齿轮箱作为风力发电机连接主轴和发电机之间的重要组件,其故障仅占总故障的4%,然而因其导致的停机时间却是所有故障中最长的,致使风力发电机运维的成本增加,严重影响发电效率和经济效益。因此亟待开展风力发电机齿轮箱关键部件故障识别方法研究。本研究课题主要有以下三个研究内容:(1)风力发电机齿轮箱关键部件信号的降噪。针对风力发电机齿轮箱背景噪声干扰大、故障信息微弱的问题,提出基于自适应最大相关峭度解卷积算法的信号降噪。由于受时变风载服役环境以及间歇性工作机制的影响,风力发电机采集到的振动信号通常具有较强的背景噪声,若此时齿轮箱或其某部件产生了故障,故障信号很大程度上会被噪声所淹没,致使故障不能够被及时发现,造成的损失不可估量。因此,本文在最大相关峭度解卷积较好的降噪效果下,结合峭度值对其关键参数进行优化,以期进一步提高最大相关峭度解卷积的降噪性能。(2)风力发电机齿轮箱关键部件故障特征的提取。针对“非平稳”和“非线性”特性导致难以提取风力发电机齿轮箱关键部件故障特征的问题,提出基于免疫遗传算法优化的变分模态分解与改进多尺度排列熵相结合的故障特征提取与特征向量集构建。风机各部件相互之间具有很强的耦合性,加之服役环境和工作机制的特殊性,因此其振动信号具有耦合调制的特点,呈现出非平稳性的振动信号,而传统的信号处理方法在处理非平稳性信号方面显得力不从心。因为变分模态分解处理非平稳性信号的性能优越,所以本文结合变分模态分解和免疫遗传算法通过提取分解后信号的改进多尺度排列熵,以期构建故障特征向量集。(3)风力发电机齿轮箱关键部件故障迁移学习方法。典型故障诊断在模式识别方面是以“故障数据充足”和“故障类型明确”为模型训练和故障识别的前提条件的,即能够获取大量的故障数据,同时所获取数据的故障类型已知。而风力发电机齿轮箱关键部件的数据则与此相反,具有价值密度低(正常状态下数据远多于其他状态下数据)、可利用率低(绝大部分数据的数据类型并不明确)。而由于风力发电机不可频繁停机自检故障且人工标记数据费时费力,致使标记数据代价高昂,造成监测数据健康标记信息的匮乏。因此,提出基于改进的多核半监督迁移成分分析的迁移学习,充分利用试验设备数据中丰富的典型故障信息和充足的可用样本,弥补实际数据的典型故障信息缺失和健康标记信息匮乏的问题。本研究课题将风力发电机齿轮箱关键组件作为研究对象,基于最大相关峭度解卷积、免疫遗传算法、变分模态分解、改进多尺度排列熵以及改进的多核半监督迁移成分分析相关理论与方法,围绕振动信号的降噪与故障辨识、智能诊断领域的多样本特征提取、基于半监督迁移成分分析的故障识别进行研究。通过实验验证了所提方法的有效性。