★ 深能南京能源控股有限公司 李高征

關鍵詞：風電機組；故障診斷；特征提取；多源信號

目前， 故障診斷研究普遍存在信號易受噪聲干擾、多源信號不同步等問題，傳統診斷方法存在明顯不足，如小波包分解方法依賴單源信號，抗干擾能力弱；傳統閾值診斷方法使用固定閾值無法適配非平穩運行工況，診斷效果不佳^[1]。

針對上述問題，本文提出了一種基于自適應融合的故障診斷方法。該方法首先對多源傳感信號進行自適應預處理與融合特征篩選優化，然后構建自動化故障診斷機制，實現故障特征自適應匹配以及診斷結果自動反饋調控，有效彌補了傳統方法的缺陷。

1   基于自適應融合的故障特征提取方法

1.1   多源傳感信號自適應預處理

在數據處理流程中，首先識別原始傳感信號的異常值，剔除傳感器故障、瞬時干擾產生的異常數據，然后采用自適應濾波算法抑制噪聲，如圖1所示。

圖1 傳動鏈信號處理技術示意圖

針對傳動鏈信號的非平穩特性，本文引入自適應濾波的目標函數， 實現噪聲的準確抑制^[2,3]。為實現濾波參數的自適應調節，本文建立了濾波系數更新公式，可根據信號的波動實時修正濾波強度，在保證濾波效果的同時保留了故障特征信息。計算公式如式（1）所示。

式中，W_k+i表示第k+1時刻的濾波系數； W_k表示第k時刻的濾波系數； η表示自適應學習率； e_k表示第k時刻的濾波誤差，由實際信號與濾波輸出信號的差值得到； x_k表示第k時刻的原始傳感信號。在濾波效果優化過程中，該公式可實現濾波系數隨信號實時變化自適應修正，避免了固定系數濾波可能造成的故障特征丟失和噪聲抑制不徹底的問題。

信號處理使用時間戳對齊算法，以轉速信號為基準，同步校準振動、扭矩信號。校準通過構建同步誤差計算模型實現，如公式（2）所示。

式中，τ表示最終同步校正時延；τ₀表示待優化的時延參數；n表示信號采樣點數； t表示信號采集時間； X_i表示基準轉速信號的第i個采樣點； y_i表示待校正信號的第個采樣點。通過求解該優化問題，可得到最優校正時延，實現了多源傳感信號的精準同步。

1.2   融合特征自動篩選與優化

針對特征篩選及優化任務，本文對初始特征進行自動化篩選與優化，保留傳動鏈故障高度相關的特征參數^[4]。特征篩選以相關性分析為基礎，通過計算各特征與故障類型的相關系數，初步剔除相關性極低的特征，再結合特征重要性評定完成最優特征子集的篩選，如圖2所示。

圖2 特征自動篩選與優化示意圖

為準確量化特征與故障類型的關聯程度，本文建立了特征相關性的計算公式，規避了人為篩選的主觀性。計算公式如式（3）所示。

式中， r表示特征與故障類型的相關系數； m表示樣本數量；f_i表示第i個樣本的特征值； 表示該特征的樣本均值；g_i表示第i個樣本的故障標簽值；表示故障標簽的樣本均值。相關系數的取值范圍為^[-1,1] ，其絕對值越接近1，表明特征與故障類型的相關性越強，反之則越弱。據此可設定閾值，剔除相關性低于閾值的冗余特征。

在特征初步篩選后的處理流程中，需對剩余特征進行進一步優化，以加強特征集的區分能力，以及解決單一特征診斷精度不足的問題^[5,6]。本文采用特征加權優化算法，根據特征的重要性分配不同權重，增強了有效特征的作用。特征加權優化公式如式（4）所示。

式中，F表示優化后的融合特征值； k表示篩選后的特征數量； w_j表示第j個特征的權重系數，滿足所有權重系數之和為1；f_j表示第j個特征的歸一化值。本文根據特征重要性衡量結果動態確定權重系數，特征重要性越高，權重系數越大， 使融合特征更能折射傳動鏈的故障狀態。通過特征的自動篩選及優化，可以有效剔除冗余特征，增強了特征集的針對性，減少了診斷過程的計算復雜度。

2   自動化故障診斷機制設計

2.1   故障特征自適應匹配機制

為實現融合特征及故障形式的準確匹配，本文基于相似度量化思路，構建了自適應匹配相似度計算公式，對實時融合特征與故障特征庫中各類故障特征的相似度進行量化。計算公式如式（5）所示。

式中，S表示實時融合特征與故障特征庫中某類故障特征的相似度； F_j表示實時融合特征的第j個分量； F_oj表示故障特征庫中某類故障特征的第j個分量。相似度s的取值范圍為 ^[0,1]，S越接近1，表明兩者的匹配度越高，即實時特征對應的故障類型與該類故障的一致性越強。

圖3 實時工況特征波動與閾值關系調整示意圖

基于特征相似度計算結果，本文建立了自適應匹配閾值更新公式，可按照圖3實時工況下的特征波動情況，自動更新匹配閾值，避免了固定閾值帶來的診斷偏差。計算公式如式（6）所示。

式中，λ表示自適應匹配閾值；λ₀表示初始匹配閾值；a表示閾值調整系數； std(F)表示實時融合特征的標準差。當特征波動較大時，標準差增大，匹配閾值隨之改變，增加了匹配的容錯性；當特征波動較小時，閾值保持穩定，保證了診斷的準確度。該公式實現了故障特征的自適應匹配，可適應風電機組傳動鏈復雜多變的運行工況，提高了故障識別的準確率，減少了誤診以及漏診的發生。

2.2   診斷結果自動反饋調控

為驗證診斷結果的可靠性，本文建立了診斷結果置信度計算公式，對診斷結果的可信程度進行量化，為系統反饋調控提供了依據。計算公式如式（7）所示。

式中， C表示診斷結果的置信度；S_max表示實時融合特征與故障特征庫中各類故障特征的最大相似度；S_second表示第二大相似度。置信度C的取值范圍為^[0,1]，C越接近1，表明診斷結果的可信度越高，反之則表明診斷結果存在不確定性，需要進一步校驗修正。根據該判定機制，若置信度低于預設的閾值，系統將啟動反饋修正流程，重新提取特征并修正匹配參數。

依據置信度評判結論，本文建立了參數自動反饋修正公式，針對特征提取步驟里的濾波系數與特征優化步驟里的權重系數開展動態修正。計算公式如式（8）所示。

式中， w'_j表示反饋調整后的特征權重系數； w_j表示調整前的權重系數； β表示反饋調整系數。根據置信度高低可調節權重系數：高置信度時微調權重系數，保證特征優化效果的穩定；低置信度時加大調節幅度，增強有效特征的作用。該診斷結果自動反饋調控機制，實現了故障診斷的閉環優化，提升了診斷方法的魯棒性及自動化程度，能夠滿足風電機組傳動鏈故障實時監測與診斷的實際需求。

3   實驗驗證

3.1   傳動鏈故障辨識準確率

本文以某風電場8MW半直驅風電機組傳動鏈為實驗對象，采集其主軸、齒輪箱、發電機軸承的正常及故障狀態下的多源傳感信號，搭建實驗平臺開展故障辨識實驗。

實驗設置三種對比方法：基于單源振動信號的小波包分解方法、基于SCADA數據的傳統閾值診斷方法以及本文所提方法，在保證導入實驗數據批次、實驗條件完全一致的條件下，分別測試各方法在不同故障類型下的故障辨識準確率，記錄多組測試數據并進行對比分析，實驗結果如圖4所示。

圖4 不同故障類型下故障辨識準確率對比圖

由圖4可知，三種方法的故障辨識準確率差異明顯，本文所提方法整體性能顯著優于小波包分解方法和傳統閾值診斷方法。在主軸磨損故障中，本文所提方法準確率可達97.5%，較兩種對比方法分別提升15.2和18.6個百分點；在齒輪箱斷齒故障中，其準確率為98.1%，領先兩種對比方法14.4和17.9個百分點；在軸承剝落故障中，其準確率為96.9%，分別高出對比方法16.4和20.1個百分點。對比方法缺陷突出：小波包分解方法依賴單源信號，抗干擾能力弱；傳統閾值診斷方法采用固定閾值，適配性差，均存在準確率低、穩定性差的問題。本文所提方法通過多源信號預處理、融合特征優化及自動化診斷機制，有效彌補了對比方法的缺陷，在各類故障中的辨識精度均保持在96%以上，彰顯了其優越性和工程實用性。

3.2   故障診斷平均響應時間

本文選取某風電場10MW直驅風電機組傳動鏈為實驗對象，采集其不同運行負荷下的主軸、齒輪箱、發電機軸承多源傳感數據，搭建實驗平臺開展響應時間測試。

實驗設置三種對比方法：基于單源振動信號的小波包分解方法、基于SCADA數據的傳統閾值診斷方法以及本文所提方法，在導入實驗數據規模一致、故障觸發條件統一的前提下，分別測試三種方法在不同故障類型下的診斷響應時間， 重復測試5次取平均值， 記錄實驗數據并進行對比分析，實驗結果如表1所示。

表1 不同故障類型診斷響應時間對比表

由表1可知，三種方法的故障診斷平均響應時間差異明顯，本文所提方法的響應速度顯著優于兩種對比方法，優勢極為突出。在主軸磨損故障中，本文所提方法平均響應時間僅為68ms，分別較小波包分解方法、傳統閾值診斷方法縮短118ms和145ms，響應速度提升幅度均超過60%；在齒輪箱斷齒故障中，本文所提方法平均響應時間為72ms，相較兩種對比方法分別縮短120ms和155ms，提速效果明顯；在軸承剝落故障中，本文所提方法平均響應時間為65ms，分別比兩種對比方法快114ms和143ms，其響應速度最快且穩定性最好。小波包分解方法需對單源信號進行復雜的小波分解運算， 運算量大導致響應滯后；傳統閾值診斷方法依賴人工預設閾值，信號處理和閾值匹配流程繁瑣， 響應時間最長。本文所提方法通過融合特征自動篩選與優化， 大幅降低了計算復雜度， 并結合自動化診斷機制簡化了診斷流程， 有效縮短了響應時間， 且各故障類型下響應時間波動小、穩定性強， 能夠實現傳動鏈故障的快速識別，滿足風電機組故障實時監測的工程需求。

4   結論

本文針對風電機組傳動鏈故障診斷展開研究，通過多源傳感信號自適應預處理、融合特征篩選優化及自動化診斷機制設計，有效解決了傳統方法抗干擾弱、適配性差、響應滯后等問題。實驗結果表明，該方法能顯著提升故障辨識準確率和診斷響應速度，具備較強的工程實用性和魯棒性。后續可結合風電機組變負荷運行特性，進一步優化特征提取算法和反饋調控機制，拓展方法在復雜工況下的適配能力，為風電機組傳動鏈故障精準診斷提供更可靠的技術支撐。

作者簡介：

李高征（1996-），男，河南許昌人，助理級工程師，本科， 現就職于深能南京能源控股有限公司， 研究方向為風力發電、光伏發電，以及儲能電站的運行維護與管理。

參考文獻：

[1] 孫義忠, 朱才朝, 陶立壯, 等. 大型風電機組集成式傳動鏈動態特性研究[J]. 機械工程學報, 2025, 61 (11) : 106 - 118.

[2] 宋姿穎, 孫述鵬, 李國英, 等. 機理與數據融合的風電機組傳動鏈動力學建模與動態響應預測[J]. 振動與沖擊, 2025, 44 (23) : 314 - 324.

[3] 張方紅, 付大斌, 楊欽云, 等. 復雜工況下大型風電傳動鏈故障診斷方法研究綜述[J]. 機械傳動, 2025, 49 (04) : 156 - 168.

[4] 徐大成, 尹純亞, 周嘉陽, 等. 計及風電機組傳動鏈載荷的模型預測控制調頻策略[J]. 電氣傳動, 2025, 55 (9) : 4 - 13.

[5] 費翔, 姜宏, 周建星, 等. 風電機組主傳動鏈子系統耦合效應對系統特性影響分析[J]. 太陽能學報, 2025, 46 (4) : 387 - 397.

摘自《自動化博覽》2026年7月刊