李韵仪，沈艳霞

（江南大学物联网技术应用教育部工程研究中心，江苏无锡214122）

随着近年来智能化风电设备的不断发展，如何对风机进行有效地故障检测与运行维护已成为如今风电行业中亟待解决的问题。齿轮箱是风机传动系统中的重要部件，其结构复杂，故障几率高，维修难度大、时间长，一直是风机故障检测中的重点。

针对齿轮箱的故障诊断大致可以分为基于信号分析、基于数理模型与基于数据驱动的方法。如王军辉等[1]将集合经验模态分解和奇异谱熵相结合用于风机齿轮箱信号的特征提取，利用模糊C 均值聚类模型对特征向量进行分析并得到诊断结果。王红君等[2]利用EEMD与小波阈值去噪的方法抑制齿轮箱振动信号中的噪声干扰，结合CS-BP 神经网络实现了更精确的故障检测。上述方法在一些场合能取得较好的效果，但也同时存在着模态混叠、欠缺严格理论证明、面对复杂振动信号诊断性能下降等问题。

基于统计理论的数据驱动故障诊断方法有着坚实的理论基础与实用性，如常用的支持向量机、隐马尔可夫模型（Hidden markov model，HMM）等。其中HMM 可以按照观测的变量特性的不同，分为离散HMM 和连续HMM[3]。CHMM 模型能够方便快捷地对信号进行建模和概率分析，在需对数据量大、非平稳振动信号进行故障诊断的领域得到广泛关注。例如，Arpaia 等[4]利用主成分分析进行特征提取，提出基于隐马尔科夫模型的流体机械故障检测方法。Boutros等[5]通过隐马尔科夫模型成功检测了轴承的故障程度与位置。……