誤報警和誤診斷，必須充分利用各種信息源的優勢，研究基于多源信息的狀態監測方法，提高監測和診斷的準確性和可靠性。

5 基于大數據的風電機組健康管理

目前，除了振動監測系統外，風電機組狀態監測系統還有SCADA系統、變頻器監控系統及箱變監控系統等，各種工況信息如溫度、油液成分、功率、電氣信號及控制信號等都可以獲取，如何將這些海量多維狀態信息有效融合是風電機組健康管理的重點。融入大數據、云計算等新一代信息技術，建立統一跨多系統的、跨設備的、基于設備狀態洞察分析的大數據分析平臺，挖掘大數據資源價值，實現基于多源信息融合的大數據預測分析與智能維護將是風電機組健康管理的重要發展趨勢，如圖12所示。

圖12 基于大數據的風電機組健康管理Fig.12 Health management of wind turbine based on big data

建立集風電機組零部件運行數據、風場壞境數據、風機設計、制造及安裝等多維數據的數據中心是進行大數據分析的基礎。利用大數據技術，通過數理統計、模式識別、神經網絡、機器學習及人工智能等深度數據挖掘算法，在海量數據中，挖掘出零部件故障信息，追溯其在設計、制造、裝配、運輸及安裝各個環節的潛在缺陷，快速找尋引起故障或失效的原因是建立風電機組大數據分析平臺的重點和難點。

6 結 論

1) 有效表征風電機組傳動系統各部件狀態發展趨勢的特征指標是當前風電機組振動狀態監測的重點。不同部件采用的特征指標有所不同，如何將包含了齒輪、軸承及齒輪箱中其他振源的振動信號進行分離，對有效提取部件級的特征指標至關重要，值得深入研究。

2) 解決現役風電機組因傳動系統故障導致巨大經濟損失的關鍵是進行風電機組傳動系統早期故障預示，但風電機組傳動系統早期故障樣本數據十分稀缺，需開展風電機組傳動系統早期故障信號收集工作，積累早期故障樣本，為實際應用提供數據支持。

3) 建立統一跨多系統的、跨設備的、基于設備狀態洞察分析的大數據分析平臺，挖掘大數據資源價值，實現基于多源信息融合的大數據預測分析與智能維護將是風電機組健康管理的重要發展趨勢。

[1] Crabtree C J, Feng Y, Tavner P J. Detecting incipient wind turbine gearbox failure: a signal analysis method for on-line condition monitoring[J]. Journal of Organic Chemistry, 2010, 75(18):6122-6140.

[2] Liang M, Faghidi H. Intelligent bearing fault detection by enhanced energy operator[J]. Expert Systems with Applications, 2014, 41(16):7223-7234.

[3] Unal M, Onat M, Demetgul M, et al. Fault diagnosis of rolling bearings using a genetic algorithm optimized neural network[J]. Measurement, 2014, 58:187-196.

[4] Zarei J, Tajeddini M A, Karimi H R. Vibration analysis for bearing fault detection and classification using an intelligent filter[J]. Mechatronics, 2014, 24(2):151-157.

[5] Ruiz-Cárcel C, Hernani-Ros E, Cao Y, et al. Use of spectral kurtosis for improving signal to noise ratio of acoustic emission signal from defective bearings[J]. Journal of Failure Analysis and Prevention, 2014, 14(3):363-371.

[6] Chacon J L F, Kappatos V, Balachandran W, et al. A novel approach for incipient defect detection in rolling bearings using acoustic emission technique[J]. Applied Acoustics, 2015, 89(89):88-100.

[7] Bai Xiuqing, Xiao Hanliang, Zhang Lu. The condition monitoring of large slewing bearing based on oil analysis method[J]. Key Engineering Materials, 2011, 474-476:716-719.

[8] Jiang Xufeng, Liu Fang, Zhao Pengcheng. Gearbox non-ferrous metal bearing wear condition monitoring based on oil analysis[J]. Applied Mechanics & Materials, 2012, 164:73-76.

[9] Pattabiraman T R, Srinivasan K, Malarmohan K. Assessment of sideband energy ratio technique in detection of wind turbine gear defects[J]. Case Studies in Mechanical Systems & Signal Processing, 2015, 2:1-11.

[10]Zappalá D, Tavner P J, Crabtree C J, et al. Sideband algorithm for automatic wind turbine gearbox fault detection and diagnosis[J]. IET Renewable Power Generation, 2014, 8(4):380-389.

[11]Sheng S. Wind turbine gearbox condition monitoring round robin study vibration analysis[J]. Office of Scientific & Technical Information Technical Reports, 2012, 68: 856-860.

[12]賀王鵬, 訾艷陽, 陳彬強,等. 周期稀疏導向超小波在風力發電設備發電機軸承故障診斷中的應用[J]. 機械工程學報, 2016, 52(3):41-48.

He Wangpeng, Zi Yanyang, Chen Binqiang, et al. Periodic sparsity oriented super-wavelet analysis with application to motor bearing fault detection of wind turbine[J]. Journal of Mechanical Engineering, 2016, 52(3):41-48. (in Chinese)

[13]Sun Hailiang, Zi Yanyang, He Zhengjia. Wind turbine fault detection using multiwavelet denoising with the data-driven block threshold[J]. Applied Acoustics, 2014, 77(3):122-129.

[14]孫自強, 陳長征, 谷艷玲,等. 基于混沌和取樣積分技術的大型風電增速箱早期故障診斷[J]. 振動與沖擊, 2013, 32(9):113-117.

Sun Ziqiang, Chen Changzheng,Gu Yanling, et al. Incipient fault diagnosis of large scale wind turbine gearbox based on chaos theory and sampling integral technology[J]. Journal of Vibration & Shock, 2013, 32(9):113-117. (in Chinese)

[15]Wang Jinjiang, Gao Robert X, Yan Ruqiang. Integration of EEMD and ICA for wind turbine gearbox diagnosis[J]. Wind Energy, 2014, 17(5):757-773.

[16]彭進,王維慶,王海云,等.基于EEMD峭度-相關系數準則的多特征量風電機組軸承故障診斷[J].可再生能源,2016,34(10):1481-1490.

Peng Jin, Wang Weiqing, Wang Haiyun, et al. Fault diagnosis method of wind turbine's bearing based on EEMD kurtosis-correlation coefficients criterion and multiple features[J]. Renewable Energy Resources, 2016,34(10):1481-1490. (in Chinese)

[17]Ding Xiaoxi, He Qingbo. Time-frequency manifold sparse reconstruction: a novel method for bearing fault feature extraction[J]. Mechanical Systems & Signal Processing, 2016, 80:392-413.

[18]Wang Shoubin, Sun Xiaogang, Li Chengwei. Wind turbine gearbox fault diagnosis method based on riemannian manifold[J]. Mathematical Problems in Engineering, 2014, 2014(4):1-10.

[19]馬婧華,湯寶平,宋濤.基于自適應本征維數估計流形學習的相空間重構降噪方法[J]. 振動與沖擊，2015，34(11)：30-34.

Ma Jinghua, Tang Baoping, Song Tao. Phase space reconstruction method for vibration signal's noise reduction based on adaptive intrinsic dimension estimation manifold learning[J]. Journal of Vibration & Shock, 2015, 34(11):30-34. (in Chinese)

[20]宋濤, 湯寶平, 鄧蕾,等. 動態增殖流形學習算法在機械故障診斷中的應用[J]. 振動與沖擊, 2014, 33(23):15-19.

Song Tao, Tang Baoping, Deng Lei, et al. A dynamic incremental manifold learning algorithm and its application in fault diagnosis of machineries[J]. Journal of Vibration & Shock, 2014, 33(23):15-19. (in Chinese)

[21]Su Zuqiang, Tang Baoping, Ma Jinghua, et al. Fault diagnosis method based on incremental enhanced supervised locally linear embedding and adaptive nearest neighbor classifier[J]. Measurement, 2014, 48(1):136-148.

[22]Tang Baoping, Song Tao, Li Feng, et al. Fault diagnosis for a wind turbine transmission system based on manifold learning and Shannon wavelet support vector machine[J]. Renewable Energy, 2014, 62(3):1-9.

[23]蘇祖強,湯寶平,劉自然,等. 基于正交半監督局部Fisher判別分析的故障診斷[J]. 機械工程學報, 2014, 50(6):1-7.

Su Zuqiang, Tang Baoping, Liu Ziran, et al. Fault diagnosis based on orthogonal semi-supervised local Fisher discriminant analysis[J]. Journal of Mechanical Engineering, 2014, 50(6):1-7. (in Chinese)

[24]Yang Wenxian, Tavner Peter J, Crabtree Christopher J, et al. Wind turbine condition monitoring: technical and commercial challenges[J]. Wind Energy, 2014, 17(5):673-693.

[25]馬婧華,湯寶平,韓延.風電機組傳動系統網絡化狀態監測與故障診斷系統設計[J]. 重慶大學學報，2015(1)：37-44.

Ma Jinghua, Tang Baoping, Han Yan. Design of networking condition monitoring and fault diagnosis for wind turbine transmission system[J]. Journal of Chongqing University, 2015(1):37-44. (in Chinese)

10.16450/j.cnki.issn.1004-6801.2017.03.001

國家自然科學基金資助項目(51675067,51375514)；重慶市重點產業專項資助項目(cstc2015zdcy-ztzx70012)

2017-02-22；

2017-05-20

TH17

湯寶平，男，1971年9月生，教授、博士生導師。主要研究方向為機電裝備安全服役與壽命預測、測試計量技術及儀器、無線傳感器網絡。曾發表論文150余篇，出版專著1部，獲國家技術發明二等獎1項、國家科技進步二等獎1項。 E-mail:bptang@cqu.edu.cn