罗 毅 甄立敬

(华北电力大学控制与计算机工程学院，北京 102206)

齿轮箱是风电机组的关键部件，也是机组中故障发生率最高的部件，故障百分比已超过60%[1]，齿轮箱一旦发生问题维修非常不便。因此，加强对风电机组齿轮箱的监测和故障诊断，对降低风电场维护费用和提高风电场运行的经济效益具有重要意义。

齿轮箱故障诊断已成为目前国内外热门的研究课题之一。郭艳平等通过小波分析等方法诊断了其故障类型和部位，但是小波分析只是对低中频段部分做了分解，而机组的故障特征信号也存在于高频信号中[2]。小波包分解能够较好地提取出振动信号在各个频带上的特征信息，并通过这些频带上的信息表征齿轮的运行状态[3]。笔者采用小波包提取时频域特征值。宋崇智等建立了基于改进Elman神经网络的齿轮箱故障诊断模型，虽然该方法具有收敛快且能避免局部最小的优点，但是只提取频域特征值作为神经网络的输入[4]。笔者充分考虑故障与时域和时频域特征值之间的因果关系，选择提取时域和时频域特征值。龙泉等提出了一种基于粒子群优化BP神经网络风电机组齿轮箱故障诊断方法，有一定的实用性，但是选择的输入之间具有一定的相关性[5]。主成分分析法可以用较少的互不相关的综合变量来反映原变量所提供的绝大部分信息，笔者利用主成分分析法消除相关性，确定主成分，从而减少神经网络的输入变量[6]。……