樊立云，张培杰

（ 1.北京京能新能源有限公司，北京 100028;2.华北电力大学电站设备状态监测与控制教育部重点实验室，河北保定，071003）

0 引言

风力发电机齿轮箱工作环境恶劣，故障率较高，造成机组停机时间长，齿轮箱的状态监测与故障诊断对风力机安全经济运行至关重要。

风力机齿轮箱振动信号时一种时频特性复杂的非平稳信号，常规的时域和频域分析方法难以有效分析齿轮箱的故障及提取故障特征。小波变换具有多分辨率特性及良好的时频局部变换特性，适用于非平频稳信号。提出一种基于小波分析和神经网络的风力机齿轮箱故障诊断方法，该方法采用小波时频分析技术对风力发电机故障振动信号进行消噪滤波，通过小波包分解系数求取频带能量，根据各个频带能量的变化提取故障特征，为实现智能诊断提供故障特征值。应用BP神经网络进行故障识别，并采用LabVIEW和matlab软件予以实现。结果表明，该方法能有效提高风力发电机组齿轮箱故障诊断的准确性［1，2］。

1 风力发电机组齿轮箱故障及其诊断方法

1.1 风力机齿轮箱的主要故障

风力机齿轮箱的主要结构包括轴、齿轮和轴承，故障从结构上可以分为以下几类［2］:

(1)轴的故障:轴不对中，轴不平衡，轴弯曲等;

(2)轴承故障:轴承内外圈磨损，滚动体磨损等。

(3)齿轮故障:齿面剥落，齿面胶合，齿面磨损断齿等。

针对风力发电机组齿轮箱的故障形式特点，选用松散型小波神经网络比较适合。即利用小波包分析，把故障信号分解在相互独立的频带内，各频带内的能量值形成一个特征向量，不同的故障对应不同的特征向量值，作为神经网络的输入特征向量。……