风力发电机振动监测与故障诊断方法综述

李浪，刘辉海，赵洪山

（1.无锡供电公司，江苏无锡 214000；2.华北电力大学电气与电子工程学院，河北保定 071003）

风力发电作为一种清洁、高效、可再生的新型能源，近年来发展十分迅速发。据中国风能协会的数据统计，截止到2015年，我国风电并网总装机容量已经高达145 GW，跃居世界第一。风电场的位置一般坐落在偏远的山区，交通条件十分不便，并且机舱通常位于几十米甚至上百米的高空，一旦风电机组发生故障，不仅会由于风电机组长时间停机造成经济损失，还会产生高额的维修成本。因此，研究风电机组的状态监测与故障诊断方法，对减小维修成本，提高机组运行经济性，具有非常重要的意义[1]。

振动监测是一种有效的风电机组状态监测方法，尤其适用于旋转机械设备[2]。该方法是通过采集风电机组关键设备上的振动信号，并进行分析处理，提取出反映风电机组故障的特征信息，进而根据这些特征信息诊断出故障的具体类型、程度、部位及发展趋势。近年来不少学者对风电机组振动监测与故障诊断技术进行了深入研究，提出了许多关于振动信号分析的方法，其中不少分析方法已经在风电机组的故障诊断中得到了应用[3-6]。

本文首先简要介绍了风力发电机的结构及故障特点，然后对近些年国内外风力发电机振动监测与故障诊断相关研究进行了深入的探讨，通过对各种方法分类来具体分析各类方法的优缺点和应用情况。最后结合风电机组故障诊断技术的研究现状和不足，对其未来的发展方向进行了展望。

1 风力发电机结构及故障特点

风电机组的基本功能是利用风轮系统吸收风能并转换成机械能，然后通过传动系统把机械能传递到发电机系统，接着由发电机将其转化为电能，最终通过并网将电能输出来完成将风能转化为电能的整个过程。在此过程中，除了风轮系统、传动系统、发电机系统之外，还有其他系统直接或间接地参与了电能的转换。这些系统完整地构成了整个风电机组。图1展示了风电机组的基本构成[3]。尽管风电机组的类型很多，但是其基本工作原理以及基本结构相似。风电机组主要包括风轮系统、主轴系统、齿轮箱系统、发电机系统、偏航系统、控制系统、制动系统、液压系统、机舱、塔架及其他辅助系统等。

图1 风力发电机的基本结构示意图Fig.1 The basic structure diagram of a wind turbine

风电机组在运行过程中，风轮的转速会受到风速的影响而不断变化。当一阵强风吹来时，叶片会频繁地受到冲击载荷的作用，同时将冲击载荷传递到传动系统上的各个部件，使得各个部件也会受到交变载荷的作用，从而严重影响部件的工作寿命，使风电机组发生各种故障。

图2 风机关键部件故障率Fig.2 Failure rate of key components of wind turbines

不少学者发现，风电机组的主要故障是由机械部件的不平衡、磨损、疲劳损伤、断裂等问题引起的[7-9]。瑞士风能机构测试结果显示，机械部件出现问题是大多数失效的一个非常重要的原因，这些失效会伴随着电气系统和传感器的问题同时出现。图2和图3是2000年—2004年对瑞典某风电场的故障进行统计得到的结果[7]，可以看出风电机组相当大比例的故障是由机械部件故障引起的。因此，对引起这些机械故障的关键部件实时振动监测，及时获取故障信息，是至关重要的。

图3 风机关键部件每次故障停机时间Fig.3 Downtimes for wind turbine key components

2 时域诊断方法

2.1 时域统计分析

时域统计分析是通过计算风力发电机振动信号的各种时域参数和指标并进行分析，从而初步判断风电机组的故障。振动信号的很多时域统计特征参量会随着风故障的出现而发生改变，不同类型的故障以及严重程度会影响这些统计参量的变化。应用较为广泛的时域参数指标主要包括峰值、均方根值、脉冲因子、峭度、裕度因子等。文献[10]考虑到时域参数敏感于轴承早期故障这一特点，可以定期检测滚动轴承的振动信号，得到轴承的峰值因子、峭度、有效值的趋势曲线，根据上述指标的趋势曲线来预测轴承未来的状态。时域分析方法通过计算分析振动信号时域参数来提取时域特征，这种方法能直观反映特征信息，且计算简单，能对风电机组是否发生故障进行初步诊断，但无法对故障类型、故障位置以及故障严重程度做出具体判断。

2.2 相关分析

相关分析最早是由Hotelling于1936年提出来的，可分为自相关分析和互相关分析。由于随机信号及其相关函数包含相同的周期成分，因此可利用相关分析发现被强烈噪声所掩盖的周期分量，及时发现机器设备出现的故障。特别是在风力发电机早期故障的诊断和分析中，振动信号中的周期成分不明显，难以通过直接观察发现故障特征，因此相关分析就具有了重要的应用价值[11]。但在随机信号中存在频率相同的干扰信号的情况下，相关分析的性能会大大降低，甚至会出现“伪相关”等现象；在振动信号受到强背景噪声干扰的情况下，无法利用相关函数有效提取出特征。

3 频域诊断方法

时域诊断法在风电机组振动故障的检测应用中，不能够全面地反映出振动信号中的信息量。而风电机组的故障通常伴随着振动信号的频率变化。频域诊断法是通过识别故障与正常状态时振动信号中频率特征的不同，来对故障进行分析。频域分析方法的基础是傅里叶变换，主要包括频谱分析、倒频谱分析和包络谱分析等。

3.1 频谱分析

工程上较为常用的频谱分析方法有幅值谱和功率谱。幅值谱表示振动信号中各频率成分所对应的振幅大小，而功率谱描述的是信号能量在频域中的分布情况。功率谱所反映的是信号幅值谱的平方，频域特征结构更为明显，因此，功率谱与幅值谱提供了相同的信息，但功率谱能够显示出比幅值谱更为清晰的特征。文献[12]深入探讨了振动信号的频谱结构，利用傅里叶变换方法对行星齿轮箱进行故障诊断。

3.2 倒频谱分析

倒频谱分析也称为二次频谱分析，是检测振动信号中所含周期成分的一种重要方法，其原理是在计算得到功率谱的基础上再进一步做傅里叶逆变换。倒频谱分析的流程如图4所示。倒频谱分析能将周期成分在频谱中突显出来，使得故障特征更易于提取。风电机组中轴承、齿轮箱等出现故障时，采用倒频谱分析可以有效识别故障频率、故障的原因和部位[13-14]。另外，振动信号的传递路径往往会对振动信号的特征产生影响，而倒频谱分析对信号的传递路径和传感器检测点的选取不敏感。

图4 倒频谱分析的流程图Fig.4 Flow chart of the inverse spectrum analysis

3.3 包络谱分析

包络谱分析又称为包络解调，是目前诊断风电机组故障的最有力工具之一。当风电机组轴承和齿轮等部件出现局部损伤时，会产生周期性的瞬时冲击。冲击信号的频率较低容易受到其他自由衰减信号和各种随机干扰信号的调制，并引起设备发生高频固有频率的谐振。包络谱分析的流程如图5所示。包络谱分析可将高频固有振动中与故障冲击有关的低频信号解调出来，并进一步对低频信号进行频谱分析来判断故障的具体类型及故障程度。包络谱分析在判断设备损伤类故障应用中取得了非常好的效果，近年来广泛应用于风电机组传动系统的故障特征提取[15-16]。

图5 包络谱分析的流程图Fig.5 Flow chart of the envelope spectrum analysis

3.4 频域诊断方法的不足

风电机组运行时存在多部件耦合振动，且工作运行时背景噪声一般较强，使得采集的振动信号多表现出非平稳、非线性。而傅里叶变换是建立在信号全局上的变换，无法对非平稳、非线性信号进行局部分析，并且它是一种纯频域的分析方法，在时域内无分辨能力，因此，以傅里叶变换为基础的频域诊断方法存在一定的局限性。

4 时频域诊断方法

风力发电机在实际工作时受各种工作状况的影响，一般产生的是非线性、非平稳振动信号。基于傅里叶变换的频域诊断方法一般是建立在信号全局上的变换，不能有效地分析非线性、非平稳信号。为了更好地体现出风机振动信号的局部特征，专家们提出时频域诊断方法，将时域和频域进行二维联合，使信号在时频域上能够同时局部化。目前，常用的时频域诊断方法有小波分析、经验模态分解、Wigner-Vile分布等。

4.1 小波分析

小波分析方法是一种时间窗和频率窗形状均能变化的时频域诊断方法。它通过将振动信号变换到多个频段，并对认为有价值的频段进行分析来提取故障特征频率。小波分析可以对信号中的短时高频现象进行“显微”，并且可以有效地分析短时冲击信号。但是这种方法也存在一定的缺陷，它不具自适应性[14]。将小波技术和神经网络、奇异值分解、模糊评判和分形盒维数等技术相结合的综合运用进行故障模式识别的方法，取得了广泛应用。

4.2 经验模态分解

经验模态分解（empirical mode decomposition，EMD）由美国国家宇航局的Huang博士于1998年首次提出的[17]，利用EMD方法可将非平稳的振动信号自适应地分解为若干个平稳的固有模态函数（intrinsic mode function，IMF），其流程图如图6所示。EMD采用循环包络筛分方法处理信号，实现信号从高频到低频的自适应划分，本质上是一组频率由高到低的带通滤波器。EMD克服了小波变换和自适应时频域分析方法的不足，具有自适应、正交性和完备性的特点，非常适用于非线性、非平稳信号的分析处理[18]，在故障特征提取方面受到广泛关注。EMD方法本身存在着一些不足，如模态混叠、存在端点效应、受采样频率影响较大等[19]，仍需进行深入研究。

图6 经验模态分解算法流程图Fig.6 Flow chart of the EMD algorithm

4.3 Wigner-Vile分布

Wigner-Ville分布 （Wigner-Ville distribution，WVD）是一种重要的时频域诊断方法，同时具有较高的时间分辨率和频域分辨率，并具有优良的能量聚集能力。WVD分布可以被看作信号能量在频率和时间联合域内的分布，能够对振动信号的时频特性进行精确地描述[20]。但WVD存在一个明显的缺陷，那就是存在交叉项干扰现象，造成了振动信号的各特征参数无法被有效提取，大大降低了WMD对信号的分析性能。为了消除交叉干扰造成的影响，国内外学者开展了大量的研究工作，已经提出了辅助函数法、预滤波等改进方法。但直到目前为止，如何抑制交叉项造成的干扰问题仍然没有得到有效地解决。

5 现代故障诊断方法

5.1 盲源分离

利用传感器采集风电机组振动信号的过程中，采集的信号往往是若干个不同机械部件产生的源信号的混合信号，使得故障特征提取变得困难。盲源分离（blind source separation，BSS）是在源信号和传输通道特性均未知的情况下，仅由传感器采集到的振动信号分离出对应各个部件的源信号，其基本原理如图7所示。独立成分分析（independent component analysis，ICA）是一种解决盲源分离问题的主要方法[21]，适用于平稳和非平稳信号，尤其对于微弱信号特征信息的提取和分离具有较好的效果。近十年来，盲源分离技术得到了进一步的发展，在风电机组故障诊断方面已取得了一些研究成果[22]。盲源分离方法虽然取得了一系列的突破，但盲源分离在源数估计和处理非线性问题方面仍存在不足，需要进一步的研究。

图7 盲源分离原理框图Fig.7 Principle block diagram of the BSS method

5.2 子空间方法

子空间方法（subspace identification algorithm，SIA）是一种基于离散状态空间模型的模态参数识别方法，非常适用于振动信号的建模分析。SIA直接利用振动信号的时域数据建立数学模型，从而准确识别系统的模态参数，具有数值稳定和简易等优点。在过去的二十多年里，子空间识别方法在振动信号故障分析方面的应用取得了飞快发展，在风力发电机齿轮箱的故障诊断等领域也有较多的应用[23]。由于子空间方法对信号处理采用了状态空间模型，因此该方法的关键在于确定系统的阶次。但目前系统阶次尚无良好的方法来确定，易产生冗余导致虚假模态出现。

5.3 流形学习算法

流形学习是一种新的非线性算法，能够透过观测的振动数据发现事物的本质，挖掘出数据的本质特征。该方法的基本原理是通过从高维数据中嵌入映射出低维流形的结构，达到对高维数据进行特征压缩的目的。流形学习算法可有效去除噪声等干扰成分的影响，挖掘蕴含在振动信号中的故障本质特征，此特性非常适用于风电机组的故障诊断。拉普拉斯特征映射是一种基于图谱理论的流形学习方法，具有较好的收敛性和鲁棒性，已成功地应用于风电机组的故障诊断[24-25]。但目前已有的流形算法对参数都比较敏感，由于参数较小的变化量会引起差异显著的学习结果，因此提高流形学习的稳定性成为一个需要解决的问题。

为了分析各故障诊断方法的性能，表1对不同故障诊断方法的优缺点以及适用范围进行了总结。

表1 不同诊断方法的优缺点及适用范围比较Tab.1 Comparison of advantages，disadvantages and application range of different diagnostic methods

6 我国研究近况和进展

我国在风电机组振动监测与故障诊断技术方面起步较晚，但随着我国经济水平的不断提高，科学技术的不断发展，以及我国科研人员的不懈努力，近年来取得了一定的突破和研究成果。尤其在《风力发电机组振动状态监测导则》这一国家行业标准于2011年颁布之后，风电机组振动监测与故障诊断技术得到了大力的发展。

文献[26]提出了一种基于固有时间尺度分解（intrinsic time-scale decomposition，ITD）的风电机组调心滚子轴承故障特征提取方法。该方法利用ITD将非线性、非平稳的轴承振动信号分解为多个固有旋转分量，并进一步对固有旋转分量做频谱分析提取轴承故障特征频率，并且在实际中验证了该方法处理非平稳时变信号的有效性。

文献[27]为了有效地诊断风电机组齿轮箱故障，采用了一种基于粒子群优化的BP神经网络方法。该法计算风电机组齿轮正常、磨损和断齿3种不同状态振动信号的特征向量，并利用粒子群优化的BP神经网络算法进行故障识别，取得较高的识别精度。

文献[28]提出了一种基于混合时频分析的风电机组故障诊断方法。该方法首先采用参数优化Morlet小波消噪方法对原始振动信号进行分析，滤除强大的背景噪声干扰；进而通过自项窗方法抑制时频面的干扰项，增强信号特征成分，提取故障特征以实现故障诊断。通过对风电机组振动数据的分析，能够有效地消除背景噪声和提取故障特征。

文献[29]提出改进的小波包结合包络谱的风电机组传动系统故障诊断方法。深入研究了小波包频带错乱的问题，对小波包实施改进，消除频带错乱的缺陷。将改进的小波包与包络谱结合起来，通过对风机传动系统试验台的齿轮、轴承故障实际数据地深入分析，能够准确提取出故障特征量。

文献[30]提出一种基于集合经验模式分解（EEMD）、奇异谱熵和模糊C均值聚类的故障诊断方法来解决风电机组齿轮箱中齿轮故障特征提取与故障诊断问题。该方法通过对振动信号进行EEMD分解，得到若干IMF，并构成特征模式矩阵，然后通过计算特征模式矩阵的奇异谱熵值，最后利用模糊聚类分析进行故障识别。

文献[31]提出一种基于小波包与倒频谱分析的信号处理分析方法用于风电机组齿轮箱齿轮裂纹的诊断。该方法通过小波包分析得到故障频率范围，并利用倒频谱提取齿轮箱振动信号中的周期成分，成功地判断出故障类型及发生的部位。

7 结论

随着振动信号分析方法的不断改进，风力发电机振动监测与故障诊断技术有了很大进步，越来越多的诊断方法投入到实际应用中[32-33]，但仍然存在许多关键问题尚未解决。展望未来，风电机组振动监测和故障诊断技术在以下几方面需要进一步完善和发展：

1）非稳态信号的分析。虽然目前有小波分析、经验模态分解和Wigner-Vile分布等应用在平稳、非线性信号的分析中，但依然有很多问题需要解决。风电机组的非稳态振动信号中包含了极为丰富的故障信息，研究如何有效的分析非稳态信号具有重要意义。

2）微弱故障特征的提取。工程实际中，当风电机组处于早期故障阶段时，由故障产生的冲击成分相对微弱，并且环境噪声引起的干扰比较严重，使得微弱故障特征的提取一直面临着困难。目前在微弱故障特征提取的研究中已经取得了一些成果，但效果不很完善，有待进一步地深入研究。

3）人工智能方法的研究。在完善上述方法的基础上，不断探讨现代人工智能故障诊断方法在风电机组故障诊断中的应用。集合多领域专家的智慧，进行跨学科研究。新兴方法将是未来故障诊断很长一段时间的发展方向和研究热点。

[1]赵洪山，连莎莎，邵玲.基于模型的风电机组变桨距系统故障检测[J].电网技术，2015，39（2）：440-444.ZHAO Hongshan，LIAN Shasha，SHAO Ling.A modelbased fault detection for variable-pitch system of wind turbines[J].Power System Technology，2015，39（2）：440-444.

[2]赵洪山，李浪，王颖.一种基于盲源分离和流形学习的风电机组轴承故障特征提取方法[J].太阳能学报，2016，37（2）：269-275.ZHAO Hongshan，LI Lang，WANG Ying.Research on fault feature extraction of wind turbine bearing based on blind source separation and manifold learning[J].Acta Energiae Solaris Sinica，2016，37（2）：269-275.

[3]赵洪山，张健平，高夺，等.风电机组的状态-机会维修策略[J].中国电机工程学报，2015，35（15）：3851-3858.ZHAOHongshan，ZHANGJianpign，GAODuo，etal.Acondition based opportunistic maintenance strategy for wind turbine[J].Proceedings of the Chinese Society for Electrical Engineering，2015，35（15）：3851-3858.

[4]祁丽婉，梁庚，童国炜.基于果绳算法优化BP神经网络的齿轮箱故障诊断[J].电网与清洁能源，2014，30（9）：31-36.QI Liwan，LIANG Geng，TONG Guowei.A gear box fault diagnosis method based on fruit fly optimization algorithm to optimize the BP neural network[J].Power System and Clean Energy，2014，30（9）：31-36.

[5]王奇，张晗，邓军，等.基于状态评价的风力发电设备故障诊断系统的研制[J].电网与清洁能源，2014，30（11）：103-108.WANG Qi，ZHANG Han，DENG Jun，et al.Research on fault diagnosis system for wind power equipment based on condition evaluation[J].Power System and Clean Energy，2014，30（11）：103-108.

[6]蒋维.基于灰色粗糙集理论的风电机组传动链智能诊断方法[J].电网与清洁能源，2012，28（12）：79-83.JIANG Wei.An intelligent diagnosis method based on grey rough set theory for wind turbine driving chain[J].Power System and Clean Energy，2012，28（12）：79-83.

[7]RIBRANT J，BERTLING L M.Survey of failures in wind power systems with focus on Swedish wind power plants during 1997-2005[J].IEEE Transactions on Energy Conversion，2007，22（1）：167-173.

[8]TAVNER P J.Reliability analysis for wind turbines[J].Journal of Wind Energy，2006，10（1）：1-18.

[9]AMIRAT Y，BENBOUZID M，AL A E，et al.A brief status on condition monitoring and fault diagnosis in wind energy conversion systems[J].Renewable and Sustainable Energy Reviews，2009，13（9）：2629-2636.

[10]万书亭，吴美玲.基于时域参数趋势分析的滚动轴承故障诊断[J].机械工程与自动化，2010（3）：108-110.WAN Shuting，WU Meiling.Fault diagnosis for rolling bearing based on trend analysis of time doma in parameters[J].Mechanical Engineering&Automation，2010（3）：108-110.

[11]明安波，诸福磊，张炜.滚动轴承故障特征提取的频谱自相关方法[J].机械工程学报，2012，48（19）：65-71.MING Anbo，ZHU Fulei，ZHANG Wei.Feature extracting method in the rolling element bearing fault diagnosis：spectrum auto-correlation[J].Journal of Mechanical Engineering，2012，48（19）：65-71.

[12]COZENS N J，WATSON S J.State of the art condition monitoring techniques suitable for wind turbines and wind farm applications[C]//Report for CONMOW Project，Berlin，2003.

[13]张博，程珩.倒频谱在直驱风机主轴轴承故障诊断中的应用[J].机械设计与制造，2014（7）：265-267.ZHANG Bo，CHENG Yan.Application of the cepstrum in fault diagnosis of direct—drive wind turbine main shaft bearing[J].Machinery Design＆Manufacture.2014（7）：265-267.

[14]罗毅，甄立敬.基于小波包与倒频谱分析的风电机组齿轮箱齿轮裂纹诊断方法[J].振动与冲击，2015，34（3）：210-214.LUO Yi，ZHEN Lijing.Diagnosis method of turbine gearbox gearcrack based on wavelet packet and cepstrum analysis[J].Journal of Vibration and Shock，2015，34（3）：210-214.

[15]王敏，刘佳，顾煜炯，等.基于IMF希尔伯特解调的风电齿轮箱复合故障诊断方法[J].可再生能源，2012，30（11）：45-59.WANG Min，LIU Jia，GU Yujiong，et al.The composite fault identification for wind turbine gearbox based on the IMF envelopment analysis[J].Renewable Energy Resources，2012，30（11）：45-59.

[16]蔡艳平，李艾华，石林锁，等.基于EMD与谱峭度的滚动轴承故障检测改进包络谱分析[J].振动与冲击，2011，30（2）：167-172.CAI Yanping，LI Aihua，SHI Linsuo，et al.Roller bearing fault detect ion using improved envelope spectrum analysis based on EMD and spectrum kurtosis[J].Journal of Vibration and Shock，2011，30（2）：167-172.

[17]钟佑明，秦树人，汤宝平.一种振动信号新变换法的研究[J].振动工程学报，2002，15（2）：113－118.ZHONG Youming，QIN Shuren，TANG Baoping.Study on a new transform method for vibration signal[J].Journal of Vibration Engineering，2002，15（2）：113-118.

[18]康守强，王玉静，杨广学，等.基于经验模态分解和超球多类支持向量机的滚动轴承故障诊断方法[J].中国电机工程学报，2011，31（14）：96-102.KANG Shouqiang，WANG Yujing，YANG Guangxue，et al.Rolling bearing fault diagnosis method using empirical mode decomposition and hypersphere multiclass support vector machine[J].Proceedings of the Chinese Society for Electrical Engineering，2011，31（14）：96-102.

[19]QIN S R，ZHONG Y M.A New algorithm of hilbert-huang transform[J].Mechanical Systems and Signal Processing，2006，20（8）：1941-1952.

[20]石林锁，张亚洲，米文鹏.基于WVD的谱峭度法在轴承故障诊断中的应用[J].振动、测试与诊断，2011，31（1）：27-31.SHI Linsuo，ZHANG Yazhou，MI Wenpeng.Application of wigner-ville-distribution-based spectral kurtosis algorithm to fault diagnosis of rolling bearing[J].Journal of Vibration，Measurement&Diagnosis，2011，31（1）：27-31.

[21]史习智.盲信号处理—理论与实践[M].上海：上海交通大学出版社，2008.

[22]赵洪山，邵玲，连莎莎.基于最大信噪比的风电机组主轴承故障特征提取[J].可再生能源，2015，33（3）：410-415.ZHAO Hongshan，SHAO Ling，LIAN Shasha.Method for extracting fault feature of wind turbine main bearing based on maximum signal to noise ratio[J].Renewable Energy Resources，2015，33（3）：410-415.

[23]赵洪山，郭伟，邵玲，等.基于子空间方法的风机齿轮箱故障预测算法[J].电力自动化设备，2015，35（3）：27-32.ZHAOHongshan，GUOWei，SHAOLing，etal.Gearboxfault prediction algorithm based on subspace method for wind turbine[J].Electric Power Automation Equipment，2015，35（3）：27-32.

[24]李锋.基于流形学习的风电机组传动系统故障诊断方法研究[D].重庆：重庆大学，2011.

[25]栗茂林，王孙安，梁霖.利用非线性流形学习的轴承早期故障特征提取方法[J].西安交通大学学报，2010，44（5）：45-49.LI Maolin，WANG Sun'an，LIANG Lin.Feature extraction for incipient fault diagnosis of rolling bearings based on nonlinear manifold learning[J].Journal of Xi′an Jiaotong University，2010，44（5）：45-49.

[26]安学利，蒋东翔，刘超，等.基于固有时间尺度分解的风电机组轴承故障特征提取[J].电力系统自动化，2012，36（5）：41-44.AN Xueli，JIANG Dongxiang，LIU Chao，et al.Bearing fault feature extraction of wind turbine based on intrinsic time-scale decomposition[J].Automation of Electric Power Systems，2012，36（5）：41-44.

[27]龙泉，刘永前，杨永平.基于粒子群优化BP神经网络的风电机组齿轮箱故障诊断方法[J].太阳能学报，2012，33（1）：120-125.LONG Quan，LIU Yongqian，YANG Yongping.Fault dia gnosis method of wind turbine gearbox based on BP network trained by particle swarm optimization algorithm[J].Acta Energiae Solaris Sinica，2012，33（1）：120-125.

[28]刘文艺，韩继光.基于混合时频分析方法的风电机组故障诊断[J].机械科学与技术，2013，32（1）：96-99.LIU Wenyi，HAN Jiguang.Wind turbine fault diagnosis based on the hybrid time-frequency analysis method[J].Mechanical Science and Technology for Aerospace Engineering，2013，32（1）：96-99.

[29]申戬林，王灵梅，郭东杰，等.基于改进小波包与包络谱的风电机组传动系统的故障诊断方法研究[J].太阳能学报，2014，35（9）：1771-1777.SHEN Jianlin，WANG Lingmei，GUO Dongjie，et al.Research on fault diagnosis method based on improved wavelet packet envelop spectrum of wind turbine transmission system[J].Acta Energiae Solaris Sinica，2014，35（9）：1771-1777.

[30]王军辉，贾嵘，谭泊.基于EEMD和模糊C均值聚类的风电机组齿轮箱故障诊断[J].太阳能学报，2015，36（2）：319-324.WANG Junhui，JIA Rong，TAN Bo.Fault diagnosis of wind turbine’s gearbox based on EEMD and fuzzy C means clustering[J].Acta Energiae Solaris Sinica，2015，36（2）：319-324.

[31]罗毅，甄立敏.基于小波包与倒频谱分析的风电机组齿轮箱齿轮裂纹诊断方法[J].振动与冲击，2015，34（3）：210-214.LUO Yi，ZHEN Limin.Diagnosis method of turbine gearbox gearcrack based on wavelet packet and cepstrum analysis[J].Journal of Vibration and Shock，2015，34（3）：210-214.

[32]彭华东，陈晓清，任明，等.风电机组故障智能诊断技术及系统研究[J].电网与清洁能源，2011，27（2）：61-66.PENG Huadong，CHEN Xiaoqing，REN Ming，et al.Intelligent fault diagnosis technology and system for wind turbines[J].Power System and Clean Energy，2011，27（2）：61-66.

[33]李斌，王沛然，邵盛昌，等.基于MATLAB的风电机组故障诊断方法研究[J].电网与清洁能源，2015，31（7）：88-91.LI Bin，WANG Peiran，SHAO Shengchang，et al.Study on wind turbine fault diagnosis method based on MATLAB software[J].Power System and Clean Energy，2015，31（7）：88-91.