引言

       行星齿轮箱是风力机传动链的关键部件之一。为了实现紧凑布局下的大传动比，风力机齿轮箱中包含单级或多级行星齿轮机构。由于风力机齿轮箱承受低速交变重载作用，同时受到机舱摆动、热应力、润滑等因素影响，容易出现齿面划痕、齿根裂纹、齿轮疲劳断裂、轴承保持架碎裂、滚道表面剥落等缺陷。这些故障导致传动系统振动加剧、传动效率降低、计划外停机甚至整体结构毁坏等后果，造成严重经济损失。根据德国最近10余年的统计，齿轮箱故障造成的停机时间长度超过叶片、电力系统、发电机等部件，是影响机组可靠性的重要原因。

　　由于齿轮箱运行状态直接影响到风电机组的可靠性和稳定性，因此齿轮箱便成为风电机组状态监测体系中普遍关注、重点跟踪的部件之一。

　　目前，针对齿轮箱的故障监测和预警技术主要包括振动监测、油液监测、声学监测、性能监测以及红外监测等，现阶段基于振动分析方法的故障诊断技术是目前效果最佳、运用最为普及的故障诊断技术。

　　振动监测通过采集齿轮箱运行时对应检测点的频率、幅值等参数，并根据参数的间歇性、周期性变化来评估齿轮箱的运行状态。

　　本文针对风力机齿轮箱故障诊断的振动监测技术研究现状进行综述。

       1 振动故障监测技术难点

       行星齿轮箱振动特性复杂，信号成分密集时变。风力机行星齿轮箱的振动状态监测和故障诊断问题是风电传动系统运行维护的一大难点。

　　行星齿轮箱振动信号具有以下特点：

　　(1)信号成分复杂：振动信号中包含行星齿轮机构运行过程中的特征频率成分，如太阳轮或齿圈、行星轮、支架的旋转频率;太阳轮-行星轮、行星轮-齿圈之间的啮合频率;上述频率成分的谐频成分;成组出现在旋转频率、啮合频率和谐频成分附近的边带成分。支承轴承和动力输入输出装置(如电机或联轴器)等零部件的特征频率成分经过多界面耦合传播之后，也会出现在测试信号中。

　　(2)信号具有较强的非平稳特征：在运行过程中，为配合实际设备运行工况的变化切换(如起停机、增减负荷和升降速等瞬态过程)，行星齿轮机构的转速和扭矩变化频繁，因此，振动信号的频率和幅值具有明显的时变性。在行星齿轮机构的运行过程中，位置固定的传感器(通常安装在固定的齿圈上)和齿轮啮合(太阳轮-行星轮、行星轮-齿圈)振动源之间的相对运动会对振动测试信号产生明显的幅值调制作用，使得信号具有非平稳性。行星齿轮机构故障，如齿轮和支承轴承的点蚀、脱落和裂纹等局部损伤，在运行过程中会导致冲击响应，这些瞬态冲击成分将增加振动信号的非平稳性。

　　(3)信号具有较强的非线性特征：自身复杂因素均会导致振动信号具有非线性。由于这些特点和难点，使得行星齿轮箱的故障振动机理更为复杂，振动信号具有复杂时变调制特点，迫切需要针对行星齿轮箱建立一套故障诊断方法，为动态跟踪行星齿轮箱故障萌生和演变规律、实现故障预示、动态可靠性评估以及健康管理提供重要的理论依据和技术支持。

　　基于振动监测的行星齿轮箱故障诊断的相关研究主要三部分：1)振动故障机理研究;2)故障特征提取方法;3)故障诊断模型。

      2 振动故障机理研究

       通过动力学建模仿真分析有助于定性了解行星齿轮传动系统振动故障机理和征兆规律。国内外学者对行星齿轮箱动力学问题已经进行了研究。

　　行星齿轮箱中零部件多、结构复杂，建模难度大。行星轮既自转又公转，导致啮合点到固定在箱体上的传感器之间的距离时刻变化，从而产生振动传递路径时变效应，增加了振动响应的复杂性。

　　目前常用于行星齿轮箱故障机理研究的动力学建模方法主要包括集中参数法、有限元法、刚柔耦合法。

　　以Kahraman、Parker、Mark和Hines等人为代表的学者自20世纪90年代以来对行星齿轮传动系统动力学建模分析问题进行了长期系统深入的研究。Kahraman提出了单级行星齿轮传动系统的纯扭转振动模型，应用集中参数法，计算了扭转振动固有频率。Kahraman建立了行星齿轮传动系统的非线性时变动力学模型，研究了载荷均匀分布状态下的动力学特性。Lin等综合考虑了行星齿轮传动系统的扭转振动和横向振动，建立了扭转-横向振动耦合动力学模型，分析了系统振动模态。Parker等建立了行星齿轮传动系统的有限元分析模型，通过半解析有限元列式研究了振动模态问题。Al-Shyyab等提出了行星齿轮传动系统离散非线性扭转振动模型，应用谐波平衡法研究了系统的动态响应。Ambarisha等应用集中参数模型和有限元模型分析了行星齿轮传动系统的非线性动力学特性。Inalpolat和Kahraman建立了动力学解析模型来研究行星齿轮箱振动信号的边带结构。他们考虑了行星齿轮箱的结构参数，如行星轮数量、行星轮布置相位关系、以及齿数等，并根据行星轮之间的布置相位关系，将行星齿轮箱分为五种类型，它们各自具有典型的边带结构。

　　接着其他学者基于不同的动力学建模方法对故障所引起的系统响应进行了相应研究。

　　Chaari等建立了基于时变刚度的行星齿轮传动系统动力学模型，发现太阳轮裂纹或点蚀故障时会在啮合频率及其倍频周围引起边频带。Kahraman建立了时变动力学模型研究制造误差和装配差异对行星轮载荷分配的影响。Yuksel等研究了齿轮表面损伤情况下的行星齿轮动力学行为。张俊等采用动态子结构法建立计入内齿圈柔性的行星传动刚柔耦合动力学模型。雷亚国等针推导了行星轮系正常、裂纹及剥落三种情况下的时变啮合刚度算法，考虑振动传递路径时变效应的影响，建立了相应的动力学模型。张俊等采用集中参数法建立计入裂纹损伤效应的行星齿轮箱传动-结构耦合非线性动力学模型，通过刚度激励函数与位移激励函数将裂纹损伤的效应纳入行星传动系统的非线性动力学模型。Peng等提出了一种针对于行星轮系调幅调频信号的时变转速估计方法。总体而言该方法的具体效果还有待在实测风力机振动信号中检验。Dewangan等对风力机行星轮系的幅值调制规律进行动力学建模分析，旨在厘清故障特征形成机制和分布规律，解决密集特征的辨识问题。该论文重点考虑了行星架旋转造成的幅值调制和重力影响，对于理解故障特征规律提供了一些借鉴，但未能准确地对特征分布规律进行数学建模。

　　由上述可见，国内外学者对行星齿轮传动系统动力学建模分析问题进行了广泛深入的研究，从集中参数法、有限元法到刚柔耦合模型，所采用动力学模型已经较准确的揭示时变工况下的系统模态变化和动力学响应规律，建模对象也从正常工况到简单故障工况再到较复杂工况。然而，动力学模型得到的结果尚未深入透彻地揭示多故障耦合状态下变工况行星齿轮传动系统的故障机理以及故障从小到大的故障演化机理，另外所总结归纳的征兆规律还有待在实测风力机振动信号中检验。

       3 故障特征提取方法

        针对行星齿轮箱振动信号的复杂特点，人们应用各种信号分析方法对故障特征提取问题进行了探索性研究。由于行星齿轮箱振动信号具有时变非线性、成分复杂等多种特性，常用的时域分析、频域分析方法都难以用于信号特征提取，目前常用于振动信号故障特征提取方法为时频域信号处理方法，包括短时傅里叶变换(Short time Fourier transform，STFT)、小波/小波包变换(Wavelet/Wavelet packet transform，WT/WPT)、经验模态分解(Ensemble empirical model decomposition，EMD)、集合经验模态分解(Empirical model decomposition，EMD)、变分模态分解(Variational Mode Decomposition，VMD)等算法以及这些算法的改进或综合运用。

　　Vashisht等提出了基于主动振动控制和短时傅里叶变换相结合的切换控制策略，该技术可用于检测微小裂缝的存在，并且在实际转子轴承系统中固有存在的轴承非线性和柔性轴承支撑存在的情况下也能很好地工作。Boudinar等提出了一种名为Maxima定位算法 (MLA)的新方法用于诊断以变速运行的行星轮系轴承故障，该方法将与STFT分析相关联，以仅显示谐波以及有关现有故障的有用信息。Samuel等基于提升小波方法提出了约束自适应算法检测行星齿轮机构中的轮齿损伤。该方法以预先确定的行星齿轮机构正常状态下的振动信号作为小波基函数，匹配振动信号，检测其中的变化。Saxena等应用Morlet小波对振动信号进行小波变换，从小波时频图中提取能量和方差等特征参数，用于区分行星架的正常和裂纹状态。丁伟等提出采用形态Haar小波对实测变速器齿轮振动信号进行降噪预处理，将排列熵作为变速器齿轮故障的特征值，提取了包括齿轮正常、齿面轻度磨损、齿面中度磨损和断齿等4种工况的振动信号。于泽亮等提出了一种基于EMD奇异值差分谱理论的信号处理方法，通过EMD分解齿轮原始振动加速度信号，得到若干个本征模函数;从频谱图中提取某个含有故障特征信息的本征模函数，对该分量构造hankel矩阵并对其进行奇异值分解，差分谱消噪，信号重构和希尔伯特包络解调,从而确定故障频率。王红君等提出了一种基于EEMD小波阈值去噪的振动信号处理方法，采用EEMD分解和小波阈值去噪方法对故障振动信号进行数据预处理,抑制原始振动信号中的噪声干扰.小波阈值能更好地对EEMD分解中的高频分量进行去噪处理。胡茑庆等提出了基于Hilbert-Huang变换的啮合频率邻域内能量特征以及灰色关联度分析方法来检测行星齿轮箱中的太阳轮故障。白亚红等提出了基于EMD和支持矢量机的识别方法，识别了行星齿轮箱齿轮磨损故障。Barszcz等应用谱峭度检测风电行星齿轮箱中的轮齿裂纹。王二化等在对齿轮箱的振动信号进行快速傅里叶变换和小波包变换的基础上，提取各个小波包系数的峭度和偏态， 并选择分辨率较高的小波包系数的峭度和偏态作为齿轮裂纹的故障特征。武英杰等提出了一种基于变分模态分解(VMD)滤波和极值点包络阶次的特征提取方法。对变速工况下采集的振动信号进行VMD滤波以提高信噪比，同时抑制转速波动引起的振动趋势项;搜寻滤波信号的极大值，并进行端点延拓，通过极值点插值拟合求得信号包络线;利用计算阶比跟踪技术将时域包络线转变到角度域，进而得到信号的包络阶次谱。

　　上述这些方法在处理这种非线性、非平稳信号时都有各自的不足，其中，STFT 采用固定形状和尺度的窗函数，难于同时保证信号高频和低频部分的精度， EMD 和 EEMD 容易出现模态混合的问题，小波技术的主要问题是基函数的选择难度较高，VMD 方法的局限性在于边界效应。可以看出，现有的各种信号处理方法各有优缺点，提取的特征也各有优势，如何选择最优特征仍然需要丰富的工程经验。

       4 故障诊断模型

        关于行星齿轮箱故障诊断模型的研究在近年来受到诸多关注。故障诊断模型主要是为了建立信号特征与故障类型之间的映射关系。

　　目前常用的故障诊断模型主要包括物理模型、统计模型、知识模型等。物理模型是指信号特征与故障类型之间的映射关系可通过较为清晰的表达式表示，通过建模分析和机理研究确定，映射关系直观简洁，识别模型可靠性高，是目前在实际应用中最普遍的故障诊断模型，可以通过提取的振动信号特征快速识别相应故障类型;统计模型是基于各类机器学习算法或训练建立的识别模型，通过选取合适的输入向量和算法模型，可以建立准确地故障诊断模型，但也存在需要大量数据训练、不可解释、迁移性弱、存在过拟合等问题，目前使用比较普遍的算法包括支持向量机[6](Support vector machine, SVM)、神经网络[7](Neural Network,NN)算法等;知识模型则是基于大量经验知识建立的故障诊断模型，依赖于专家对振动信号特征的研判，知识模型需要一定的先验知识和诊断专业知识设计和解释特征从而实现故障诊断，通常作为辅助识别模型，与上述两类模型进行结合使用，比如模糊算法等。

　　知识模型其实是一个智能的计算机程序系统，该系统包含了某领域的专家经验和知识。知识模型是指利用这些专家的经验和知识来处理该领域中碰到的问题。知识模型将计算机技术与人工智能相结合，用专家的经验和知识来模拟出他们的决策过程。将知识模型应用在齿轮箱的故障诊断中就是利用以往专家对齿轮箱所拥有的特征与待诊断齿轮箱进行对比，但是该模型主要不但需要大量的专家经验和知识，同时对模型对新的故障类型的处理效果不佳。

　　李群星提出了一种基于小波变换与SVM结合的风电机组齿轮箱的故障诊断方法，采用了小波分析对齿轮箱的故障特征信号进行提取，针对于故障样本量较小等情况，采用SVM对故障类别进行精确的分类。王二化等提出了基于粒子群优化的改进型SVM的齿轮裂纹故障诊断方法。先通过主成分分析(Principal Component Analysis，PCA)方法对齿轮箱振动信号的时域和频域特征进行降维，并将降维后的二维特征作为SVM模型的输入。接着利用粒子群优化算法(Particle Swarm Optimization，PSO)对SVM模型核函数的关键参数进行优化，该方法在齿轮裂纹的识别精度和计算效率方面具有优良的综合性能。张文静等人通过小波变换提取故障信号特征，并通过优化后的BP神经网络实现风电机组齿轮箱的故障诊断。邹新光提出了基于BP神经网络的齿轮故障的识别系统，采用改进EMD方法和相关系数法对角域信号进行去噪，接着进行阶次分析，选取不同阶次段的能量值作为特征向量输入到BP神经网络中进行识别。程加堂等提出一种基于混沌量子粒子群优化BP神经网络(CQPSO-BP)的故障诊断方法。在该算法中，利用混沌序列来初始化粒子的初始角位置，可提高种群的遍历性;通过引入变异操作，避免算法陷入早熟收敛，并依此来对BP神经网络的初始权值和阈值进行优化。王红君等利用布谷鸟算法优化BP神经网络对预处理后的信号进行诊断。CS-BP神经网络具有准确的模式识别精度和出色的全局寻优能力。罗佳等提出了基于BP神经网络的故障诊断模型，文中利用Daubecics小波包将不同故障的振动信号分解到各个频带，接着选择各频带的能量作为BP 神经网络的特征向量。Malik等提出了一种结合人工神经网络(ANN)和经验模态分解(EMD)的风力机发电机状态监测方法，该方法在识别不同的风力机发电机故障中不同失衡故障方面具有良好的有效性。

　　深度学习(Deep Learning)是近年发展起来的热点方向，是机器学习领域中的重要分支。其中，深度神经网络通过深度的网络结构与各种非线性转换，可以有效地提取数据深层次的特征信息， 具有很强的数据表达能力[8,9]。

　　随着深度学习技术的不断发展，一些深度学习模型逐渐被应用到时序数据故障诊断和状态监测中。在众多深度学习模型中，循环神经网络和长短期记忆神经网络应用较为普遍。循环神经网络[10](Recurrent neural network，RNN)将时序概念引入到网络结构设计中，使其在时序数据分析中表现出更强的适应性，但随着神经网络层级的增多，RNN 神经网络出现了梯度消失和梯度爆炸、长期记忆能力不足等问题，长短期记忆[11](Long short term memory，LSTM)神经网络的出现改善了此类问题，使之能够真正有效利用长时间序列信息建立模型。

　　近年来，随卷积神经网络(Convolutional Neural Network，CNN)、堆叠降噪自编码器(Stacked Denoised Autoencoder，SDAE)和深度信念网络(Deep Belief Network，DBN)作为深度神经网络的代表，在特征提取和识别方面发挥了巨大的作用。它们克服了需要人为选择数据特征的缺点，使机械设备的诊断过程更加智能化。

　　Chen等利用小波变换将振动信号转换为包含时频信息的二维信号，然后将其输入到CNN 中进行故障诊断研究。胡茑庆等提出了一种基于经验模态分解和深度卷积神经网络DCNN的故障诊断方法。首先对振动信号进行经验模态分解得到本征模态函数(Intrinsic mode function, IMF);然后利用 DCNN 融合特征信息明显的 IMF 分量，并自动提取特征;最后实现行星齿轮箱故障诊断的自动化。叶壮等提出了基于多通道一维卷积神经网络的故障特征学习方法。首先利用经验模态分解方法对信号进行处理，得到多通道一维信号;接着构建 MC-1DCNN模型， 对多通道一维信号进行特征提取。在MC-1DCNN 的SDAE层进一步进行维度缩减和特征提取并实现特征分类。罗贤缙提出了一种基于卷积神经网络的故障诊断方法，通过分析经典的LeNet-5网络结构中网络深度和各种优化技术对诊断结果的影响，设计了多个基于Inception模块的网络模型，并将变分模态分解得到的各模态以不同策略输入网络。

　　机器学习包括深度学习算法的应用确实很好的契合了风力机齿轮箱传动系统的非线性特征，实现了系统特性的准确拟合，但在建模方面存在过拟合等问题，同时在具体使用过程中也存在迁移性较差、解释性较差等问题，这都制约了相关模型在风电场景中的实际应用。

　　5 存在的问题

        尽管目前针对风力机齿轮箱故障诊断的振动监测技术的研究已经取得了丰富的成果，然而，当前的研究还存在一定的不足，具体表现在如下几个方面。

　　(1)在故障机理研究方面：①针对多故障耦合状态下的研究还较为缺乏，而实际工况中此类情况还较为普遍;②缺乏针对故障演化机理的研究，故障演化机理有助于故障的早期预警;③构建的振动模型没有把实际工况数据进行有效模拟。

　　(2)在故障特征提取方面：较少进行多重算法的融合。每种算法对于不同振动信号特性能够取得较好的处理效果，但缺少整体的在故障特征提取方法方面，对环境噪声干扰、多传递路径情况下的变工况故障特征提取的阐述较少。

　　(3)在故障诊断模型方面：①首先是模型的输入参数选择上，较少其他数据源的辅助融合。在振动;②较少进行多重算法的融合，物理模型、统计模型、知识模型各有各的优势，但目前在故障诊断模型中还难以进行有效的结合，特别是物理模型和统计模型。

　　6 展望

        随着面向风力机齿轮箱故障诊断的振动监测技术研究的深入，包括机理分析模型、信号处理和特征提取算法、诊断模型等各种技术更加完善，成果也越来越多，但针对多故障耦合状态以及故障演变机理的研究较少、同时一些新的信号降噪和分解算法也在不断更新，最后是基于多源数据的多模型结合的故障诊断模型也较少。从目前的研究动向来看，面向风力机故障诊断的振动监测技术研究有以下发展趋势:①在故障机理研究方面，针对变工况复合故障状态下的行星齿轮箱故障响应及演化机制研究;针对实际工况的模拟甚至推演数据作为齿轮箱的特性激励，这样更能反映实际复杂工况下的齿轮箱系统特性;②在故障特征提取方面，研究在有效抑制各种系统、或环境噪声的同时准确分解信号有效组分的算法;③在故障诊断模型方面，研究基于多源数据融合的多模型结合故障诊断方法，结合机器学习算法的演变方式来看，从SVM到神经网络再到深度学习，模型的层数越大，识别的准确率越高，但也带来了过拟合、不可解释性加深、适用性变弱等问题，因此需要结合各种经验知识以及物理原理对各种人工智能模型进行改进。