风能作为一种无污染的可再生资源,成为世界各国争相发展的领域之一。风力发电装备在我国取得了长足的发展,已形成一种新型产业。但风力发电机组(以下简称风电机组)的工作环境恶劣,风速具有不稳定性,在交变负载作用下,机组的传动系统最容易失效和损坏。传动系统不平衡、磨损、疲劳损伤、断裂等故障是风电机组的主要故障。而风电机组又安装在偏远地区且距地面甚高,并且又是规模化、成片式的运作模式,因此维修十分不便,风电机组传动系统的智能故障诊断在这种情况下就显得非常必要和迫切。然而,风电行业目前又欠缺智能故障诊断技术。目前大型风电机组的就地控制器SCADA仅有运行数据采集、阈值报警和通信功能,不能对风电机组传动系统进行故障诊断。而SKF公司针对风电机组的状态监测系统WindCon目前也只具备预警、报警及简易的信号分析功能,缺乏精确故障诊断技术。同时,现有的面向旋转机械的故障诊断方法普遍采用“特征提取→模式识别”这一模式,又存在以下两个与风电机组传动系统故障诊断技术需求不相适应的重大缺陷:①特征提取方式需要人工干预,故障特征优选质量完全取决于经验,这种做法与风电机组的工作条件和运行模式所要求的自动化、高精度、快速性的故障诊断方式相背离;②普遍采用的单一/单域故障特征提取方法孤立使用普适性不强,难以全面准确地获取复杂系统不同部位、不同类型、不同程度的故障特征,而风电机组传动系统是一个刚柔耦合的多体复杂系统,系统主要部件风轮、主轴和齿轮箱之间的强耦合作用造成系统失效形式、失效层级比较复杂,这就要求面向风电机组的故障诊断方法向系统性方法提升,而现有故障特征提取方式难以达到这一要求。为此,本文基于流形学习维数化简理论开展了稳定性、自动化、高精度、快速性与通用性相统一的风电机组传动系统智能故障诊断方法研究。本文主要研究内容如下:①针对目前的模式识别方法自适应模式识别特性不强,模式识别精度的稳定性不好的问题,基于最小二乘支持向量机(LS-SVM),提出了两种解决方案。一是将LS-SVM的训练模型视为最优化问题的目标函数,采用遗传算法对LS-SVM的指数参数、补偿参数和惩罚因子进行全局寻优,使目标函数达到极值,从而实现LS-SVM稳定性的提高。二是通过构造可更好地逼近LS-SVM的训练目标函数和决策函数,具有更好非线性映射能力的小波核Littlewood-Paley、Shannon、Morlet来提高LS-SVM的自适应分类特性即稳定性。另外还研究了直接利用训练样本的局部和类标签信息来对测试样本进行分类的最近邻分类器(KNNC)。理论分析、仿真实验和风电机组轴承故障诊断实例表明小波支持向量机LPWSVM、SWSVM、MWSVM和KNNC的诊断精度、稳定性与遗传算法分层优化LS-SVM等效,但计算效率优于遗传算法分层优化LS-SVM。通过以上研究为风电机组故障诊断提供了改进的、高效的、稳定的模式识别方法。②针对当前故障诊断通行模式无法实现自动化与高精度的结合,因而无法适应风电机组故障诊断技术需求的问题,提出一种基于主分量分析(PCA)和前向传播(BP)神经网络维数调整的风电机组故障诊断模型。该模型采用双谱相关值特征矩阵的奇异值谱作为故障特征,用PCA对超高维的奇异值谱进行快速降维,由BP神经网络来增强PCA的非线性处理能力,又通过SWSVM对BP网络输出结果进行校正。理论分析、仿真实验和风电机组轴承故障诊断实例表明该诊断模型解决了双谱应用于风电机组故障诊断的难题,实现了风电机组故障诊断自动化与高精度的结合。③在实现风电机组传动系统故障诊断自动化与高精度的基础上,为进一步解决传动系统故障诊断快速性和通用性的问题,提出了基于流形学习特征约简理论的新型传动系统智能故障诊断模式“混合域特征融合→流形学习特征约简→模式识别”,并根据该模式构建了智能故障诊断新模型:“时频域特征融合/EMD与AR模型系数融合—正交局部保持映射(OLPP)/正交邻域保持嵌入(ONPE)/线性局部切空间排列(LLTSA)—小波支持向量机(WSVM)/KNNC”。理论分析、仿真实验和风电机组轴承故障诊断实例表明该诊断模型充分发挥了混合域特征融合的故障特征全面提取优势、流形学习的特征化简优势以及人工智能的模式识别优势,并且该模型以上三个技术环节都具有较好的时效性,因此可实现风电机组故障诊断的自动化、高精度、快速性与通用性的统一。流形学习维数约简理论、混合域特征融合方法和新型风电机组智能故障诊断模式的研究进一步丰富和发展了风电机组故障诊断理论和技术。④以智能故障诊断理论模型为核心,研发了风力发电机组状态监测与故障诊断系统,该系统包含数据采集及信号传输,数据库存储管理,数据远程访问,状态监测、智能故障诊断、人机交互等多代理功能,可实现风电机组状态监测与故障诊断技术的系统集成。文章最后对本文的工作进行了总结,并展望了下一步的研究方向。