丁 显，徐 进，滕 伟，柳亦兵

（1.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，北京 102206；2.鲁能新能源（集团）有限公司，北京 100020)

风电机组长期处于复杂工况下运行，机组的叶片、齿轮箱或发电机等大部件严重事故频发，给风电场安全生产带来了较大隐患。风电机组长时间传统的计划性检修维护，必然导致机组欠维护和过维护，机组早期微弱故障特征往往被强大的背景噪声掩盖，在日常巡检和定期维护所发现的故障往往都是无法掩饰的严重故障，不仅会给故障部件带来不可修复的损伤，还会导致风电机组二次损伤。因此十分有必要对风电机组大部件进行故障预测预警，实时掌握故障的发生发展演化趋势，开展风电机组预防性维护维修。

国内外学者对于风电机组大部件健康状态监测与故障诊断做了大量研究。振动监测数据对于诊断风电机组齿轮箱和轴承故障具有较好的效果，Zhipeng Feng提出了应用经验模式分解（EMD）和能量分离的方法来提取风电机组行星轮微弱故障特征[1]。I.Antoniadou用经验模式分解提取风电机组振动信号中蕴含的各频率成分，用希尔伯特作为解调方法和Teager-Kaiser能量算子进行对比分析[2]。Aijun Hu应用全局固有时间尺度分解（EITD）和小波包变换（WPT）-关联维数相结合的方法识别风电机组高速轴的故障类型和故障状态[3]。W.Y.Liu提出了基于Morlet小波变换和Wigner-Ville分布的风电机组齿轮箱故障特征提取方法，用连续小波变换（CWT）滤除原始振动信号的噪声成分，该方法能够使每个瞬时频率保持较高的能量和分辨率，具有良好的能量聚集性和抑制交叉噪声[4]。……