范思遐，吴 斌，李友钊

1 引言

根据国家能源局在《风电发展“十三五”规划》做出的指示，未来风电行业不仅有着总装机量的要求，其机组的运维优化也被提上议程。由于风机工作环境普遍面临高温、高寒、高干旱等高风速地区，因此风机工作稳定性受环境影响较高，且失稳故障风机的维护成本与停工状态将造成一定的经济损失，由此及时准确识别风机状态，提前预警维护可减少风机停机故障的发生。尽管风电机组失效故障与停机时间独立分布，但风机50%的停机维修活动主要由于齿轮箱故障失效导致[1]。因此对齿轮箱进行性能评估是风电场运维活动的一个重要环节。

目前，对齿轮箱的状态识别多采用经验常识、力学校验法、软件模拟法、神经网络算法等[2-6]。文献[7]利用神经网络建立响应信号与激励之间的映射模型，初判齿轮箱状态；文献[8]利用隐马尔可夫识别齿轮箱状态；文献[9]利用时频幅值和时频波动建立故障识别模型。在实际操作过程中，对齿轮箱的退化状态并未划分出明确的判定阶段，且多以经验常识判定为主。而在真实环境应用中，齿轮箱的状态识别与运维制定除当前设备采集数据，仍需加入齿轮箱历史维护动作与历史运行状态信息，通过历史数据与当前信息的结合，能更加高效的估测风机的剩余寿命，制定维护策略。维护动作使设备的退化趋势得到了抑制或者改善，处在不同退化阶段的齿轮箱对应的维护效果也不尽相同，如何在齿轮箱的衰退过程中确定其退化状态成为研究的关键点。……