吕明珠， 苏晓明， 刘世勋， 陈长征

（1.沈阳工业大学机械工程学院 沈阳，110870）（2.辽宁装备制造职业技术学院自动控制工程学院 沈阳，110161）（3.中国质量认证中心（沈阳）北方实验室 沈阳，110164）

引 言

滚动轴承作为风力发电机组传动系统中的易损件之一，一旦发生故障需要耗费大量的时间和成本进行检修［1］。若能对风力机轴承的运行状态进行适时监测和寿命预测，变事后维修为视情维护，可有效避免重大安全事故的发生和降低运维成本，提高风力发电机组的安全性、可靠性和可利用率［2］。

目前，常用的寿命预测方法大体可分为基于数据驱动的方法和基于模型的方法［3-4］。基于数据驱动的方法是通过机器学习建立运行数据与退化状态之间的联系，无需研究退化机理，也无需大量的先验知识。Wang 等［5］采用主成分分析方法得到退化特征，建立了基于反向传播神经网络的预测模型，实现了对滚动轴承状态趋势的预测。Shivani 等［6］使用整体经验模式分解策略计算时域特征，同时构造支持向量回归模型对滚动轴承的健康状态进行预测。由于机器学习方法对历史数据依赖性较强，因此该预测方法存在一定的局限性，不合适解决风力机轴承这种长期处于交变载荷作用下且受各种不确定因素影响的预测问题。基于模型的方法是通过建立数学模型来描述整体衰退趋势，从而进行剩余寿命预测，并依据观测结果对模型参数实时更新。该方法可以充分挖掘经验知识和观测数据之间的对应关系，得到较为可靠的寿命预测结果。……