叶柯华，李 春,2，胡 璇

(1.上海理工大学 能源与动力工程学院，上海 200093；2.上海市动力工程多相流动与传热重点实验室，上海 200093)

由于存在清洁、储量丰富和易于开发等优势，风力发电已经成为当前最重要的可再生能源利用方式之一[1]。随着风力机不断大型化，其内部传动机构日益复杂[2]。此外，因长期处在恶劣非定常风场环境，风力机齿轮箱时刻处于剧烈的交变载荷作用下，同时因长期高速运转、疲劳损伤、加工误差和意外冲击等影响，极易发生各类故障，造成风力机性能下降，严重时将导致报废[3-6]。因此，及时发现和诊断机组故障对保证风力机安全稳定运行具有重要意义。

振动信号凭借易获得、包含信息丰富等优势，成为风力机故障诊断最实用和可靠的分析对象。而风力机齿轮箱通常具有多级结构，其内部复杂的传递路径和各齿轮间不同啮合频率间的调制作用，导致频谱特性复杂，以傅里叶变换为基础的传统方法难以取得较好的分析效果[7]。

蒲子玺等[8]提出了基于平稳小波及峭度准则的变分模态分解方法，可以有效提取强噪声背景下的滚动轴承早期故障信息。Hoseinzadeh等[9]提出一种基于互信息相关系数改进集合经验模态分解(Ensemble Empirical Mode Decomposition，EEMD)方法，并用来定量分析轴承故障严重程度。Park等[10]对齿轮箱传动故障信号进行EEMD分解，提取本征模态函数(Intrinsic Mode Function，IMF)的波峰系数和形状系数作为故障特征，结合k值临近算法实现故障的有效分类。Hu等[11]基于集成固有时间尺度分解(Ensemble Intrinsic time-scale decomposition，EITD)，采用关联维数作为风力机齿轮箱故障信号特征，提出了一种非平稳故障识别方法。……