徐 开，郑小霞

（上海电力学院自动化工程学院，上海 200090）

基于多分类支持向量机的风电机组故障诊断

徐 开，郑小霞

（上海电力学院自动化工程学院，上海 200090）

提出了综合考虑风电机组转速及输入/输出轴水平和垂直方向振动信号，对故障数据依照转动周期分组后分别对每个周期的时域指标进行提取，而后基于SVM（支持向量机）对提取后的数据进行4种状态下故障分类的方法。测试结果表明，该方法简单有效，具有很好的故障识别能力，适合风电机组齿轮箱故障诊断。

多分类；支持向量机；风电机组；故障诊断

0 引言

作为相对成熟的可再生绿色能源，近年来风力发电发展迅速，风能已被广泛认为具有巨大的潜力。在目前国际上能源短缺日益严重的大背景下，大力发展风电是缓解能源短缺和环境污染问题的有效途径和必然趋势。

但是，风电机组存在齿轮箱故障率高且维修困难的问题。对齿轮箱进行高效的故障分类和诊断可减少不必要的经济损失，节约成本，创造更大的社会经济效益。因此，对风电机组齿轮箱的故障进行诊断和分类很有必要[1，2]。

SVM（支持向量机）是一种基于统计学理论的分类方法。本文在研究风电机组齿轮箱正常与故障这2种状态的基础上[3，4]，进一步细分了点蚀、断齿、断齿及表面磨损3种故障类型，对正常运行和故障状态进行了分类实验研究，考虑风电机组的转速以及轴水平和垂直方向振动的时域特征参数等多源信息，构建了基于多分类的支持向量机的故障诊断模型，有利于对故障形态进行快速甄别。……