董兴辉， 张 光， 程友星， 王 帅

(1．华北电力大学 能源动力与机械工程学院，北京102206；2．河南理工大学 电气工程与自动化学院，河南焦作 454000)

风电机组运行环境恶劣，受气象等多种不确定因素的影响，容易出现性能与状态劣化，频繁出现故障。风电机组的关键部件一旦失效，检修时间较长，不仅影响发电量，也增加了风电场的运维成本[1-3]。风机轴承作为风电机组关键部件，在机组机械故障中占很高比例，发电机、齿轮箱的机械故障中约80%是由轴承失效而导致的[4]。较早掌握风电机组轴承的劣化程度和劣化趋势，实时了解风电机组状态，在可预知情况下合理安排检修，有助于提高整机的可靠性和利用率。

近年来，国内外学者针对风电机组轴承健康研究集中在劣化程度与状态评估2方面。安学利等[5-7]基于振动参数量计算风电机组主轴承、齿轮箱轴承和发电机轴承等的劣化程度；李辉等[1,8]基于温度参数量研究风电轴承劣化程度，并在此基础上进一步对轴承进行状态评估，但没有对机组轴承劣化发展趋势开展预测研究。

笔者基于数据采集与监视控制(SCADA)系统监测数据，应用改进的集合经验模态分解(EEMD)和时间序列神经网络，通过建立预测模型，研究风电机组轴承健康状态温度劣化趋势。首先，利用SCADA监测的有关参数(如风速、功率、发电机转速和环境温度等)与轴承温度的相关系数，归一化得到影响权重，基于温度特征量构建轴承健康劣化度模型；然后利用改进后的EEMD对劣化趋势进行分解，得到一系列相对平稳的本征模态函数(IMF)分量和一个剩余分量；……