★ 深能南京能源控股有限公司 李高征

关键词：风电机组；故障诊断；特征提取；多源信号

目前， 故障诊断研究普遍存在信号易受噪声干扰、多源信号不同步等问题，传统诊断方法存在明显不足，如小波包分解方法依赖单源信号，抗干扰能力弱；传统阈值诊断方法使用固定阈值无法适配非平稳运行工况，诊断效果不佳^[1]。

针对上述问题，本文提出了一种基于自适应融合的故障诊断方法。该方法首先对多源传感信号进行自适应预处理与融合特征筛选优化，然后构建自动化故障诊断机制，实现故障特征自适应匹配以及诊断结果自动反馈调控，有效弥补了传统方法的缺陷。

1   基于自适应融合的故障特征提取方法

1.1   多源传感信号自适应预处理

在数据处理流程中，首先识别原始传感信号的异常值，剔除传感器故障、瞬时干扰产生的异常数据，然后采用自适应滤波算法抑制噪声，如图1所示。

图1 传动链信号处理技术示意图

针对传动链信号的非平稳特性，本文引入自适应滤波的目标函数， 实现噪声的准确抑制^[2,3]。为实现滤波参数的自适应调节，本文建立了滤波系数更新公式，可根据信号的波动实时修正滤波强度，在保证滤波效果的同时保留了故障特征信息。计算公式如式（1）所示。

式中，W_k+i表示第k+1时刻的滤波系数； W_k表示第k时刻的滤波系数； η表示自适应学习率； e_k表示第k时刻的滤波误差，由实际信号与滤波输出信号的差值得到； x_k表示第k时刻的原始传感信号。在滤波效果优化过程中，该公式可实现滤波系数随信号实时变化自适应修正，避免了固定系数滤波可能造成的故障特征丢失和噪声抑制不彻底的问题。

信号处理使用时间戳对齐算法，以转速信号为基准，同步校准振动、扭矩信号。校准通过构建同步误差计算模型实现，如公式（2）所示。

式中，τ表示最终同步校正时延；τ₀表示待优化的时延参数；n表示信号采样点数； t表示信号采集时间； X_i表示基准转速信号的第i个采样点； y_i表示待校正信号的第个采样点。通过求解该优化问题，可得到最优校正时延，实现了多源传感信号的精准同步。

1.2   融合特征自动筛选与优化

针对特征筛选及优化任务，本文对初始特征进行自动化筛选与优化，保留传动链故障高度相关的特征参数^[4]。特征筛选以相关性分析为基础，通过计算各特征与故障类型的相关系数，初步剔除相关性极低的特征，再结合特征重要性评定完成最优特征子集的筛选，如图2所示。

图2 特征自动筛选与优化示意图

为准确量化特征与故障类型的关联程度，本文建立了特征相关性的计算公式，规避了人为筛选的主观性。计算公式如式（3）所示。

式中， r表示特征与故障类型的相关系数； m表示样本数量；f_i表示第i个样本的特征值； 表示该特征的样本均值；g_i表示第i个样本的故障标签值；表示故障标签的样本均值。相关系数的取值范围为^[-1,1] ，其绝对值越接近1，表明特征与故障类型的相关性越强，反之则越弱。据此可设定阈值，剔除相关性低于阈值的冗余特征。

在特征初步筛选后的处理流程中，需对剩余特征进行进一步优化，以加强特征集的区分能力，以及解决单一特征诊断精度不足的问题^[5,6]。本文采用特征加权优化算法，根据特征的重要性分配不同权重，增强了有效特征的作用。特征加权优化公式如式（4）所示。

式中，F表示优化后的融合特征值； k表示筛选后的特征数量； w_j表示第j个特征的权重系数，满足所有权重系数之和为1；f_j表示第j个特征的归一化值。本文根据特征重要性衡量结果动态确定权重系数，特征重要性越高，权重系数越大， 使融合特征更能折射传动链的故障状态。通过特征的自动筛选及优化，可以有效剔除冗余特征，增强了特征集的针对性，减少了诊断过程的计算复杂度。

2   自动化故障诊断机制设计

2.1   故障特征自适应匹配机制

为实现融合特征及故障形式的准确匹配，本文基于相似度量化思路，构建了自适应匹配相似度计算公式，对实时融合特征与故障特征库中各类故障特征的相似度进行量化。计算公式如式（5）所示。

式中，S表示实时融合特征与故障特征库中某类故障特征的相似度； F_j表示实时融合特征的第j个分量； F_oj表示故障特征库中某类故障特征的第j个分量。相似度s的取值范围为 ^[0,1]，S越接近1，表明两者的匹配度越高，即实时特征对应的故障类型与该类故障的一致性越强。

图3 实时工况特征波动与阈值关系调整示意图

基于特征相似度计算结果，本文建立了自适应匹配阈值更新公式，可按照图3实时工况下的特征波动情况，自动更新匹配阈值，避免了固定阈值带来的诊断偏差。计算公式如式（6）所示。

式中，λ表示自适应匹配阈值；λ₀表示初始匹配阈值；a表示阈值调整系数； std(F)表示实时融合特征的标准差。当特征波动较大时，标准差增大，匹配阈值随之改变，增加了匹配的容错性；当特征波动较小时，阈值保持稳定，保证了诊断的准确度。该公式实现了故障特征的自适应匹配，可适应风电机组传动链复杂多变的运行工况，提高了故障识别的准确率，减少了误诊以及漏诊的发生。

2.2   诊断结果自动反馈调控

为验证诊断结果的可靠性，本文建立了诊断结果置信度计算公式，对诊断结果的可信程度进行量化，为系统反馈调控提供了依据。计算公式如式（7）所示。

式中， C表示诊断结果的置信度；S_max表示实时融合特征与故障特征库中各类故障特征的最大相似度；S_second表示第二大相似度。置信度C的取值范围为^[0,1]，C越接近1，表明诊断结果的可信度越高，反之则表明诊断结果存在不确定性，需要进一步校验修正。根据该判定机制，若置信度低于预设的阈值，系统将启动反馈修正流程，重新提取特征并修正匹配参数。

依据置信度评判结论，本文建立了参数自动反馈修正公式，针对特征提取步骤里的滤波系数与特征优化步骤里的权重系数开展动态修正。计算公式如式（8）所示。

式中， w'_j表示反馈调整后的特征权重系数； w_j表示调整前的权重系数； β表示反馈调整系数。根据置信度高低可调节权重系数：高置信度时微调权重系数，保证特征优化效果的稳定；低置信度时加大调节幅度，增强有效特征的作用。该诊断结果自动反馈调控机制，实现了故障诊断的闭环优化，提升了诊断方法的鲁棒性及自动化程度，能够满足风电机组传动链故障实时监测与诊断的实际需求。

3   实验验证

3.1   传动链故障辨识准确率

本文以某风电场8MW半直驱风电机组传动链为实验对象，采集其主轴、齿轮箱、发电机轴承的正常及故障状态下的多源传感信号，搭建实验平台开展故障辨识实验。

实验设置三种对比方法：基于单源振动信号的小波包分解方法、基于SCADA数据的传统阈值诊断方法以及本文所提方法，在保证导入实验数据批次、实验条件完全一致的条件下，分别测试各方法在不同故障类型下的故障辨识准确率，记录多组测试数据并进行对比分析，实验结果如图4所示。

图4 不同故障类型下故障辨识准确率对比图

由图4可知，三种方法的故障辨识准确率差异明显，本文所提方法整体性能显著优于小波包分解方法和传统阈值诊断方法。在主轴磨损故障中，本文所提方法准确率可达97.5%，较两种对比方法分别提升15.2和18.6个百分点；在齿轮箱断齿故障中，其准确率为98.1%，领先两种对比方法14.4和17.9个百分点；在轴承剥落故障中，其准确率为96.9%，分别高出对比方法16.4和20.1个百分点。对比方法缺陷突出：小波包分解方法依赖单源信号，抗干扰能力弱；传统阈值诊断方法采用固定阈值，适配性差，均存在准确率低、稳定性差的问题。本文所提方法通过多源信号预处理、融合特征优化及自动化诊断机制，有效弥补了对比方法的缺陷，在各类故障中的辨识精度均保持在96%以上，彰显了其优越性和工程实用性。

3.2   故障诊断平均响应时间

本文选取某风电场10MW直驱风电机组传动链为实验对象，采集其不同运行负荷下的主轴、齿轮箱、发电机轴承多源传感数据，搭建实验平台开展响应时间测试。

实验设置三种对比方法：基于单源振动信号的小波包分解方法、基于SCADA数据的传统阈值诊断方法以及本文所提方法，在导入实验数据规模一致、故障触发条件统一的前提下，分别测试三种方法在不同故障类型下的诊断响应时间， 重复测试5次取平均值， 记录实验数据并进行对比分析，实验结果如表1所示。

表1 不同故障类型诊断响应时间对比表

由表1可知，三种方法的故障诊断平均响应时间差异明显，本文所提方法的响应速度显著优于两种对比方法，优势极为突出。在主轴磨损故障中，本文所提方法平均响应时间仅为68ms，分别较小波包分解方法、传统阈值诊断方法缩短118ms和145ms，响应速度提升幅度均超过60%；在齿轮箱断齿故障中，本文所提方法平均响应时间为72ms，相较两种对比方法分别缩短120ms和155ms，提速效果明显；在轴承剥落故障中，本文所提方法平均响应时间为65ms，分别比两种对比方法快114ms和143ms，其响应速度最快且稳定性最好。小波包分解方法需对单源信号进行复杂的小波分解运算， 运算量大导致响应滞后；传统阈值诊断方法依赖人工预设阈值，信号处理和阈值匹配流程繁琐， 响应时间最长。本文所提方法通过融合特征自动筛选与优化， 大幅降低了计算复杂度， 并结合自动化诊断机制简化了诊断流程， 有效缩短了响应时间， 且各故障类型下响应时间波动小、稳定性强， 能够实现传动链故障的快速识别，满足风电机组故障实时监测的工程需求。

4   结论

本文针对风电机组传动链故障诊断展开研究，通过多源传感信号自适应预处理、融合特征筛选优化及自动化诊断机制设计，有效解决了传统方法抗干扰弱、适配性差、响应滞后等问题。实验结果表明，该方法能显著提升故障辨识准确率和诊断响应速度，具备较强的工程实用性和鲁棒性。后续可结合风电机组变负荷运行特性，进一步优化特征提取算法和反馈调控机制，拓展方法在复杂工况下的适配能力，为风电机组传动链故障精准诊断提供更可靠的技术支撑。

作者简介：

李高征（1996-），男，河南许昌人，助理级工程师，本科， 现就职于深能南京能源控股有限公司， 研究方向为风力发电、光伏发电，以及储能电站的运行维护与管理。

参考文献：

[1] 孙义忠, 朱才朝, 陶立壮, 等. 大型风电机组集成式传动链动态特性研究[J]. 机械工程学报, 2025, 61 (11) : 106 - 118.

[2] 宋姿颖, 孙述鹏, 李国英, 等. 机理与数据融合的风电机组传动链动力学建模与动态响应预测[J]. 振动与冲击, 2025, 44 (23) : 314 - 324.

[3] 张方红, 付大斌, 杨钦云, 等. 复杂工况下大型风电传动链故障诊断方法研究综述[J]. 机械传动, 2025, 49 (04) : 156 - 168.

[4] 徐大成, 尹纯亚, 周嘉阳, 等. 计及风电机组传动链载荷的模型预测控制调频策略[J]. 电气传动, 2025, 55 (9) : 4 - 13.

[5] 费翔, 姜宏, 周建星, 等. 风电机组主传动链子系统耦合效应对系统特性影响分析[J]. 太阳能学报, 2025, 46 (4) : 387 - 397.

摘自《自动化博览》2026年7月刊