引言

? ? ? ?行星齒輪箱是風(fēng)力機(jī)傳動鏈的關(guān)鍵部件之一。為了實(shí)現(xiàn)緊湊布局下的大傳動比，風(fēng)力機(jī)齒輪箱中包含單級或多級行星齒輪機(jī)構(gòu)。由于風(fēng)力機(jī)齒輪箱承受低速交變重載作用，同時受到機(jī)艙擺動、熱應(yīng)力、潤滑等因素影響，容易出現(xiàn)齒面劃痕、齒根裂紋、齒輪疲勞斷裂、軸承保持架碎裂、滾道表面剝落等缺陷。這些故障導(dǎo)致傳動系統(tǒng)振動加劇、傳動效率降低、計劃外停機(jī)甚至整體結(jié)構(gòu)毀壞等后果，造成嚴(yán)重經(jīng)濟(jì)損失。根據(jù)德國最近10余年的統(tǒng)計，齒輪箱故障造成的停機(jī)時間長度超過葉片、電力系統(tǒng)、發(fā)電機(jī)等部件，是影響機(jī)組可靠性的重要原因。

　　由于齒輪箱運(yùn)行狀態(tài)直接影響到風(fēng)電機(jī)組的可靠性和穩(wěn)定性，因此齒輪箱便成為風(fēng)電機(jī)組狀態(tài)監(jiān)測體系中普遍關(guān)注、重點(diǎn)跟蹤的部件之一。

　　目前，針對齒輪箱的故障監(jiān)測和預(yù)警技術(shù)主要包括振動監(jiān)測、油液監(jiān)測、聲學(xué)監(jiān)測、性能監(jiān)測以及紅外監(jiān)測等，現(xiàn)階段基于振動分析方法的故障診斷技術(shù)是目前效果最佳、運(yùn)用最為普及的故障診斷技術(shù)。

　　振動監(jiān)測通過采集齒輪箱運(yùn)行時對應(yīng)檢測點(diǎn)的頻率、幅值等參數(shù)，并根據(jù)參數(shù)的間歇性、周期性變化來評估齒輪箱的運(yùn)行狀態(tài)。

　　本文針對風(fēng)力機(jī)齒輪箱故障診斷的振動監(jiān)測技術(shù)研究現(xiàn)狀進(jìn)行綜述。

? ? ? ?1 振動故障監(jiān)測技術(shù)難點(diǎn)

? ? ? ?行星齒輪箱振動特性復(fù)雜，信號成分密集時變。風(fēng)力機(jī)行星齒輪箱的振動狀態(tài)監(jiān)測和故障診斷問題是風(fēng)電傳動系統(tǒng)運(yùn)行維護(hù)的一大難點(diǎn)。

　　行星齒輪箱振動信號具有以下特點(diǎn)：

　　(1)信號成分復(fù)雜：振動信號中包含行星齒輪機(jī)構(gòu)運(yùn)行過程中的特征頻率成分，如太陽輪或齒圈、行星輪、支架的旋轉(zhuǎn)頻率;太陽輪-行星輪、行星輪-齒圈之間的嚙合頻率;上述頻率成分的諧頻成分;成組出現(xiàn)在旋轉(zhuǎn)頻率、嚙合頻率和諧頻成分附近的邊帶成分。支承軸承和動力輸入輸出裝置(如電機(jī)或聯(lián)軸器)等零部件的特征頻率成分經(jīng)過多界面耦合傳播之后，也會出現(xiàn)在測試信號中。

　　(2)信號具有較強(qiáng)的非平穩(wěn)特征：在運(yùn)行過程中，為配合實(shí)際設(shè)備運(yùn)行工況的變化切換(如起停機(jī)、增減負(fù)荷和升降速等瞬態(tài)過程)，行星齒輪機(jī)構(gòu)的轉(zhuǎn)速和扭矩變化頻繁，因此，振動信號的頻率和幅值具有明顯的時變性。在行星齒輪機(jī)構(gòu)的運(yùn)行過程中，位置固定的傳感器(通常安裝在固定的齒圈上)和齒輪嚙合(太陽輪-行星輪、行星輪-齒圈)振動源之間的相對運(yùn)動會對振動測試信號產(chǎn)生明顯的幅值調(diào)制作用，使得信號具有非平穩(wěn)性。行星齒輪機(jī)構(gòu)故障，如齒輪和支承軸承的點(diǎn)蝕、脫落和裂紋等局部損傷，在運(yùn)行過程中會導(dǎo)致沖擊響應(yīng)，這些瞬態(tài)沖擊成分將增加振動信號的非平穩(wěn)性。

　　(3)信號具有較強(qiáng)的非線性特征：自身復(fù)雜因素均會導(dǎo)致振動信號具有非線性。由于這些特點(diǎn)和難點(diǎn)，使得行星齒輪箱的故障振動機(jī)理更為復(fù)雜，振動信號具有復(fù)雜時變調(diào)制特點(diǎn)，迫切需要針對行星齒輪箱建立一套故障診斷方法，為動態(tài)跟蹤行星齒輪箱故障萌生和演變規(guī)律、實(shí)現(xiàn)故障預(yù)示、動態(tài)可靠性評估以及健康管理提供重要的理論依據(jù)和技術(shù)支持。

　　基于振動監(jiān)測的行星齒輪箱故障診斷的相關(guān)研究主要三部分：1)振動故障機(jī)理研究;2)故障特征提取方法;3)故障診斷模型。

? ? ? 2 振動故障機(jī)理研究

? ? ? ?通過動力學(xué)建模仿真分析有助于定性了解行星齒輪傳動系統(tǒng)振動故障機(jī)理和征兆規(guī)律。國內(nèi)外學(xué)者對行星齒輪箱動力學(xué)問題已經(jīng)進(jìn)行了研究。

　　行星齒輪箱中零部件多、結(jié)構(gòu)復(fù)雜，建模難度大。行星輪既自轉(zhuǎn)又公轉(zhuǎn)，導(dǎo)致嚙合點(diǎn)到固定在箱體上的傳感器之間的距離時刻變化，從而產(chǎn)生振動傳遞路徑時變效應(yīng)，增加了振動響應(yīng)的復(fù)雜性。

　　目前常用于行星齒輪箱故障機(jī)理研究的動力學(xué)建模方法主要包括集中參數(shù)法、有限元法、剛?cè)狁詈戏ā?/p>

　　以Kahraman、Parker、Mark和Hines等人為代表的學(xué)者自20世紀(jì)90年代以來對行星齒輪傳動系統(tǒng)動力學(xué)建模分析問題進(jìn)行了長期系統(tǒng)深入的研究。Kahraman提出了單級行星齒輪傳動系統(tǒng)的純扭轉(zhuǎn)振動模型，應(yīng)用集中參數(shù)法，計算了扭轉(zhuǎn)振動固有頻率。Kahraman建立了行星齒輪傳動系統(tǒng)的非線性時變動力學(xué)模型，研究了載荷均勻分布狀態(tài)下的動力學(xué)特性。Lin等綜合考慮了行星齒輪傳動系統(tǒng)的扭轉(zhuǎn)振動和橫向振動，建立了扭轉(zhuǎn)-橫向振動耦合動力學(xué)模型，分析了系統(tǒng)振動模態(tài)。Parker等建立了行星齒輪傳動系統(tǒng)的有限元分析模型，通過半解析有限元列式研究了振動模態(tài)問題。Al-Shyyab等提出了行星齒輪傳動系統(tǒng)離散非線性扭轉(zhuǎn)振動模型，應(yīng)用諧波平衡法研究了系統(tǒng)的動態(tài)響應(yīng)。Ambarisha等應(yīng)用集中參數(shù)模型和有限元模型分析了行星齒輪傳動系統(tǒng)的非線性動力學(xué)特性。Inalpolat和Kahraman建立了動力學(xué)解析模型來研究行星齒輪箱振動信號的邊帶結(jié)構(gòu)。他們考慮了行星齒輪箱的結(jié)構(gòu)參數(shù)，如行星輪數(shù)量、行星輪布置相位關(guān)系、以及齒數(shù)等，并根據(jù)行星輪之間的布置相位關(guān)系，將行星齒輪箱分為五種類型，它們各自具有典型的邊帶結(jié)構(gòu)。

　　接著其他學(xué)者基于不同的動力學(xué)建模方法對故障所引起的系統(tǒng)響應(yīng)進(jìn)行了相應(yīng)研究。

　　Chaari等建立了基于時變剛度的行星齒輪傳動系統(tǒng)動力學(xué)模型，發(fā)現(xiàn)太陽輪裂紋或點(diǎn)蝕故障時會在嚙合頻率及其倍頻周圍引起邊頻帶。Kahraman建立了時變動力學(xué)模型研究制造誤差和裝配差異對行星輪載荷分配的影響。Yuksel等研究了齒輪表面損傷情況下的行星齒輪動力學(xué)行為。張俊等采用動態(tài)子結(jié)構(gòu)法建立計入內(nèi)齒圈柔性的行星傳動剛?cè)狁詈蟿恿W(xué)模型。雷亞國等針推導(dǎo)了行星輪系正常、裂紋及剝落三種情況下的時變嚙合剛度算法，考慮振動傳遞路徑時變效應(yīng)的影響，建立了相應(yīng)的動力學(xué)模型。張俊等采用集中參數(shù)法建立計入裂紋損傷效應(yīng)的行星齒輪箱傳動-結(jié)構(gòu)耦合非線性動力學(xué)模型，通過剛度激勵函數(shù)與位移激勵函數(shù)將裂紋損傷的效應(yīng)納入行星傳動系統(tǒng)的非線性動力學(xué)模型。Peng等提出了一種針對于行星輪系調(diào)幅調(diào)頻信號的時變轉(zhuǎn)速估計方法。總體而言該方法的具體效果還有待在實(shí)測風(fēng)力機(jī)振動信號中檢驗(yàn)。Dewangan等對風(fēng)力機(jī)行星輪系的幅值調(diào)制規(guī)律進(jìn)行動力學(xué)建模分析，旨在厘清故障特征形成機(jī)制和分布規(guī)律，解決密集特征的辨識問題。該論文重點(diǎn)考慮了行星架旋轉(zhuǎn)造成的幅值調(diào)制和重力影響，對于理解故障特征規(guī)律提供了一些借鑒，但未能準(zhǔn)確地對特征分布規(guī)律進(jìn)行數(shù)學(xué)建模。

　　由上述可見，國內(nèi)外學(xué)者對行星齒輪傳動系統(tǒng)動力學(xué)建模分析問題進(jìn)行了廣泛深入的研究，從集中參數(shù)法、有限元法到剛?cè)狁詈夏Ｐ停捎脛恿W(xué)模型已經(jīng)較準(zhǔn)確的揭示時變工況下的系統(tǒng)模態(tài)變化和動力學(xué)響應(yīng)規(guī)律，建模對象也從正常工況到簡單故障工況再到較復(fù)雜工況。然而，動力學(xué)模型得到的結(jié)果尚未深入透徹地揭示多故障耦合狀態(tài)下變工況行星齒輪傳動系統(tǒng)的故障機(jī)理以及故障從小到大的故障演化機(jī)理，另外所總結(jié)歸納的征兆規(guī)律還有待在實(shí)測風(fēng)力機(jī)振動信號中檢驗(yàn)。

? ? ? ?3 故障特征提取方法

? ? ? ? 針對行星齒輪箱振動信號的復(fù)雜特點(diǎn)，人們應(yīng)用各種信號分析方法對故障特征提取問題進(jìn)行了探索性研究。由于行星齒輪箱振動信號具有時變非線性、成分復(fù)雜等多種特性，常用的時域分析、頻域分析方法都難以用于信號特征提取，目前常用于振動信號故障特征提取方法為時頻域信號處理方法，包括短時傅里葉變換(Short time Fourier transform，STFT)、小波/小波包變換(Wavelet/Wavelet packet transform，WT/WPT)、經(jīng)驗(yàn)?zāi)B(tài)分解(Ensemble empirical model decomposition，EMD)、集合經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical model decomposition，EMD)、變分模態(tài)分解(Variational Mode Decomposition，VMD)等算法以及這些算法的改進(jìn)或綜合運(yùn)用。

　　Vashisht等提出了基于主動振動控制和短時傅里葉變換相結(jié)合的切換控制策略，該技術(shù)可用于檢測微小裂縫的存在，并且在實(shí)際轉(zhuǎn)子軸承系統(tǒng)中固有存在的軸承非線性和柔性軸承支撐存在的情況下也能很好地工作。Boudinar等提出了一種名為Maxima定位算法 (MLA)的新方法用于診斷以變速運(yùn)行的行星輪系軸承故障，該方法將與STFT分析相關(guān)聯(lián)，以僅顯示諧波以及有關(guān)現(xiàn)有故障的有用信息。Samuel等基于提升小波方法提出了約束自適應(yīng)算法檢測行星齒輪機(jī)構(gòu)中的輪齒損傷。該方法以預(yù)先確定的行星齒輪機(jī)構(gòu)正常狀態(tài)下的振動信號作為小波基函數(shù)，匹配振動信號，檢測其中的變化。Saxena等應(yīng)用Morlet小波對振動信號進(jìn)行小波變換，從小波時頻圖中提取能量和方差等特征參數(shù)，用于區(qū)分行星架的正常和裂紋狀態(tài)。丁偉等提出采用形態(tài)Haar小波對實(shí)測變速器齒輪振動信號進(jìn)行降噪預(yù)處理，將排列熵作為變速器齒輪故障的特征值，提取了包括齒輪正常、齒面輕度磨損、齒面中度磨損和斷齒等4種工況的振動信號。于澤亮等提出了一種基于EMD奇異值差分譜理論的信號處理方法，通過EMD分解齒輪原始振動加速度信號，得到若干個本征模函數(shù);從頻譜圖中提取某個含有故障特征信息的本征模函數(shù)，對該分量構(gòu)造hankel矩陣并對其進(jìn)行奇異值分解，差分譜消噪，信號重構(gòu)和希爾伯特包絡(luò)解調(diào),從而確定故障頻率。王紅君等提出了一種基于EEMD小波閾值去噪的振動信號處理方法，采用EEMD分解和小波閾值去噪方法對故障振動信號進(jìn)行數(shù)據(jù)預(yù)處理,抑制原始振動信號中的噪聲干擾.小波閾值能更好地對EEMD分解中的高頻分量進(jìn)行去噪處理。胡蔦慶等提出了基于Hilbert-Huang變換的嚙合頻率鄰域內(nèi)能量特征以及灰色關(guān)聯(lián)度分析方法來檢測行星齒輪箱中的太陽輪故障。白亞紅等提出了基于EMD和支持矢量機(jī)的識別方法，識別了行星齒輪箱齒輪磨損故障。Barszcz等應(yīng)用譜峭度檢測風(fēng)電行星齒輪箱中的輪齒裂紋。王二化等在對齒輪箱的振動信號進(jìn)行快速傅里葉變換和小波包變換的基礎(chǔ)上，提取各個小波包系數(shù)的峭度和偏態(tài)， 并選擇分辨率較高的小波包系數(shù)的峭度和偏態(tài)作為齒輪裂紋的故障特征。武英杰等提出了一種基于變分模態(tài)分解(VMD)濾波和極值點(diǎn)包絡(luò)階次的特征提取方法。對變速工況下采集的振動信號進(jìn)行VMD濾波以提高信噪比，同時抑制轉(zhuǎn)速波動引起的振動趨勢項(xiàng);搜尋濾波信號的極大值，并進(jìn)行端點(diǎn)延拓，通過極值點(diǎn)插值擬合求得信號包絡(luò)線;利用計算階比跟蹤技術(shù)將時域包絡(luò)線轉(zhuǎn)變到角度域，進(jìn)而得到信號的包絡(luò)階次譜。

　　上述這些方法在處理這種非線性、非平穩(wěn)信號時都有各自的不足，其中，STFT 采用固定形狀和尺度的窗函數(shù)，難于同時保證信號高頻和低頻部分的精度， EMD 和 EEMD 容易出現(xiàn)模態(tài)混合的問題，小波技術(shù)的主要問題是基函數(shù)的選擇難度較高，VMD 方法的局限性在于邊界效應(yīng)?？梢钥闯?，現(xiàn)有的各種信號處理方法各有優(yōu)缺點(diǎn)，提取的特征也各有優(yōu)勢，如何選擇最優(yōu)特征仍然需要豐富的工程經(jīng)驗(yàn)。

? ? ? ?4 故障診斷模型

? ? ? ? 關(guān)于行星齒輪箱故障診斷模型的研究在近年來受到諸多關(guān)注。故障診斷模型主要是為了建立信號特征與故障類型之間的映射關(guān)系。

　　目前常用的故障診斷模型主要包括物理模型、統(tǒng)計模型、知識模型等。物理模型是指信號特征與故障類型之間的映射關(guān)系可通過較為清晰的表達(dá)式表示，通過建模分析和機(jī)理研究確定，映射關(guān)系直觀簡潔，識別模型可靠性高，是目前在實(shí)際應(yīng)用中最普遍的故障診斷模型，可以通過提取的振動信號特征快速識別相應(yīng)故障類型;統(tǒng)計模型是基于各類機(jī)器學(xué)習(xí)算法或訓(xùn)練建立的識別模型，通過選取合適的輸入向量和算法模型，可以建立準(zhǔn)確地故障診斷模型，但也存在需要大量數(shù)據(jù)訓(xùn)練、不可解釋、遷移性弱、存在過擬合等問題，目前使用比較普遍的算法包括支持向量機(jī)[6](Support vector machine, SVM)、神經(jīng)網(wǎng)絡(luò)[7](Neural Network,NN)算法等;知識模型則是基于大量經(jīng)驗(yàn)知識建立的故障診斷模型，依賴于專家對振動信號特征的研判，知識模型需要一定的先驗(yàn)知識和診斷專業(yè)知識設(shè)計和解釋特征從而實(shí)現(xiàn)故障診斷，通常作為輔助識別模型，與上述兩類模型進(jìn)行結(jié)合使用，比如模糊算法等。

　　知識模型其實(shí)是一個智能的計算機(jī)程序系統(tǒng)，該系統(tǒng)包含了某領(lǐng)域的專家經(jīng)驗(yàn)和知識。知識模型是指利用這些專家的經(jīng)驗(yàn)和知識來處理該領(lǐng)域中碰到的問題。知識模型將計算機(jī)技術(shù)與人工智能相結(jié)合，用專家的經(jīng)驗(yàn)和知識來模擬出他們的決策過程。將知識模型應(yīng)用在齒輪箱的故障診斷中就是利用以往專家對齒輪箱所擁有的特征與待診斷齒輪箱進(jìn)行對比，但是該模型主要不但需要大量的專家經(jīng)驗(yàn)和知識，同時對模型對新的故障類型的處理效果不佳。

　　李群星提出了一種基于小波變換與SVM結(jié)合的風(fēng)電機(jī)組齒輪箱的故障診斷方法，采用了小波分析對齒輪箱的故障特征信號進(jìn)行提取，針對于故障樣本量較小等情況，采用SVM對故障類別進(jìn)行精確的分類。王二化等提出了基于粒子群優(yōu)化的改進(jìn)型SVM的齒輪裂紋故障診斷方法。先通過主成分分析(Principal Component Analysis，PCA)方法對齒輪箱振動信號的時域和頻域特征進(jìn)行降維，并將降維后的二維特征作為SVM模型的輸入。接著利用粒子群優(yōu)化算法(Particle Swarm Optimization，PSO)對SVM模型核函數(shù)的關(guān)鍵參數(shù)進(jìn)行優(yōu)化，該方法在齒輪裂紋的識別精度和計算效率方面具有優(yōu)良的綜合性能。張文靜等人通過小波變換提取故障信號特征，并通過優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)風(fēng)電機(jī)組齒輪箱的故障診斷。鄒新光提出了基于BP神經(jīng)網(wǎng)絡(luò)的齒輪故障的識別系統(tǒng)，采用改進(jìn)EMD方法和相關(guān)系數(shù)法對角域信號進(jìn)行去噪，接著進(jìn)行階次分析，選取不同階次段的能量值作為特征向量輸入到BP神經(jīng)網(wǎng)絡(luò)中進(jìn)行識別。程加堂等提出一種基于混沌量子粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)(CQPSO-BP)的故障診斷方法。在該算法中，利用混沌序列來初始化粒子的初始角位置，可提高種群的遍歷性;通過引入變異操作，避免算法陷入早熟收斂，并依此來對BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值進(jìn)行優(yōu)化。王紅君等利用布谷鳥算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)對預(yù)處理后的信號進(jìn)行診斷。CS-BP神經(jīng)網(wǎng)絡(luò)具有準(zhǔn)確的模式識別精度和出色的全局尋優(yōu)能力。羅佳等提出了基于BP神經(jīng)網(wǎng)絡(luò)的故障診斷模型，文中利用Daubecics小波包將不同故障的振動信號分解到各個頻帶，接著選擇各頻帶的能量作為BP 神經(jīng)網(wǎng)絡(luò)的特征向量。Malik等提出了一種結(jié)合人工神經(jīng)網(wǎng)絡(luò)(ANN)和經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)的風(fēng)力機(jī)發(fā)電機(jī)狀態(tài)監(jiān)測方法，該方法在識別不同的風(fēng)力機(jī)發(fā)電機(jī)故障中不同失衡故障方面具有良好的有效性。

　　深度學(xué)習(xí)(Deep Learning)是近年發(fā)展起來的熱點(diǎn)方向，是機(jī)器學(xué)習(xí)領(lǐng)域中的重要分支。其中，深度神經(jīng)網(wǎng)絡(luò)通過深度的網(wǎng)絡(luò)結(jié)構(gòu)與各種非線性轉(zhuǎn)換，可以有效地提取數(shù)據(jù)深層次的特征信息， 具有很強(qiáng)的數(shù)據(jù)表達(dá)能力[8,9]。

　　隨著深度學(xué)習(xí)技術(shù)的不斷發(fā)展，一些深度學(xué)習(xí)模型逐漸被應(yīng)用到時序數(shù)據(jù)故障診斷和狀態(tài)監(jiān)測中。在眾多深度學(xué)習(xí)模型中，循環(huán)神經(jīng)網(wǎng)絡(luò)和長短期記憶神經(jīng)網(wǎng)絡(luò)應(yīng)用較為普遍。循環(huán)神經(jīng)網(wǎng)絡(luò)[10](Recurrent neural network，RNN)將時序概念引入到網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計中，使其在時序數(shù)據(jù)分析中表現(xiàn)出更強(qiáng)的適應(yīng)性，但隨著神經(jīng)網(wǎng)絡(luò)層級的增多，RNN 神經(jīng)網(wǎng)絡(luò)出現(xiàn)了梯度消失和梯度爆炸、長期記憶能力不足等問題，長短期記憶[11](Long short term memory，LSTM)神經(jīng)網(wǎng)絡(luò)的出現(xiàn)改善了此類問題，使之能夠真正有效利用長時間序列信息建立模型。

　　近年來，隨卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)、堆疊降噪自編碼器(Stacked Denoised Autoencoder，SDAE)和深度信念網(wǎng)絡(luò)(Deep Belief Network，DBN)作為深度神經(jīng)網(wǎng)絡(luò)的代表，在特征提取和識別方面發(fā)揮了巨大的作用。它們克服了需要人為選擇數(shù)據(jù)特征的缺點(diǎn)，使機(jī)械設(shè)備的診斷過程更加智能化。

　　Chen等利用小波變換將振動信號轉(zhuǎn)換為包含時頻信息的二維信號，然后將其輸入到CNN 中進(jìn)行故障診斷研究。胡蔦慶等提出了一種基于經(jīng)驗(yàn)?zāi)B(tài)分解和深度卷積神經(jīng)網(wǎng)絡(luò)DCNN的故障診斷方法。首先對振動信號進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解得到本征模態(tài)函數(shù)(Intrinsic mode function, IMF);然后利用 DCNN 融合特征信息明顯的 IMF 分量，并自動提取特征;最后實(shí)現(xiàn)行星齒輪箱故障診斷的自動化。葉壯等提出了基于多通道一維卷積神經(jīng)網(wǎng)絡(luò)的故障特征學(xué)習(xí)方法。首先利用經(jīng)驗(yàn)?zāi)B(tài)分解方法對信號進(jìn)行處理，得到多通道一維信號;接著構(gòu)建 MC-1DCNN模型， 對多通道一維信號進(jìn)行特征提取。在MC-1DCNN 的SDAE層進(jìn)一步進(jìn)行維度縮減和特征提取并實(shí)現(xiàn)特征分類。羅賢縉提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的故障診斷方法，通過分析經(jīng)典的LeNet-5網(wǎng)絡(luò)結(jié)構(gòu)中網(wǎng)絡(luò)深度和各種優(yōu)化技術(shù)對診斷結(jié)果的影響，設(shè)計了多個基于Inception模塊的網(wǎng)絡(luò)模型，并將變分模態(tài)分解得到的各模態(tài)以不同策略輸入網(wǎng)絡(luò)。

　　機(jī)器學(xué)習(xí)包括深度學(xué)習(xí)算法的應(yīng)用確實(shí)很好的契合了風(fēng)力機(jī)齒輪箱傳動系統(tǒng)的非線性特征，實(shí)現(xiàn)了系統(tǒng)特性的準(zhǔn)確擬合，但在建模方面存在過擬合等問題，同時在具體使用過程中也存在遷移性較差、解釋性較差等問題，這都制約了相關(guān)模型在風(fēng)電場景中的實(shí)際應(yīng)用。

　　5 存在的問題

? ? ? ? 盡管目前針對風(fēng)力機(jī)齒輪箱故障診斷的振動監(jiān)測技術(shù)的研究已經(jīng)取得了豐富的成果，然而，當(dāng)前的研究還存在一定的不足，具體表現(xiàn)在如下幾個方面。

　　(1)在故障機(jī)理研究方面：①針對多故障耦合狀態(tài)下的研究還較為缺乏，而實(shí)際工況中此類情況還較為普遍;②缺乏針對故障演化機(jī)理的研究，故障演化機(jī)理有助于故障的早期預(yù)警;③構(gòu)建的振動模型沒有把實(shí)際工況數(shù)據(jù)進(jìn)行有效模擬。

　　(2)在故障特征提取方面：較少進(jìn)行多重算法的融合。每種算法對于不同振動信號特性能夠取得較好的處理效果，但缺少整體的在故障特征提取方法方面，對環(huán)境噪聲干擾、多傳遞路徑情況下的變工況故障特征提取的闡述較少。

　　(3)在故障診斷模型方面：①首先是模型的輸入?yún)?shù)選擇上，較少其他數(shù)據(jù)源的輔助融合。在振動;②較少進(jìn)行多重算法的融合，物理模型、統(tǒng)計模型、知識模型各有各的優(yōu)勢，但目前在故障診斷模型中還難以進(jìn)行有效的結(jié)合，特別是物理模型和統(tǒng)計模型。

　　6 展望

? ? ? ? 隨著面向風(fēng)力機(jī)齒輪箱故障診斷的振動監(jiān)測技術(shù)研究的深入，包括機(jī)理分析模型、信號處理和特征提取算法、診斷模型等各種技術(shù)更加完善，成果也越來越多，但針對多故障耦合狀態(tài)以及故障演變機(jī)理的研究較少、同時一些新的信號降噪和分解算法也在不斷更新，最后是基于多源數(shù)據(jù)的多模型結(jié)合的故障診斷模型也較少。從目前的研究動向來看，面向風(fēng)力機(jī)故障診斷的振動監(jiān)測技術(shù)研究有以下發(fā)展趨勢:①在故障機(jī)理研究方面，針對變工況復(fù)合故障狀態(tài)下的行星齒輪箱故障響應(yīng)及演化機(jī)制研究;針對實(shí)際工況的模擬甚至推演數(shù)據(jù)作為齒輪箱的特性激勵，這樣更能反映實(shí)際復(fù)雜工況下的齒輪箱系統(tǒng)特性;②在故障特征提取方面，研究在有效抑制各種系統(tǒng)、或環(huán)境噪聲的同時準(zhǔn)確分解信號有效組分的算法;③在故障診斷模型方面，研究基于多源數(shù)據(jù)融合的多模型結(jié)合故障診斷方法，結(jié)合機(jī)器學(xué)習(xí)算法的演變方式來看，從SVM到神經(jīng)網(wǎng)絡(luò)再到深度學(xué)習(xí)，模型的層數(shù)越大，識別的準(zhǔn)確率越高，但也帶來了過擬合、不可解釋性加深、適用性變?nèi)醯葐栴}，因此需要結(jié)合各種經(jīng)驗(yàn)知識以及物理原理對各種人工智能模型進(jìn)行改進(jìn)。