崔慧娟，李锁牢，刘小英，刘志勇

(咸阳职业技术学院机电（技师）学院， 陕西 咸阳712000)

基金项目：陕西省教育厅2019年度科学研究计划项目（19JK0935）

作者简介：崔慧娟（1985—），女，讲师，硕士，主要研究方向为机电一体化与机械装备故障诊断，j6r5eu@163.com.

摘要：针对风机齿轮箱早期故障信号信噪比低且故障难以准确诊断的问题，提出了基于集合局部均值分解( ELMD)与离散隐马尔科夫模型(DHMM)的风机齿轮箱故障诊断方法。首先对风机齿轮箱故障振动信号进行ELMD分解，得到一系列的乘积分量(PF)，再对每个PF与原始信号求取相关系数进而滤除噪声信号以及由分解引起的虚假分量，然后对新信号进行标量量化处理得到特征向量，最后将每种状态下的特征向量输入已训练收敛的离散隐马尔科夫模型库进行状态判别并得出诊断结果。实验结果表明，对于风机齿轮箱早期故障诊断，所提出的方法具有一定的有效性和实用性。

关键词：风机齿轮箱；集合局部均值分解；离散隐马尔可夫模型；故障诊断

中图分类号：TH117   文献标识码：A   文章编号：2095-509X(2020)04-0108-04

随着化石能源日益枯竭，风电作为清洁、可持续的能源为人们的生产生活带来了源源不断的电能，其正扮演着越来越重要的角色［1-2］，而如果风电机组发生故障势必对电能的输送造成影响，故对风电机组的故障能够及时、准确地诊断并最终排除故障将对社会发展产生积极影响［3］。齿轮箱作为风电机组的重要组成部分，其若发生故障将造成风机系统损坏甚至瘫痪，故及时诊断齿轮箱故障意义重大［4-5］。齿轮箱故障主要有4种类型，即断齿、齿面胶合、齿面磨损以及齿面点蚀。如果在这些故障发生的早期就能够被预测、诊断，将对齿轮故障的排除发挥积极作用［6］。

针对齿轮箱早期故障，近年来国内外学者开展了一系列深入研究。Medina等［7］运用符号动力学算法(symbolic dynamics algorithm, SDA)对齿轮箱故障信号特征进行提取，首先将庞加莱图描述的相空间细分为几个角度区域来分析，然后将符号分配给每个区域，由符号集所生成的概率分布所对应的数据特征将作为齿轮箱中故障分类的特征，研究结果表明齿轮箱故障诊断率提高到99.8%。Zhang等［8］提出运用调频经验模态分解(frequency-modulated empirical mode decomposition, FM-EMD)与能量熵(energy entropy, EE)对齿轮箱故障进行故障诊断。首先利用FM-EMD对初始振动信号进行处理得到几种平稳的固有模式函数(IMF)，然后通过计算EE所得出的能量分布结果来反映与故障相关的振动信号的变化，最后能量分布所对应的值经过量化处理后可以作为支持向量机(support vector machine, SVM)的特征向量来识别齿轮箱的动态状态和故障类型。李莎［9］运用小波降噪与局部波分解相结合的方法开展了齿轮箱故障诊断的研究，首先对原始信号进行小波降噪，然后对降噪后的信号进行局部波分解并作出功率谱图。王斌等［10］首先运用互补集合经验模态分解(complementary set empirical mode decomposition, CSEMD)与多尺度排列熵(multi-scale permutation entropy algorithm, MPE)相结合的方法对齿轮箱故障进行了故障特征提取，然后运用极限学习机(extreme learning machine, ELM)对故障进行识别。简而言之，上述齿轮箱故障诊断方法大多忽略了齿轮箱故障特征信号信噪比低的问题，且后期提取的故障特征存在虚假特征。