復雜工況下大型風電傳動鏈故障診斷方法研究綜述

摘要：【意義】故障診斷技術是保證風電機組運行效率并降低運維成本的關鍵。風電傳動鏈作為風電機組的重要組成部分，了解其基本動力學模型對故障診斷具有重大意義。【分析】通過文獻綜述，詳細介紹了風電傳動鏈關鍵部件——主軸承、齒輪箱、發電機軸承的故障診斷方法。隨著工況更加復雜、運行條件更加惡劣，傳統的故障診斷方法受到限制。因此，復雜工況下風電傳動鏈的故障診斷變得更為重要。結合近5年復雜工況下風電傳動鏈故障診斷的發展，詳細概述了當前復雜工況下大型風電傳動鏈的故障診斷方法，同時探討了風電傳動鏈故障診斷技術未來的主要研究發展方向。

關鍵詞：故障診斷；風電機組；復雜工況；信號處理

中圖分類號：TH174 DOI：10. 16578/j. issn. 1004. 2539. 2025. 04. 021

0 引言

隨著全球經濟的不斷發展，人類對能源的需求也在不斷增長，風能作為一種可再生的綠色能源，在當前和未來的可再生能源中扮演著越來越重要的角色。風力發電在過去的幾十年內得到了快速發展。根據2022年中國風電吊裝容量統計簡報[1]40-56，截至2022年年底，我國累計裝機超過18萬臺，容量突破3. 9億kW，同比增長14. 1%。其中，陸上風電累計裝機容量為3. 6 億kW， 占全部累計裝機容量的92. 3%；海上風電累計裝機容量為3 051萬kW，占全部累計裝機容量的7. 7%。圖1所示為我國2012至2022年風電新增裝機容量和累計裝機容量。

目前，我國的大部分風力發電場都建在一些偏遠地區，如荒漠、高原、山區和東南沿海等地[2]。風電機組受到外部惡劣環境的影響，長時間運行易導致風電傳動鏈發生故障，造成停機；而風力發電機存在部件尺寸大、運輸距離遠、作業資源匱乏、人工成本高等問題，加大了運維難度和成本[3]，且還未考慮維修帶來的停電損失。為降低風力發電機組的故障率，減少風力發電機的運行維修成本，有必要開展風電傳動鏈的故障診斷研究，總結其研究方法和成果，進一步促進該領域研究的發展。

本文首先介紹了大型風電傳動鏈的基本動力學模型；然后，全面闡述了大型風電傳動鏈的3大部件（主軸承、齒輪箱、發電機軸承）的故障診斷方法；接下來，對復雜工況下大型風電傳動鏈目前主流的故障診斷方法進行了詳細介紹；最后，進行歸納總結，指出未來大型風電傳動鏈故障診斷的研究方向。

1 風電傳動鏈基本動力學模型

風電傳動鏈是風力發電機組將機械能轉化為電能的關鍵部件，主要由輪轂、主軸及其支撐軸承、齒輪箱和發電機組成[4]。隨著技術的不斷發展，也出現了無齒輪箱型的風電傳動鏈。無齒輪箱型的風電傳動鏈主要有直驅型和靜液壓型[5]。圖2所示為典型的齒輪箱型的風電傳動鏈[6]34。風電傳動鏈中的齒輪和軸承等組件可能會出現磨損和失效等問題。建立風電傳動鏈的動力學模型，可以幫助識別故障點、分析故障原因，并預測故障的發生，有助于制定有效的維護計劃和措施，避免意外停機、降低維修成本。因此，了解風電機組傳動鏈的基本動力學模型，對風電傳動鏈的故障診斷具有重要意義。

風電傳動鏈動力學模型一般基于牛頓力學原理和運動學方程建立，考慮傳動鏈中各個部件的質量、慣性、摩擦、彈性等因素，用于研究風電傳動鏈在不同工況下的運行特性以及傳動鏈中各個部件之間的相互作用。風電傳動鏈動力學模型包括發電機、齒輪箱、軸承和齒輪等部件[7]。通過對風電傳動鏈動力學模型的分析，可以了解風力發電機組的動態響應特性，提出更有效的故障診斷方法，提高風力發電機組的運行效率和可靠性。

建立風電傳動鏈動力學模型的傳統方法有集中參數法和有限元法。秦大同等[8]采用集中參數法和有限元法建立齒輪傳動系統扭轉動力學模型、考慮非線性因素的永磁同步發電機模型，結合風機運行控制，形成了適用于變速變載工況的風電傳動鏈的機電耦合動力學模型。朱蕓等[9]利用集中參數法并結合齒輪副耦合剛度與軸承剛度建立了齒輪傳動系統一維有限元模型，有效反映了系統特征。LI等[10]采用有限元裝配法和基于氣動彈性松耦合方法，建立動力傳動系統整體耦合分析模型，細致分析比較了葉片重力、風切變、塔影、偏航流入等非轉矩載荷對齒輪的影響。

建立風電傳動鏈動力學模型的現代非傳統方法有多體動力學方法和神經網絡方法。多體動力學方法把風電傳動鏈系統視為多個剛體或彈性體組成的多體系統，考慮它們之間的相互作用和約束關系。WANG 等[11]通過多體系統建模方法建立了動力傳動系統數值模型。張孔亮等[12]將齒輪箱體柔性化，應用剛柔耦合法建立齒輪傳動系統多剛體模型，采用模型仿真，得到了齒輪傳動系統以及箱體表面的動態響應。神經網絡方法通過對大量輸入、輸出數據的學習和訓練，從而建立起系統的非線性映射關系。HAN等[13]提出一種大型風力發電機的徑向基函數神經網絡（Radial Basis Function Neural Network， RBFNN）優化模型預測控制（Model Predictive Control， MPC）方法，將RBFNN與MPC相結合，提高了系統的動態性能。

2 風電傳動鏈主要部件的故障診斷方法

2. 1 基于傳統信號處理的方法

基于傳統信號處理的軸承故障診斷方法通過分析軸承振動信號獲取反映故障特征的信息，從而進行故障診斷。目前常用的振動信號處理方法有頻譜分析、時頻分析等。

2. 1. 1 頻譜分析

頻譜分析通過傅里葉變換或其他變換手段對信號進行時域到頻域的轉換，以獲取信號的頻譜信息。頻譜分析可以用于信號的頻率分析、頻率成分提取等。常見的頻譜分析的方法有能量譜、功率譜、倒頻譜等。郭偉超等[14]提取能量譜作為特征向量，利用主成分分析法對特征向量進行降維并減小噪聲信號的干擾，獲得了增強的軸承故障特征。ZHENG等[15]用自回歸功率譜代替傅里葉分解方法中使用的原始傅里葉譜，提出了一種自適應功率譜傅里葉分解方法。張博等[16]基于倒頻譜可分離信號中的邊頻成分對風電主軸承進行了故障診斷。結果表明，倒頻譜對于識別主軸承各頻率成分的諧波周期和邊頻成分、辨識其故障位置具有較好的效果。MURUGA?NATHAM 等[17] 采用兩種基于奇異譜分析（SingularSpectrum Analysis， SSA）的特征提取方法，分別選取SV數的奇異值（Singular Value， SV）和SV數對應的主成分能量作為故障特征。

2. 1. 2 時頻分析

時頻分析是在時域和頻域上對信號進行聯合分析，以研究信號的時變頻譜特性。常見的方法有短時傅里葉變換（Short-Time Fourier Transform， STFT）、Wigner-Ville分布、經驗模態分解、小波變換、變分模態分解等。

（1） 短時傅里葉變換。STFT將信號分解為不同頻率成分的時域和頻域表示，通過對信號的局部時間窗口應用傅里葉變換來分析信號的頻譜特性。針對具有非平穩性和噪聲干擾的滾動軸承振動信號，李恒等[18]利用STFT提取軸承時頻分布特征，用于構建軸承故障診斷模型。結果表明，軸承時頻分布特征能較好地表征軸承故障信息。余傳糧等[19]利用ST?FT生成的時頻圖能有效地反映信號的時頻特征，提高了齒輪故障診斷的準確率。ZHANG等[20]針對振動信號的STFT，研究了5種典型窗函數的窗型、窗寬和平移重疊寬度，得到了最優窗函數并應用于軸承故障診斷。

（2） Wigner-Ville 分布。Wigner-Ville 分布是通過將信號的自相關函數和傅里葉變換結合在一起得到的，可以提供信號在時域和頻域上的高分辨率表示，用于分析非平穩信號的時頻特性。孫國棟等[21]采用互補集合經驗模態分解方法與Wigner-Ville 分布相結合，生成不同尺度的時頻圖像，可提高圖像的分辨率，增加時頻有效信息。WANG 等[22]利用Wigner-Ville 分布分辨率高、能量聚集和瞬時頻率跟蹤性能好等優點，提出一種抗噪聲Wigner-Ville 譜分析方法，可以提取軸承和齒輪的故障模式。LI等[23]采用奇異值分解改進的Wigner-Ville分布，降低了交叉項的影響，使故障信號在時頻域上的特征更加突出。

（3） 經驗模態分解。經驗模態分解（EmpiricalMode Decomposition， EMD）通過信號的自適應分解，可將復雜的非線性、非平穩時間序列信號分解為多個本征模態函數（Intrinsic Mode Functions， IMF）。EMD應用于信號去噪、特征提取、故障診斷等領域，已經成為許多信號處理方法的基礎。馬新娜等[24]使用EMD對振動信號進行模態分解，然后通過相關系數過濾較大的本征模以進行信號重建，再通過頻譜分析識別軸承的主要故障，最后通過自適應陷阱再次診斷復合故障。ABDELKADER等[25]提出，因振動信號有噪聲干擾，有關故障的信息可能會丟失，便利用EMD 和選擇相關模態的新方法結合優化的閾值，對故障位置進行了早期檢測和定位。江莉等[26]提出了基于信號固有模式深度建模分析的滾動軸承故障診斷方法， 使用改進的可變步長最小均方（Variable Step-size Least Mean Square， VSSLMS）算法和完全自適應經驗模態分解（Complete Ensemble Em?pirical Mode Decomposition with Adaptive Noise， CEEM?DAN）對采集到的軸承故障信號進行濾波過程。雷春麗等[27]采用一種結合峭度、相關系數以及樣本熵的綜合指標P 對EMD產生的分量進行選取重構，突出信號的故障特征信息。谷玉海等[28]針對傳統故障診斷方法準確率低、泛化性差等問題，將EMD與卷積神經網絡相結合，并將采集到的各類滾動軸承數據轉化為特征明顯的二值化圖像。王奉濤等[29]將EMD與堆疊稀疏自動編碼器相結合，減少對故障診斷先驗知識的依賴，簡化了多個特征的篩選與提取過程。陳宗祥等[30]將傳統的EMD方法進行改進，結合雙譜分析，提出一種軸承故障檢測方法，抑制了噪聲信號，有效提取出故障特征信息。GU等[31]提出了將互補集合經驗模態分解與置換熵結合的軸承故障診斷方法，該方法對EMD過程中出現的模態混淆有一定的抑制作用。YU等[32]利用希爾伯特黃變換（Hilbert-Huang Transform， HHT）從振動信號的邊緣譜中選擇出顯著特征。

（4） 小波變換。小波變換利用小波基函數對信號進行分解和重構，提取不同頻率和尺度上的信息。相較于傅里葉變換，小波變換具有多尺度分析的特性，能夠在不同的時間尺度上同時分析信號的特征。因此，小波變換在處理非線性、非平穩信號方面具有顯著優勢。小波變換在軸承故障診斷領域得到了廣泛應用。BODLA等[33]利用正常和故障小波變換的振動數據對軸承狀態進行監測試驗，采用不同的時域和頻域方法從數據中提取最佳特征，對提取的特征進行統計回歸處理，準確率高達87%。欒孝馳等[34]采用峭度值相關系數準則對信號分量進行劃分，再利用小波變換濾除背景噪聲，有效優化了對噪聲濾除的效果。李志農等[35]提出基于同步提取變換（Syn?chronous Extraction Transform， SET）和經驗小波變換的軸承故障診斷方法，在一定程度上解決了因信號瞬時頻率分量距離過小導致SET的結果出現瞬時頻率混疊的問題。閆愛云等[36]結合小波變換能有效地處理非平穩信號和支持向量數據描述（Support VectorData Description， SVDD）構建超球體的方法，實現了僅利用正常數據就能進行良好的故障分類。XU等[37]針對小波變換在邊界分割方面的不足，用插值法計算光譜的上包絡函數和下包絡函數，再將它們的平均值作為光譜的趨勢分量，最后用趨勢分量的最小值作為邊界來分割頻譜。另外，XU等[38]還提出一種基于經驗小波變換的經驗掃描譜峰度（EmpiricalScanning Spectrum Kurtosis， ESSK）方法，該方法能自適應地尋找最合適的中心頻率和帶寬，適用于強噪聲環境下的信號提取。崔朝臣[39]因單一小波變換無法充分分析風電機組發電機軸承復雜故障情況的信號特征，提出一種基于多種小波變換的故障定位方法，能有效對軸承不同部位的故障進行識別。CHEN等[40]提出基于經驗小波變換的風電機組發電機軸承微弱故障及復合故障診斷方法，并通過試驗驗證了所提方法的有效性；將其應用于故障識別，成功實現了風電場中風力發電機軸承的特性化。

除了以上時頻分析方法，變分模態分解（Varia?tional Mode Decomposition， VMD）、循環平穩分析等方法也被廣泛應用于故障診斷。AN等[41]提出一種基于VMD、排列熵和最近鄰算法的軸承故障診斷方法，試驗數據分析表明，該方法能有效識別風力發電機軸承的故障類型。馬天霆等[42]在脈沖激勵響應的基礎上提出一種頻率誘導變分模態分解（Frequency-In?duced Variational Mode Decomposition， FIVMD）方法，并將其應用于齒輪箱故障特征提取。晏云海等[43]則基于循環平穩分析，結合信號分離技術、信號增強技術和能量熵量化評價技術，實現了較強干擾環境下對軸承故障特征的提取。

傳統信號處理的故障診斷方法經過多年的實踐應用，相較于其他故障診斷技術已經相當成熟，然而，其診斷效果易受數據信號信噪比較低的影響。如何提高軸承振動信號數據的信噪比、有效提取故障特征是目前研究的難點。風力發電機運行環境復雜、設備運行狀態多變等因素會導致信號的復雜性和多樣性，需要進一步研究和開發更加高效和準確的信號處理方法。基于傳統信號處理的方法如表1所示。

1） 優點：①經過多年的應用，已經成熟、規范，適用于旋轉設備；②具備各種良好靈敏度的傳感器；③可以直接在現有的設備上實施；④絕大部分的方法可以檢測、定位、診斷故障或損壞。

2） 缺點：①需要將多個傳感器安裝在被監測組件的表面或者內部（增加線路的復雜性）；②傳感器易受環境的影響，導致故障；③傳感器數據信噪比較低；④安裝維護傳感器又會帶來一筆不小的費用，提高了運維成本。

2. 2 基于機器學習的方法

機器學習通過對大量數據的學習和分析，使計算機系統能夠提取數據中的模式和規律，進行預測和分類。目前，應用于軸承故障診斷的機器學習方法有支持向量機（Support Vector Machine， SVM）、隨機森林（Random Forest， RF）、人工神經網絡（ArtificialNeural Network， ANN）、馬爾可夫鏈（Markov Chain，MC）、深度學習（Deep Learning， DL）等。

（1） 支持向量機。支持向量機通過引入核函數，將高維特征空間映射到低維特征間，尋找能夠最大化間隔的最優超平面，從而解決一些線性不可分的分類或回歸問題。GAO等[44]針對風電機組振動信號的非平穩、非線性特點，采用積分可拓負荷均值分解法對預處理的振動信號進行分組，再利用多尺度熵法對分組得到的主要積函數進行處理，最后利用最小二乘支持向量機進行訓練和分類。INSUASTY等[45]提出利用一類支持向量機算法的異常檢測方法， 實現了僅需基于健康數據采集與監視控制（Supervisory Control And Data Acquisition， SCADA）數據的主軸承故障預測。WANG 等[46]提出了基于馬哈拉諾比斯半監督映射和甲蟲天線搜索的支持向量機方法，用于風力發電機滾動軸承故障診斷，能夠有效、準確地識別風電機組滾動軸承的不同狀態，識別準確率高達100%。

（2） 隨機森林。隨機森林通過構建多個決策樹進行分類、回歸和異常檢測等任務。將隨機森林應用于軸承故障診斷，可以提高故障診斷的準確性和效率。彭成等[47]采用離散小變換處理信號，得到5層小波近似系數，再利用Sigmoid熵構造出n 維特征向量，最后結合隨機森林進行故障診斷。WU等[48]利用多尺度幅值感知排列熵對振動信號進行分解，再利用故障特征集構建隨機森林多分類器，實現了對滾動軸承的故障診斷。張西寧等[49]使用多維縮放方法對特征選擇后的故障特征集進行降維，再結合隨機森林對降維后的故障特征進行診斷，提高了軸承故障診斷的準確性。饒雷等[50]結合機理分析和數據驅動，提出基于隨機森林的海上風電機組發電機軸承異常狀態監測方法，先通過機理分析選取變量、清洗數據和標定樣本狀態，然后通過數據驅動的方法對海上風電機組發電機軸承的狀態進行預測。

（3） 人工神經網絡。人工神經網絡通過學習大量的故障樣本特征，建立樣本特征到分類標簽的映射模型， 用于識別和分類不同類型的軸承故障。BERETTA等[51]開發、實施和驗證一種基于人工神經網絡和隔離森林集成的風電機組主軸承故障預測方法，即使無以往所研究的故障數據，也可以應用于任何小波變換。ZHANG等[52]基于現有的SCADA數據，建立正常行為的人工神經網絡模型，并計算了參數理論值與實際值的差值，可識別主軸承早期階段的故障。ZHANG[53]還提出一種基于人工神經網絡和現有SCADA數據的風力發電機部件故障預測和自動預警報警方法，能夠成功預測風力發電機部件的故障，并在故障發生前及時發出警告、進行報警。劉杰等[54]為提高發電機主軸承溫度預測的準確性，提出一種基于長短期記憶（Long Short-Term Memory， LSTM）神經網絡的時間序列預測模型的預測方法，實現了對風電機組發電機主軸承溫度的準確預測，為進一步對發電機軸承故障檢測和預警提供了參考依據。針對人工提取齒輪箱故障特征易引入人為誤差和淺層神經網絡提取特征困難的問題，徐碩等[55]以深度殘差神經網絡為主要框架，引入選擇性內核和全局上下文網絡結構，提出了一種基于改進殘差神經網絡的故障診斷方法。

（4） 馬爾可夫鏈。馬爾可夫鏈是由一組狀態和狀態間的轉移概率組成的數學模型。基于建立的馬爾可夫鏈模型，可以利用當前的狀態信息，通過馬爾可夫鏈的狀態轉移概率，推斷出風電機組可能的故障模式和故障原因。SHIN等[56]提出一種使用隱馬爾可夫模型（Hidden Markov Model， HMM）的故障檢測算法，可識別風力發電機的機械部件是否行為異常，并通過試驗證明所提出的 HMM 算法利用長期信號實現了大于95% 的檢測成功率。ZHAO 等[57] 針對HMM在故障診斷的準確性和靈敏度上的不足，采用模糊標量量化減少異常值影響，提高了HMM在軸承故障診斷的效果。龍舟等[58]以HMM為基礎，再利用EMD進行信號分解，建立了軸承故障狀態識別模型。

（5） 深度學習。深度學習通過多層神經網絡來學習和提取數據中的深層次特征和潛在模式。與傳統的機器學習方法相比，深度學習能自主學習數據中的多層次特征，提高模型的泛化性能和預測能力，更好地適應復雜多變的故障診斷場景[59]。在強烈背景噪聲環境下，主軸承局部故障所引發的振動沖擊容易受到干擾，為解決這一問題，黃祥聲等[60]提出一種基于奇異值分解包（Singular Value DecompositionPacket， SVDP）基尼指數圖和自適應解卷積的主軸承故障診斷方法，可提取強背景噪聲環境下的微弱故障特征。ZHAO 等[61] 利用一種基于深度自編碼器（Deep Auto-Encoder， DAE）網絡的深度學習方法，實現了故障部件的早期預警，且可以利用DAE殘差推斷出故障部件的物理位置。JAMIL等[62]提出一種深度遷移學習的方法，當將故障檢測知識從源機器傳輸到目標機器時，可以防止深度學習模型中的負遷移。

基于機器學習的故障診斷方法的主要思路是先進行數據的預處理，再提取數據中的特征信息，然后設計分類器，最后實現故障診斷。然而，通常情況下獲得的數據是非平穩的，且往往摻雜著大量的噪聲干擾。盡管已經進行了初步的數據處理，但在處理后的信號中，噪聲成分仍然顯著存在，這對實現有效故障診斷構成了重大挑戰。因此，亟須研發和應用更為先進的信號處理技術來對采集到的數據進行深度降噪和解析，以提升故障特征提取的精度和可靠性[63]。同時，傳統的機器學習方法在人工特征提取階段高度依賴于專業人員的知識水平和經驗。特征提取的質量決定了分類性能的優劣，這意味著進行有效特征提取的前提是具備深厚的專業知識背景。這一要求無疑大幅度提高了故障診斷的成本投入。此外，當面對未曾出現過的數據或者數據分布發生變化時，已訓練的模型診斷精度可能會下降，進而需要重新進行模型訓練[64]。基于機器學習的方法的優缺點如表2所示。

2. 3 基于知識驅動的方法

基于知識驅動的故障診斷方法通過累積有效的經驗和專門知識，建立知識庫；然后，通過對設備狀態的持續觀測，利用分類器對觀測數據進行檢查，以確定設備運行狀態與知識庫中數據的匹配程度。通過這種匹配性判斷，可以確定設備是否發生了故障。目前，基于知識驅動的方法主要有專家系統、故障樹分析、符號有向圖（Signed Directed Graph，SDG）、模糊邏輯等[65-68]。

（1） 專家系統。專家系統可以模擬專家的知識和經驗，通過推理和判斷來解決特定領域的問題。簡單地說，專家系統就是一個知識處理系統，是一個獲得知識并運用知識的過程[69]。BERREDJM等[70]將模糊專家系統（Fuzzy Expert System， FES）應用于軸承局部故障診斷和分布式故障診斷，采用改進距離重疊（ImprovedRange Overlap， IRO）方法，克服了相似度度量方法構建FES的缺點，有效提高了分類器的分類精度。

（2） 故障樹分析。故障樹分析將故障事件及其可能的原因組織成一個樹狀結構，可直觀地表示出事件之間的邏輯和因果關系[71]。GARCíA等[72]通過故障樹和二元決策圖對風電機組的機械部件和電子元件進行可靠性動態分析，為制定中長期維護策略提供依據。陶勇劍等[73]采用一種折中的組成單元故障診斷排序法生成診斷決策樹，彌補了僅以組成單元的診斷重要度確定最小割集診斷順序的不足。

（3） 符號有向圖。符號有向圖是描述復雜系統的有效方式，通過符號和箭頭表示節點和邊，展現節點關系和信息流動。符號有向圖有助于理解和分析系統結構和行為，為建模和決策提供基礎[74]。針對傳統的風力發電機組故障診斷方法診斷耗時長、診斷過程復雜等缺點，劉友寬等[75]研究風力發電機各部件的物理連接、故障傳播關系以及相互作用的機制，建立故障診斷SDG模型，并通過關聯算法對故障部件排序，提高了故障診斷的精度和效率。

（4） 模糊邏輯。模糊邏輯通過引入模糊集合和模糊推理的概念，能夠在不犧牲理解和解釋能力的情況下處理復雜和不確定的問題[76]。錢小毅等[77]針對傳統風電機組故障識別方法精度難以保證且缺乏可解釋性的問題，提出一種風電機組故障識別與解釋性分析方案。該方案通過多種群量子進化和模糊規則提升診斷精度，并利用近鄰規則競爭生成可解釋的故障特征排序，提供了可靠的故障解釋性結果。ZHOU等[78]利用模糊分類方法處理有限數據標簽的齒輪故障診斷，有效地處理了未見故障情況并實現高準確度的分類。

除了上述方法，面對新手維護人員存在診斷知識缺乏、診斷效率低的問題，為滿足風電機組故障診斷的需求，ZHOU等[79]提出了一種基于本體和失效模式、影響和臨界性分析的智能故障診斷方法，建立深度知識和淺層知識相結合的知識庫，為診斷決策提供了更好的支持。然而，基于知識驅動的方法存在一定局限性。首先，它不具備自學習的能力，需要大量專業知識的積累；其次，當故障模式的數量增加時，診斷模型的大小將會呈指數增長，導致計算成本高昂。因此，基于知識驅動的方法尚未被廣泛應用于實際故障診斷中。基于知識驅動的方法的優缺點如表3所示。

不同于其他部位的軸承，發電機軸承有獨特的故障誘發因素，因軸電壓和軸電流導致的軸承失效即電蝕效應該得到足夠的重視[80]。電蝕效應是當軸承上油膜被擊穿在滾道上產生軸電流后，軸承滾道上產生的電化學腐蝕[81]。近年來，風力發電機的單機容量在不斷增加，2018年，全球主要風機廠商的設計能力在5 M～6 MW 徘徊[82]，而到2023 年，三一重能發布了全球陸上最大的15 MW 風電機組WSI-270150，金風科技推出了GWH252-16. 5MW，東方風電推出了DEW-18000/18MW，明陽智能發布了全球最大的海上機型MySE22MW，遠景能源推出EN-270/14MW。發電機軸承承受更高的電流和電壓，增大了發電機軸承電蝕的風險。發電機軸承有獨特的故障原因，那么，針對性地設計故障診斷的方法，應當會比應用普遍的軸承故障診斷方法取得更好的效果。CHEN等[83]提出了一種基于電氣信號分析的風電機組軸承故障監測技術，具有高精度和低成本的優點。

2. 4 基于模型的故障診斷方法

基于模型的故障診斷方法通過建立部件的動力學模型，根據模型參數的變化，實現故障的檢測。孫娟[84]建立風力發電機齒輪箱傳動系統模型，從系統的角度進行故障物理機制分析，發掘了齒輪箱不同故障模式下的故障特征。為消除應用過程中獲取足夠標記故障樣本的困難，LI等[85]通過建立改進的行星齒輪系集總參數動力學模型來模擬產生的振動信號，對行星輪系的振動信號進行仿真，并考慮信號的傳遞路徑，對振動響應進行了分析。丁顯等[86]將維納過程（布朗運動過程）引入粒子濾波狀態空間模型，充分利用其隨機增量性質，增強了模型的非線性表達能力，提高了故障預測的準確性。

基于模型的故障診斷需要充分了解系統運行機理，建立合適的數學模型，才能達到想要的故障診斷效果。然而，風電機組結構復雜，屬于典型的非線性動態系統，難以建立準確的系統機理模型。因此，這種方法在風電機組故障診斷中應用較少。

3 面向復雜工況下風電傳動鏈的故障診斷方法

復雜工況是指風電傳動鏈在運行過程中，受多種不確定因素和復雜環境的影響，其傳動系統工作狀態和性能出現多變、多樣、多因素綜合作用的情況。在復雜工況下，風電傳動鏈的故障率和故障原因增加，部件的振動信號會出現數據不平衡、數據有限、非平穩性、頻率模糊等問題，僅依靠單一技術的特征提取無法很好地解決以上問題。目前，專家學者提出的關于復雜工況下的故障診斷方法主要有信號分析處理、深度學習和遷移學習[88]27。

3. 1 角域信號分析處理

階次跟蹤是一種基于信號分析處理的故障診斷方法，被廣泛應用于解決變轉速的問題[88]27。階次跟蹤法的基本原理是將振動信號中的階次頻率分離出來，通過對信號進行頻譜分析，將信號分解成不同階次的成分，然后對每個階次的振動進行分析[89]。LI等[90]基于信號稀疏分解理論和階次跟蹤技術，提出了一種時變轉速條件下齒輪箱復合故障診斷的非平穩振動信號處理方法，關鍵步驟在于角域的準穩態分量分離和時域的沖擊共振分量提取。郭俊[91]研究了從發電機電流和軸承振動信號中估計轉速的方法，然后再進行階次分析，實現了變轉速工況下的風機軸承的故障診斷和模式識別。該方法適用于永磁直驅式風力發電機在變轉速工況下的故障診斷。萬書亭等[92]基于VMD和SET，提出一種無轉速計階次跟蹤方法，優化了軸承故障特征提取效果。崔誠等[93]采用基于SET局部的能量極大值法對發電機軸承的振動信號進行轉頻提取，隨后基于沃德卡曼濾波對瞬時頻率進行精確提取，提出一種瞬時頻率估計與階次分析相結合的故障診斷方法，為無轉速計的階次分析提供了新方法。無轉速計的階次跟蹤方法不需要速度信息作為輸入，擺脫了硬件限制，但是對信號質量要求較高。可考慮將階次跟蹤法與機器學習算法相結合，通過學習數據特征和模式識別來提高故障診斷的準確性。

3. 2 針對不平衡強噪聲數據的深度學習

近年來，基于深度學習的故障診斷取得了很大的成功。然而，大多數此類方法一定程度上都依賴于大量標記數據，在復雜工況下往往需要用有限的數據訓練出一個具有魯棒性的故障診斷模型。LI等[94]根據元學習協議隨機采樣，形成元學習故障診斷的任務，通過優化初始化參數獲取先驗知識，并利用學習到的知識實現了未知工況下快速準確的小樣本軸承故障診斷。李炳達[95]設計不同深度的神經網絡以實現在復雜工況下的軸承故障診斷，在軸承故障分類、噪聲場景下的軸承故障診斷、軸承在變工況下缺少標簽數據3個方面實現了復雜工況下的故障診斷。XU等[96]將動態模型與深度學習相結合，提出了一種新工況下無故障數據的軸承故障診斷方法。王連云[97]利用深度學習技術，針對復雜工況下滾動軸承故障診斷中的3個問題（有標簽樣本下故障診斷模型的抗噪聲和負載遷移性能差、無標簽樣本下故障診斷模型的抗噪聲和負載遷移性能差、樣本類別不平衡條件下如何進行故障診斷），分別進行了深入研究。

金國強[98]利用深度學習技術，在高噪聲、不同工況等復雜背景下，實現了端到端的軸承故障診斷。從利用局部稀疏結構優化網絡、解決高噪聲下的軸承故障診斷精度、采用知識遷移提高不同工況的軸承診斷性能3方面展開研究，并采用網絡可視化方法展示了所提出神經網絡的工作原理。王廣書[99]基于振動信號數據，將信號處理技術和深度學習技術相結合，對復雜工況下風電機組齒輪箱關鍵零部件故障診斷方法進行研究；針對故障特征間相互混疊干擾的問題、模型計算復雜的問題、變工況下模型特征提取尺度單一和泛化性與抗噪性能差的問題，給出相應的解決方法。WANG等[100]針對復雜工況下行星齒輪箱變速變載的工作條件、故障數據的嚴重不平衡和分布差異等問題，提出一種自適應歸一化卷積神經網絡（Adaptive Normalized Convolutional NeuralNetwork， ANCNN），在考慮復雜變工況和數據不平衡的情況下，能準確、自動地診斷行星齒輪箱的不同故障位置和嚴重程度；試驗結果顯示診斷準確率達99. 8%以上，并且具有較好的魯棒性和穩定性。

3. 3 單一工況到復雜工況的遷移學習

遷移學習（Transfer Learning， TL）是將已經學習到的知識或經驗應用到新的任務或領域中。傳統的故障診斷方法通常是從零開始訓練模型，而遷移學習則利用已有的模型在新任務上進行初始化或調整，以提高學習效果和泛化能力。

利用遷移學習的特性可以有效地完成從單一工況到復雜工況的故障診斷，尤其是在目標域缺乏標簽數據的情況下[101]。李東東等[102]研究設計了適用于風電機組齒輪箱在變工況下的故障診斷方法，將診斷模型推廣到未知轉速的故障診斷。LIU等[103]提出一種基于條件變分生成對抗網絡的遷移學習方法，采用頻譜作為模型信號，可以生成其他工況的缺失數據，從而提高分類精度，解決了變工況數據的分類問題。針對軸承故障在跨工況遷移診斷時，域不變特征難以提取的問題，包從望等[104]提出一種基于無參數注意力機制的軸承故障遷移診斷模型，利用自適應批量歸一化和改進的激活函數，有效提取了跨工況域下的域不變特征。WAN等[105]利用基于遷移學習的稀疏自編碼器，將單一工況下學習到的知識遷移到復雜工況中，試驗證明，該方法在復雜工況下是有效的，并且發現遷移學習對多工況和未知工況都有積極的影響。

4 結論與展望

隨著風力發電技術的廣泛應用，風電機組的工作環境變得愈加復雜，長期處于高轉速、負載大、極端溫度等復雜工況下，大型風電傳動鏈中的軸承和齒輪箱等部件極易發生故障。針對這一問題，并結合近5年的文獻，對大型風電傳動鏈故障診斷方法進行了研究。綜述了大型風電傳動鏈的基本動力學模型、主要部件的故障診斷以及復雜工況下風電傳動鏈的故障診斷方法；并針對現有大型風電傳動鏈故障診斷中存在的問題，提出以下研究要點及趨勢：

1） 智能傳感網絡。數據采集是任何狀態監測和故障診斷中必不可少的一步。風力發電機所處環境惡劣、噪聲大，開發高信噪比、壽命長的傳感器，可在風機狀態監測和運維方面發揮重要作用。智能傳感器技術在大型風電場的遠程實時數據采集和傳輸方面有顯著優勢，可能會是風電在線故障診斷系統的重要發展方向。

2） 復合故障診斷。風電傳動鏈是一個復雜的系統，由多個部件組成，包括主軸承、齒輪箱、發電機等。風電傳動鏈的故障具有并發性和繼發性，1個部件的故障可能會導致其他部件的故障，多故障共存成為常態。目前的故障診斷方法大多針對的是單一故障，針對風電傳動鏈復合故障診斷的研究還很少。風電傳動鏈復合故障診斷技術的研究可能是今后的研究熱點之一。

3） 多源信息融合。從目前的研究現狀可知，不同的信號處理方法有各自的優勢與局限。如何結合各種信號處理方法的優點，克服每種方法單獨帶來的挑戰，實現多源、多尺度、多參數的信息融合故障診斷技術，將會是未來的研究方向之一。

4） 遠程實時監測。與陸上風能相比，海上風能資源更為豐富，且風質量更加穩定。隨著風力發電技術的不斷成熟，歐洲風電強國如英國、法國、德國、荷蘭等已經制定了相應的海上風電發展規劃。然而，海上風力發電面臨著更為復雜和嚴峻的環境挑戰，易導致風電機組故障率增加。為了提高風電運維的可靠性和可用性、降低運維成本，采用遠程實時狀態監測和故障診斷技術至關重要。這些技術的應用將有助于及時發現和解決故障，確保風電系統的穩定運行，為海上風力發電的可持續發展提供有力支持。

5） 數模融合診斷。目前的大部分故障診斷方法都是基于數據驅動，因為基于數據驅動的方法不依賴于對系統模型的深入理解，可以應用在各種復雜的非線性系統，但是其可解釋性較差，難以揭示系統內在的故障機制。對要深入理解故障本質的應用場景來說，可能會限制數據驅動方法的應用。因此，基于數模融合的故障診斷方法可能會是大型風電傳動鏈的重要研究方向。

參考文獻

［1］ 中國可再生能源學會風能專業委員會. 2022 年中國風電吊裝容

量統計簡報［J］. 風能，2023（4）：40-56.

Wind Energy Professional Committee of China Renewable Energy

Society. Statistical brief report on wind power hoisting capacity in

China in 2022［J］. Wind Energy，2023（4）：40-56.

［2］ 葉凱. 風電機組傳動鏈發電機軸承故障診斷方法研究［D］. 淄

博：山東理工大學，2022：1-5.

YE Kai. Research on fault diagnosis for generator bearing of wind

turbine drive chain［D］. Zibo：Shandong University of Technology，

2022：1-5.

［3］ 李德尚玉，陳斯達. 實現碳中和目標2050 年風電裝機要超30 億

千瓦［N］. 21 世紀經濟報道，2023-06-15（8）：1-3.

LI Deshangyu，CHEN Sida. Achieving carbon neutrality goal：over

300 million kilowatts of wind power installed capacity by 2050

［N］. 21st Century Business Herald，2023-06-15（8）：1-3.

［4］ 白聰兒，孫哲杰，秦美娟，等. 風電機組傳動鏈動力響應特性與支

撐系統影響［J］. 浙江大學學報（工學版），2023，57（6）：1165-

1174.

BAI Cong’er，SUN Zhejie，QIN Meijuan，et al. Dynamic response

characteristics of wind turbine drivetrain and influence of support

system［J］. Journal of Zhejiang University （Engineering Science），

2023，57（6）：1165-1174.

［5］ TAHERIAN-FARD E，SAHEBI R，NIKNAM T，et al. Wind turbine

drivetrain technologies［J］. IEEE Transactions on Industry Applications，

2020，56（2）：1729-1741.

［6］ 廖明夫. 風力發電技術［M］. 西安：西北工業大學出版社，

2009：34.

LIAO Mingfu. Wind power generation technology［M］. Xi an：

Northwestern Polytechnical University Press，2009：34.

［7］ 尹堯杰. 大型雙饋風電機組傳動鏈動力學特性研究［D］. 西安：

西北工業大學，2018：8-15.

YIN Yaojie. Research on dynamics characteristics of large doublyfed

wind turbine transmission chain［D］. Xian：Northwestern Polytechnical

University，2018：8-15.

［8］ 秦大同，呂雪慧，陳銳博，等. 運行工況下風電傳動系統機電耦合

建模及其動態特性分析［J］. 中國機械工程，2022，33（3）：

253-260.

QIN Datong，Lü Xuehui，CHEN Ruibo，et al. Modeling and dynamic

characteristic analysis of electromechanical coupling in

wind power transmission system under operating conditions［J］.

China Mechanical Engineering，2022，33（3）：253-260.

［9］ 朱蕓，尤強強. 齒輪傳動系統建模與動態響應特性分析［J］. 機械

傳動，2018，42（10）：154-159.

ZHU Yun，YOU Qiangqiang. Modeling and dynamic response

characteristic analysis of gear transmission system［J］. Journal of

Mechanical Transmission，2018，42（10）：154-159.

［10］ LI Z W，WEN B R，PENG Z K，et al. Dynamic modeling and analysis

of wind turbine drivetrain considering the effects of nontorque

loads［J］. Applied Mathematical Modelling，2020，83：

146-168.

［11］ WANG S S，NEJAD A R，MOAN T. On design，modelling，and

analysis of a 10‐ MW medium ‐ speed drivetrain for offshore wind

turbines［J］. Wind Energy，2020，23（4）：1099-1117.

［12］ 張孔亮，肖正明，張圓東，等. 基于剛柔耦合建模的齒輪箱動力學

仿真與實驗研究［J］. 振動與沖擊，2020，39（7）：108-115.

ZHANG Kongliang，XIAO Zhengming，ZHANG Yuandong，et al.

Simulation and experimental research on dynamics of gearboxes

based on rigid-flexible coupling modeling［J］. Journal of Vibration

and Shock，2020，39（7）：108-115.

［13］ HAN B，KONG X F，ZHANG Z W，et al. Neural network model

predictive control optimisation for large wind turbines［J］. IET

Generation，Transmission amp; Distribution，2017，11（14）：3491-

3498.

［14］ 郭偉超，趙懷山，李成，等. 基于小波包能量譜與主成分分析的軸

承故障特征增強診斷方法［J］. 兵工學報，2019，40（11）：2370-

2377.

GUO Weichao，ZHAO Huaishan，LI Cheng，et al. Fault feature enhancement

diagnosis method for rolling bearing based on wavelet

packet energy spectrum and principal component analysis［J］. Acta

Armamentarii，2019，40（11）：2370-2377.

［15］ ZHENG J D，HUANG S Q，PAN H Y，et al. Adaptive power spectrum

fourier decomposition method with application in fault diagnosis

for rolling bearing［J］. Measurement，2021，183：109837.

［16］ 張博，程珩. 倒頻譜在直驅風機主軸軸承故障診斷中的應用［J］.

機械設計與制造，2014（7）：265-267.

ZHANG Bo，CHENG Heng. Application of inverse frequency

spectrum in fault diagnosis of main shaft bearing of direct drive

wind turbine［J］. Machinery Design ＆ Manufacture，2014（7）：

265-267.

［17］ MURUGANATHAM B，SANJITH M A，KRISHNAK-UMAR B，

et al. Roller element bearing fault diagnosis using singular spectrum

analysis［J］. Mechanical Systems and Signal Processing，

2013，35（1/2）：150-166.

［18］ 李恒，張氫，秦仙蓉，等. 基于短時傅里葉變換和卷積神經網絡的

軸承故障診斷方法［J］. 振動與沖擊，2018，37（19）：124-131.

LI Heng，ZHANG Qing，QIN Xianrong，et al. Bearing fault diagnosis

method based on short-time Fourier transform and convolutional

neural network［J］. Journal of Vibration and Shock，2018，37

（19）：124-131.

［19］ 余傳糧，梁睿君，冉文豐，等. 基于STFT和CNN的齒輪箱故障診

斷［J］. 機械制造與自動化，2022，51（3）：152-154.

YU Chuanliang，LIANG Ruijun，RAN Wenfeng，et al. Fault diagnosis

of gearbox based on STFT and CNN［J］. Machine Building

amp; Automation，2022，51（3）：152-154.

［20］ ZHANG Q，DENG L F. An intelligent fault diagnosis method of

rolling bearings based on short-time Fourier transform and convolutional

neural network［J］. Journal of Failure Analysis and Prevention，

2023，23（2）：795-811.

［21］ 孫國棟，王俊豪，徐昀，等. CEEMD-WVD多尺度時頻圖像的滾

動軸承故障診斷［J］. 機械科學與技術，2020，39（5）：688-694.

SUN Guodong，WANG Junhao，XU Yun，et al. Rolling bearing

fault diagnosis based on multi-scale time-frequency images of

CEEMD-WVD［J］. Mechanical Science and Technology for Aerospace

Engineering，2020，39（5）：688-694.

［22］ WANG H C，DU W L. A noise-resistant Wigner-Ville spectrum

analysis method based on cyclostationarity and its application in

fault diagnosis of rotating［J］. Journal of Vibroengineering，2020，

22（3）：566-577.

［23］ LI H，ZHANG Q，QIN X R，et al. K-SVD-based WVD enhance‐

ment algorithm for planetary gearbox fault diagnosis under a CNN

framework［J］. Measurement Science and Technology，2020，31

（2）：025003.

［24］ 馬新娜，楊紹普. 滾動軸承復合故障診斷的自適應方法研究［J］.

振動與沖擊，2016，35（10）：145-150.

MA Xinna，YANG Shaopu. Research on adaptive method for rolling

bearing composite fault diagnosis［J］. Journal of Vibration and

Shock，2016，35（10）：145-150.

［25］ ABDELKADER R，KADDOUR A，DEROUICHE Z. Enhancement

of rolling bearing fault diagnosis based on improvement of

empirical mode decomposition denoising method［J］. The International

Journal of Advanced Manufacturing Technology，2018，97

（5）：3099-3117.

［26］ 江莉，向世召. 基于CEEMDAN-VSSLMS 的滾動軸承故障診斷

［J］. 計算機集成制造系統，2024，30（3）：1138-1148.

JIANG Li，XIANG Shizhao. Fault diagnosis of rolling bearings

based on CEEMDAN-VSSLMS［J］. Computer Integrated Manufacturing

Systems，2024，30（3）：1138-1148.

［27］ 雷春麗，焦孟萱，樊高峰，等. 基于SSA-IWT-EMD的滾動軸承故

障診斷方法［J/OL］. 北京航空航天大學學報： 1-19.https：//doi.

org/10.13700/j.bh.1001-5965.2023.0174.

LEI Chunli，JIAO Mengxuan，FAN Gaofeng，et al. Fault diagnosis

method for rolling bearings based on SSA-IWT-EMD［J/OL］. Journal

of Beijing University of Aeronautics and Astronautics： 1-19.

https：//doi.org/10.13700/j.bh.1001-5965.2023.0174.

［28］ 谷玉海，朱騰騰，饒文軍，等. 基于EMD二值化圖像和CNN的滾

動軸承故障診斷［J］. 振動. 測試與診斷，2021，41（1）：105-113.

GU Yuhai，ZHU Tengteng，RAO Wenjun，et al. Fault diagnosis of

rolling bearings based on EMD binary image and CNN［J］. Journal

of Vibration，Measurement amp; Diagnosis，2021，41（1）：105-113.

［29］ 王奉濤，鄧剛，王洪濤，等. 基于EMD 和SSAE 的滾動軸承故障

診斷方法［J］. 振動工程學報，2019，32（2）：368-376.

WANG Fengtao，DENG Gang，WANG Hongtao，et al. Fault diagnosis

method for rolling bearings based on EMD and SSAE［J］.

Journal of Vibration Engineering，2019，32（2）：368-376.

［30］ 陳宗祥，陳明星，焦民勝，等. 基于改進EMD和雙譜分析的電機

軸承故障診斷實現［J］. 電機與控制學報，2018，22（5）：78-83.

CHEN Zongxiang，CHEN Mingxing，JIAO Minsheng，et al. Implementation

of motor bearing fault diagnosis based on enhanced

EMD and bispectral analysis［J］. Electric Machines and Control，

2018，22（5）：78-83.

［31］ GU J，PENG Y X. An improved complementary ensemble empirical

mode decomposition method and its application in rolling bearing

fault diagnosis［J］. Digital Signal Processing，2021，113：

103050.

［32］ YU X，DING E J，CHEN C X，et al. A novel characteristic frequency

bands extraction method for automatic bearing fault diagnosis

based on Hilbert Huang transform［J］. Sensors，2015，15（11）：

27869-27893.

［33］ BODLA M K，MALIK S M，RASHEED M T，et al. Logistic regression

and feature extraction based fault diagnosis of main bearing

of wind turbines［C］// 2016 IEEE 11th Conference on Industrial

Electronics and Applications（ICIEA）.Hefei，China：IEEE，2016：

1628-1633.

［34］ 欒孝馳，李彥徵，徐石，等. 基于小波包變換與CEEMDAN 的滾

動軸承故障診斷方法［J］. 航空動力學報，2024，39（5）：1-16.

LUAN Xiaochi，LI Yanzheng，XU Shi，et al. Fault diagnosis method

for rolling bearing based on wavelet packet transform and

CEEMDAN［J］. Journal of Aerospace Power，2024，39（5）：1-16.

［35］ 李志農，劉躍凡，胡志峰，等. 經驗小波變換-同步提取及其在滾

動軸承故障診斷中的應用［J］. 振動工程學報，2021，34（6）：

1284-1292.

LI Zhinong，LIU Yuefan，HU Zhifeng，et al. Application of empirical

wavelet transform-synchronous extraction in rolling bearing

fault diagnosis［J］. Journal of Vibration Engineering，2021，34（6）：

1284-1292.

［36］ 閆愛云，趙宇航，孫向伯，等. 基于小波變換和SVDD的軸承故障

診斷算法研究［J］. 信息系統工程，2021（10）：135-136.

YAN Aiyun，ZHAO Yuhang，SUN Xiangbo，et al. Research on

bearing fault diagnosis algorithm based on wavelet transform and

SVDD［J］. China CIO News，2021（10）：135-136.

［37］ XU Y G，DENG Y J，ZHAO J Y，et al. A novel rolling bearing fault

diagnosis method based on empirical wavelet transform and spectral

trend［J］. IEEE Transactions on Instrumentation and Measurement，

2020，69（6）：2891-2904.

［38］ XU Y G，TIAN W K，ZHANG K，et al. Application of an enhanced

fast kurtogram based on empirical wavelet transform for bearing

fault diagnosis［J］. Measurement Science and Technology，2019，30

（3）：035001.

［39］ 崔朝臣. 風電機組發電機軸承故障診斷方法研究［D］. 天津：中

國民航大學，2020：45-59.

CUI Chaochen. Research on fault diagnosis method of wind turbine

generator bearing［D］. Tianjin：Civil Aviation University of

China，2020：45-59.

［40］ CHEN J L，PAN J，LI Z P，et al. Generator bearing fault diagnosis

for wind turbine via empirical wavelet transform using measured

vibration signals［J］. Renewable Energy，2016，89：80-92.

［41］ AN X L，PAN L P. Bearing fault diagnosis of a wind turbine based

on variational mode decomposition and permutation entropy［J］.

Proceedings of the Institution of Mechanical Engineers，Part O：

Journal of Risk and Reliability，2017，231（2）：200-206.

［42］ 馬天霆，孫振波，鄧艾東，等. 基于頻率誘導變分模態分解的齒輪

箱故障診斷［J］. 東南大學學報（自然科學版），2023，53（4）：

702-708.

MA Tianting，SUN Zhenbo，DENG Aidong，et al. Fault diagnosis

of gearbox based on frequency-induced variational mode decomposition

［J］. Journal of Southeast University（Natural Science Edition），

2023，53（4）：702-708.

［43］ 晏云海，郭瑜，伍星. 基于循環譜分析的魯棒性滾動軸承故障特

征提取方法［J］. 振動與沖擊，2022，41（6）：1-7.

YAN Yunhai，GUO Yu，WU Xing. Robust rolling bearing fault feature

extraction method based on cyclic spectrum analysis［J］. Journal

of Vibration and Shock，2022，41（6）：1-7.

［44］ GAO Q W，LIU W Y，TANG B P，et al. A novel wind turbine fault

diagnosis method based on intergral extension load mean decomposition

multiscale entropy and least squares support vector machine

［J］. Renewable Energy，2018，116：169-175.

［45］ INSUASTY A，TUTIVéN GáLVEZ C，VIDAL SEGúI Y. SCADA

data-driven wind turbine main bearing fault prognosis based

on one-class support vector machines［J］. Renewable Energy and

Power Quality Journal，2021，19：338-343.

［46］ WANG Z Y，YAO L G，CAI Y W，et al. Mahalanobis semi-supervised

mapping and beetle antennae search based support vector machine

for wind turbine rolling bearings fault diagnosis［J］. Renewable

Energy，2020，155：1312-1327.

［47］ 彭成，王松松，賀婧，等. 基于離散小波變換和隨機森林的軸承故

障診斷研究［J］. 計算機應用研究，2021，38（1）：101-105.

PENG Cheng，WANG Songsong，HE Jing，et al. Research on bearing

fault diagnosis based on discrete wavelet transform and random

forest［J］. Application Research of Computers，2021，38（1）：

101-105.

［48］ WU H B，CHEN Y S，ZHANG T H，et al. Rolling bearing fault diagnosis

by improved multiscale amplitude-aware permutation entropy

and random forest［J］. Optics and Precision Engineering，

2020，28（3）：621-631.

［49］ 張西寧，張雯雯，周融通，等. 基于多維縮放和隨機森林的軸承故

障診斷方法［J］. 西安交通大學學報，2019，53（8）：1-7.

ZHANG Xining，ZHANG Wenwen，ZHOU Rongtong，et al. A

bearing fault diagnosis method based on multiple dimensional scaling

and random forest［J］. Journal of Xi’an Jiaotong University，

2019，53（8）：1-7.

［50］ 饒雷，冉軍，陶建權，等. 基于隨機森林的海上風電機組發電機軸

承異常狀態監測方法［J］. 船舶工程，2022，44（增刊2）：27-31.

RAO Lei，RAN Jun，TAO Jianquan，et al. Monitoring method for

abnormal state of generator bearing of offshore wind turbine based

on random forest［J］. Ship Engineering，2022，44（Suppl. 2）：27-31.

［51］ BERETTA M，VIDAL Y，SEPULVEDA J，et al. Improved ensemble

learning for wind turbine main bearing fault diagnosis［J］. Applied

Sciences，2021，11（16）：7523.

［52］ ZHANG Z Y，WANG K S. Wind turbine fault detection based on

SCADA data analysis using ANN［J］. Advances in Manufacturing，

2014，2（1）：70-78.

［53］ ZHANG Z Y. Automatic fault prediction of wind turbine main bearing

based on SCADA data and artificial neural network［J］. Open

Journal of Applied Sciences，2018，8（6）：211-225.

［54］ 劉杰，蔣樹旗. 基于LSTNet 網絡的風電機組發電機主軸承溫度

預測研究［J］. 傳感技術學報，2022，35（7）：945-951.

LIU Jie，JIANG Shuqi. Research on wind turbine generator main

bearing temperature prediction based on LSTNet network［J］. Chinese

Journal of Sensors and Actuators，2022，35（7）：945-951.

［55］ 徐碩，鄧艾東，楊宏強，等. 基于改進殘差網絡的旋轉機械故障診

斷［J］. 太陽能學報，2023，44（7）：409-418.

XU Shuo，DENG Aidong，YANG Hongqiang，et al. Fault diagnosis

of rotating machinery based on improved residual network［J］. Acta

Energiae Solaris Sinica，2023，44（7）：409-418.

［56］ SHIN S H，KIM S，SEO Y H. Development of a fault monitoring

technique for wind turbines using a hidden Markov model［J］. Sensors，

2018，18（6）：1790.

［57］ ZHAO Y，LIU Y Q，WANG R M. Fuzzy scalar quantisation based

on hidden Markov model and application in fault diagnosis of wind

turbine［J］. The Journal of Engineering，2017，2017（14）：2685-

2689.

［58］ 龍舟，王細洋. 基于EMD和連續隱馬爾可夫模型的滾動軸承故

障診斷方法［J］. 南昌航空大學學報（自然科學版），2020，34（4）：

7-12.

LONG Zhou，WANG Xiyang. Rolling bearing fault diagnosis

method based on EMD and continuous hidden Markov model［J］.

Journal of Nanchang Hangkong University （Natural Sciences），

2020，34（4）：7-12.

［59］ HELBLING G，RITTER M. Deep learning for fault detection in

wind turbines［J］. Renewable and Sustainable Energy Reviews，

2018，98：189-198.

［60］ 黃祥聲，孫秋菊，湯筱茅，等. 基于SVDP 基尼指數圖和ARLD的

風電機組主軸承微弱故障診斷［J］. 機電工程，2023，40（6）：

803-814.

HUANG Xiangsheng，SUN Qiuju，TANG Xiaomao，et al. Weak

fault diagnosis of wind turbine main bearing based on SVDP Gini

index image and ARLD［J］. Journal of Mechanical amp; Electrical Engineering，

2023，40（6）：803-814.

［61］ ZHAO H S，LIU H H，HU W J，et al. Anomaly detection and fault

analysis of wind turbine components based on deep learning network

［J］. Renewable Energy，2018，127：825-834.

［62］ JAMIL F，VERSTRAETEN T，NOWé A，et al. A deep boosted

transfer learning method for wind turbine gearbox fault detection

［J］. Renewable Energy，2022，197：331-341.

［63］ SUN T D，YU G，GAO M，et al. Fault diagnosis methods based on

machine learning and its applications for wind turbines：a review

［J］. IEEE Access，2021，9：147481-147511.

［64］ XUE Y J，BEAUSEROY P. Transfer learning for one class SVM

adaptation to limited data distribution change［J］. Pattern Recognition

Letters，2017，100：117-123.

［65］ GAO Z W，LIU X X. An overview on fault diagnosis，prognosis

and resilient control for wind turbine systems［J］. Processes，2021，

9（2）：300.

［66］ QIAO W，LU D G. A survey on wind turbine condition monitoring

and fault diagnosis：Part Ⅱ：signals and signal processing methods

［J］. IEEE Transactions on Industrial Electronics，2015，62（10）：

6546-6557.

［67］ 曾軍，陳艷峰，楊蘋，等. 大型風力發電機組故障診斷綜述［J］. 電

網技術，2018，42（3）：849-860.

ZENG Jun，CHEN Yanfeng，YANG Ping，et al. Review of fault diagnosis

for large wind turbine generator［J］. Power System Technology，

2018，42（3）：849-860.

［68］ 龍霞飛，楊蘋，郭紅霞，等. 大型風力發電機組故障診斷方法綜述

［J］. 電網技術，2017，41（11）：3480-3491.

LONG Xiafei，YANG Ping，GUO Hongxia，et al. Review of fault

diagnosis methods for large wind turbine generators［J］. Power

System Technology，2017，41（11）：3480-3491.

［69］ 司景萍，馬繼昌，牛家驊，等. 基于模糊神經網絡的智能故障診斷

專家系統［J］. 振動與沖擊，2017，36（4）：164-171.

SI Jingping，MA Jichang，NIU Jiahua，et al. An intelligent fault diagnosis

expert system based on fuzzy neural network［J］. Journal

of Vibration and Shock，2017，36（4）：164-171.

［70］ BERREDJEM T，BENIDIR M. Bearing faults diagnosis using

fuzzy expert system relying on an improved range overlaps and

similarity method［J］. Expert Systems with Applications，2018，

108：134-142.

［71］ 趙傳洋，劉紅兵，蔣哲，等. 基于故障樹的浮式風機系泊系統失效

風險分析［J］. 哈爾濱工程大學學報，2023，44（8）：1263-1269.

ZHAO Chuanyang，LIU Hongbing，JIANG Zhe，et al. Failure risk

analysis of floating offshore wind turbine mooring systems based

on the fault tree method［J］. Journal of Harbin Engineering University，

2023，44（8）：1263-1269.

［72］ GARCíA MáRQUEZ F P，SEGOVIA RAMíREZ I，MOHAMMADI-

IVATLOO B，et al. Reliability dynamic analysis by fault trees

and binary decision diagrams［J］. Information，2020，11（6）：324.

［73］ 陶勇劍，董德存，任鵬. 采用故障樹分析診斷系統故障的改進方

法［J］. 哈爾濱工業大學學報，2010，42（1）：143-147.

TAO Yongjian，DONG Decun，REN Peng. An improved method

for system fault diagnosis using fault tree analysis［J］. Journal of

Harbin Institute of Technology，2010，42（1）：143-147.

［74］ 楊帆，蕭德云. SDG建模及其應用的進展［J］. 控制理論與應用，

2005，22（5）：767-774.

YANG Fan，XIAO Deyun.Progress in SDG modeling and its applications

［J］. Control Theory amp; Applications，2005，22（5）：767-774.

［75］ 劉友寬，蘇適，楊洋，等. 基于SDG模型的風力發電機故障診斷

方法［J］. 機械強度，2013，35（5）：583-588.

LIU Youkuan，SU Shi，YANG Yang，et al. Fault diagnosis method

for wind turbine generator based on SDG model［J］. Journal of Mechanical

Strength，2013，35（5）：583-588.

［76］ ZADEH L A. Fuzzy logic—a personal perspective［J］. Fuzzy Sets

and Systems，2015，281：4-20.

［77］ 錢小毅，孫天賀，王寶石，等. 基于知識規則挖掘的風電機組故障

識別與解釋性分析［J］. 太陽能學報，2023，44（8）：379-385.

QIAN Xiaoyi，SUN Tianhe，WANG Baoshi，et al. Fault identification

and interpretive analysis of wind turbines based on knowledge

rule mining［J］. Acta Energiae Solaris Sinica，2023，44（8）：

379-385.

［78］ ZHOU K，TANG J. Harnessing fuzzy neural network for gear fault

diagnosis with limited data labels［J］. The International Journal of

Advanced Manufacturing Technology，2021，115（4）：1005-1019.

［79］ ZHOU A M，YU D J，ZHANG W Y. A research on intelligent fault

diagnosis of wind turbines based on ontology and FMECA［J］. Advanced

Engineering Informatics，2015，29（1）：115-125.

［80］ 蔡梅園，陳薛梅，聶思宇，等. 風電機組發電機軸承電蝕研究［J］.

船舶工程，2019，41（增刊1）：302-306.

CAI Meiyuan，CHEN Xuemei，NIE Siyu，et al. Study on electric

erosion of generator bearing of wind turbine［J］. Ship Engineering，

2019，41（Suppl. 1）：302-306.

［81］ 張軼東，張苗，趙博煊，等. 海上風電機組發電機軸承電腐蝕檢測

及原因分析［J］. 船舶工程，2022，44（增刊1）：106-110.

ZHANG Yidong，ZHANG Miao，ZHAO Boxuan，et al. Detection

and cause analysis of generator bearing electrical corrosion in offshore

wind turbine units［J］. Ship Engineering，2022，44（Suppl.

1）：106-110.

［82］ 陳金路，張翔宇，鄭向遠，等. 海上風電智能運維關鍵技術與發展

建議［J］. 海洋開發與管理，2023，40（6）：117-128.

CHEN Jinlu，ZHANG Xiangyu，ZHENG Xiangyuan，et al. Key

technologies and development suggestions for intelligent operation

and maintenance of offshore wind power［J］. Ocean Development

and Management，2023，40（6）：117-128.

［83］ CHEN X，XU W，LIU Y，et al. Bearing corrosion failure diagnosis

of doubly fed induction generator in wind turbines based on stator

current analysis［J］. IEEE Transactions on Industrial Electronics，

2019，67（5）：3419-3430.

［84］ 孫娟. 基于模型的風電齒輪箱故障檢測［D］. 南京：南京理工大

學，2015：24-43.

SUN Juan. Model-based fault detection of wind turbine gearbox

［D］. Nanjing：Nanjing University of Science and Technology，

2015：24-43.

［85］ LI D X，ZHAO Y，ZHAO Y. A dynamic-model-based fault diagnosis

method for a wind turbine planetary gearbox using a deep learning

network［J］. Protection and Control of Modern Power Systems，

2022，7（1）：22.

［86］ 丁顯，徐進，黎曦琳，等. 融合維納過程和粒子濾波的風力發電機

軸承剩余壽命預測［J］. 太陽能學報，2022，43（12）：248-255.

DING Xian，XU Jin，LI Xilin，et al. Remaining useful life prediction

of wind turbine bearing based on wiener process and particle

filtering［J］. Acta Energiae Solaris Sinica，2022，43（12）：248-255.

［87］ 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.

［88］ 胡春生，李國利，趙勇，等. 變工況滾動軸承故障診斷方法綜述

［J］. 計算機工程與應用，2022，58（18）：26-42.

HU Chunsheng，LI Guoli，ZHAO Yong，et al. A review of fault diagnosis

methods for rolling bearings under variable working conditions

［J］. Computer Engineering and Applications，2022，58（18）：

26-42.

［89］ FYFE K R，MUNCK E D S. Analysis of computed order tracking

［J］. Mechanical Systems and Signal Processing，1997，11（2）：

187-205.

［90］ LI Y Z，DING K，HE G L，et al. Non-stationary vibration feature

extraction method based on sparse decomposition and order tracking

for gearbox fault diagnosis［J］. Measurement，2018，124：

453-469.

［91］ 郭俊. 變轉速工況下直驅式永磁同步風力發電機軸承故障診斷

方法研究［D］. 合肥：中國科學技術大學，2020：28-38.

GUO Jun. Research on bearing fault diagnosis method of directdrive

permanent magnet synchronous wind turbine under variable

speed conditions［D］. Hefei：University of Science and Technology

of China，2020：28-38.

［92］ 萬書亭，王燕杰，張雄，等. 時變工況的風電機組齒輪箱無轉速計

階次跟蹤方法研究［J］. 振動工程學報，2023，36（1）：266-279.

WAN Shuting，WANG Yanjie，ZHANG Xiong，et al. Research on

order tracking method for wind turbine gearbox under time-varying

conditions［J］. Journal of Vibration Engineering，2023，36（1）：

266-279.

［93］ 崔誠，陳長征，吳煥杰，等. 變轉速下的風力機行星齒輪箱故障診

斷研究［J］. 機械強度，2022，44（2）：263-270.

CUI Cheng，CHEN Changzheng，WU Huanjie，et al. Research on

fault diagnosis of wind turbine planetary gearbox under variable

speed［J］. Journal of Mechanical Strength，2022，44（2）：263-270.

［94］ LI C J，LI S B，ZHANG A S，et al. Meta-learning for few-shot bearing

fault diagnosis under complex working conditions［J］. Neurocomputing，

2021，439：197-211.

［95］ 李炳達. 復雜工況下基于注意力機制的滾動軸承智能故障診斷

方法研究［D］. 北京：北京交通大學，2022：34-63.

LI Bingda. Research on intelligent fault diagnosis method for rolling

bearings based on attention mechanism under complex working

conditions［D］. Beijing：Beijing Jiaotong University，2022：

34-63.

［96］ XU K，KONG X G，WANG Q B，et al. A bearing fault diagnosis

method without fault data in new working condition combined dynamic

model with deep learning［J］. Advanced Engineering Informatics，

2022，54：101795.

［97］ 王連云. 復雜工況條件下滾動軸承故障診斷方法研究［D］. 無

錫：江南大學，2022：8-51.

WANG Lianyun. Research on fault diagnosis method of rolling

bearing under complex working conditions［D］. Wuxi：Jiangnan

University，2022：8-51.

［98］ 金國強. 基于深度學習的復雜工況下端到端的滾動軸承故障診

斷算法研究［D］. 合肥：中國科學技術大學，2020：24-91.

JIN Guoqiang. Research on end-to-end rolling bearing fault diagnosis

algorithm based on deep learning under complex working conditions

［D］. Hefei：University of Science and Technology of China，

2020：24-91.

［99］ 王廣書. 復雜工況條件下風電機組齒輪箱故障診斷方法研究

［D］. 蘭州：蘭州理工大學，2023：11-53.

WANG Guangshu. Research on fault diagnosis method for wind

turbine gearbox under complex operating conditions ［D］. Lanzhou：

Lanzhou University of Technology，2023：11-53.

［100］WANG C G，LI H K，ZHANG K L，et al. Intelligent fault diagnosis

of planetary gearbox based on adaptive normalized CNN under

complex variable working conditions and data imbalance［J］. Measurement，

2021，180：109565.

［101］劉世豪，王細洋，龔廷愷. 基于深度遷移學習的齒輪故障診斷方

法［J］. 機械傳動，2023，47（5）：134-142.

LIU Shihao，WANG Xiyang，GONG Tingkai. Gear fault diagnosis

method based on deep transfer learning［J］. Journal of Mechanical

Transmission，2023，47（5）：134-142.

［102］李東東，趙陽，趙耀. 一種變工況下風電機組行星齒輪箱的故障

診斷方法［J］. 電機與控制學報，2023，27（1）：33-45.

LI Dongdong，ZHAO Yang，ZHAO Yao. A fault diagnosis method

for wind turbine planetary gearboxes under variable operating conditions

［J］. Electric Machines and Control，2023，27（1）：33-45.

［103］LIU X B，MA H F，LIU Y B. A novel transfer learning method

based on conditional variational generative adversarial networks

for fault diagnosis of wind turbine gearboxes under variable working

conditions［J］. Sustainability，2022，14（9）：5441.

［104］包從望，朱廣勇，鄒旺，等. 基于SimAM注意力機制的軸承故障

遷移診斷模型［J］. 機電工程，2024，41（5）：862-869.

BAO Congwang，ZHU Guangyong，ZOU Wang，et al. Rearing

fault transfer diagnosis model based on SimAM attention mechanism

［J］. Journal of Mechanical amp; Electrical Engineering，2024，41

（5）：862-869.

［105］WAN Z T，YANG R，HUANG M J. Deep transfer learning based

fault diagnosis for gearbox under complex working conditions［J］.

Shock and Vibration，2020，2020（1）：8884179.