概述
齿轮箱是连接发电机和主轴的重要部件之一，是风力发电机正常、高效运行的保障，内部由太阳轮、三个行星轮、内齿圈、行星架和二级平行齿轮传动组成，内部结构和受力情况较复杂，特别在变工况、变载荷的情况下运行，容易发生故障。齿轮箱拆装不易，随着运行载荷增加以及工作环境恶劣等多方面因素影响，一旦出现故障将对发电机组带来很大的影响。因此实现齿轮箱的状态监测和故障诊断功能，对风电机组安全运行有着重要的意义。
图1 齿轮箱结构
目前国内外关于风电机组故障诊断方法的研究，根据方法类别，可以划分为经验方法，机理建模和智能分析三类。其中经验方法是根据轮系动力学参数特点进行检测、分析，如油温、油样浑浊度、噪声、振动信号等实现故障诊断，对于专工现场经验依赖度高，往往智能实现粗略状态评估，无法实现精确的故障定位；机理建模是指利用数学物理理论对设备的状态数据进行简化假设、机理分析、数据处理，进而实现故障诊断，多用于旋转机械等有明确运行机理的设备评估场景；智能分析则是基于传感采集和数据挖掘等手段，对设备监测的多源传感信息进行综合评估，降低了对专家知识的依赖程度，技术路线的鲁棒性和可扩展性更强。本文针对NASA-IMS开源轴承数据集和东南大学齿轮数据集，基于天洑软件DTEmpower数据建模分析软件，开展了轴承参数报警和齿轮箱故障诊断相关的技术分析工作。
数据集下载地址为：
https://ti.arc.nasa.gov/tech/dash/groups/pcoe/prognostic-data-repository/
东南大学齿轮箱故障数据集下载地址为：
https://github.com/cathysiyu/Mechanical-datasets
一、状态监测 – 参数报警
1. 敏感特征抽取加工
从上述图中，可以看到这些中间敏感特征可以提前2-4天进行异常告警，其中平均幅值和模糊熵的报警效果优于其它三个指标，近似熵效果最差。说明基于数学手段抽取的敏感特征指标对设备进行运行监测的路径是有效的，但不同的指标效果表现有较大的差异。然而若是基于敏感特征直接进行观察，会因为操作员的定性主观水平不一，依然存在不够直观的问题，导致设备运维监测逻辑难以精确化管控。
2. 敏感特征报警定量优化
“3σ异常值比例”抽取逻辑简要表述为：假设设备前期处于运行正常的状态，特征数据服从正态分布规律，指标数据落在（μ-3σ,μ 3σ）以外的概率小于千分之三，是非常小概率的事件。当设备异常发生，指标数据会发生较大变化，此时统计落在3σ范围外的数据比例，该“3σ异常值比例”具有明确的指导作用。
图4 不同工艺参数异常率曲线图
“3σ异常值比例”报警可以更为直观地展现异常，现场指标较多，测点可能也存在多个，用户需要挑选出合适的指标进行报警管理，因此还需要对上述方法进一步完善。具体方法，对于多测点的同一指标，依据平均异常率排序，挑选出平均异常率最高的测点，然后针对不同指标，同样依据平均异常率排序，挑选出平均异常率较高的几个指标作为监测观察指标。统计结果如图5所示：
图5 各指标异常率曲线图
二、故障诊断
图6 模型训练集与测试loss图
表1 不同方案的故障分类准确率对比情况
