陈亚楠，胡凯凯，陈 刚，舒 晖，李籽圆

（中车株洲电力机车研究所有限公司，湖南 株洲 412001）

0 引言

齿轮箱作为风力发电机组的高价值零部件，目前其状态监测方法一般是：在齿轮箱关键点上安装振动传感器来采集关键点振动信息；通过对采集的数据进行数字信号处理，在风场端设置简单阈值对齿轮箱振动信号进行故障报警；而在集中端通过有经验的振动分析工程师对齿轮箱故障进行诊断。当前的这种诊断方式在风场端不能对齿轮箱起到有效的保护；而在集中端，又过于依赖人工处理，耗费大量的人力。基于此，本文提出结合数字信号处理与机器学习的算法，实现齿轮箱故障自动诊断。

机器学习是近些年兴起的新学科，是人工智能和模式识别领域的共同研究热点，其理论和方法已被广泛应用于解决工程应用和科学领域的复杂问题。机器学习常见的算法有决策树算法、朴素贝叶斯算法、支持向量机算法、随机森林算法、人工神经网络算法、回归算法和深度学习算法等。振动信号虽然可直接作为机器学习的输入，但是增加了模型的复杂度，降低了模型的可解释性，而且工业领域内的案例较少，而高维度的特征也会导致模型泛化性能差。很多研究者针对齿轮箱故障诊断，提出了多种算法：文献[1-3]提出了针对风电机组传动系统的监测系统；文献[4-6]提出了故障特征提取的方法；文献[7-10]提出了改进的机器学习算法。这些系统、算法的设计优点是获得了较高的故障诊断准确率，缺点是只针对特定的某一种问题，无法只通过一种算法实现齿轮箱全部故障的诊断。……