風力發電機振動監測與故障診斷方法綜述

李浪，劉輝海，趙洪山

（1.無錫供電公司，江蘇無錫 214000；2.華北電力大學電氣與電子工程學院，河北保定 071003）

風力發電作為一種清潔、高效、可再生的新型能源，近年來發展十分迅速發。據中國風能協會的數據統計，截止到2015年，我國風電并網總裝機容量已經高達145 GW，躍居世界第一。風電場的位置一般坐落在偏遠的山區，交通條件十分不便，并且機艙通常位于幾十米甚至上百米的高空，一旦風電機組發生故障，不僅會由于風電機組長時間停機造成經濟損失，還會產生高額的維修成本。因此，研究風電機組的狀態監測與故障診斷方法，對減小維修成本，提高機組運行經濟性，具有非常重要的意義[1]。

振動監測是一種有效的風電機組狀態監測方法，尤其適用于旋轉機械設備[2]。該方法是通過采集風電機組關鍵設備上的振動信號，并進行分析處理，提取出反映風電機組故障的特征信息，進而根據這些特征信息診斷出故障的具體類型、程度、部位及發展趨勢。近年來不少學者對風電機組振動監測與故障診斷技術進行了深入研究，提出了許多關于振動信號分析的方法，其中不少分析方法已經在風電機組的故障診斷中得到了應用[3-6]。

本文首先簡要介紹了風力發電機的結構及故障特點，然后對近些年國內外風力發電機振動監測與故障診斷相關研究進行了深入的探討，通過對各種方法分類來具體分析各類方法的優缺點和應用情況。最后結合風電機組故障診斷技術的研究現狀和不足，對其未來的發展方向進行了展望。

1 風力發電機結構及故障特點

風電機組的基本功能是利用風輪系統吸收風能并轉換成機械能，然后通過傳動系統把機械能傳遞到發電機系統，接著由發電機將其轉化為電能，最終通過并網將電能輸出來完成將風能轉化為電能的整個過程。在此過程中，除了風輪系統、傳動系統、發電機系統之外，還有其他系統直接或間接地參與了電能的轉換。這些系統完整地構成了整個風電機組。圖1展示了風電機組的基本構成[3]。盡管風電機組的類型很多，但是其基本工作原理以及基本結構相似。風電機組主要包括風輪系統、主軸系統、齒輪箱系統、發電機系統、偏航系統、控制系統、制動系統、液壓系統、機艙、塔架及其他輔助系統等。

圖1 風力發電機的基本結構示意圖Fig.1 The basic structure diagram of a wind turbine

風電機組在運行過程中，風輪的轉速會受到風速的影響而不斷變化。當一陣強風吹來時，葉片會頻繁地受到沖擊載荷的作用，同時將沖擊載荷傳遞到傳動系統上的各個部件，使得各個部件也會受到交變載荷的作用，從而嚴重影響部件的工作壽命，使風電機組發生各種故障。

圖2 風機關鍵部件故障率Fig.2 Failure rate of key components of wind turbines

不少學者發現，風電機組的主要故障是由機械部件的不平衡、磨損、疲勞損傷、斷裂等問題引起的[7-9]。瑞士風能機構測試結果顯示，機械部件出現問題是大多數失效的一個非常重要的原因，這些失效會伴隨著電氣系統和傳感器的問題同時出現。圖2和圖3是2000年—2004年對瑞典某風電場的故障進行統計得到的結果[7]，可以看出風電機組相當大比例的故障是由機械部件故障引起的。因此，對引起這些機械故障的關鍵部件實時振動監測，及時獲取故障信息，是至關重要的。

圖3 風機關鍵部件每次故障停機時間Fig.3 Downtimes for wind turbine key components

2 時域診斷方法

2.1 時域統計分析

時域統計分析是通過計算風力發電機振動信號的各種時域參數和指標并進行分析，從而初步判斷風電機組的故障。振動信號的很多時域統計特征參量會隨著風故障的出現而發生改變，不同類型的故障以及嚴重程度會影響這些統計參量的變化。應用較為廣泛的時域參數指標主要包括峰值、均方根值、脈沖因子、峭度、裕度因子等。文獻[10]考慮到時域參數敏感于軸承早期故障這一特點，可以定期檢測滾動軸承的振動信號，得到軸承的峰值因子、峭度、有效值的趨勢曲線，根據上述指標的趨勢曲線來預測軸承未來的狀態。時域分析方法通過計算分析振動信號時域參數來提取時域特征，這種方法能直觀反映特征信息，且計算簡單，能對風電機組是否發生故障進行初步診斷，但無法對故障類型、故障位置以及故障嚴重程度做出具體判斷。

2.2 相關分析

相關分析最早是由Hotelling于1936年提出來的，可分為自相關分析和互相關分析。由于隨機信號及其相關函數包含相同的周期成分，因此可利用相關分析發現被強烈噪聲所掩蓋的周期分量，及時發現機器設備出現的故障。特別是在風力發電機早期故障的診斷和分析中，振動信號中的周期成分不明顯，難以通過直接觀察發現故障特征，因此相關分析就具有了重要的應用價值[11]。但在隨機信號中存在頻率相同的干擾信號的情況下，相關分析的性能會大大降低，甚至會出現“偽相關”等現象；在振動信號受到強背景噪聲干擾的情況下，無法利用相關函數有效提取出特征。

3 頻域診斷方法

時域診斷法在風電機組振動故障的檢測應用中，不能夠全面地反映出振動信號中的信息量。而風電機組的故障通常伴隨著振動信號的頻率變化。頻域診斷法是通過識別故障與正常狀態時振動信號中頻率特征的不同，來對故障進行分析。頻域分析方法的基礎是傅里葉變換，主要包括頻譜分析、倒頻譜分析和包絡譜分析等。

3.1 頻譜分析

工程上較為常用的頻譜分析方法有幅值譜和功率譜。幅值譜表示振動信號中各頻率成分所對應的振幅大小，而功率譜描述的是信號能量在頻域中的分布情況。功率譜所反映的是信號幅值譜的平方，頻域特征結構更為明顯，因此，功率譜與幅值譜提供了相同的信息，但功率譜能夠顯示出比幅值譜更為清晰的特征。文獻[12]深入探討了振動信號的頻譜結構，利用傅里葉變換方法對行星齒輪箱進行故障診斷。

3.2 倒頻譜分析

倒頻譜分析也稱為二次頻譜分析，是檢測振動信號中所含周期成分的一種重要方法，其原理是在計算得到功率譜的基礎上再進一步做傅里葉逆變換。倒頻譜分析的流程如圖4所示。倒頻譜分析能將周期成分在頻譜中突顯出來，使得故障特征更易于提取。風電機組中軸承、齒輪箱等出現故障時，采用倒頻譜分析可以有效識別故障頻率、故障的原因和部位[13-14]。另外，振動信號的傳遞路徑往往會對振動信號的特征產生影響，而倒頻譜分析對信號的傳遞路徑和傳感器檢測點的選取不敏感。

圖4 倒頻譜分析的流程圖Fig.4 Flow chart of the inverse spectrum analysis

3.3 包絡譜分析

包絡譜分析又稱為包絡解調，是目前診斷風電機組故障的最有力工具之一。當風電機組軸承和齒輪等部件出現局部損傷時，會產生周期性的瞬時沖擊。沖擊信號的頻率較低容易受到其他自由衰減信號和各種隨機干擾信號的調制，并引起設備發生高頻固有頻率的諧振。包絡譜分析的流程如圖5所示。包絡譜分析可將高頻固有振動中與故障沖擊有關的低頻信號解調出來，并進一步對低頻信號進行頻譜分析來判斷故障的具體類型及故障程度。包絡譜分析在判斷設備損傷類故障應用中取得了非常好的效果，近年來廣泛應用于風電機組傳動系統的故障特征提取[15-16]。

圖5 包絡譜分析的流程圖Fig.5 Flow chart of the envelope spectrum analysis

3.4 頻域診斷方法的不足

風電機組運行時存在多部件耦合振動，且工作運行時背景噪聲一般較強，使得采集的振動信號多表現出非平穩、非線性。而傅里葉變換是建立在信號全局上的變換，無法對非平穩、非線性信號進行局部分析，并且它是一種純頻域的分析方法，在時域內無分辨能力，因此，以傅里葉變換為基礎的頻域診斷方法存在一定的局限性。

4 時頻域診斷方法

風力發電機在實際工作時受各種工作狀況的影響，一般產生的是非線性、非平穩振動信號。基于傅里葉變換的頻域診斷方法一般是建立在信號全局上的變換，不能有效地分析非線性、非平穩信號。為了更好地體現出風機振動信號的局部特征，專家們提出時頻域診斷方法，將時域和頻域進行二維聯合，使信號在時頻域上能夠同時局部化。目前，常用的時頻域診斷方法有小波分析、經驗模態分解、Wigner-Vile分布等。

4.1 小波分析

小波分析方法是一種時間窗和頻率窗形狀均能變化的時頻域診斷方法。它通過將振動信號變換到多個頻段，并對認為有價值的頻段進行分析來提取故障特征頻率。小波分析可以對信號中的短時高頻現象進行“顯微”，并且可以有效地分析短時沖擊信號。但是這種方法也存在一定的缺陷，它不具自適應性[14]。將小波技術和神經網絡、奇異值分解、模糊評判和分形盒維數等技術相結合的綜合運用進行故障模式識別的方法，取得了廣泛應用。

4.2 經驗模態分解

經驗模態分解（empirical mode decomposition，EMD）由美國國家宇航局的Huang博士于1998年首次提出的[17]，利用EMD方法可將非平穩的振動信號自適應地分解為若干個平穩的固有模態函數（intrinsic mode function，IMF），其流程圖如圖6所示。EMD采用循環包絡篩分方法處理信號，實現信號從高頻到低頻的自適應劃分，本質上是一組頻率由高到低的帶通濾波器。EMD克服了小波變換和自適應時頻域分析方法的不足，具有自適應、正交性和完備性的特點，非常適用于非線性、非平穩信號的分析處理[18]，在故障特征提取方面受到廣泛關注。EMD方法本身存在著一些不足，如模態混疊、存在端點效應、受采樣頻率影響較大等[19]，仍需進行深入研究。

圖6 經驗模態分解算法流程圖Fig.6 Flow chart of the EMD algorithm

4.3 Wigner-Vile分布

Wigner-Ville分布 （Wigner-Ville distribution，WVD）是一種重要的時頻域診斷方法，同時具有較高的時間分辨率和頻域分辨率，并具有優良的能量聚集能力。WVD分布可以被看作信號能量在頻率和時間聯合域內的分布，能夠對振動信號的時頻特性進行精確地描述[20]。但WVD存在一個明顯的缺陷，那就是存在交叉項干擾現象，造成了振動信號的各特征參數無法被有效提取，大大降低了WMD對信號的分析性能。為了消除交叉干擾造成的影響，國內外學者開展了大量的研究工作，已經提出了輔助函數法、預濾波等改進方法。但直到目前為止，如何抑制交叉項造成的干擾問題仍然沒有得到有效地解決。

5 現代故障診斷方法

5.1 盲源分離

利用傳感器采集風電機組振動信號的過程中，采集的信號往往是若干個不同機械部件產生的源信號的混合信號，使得故障特征提取變得困難。盲源分離（blind source separation，BSS）是在源信號和傳輸通道特性均未知的情況下，僅由傳感器采集到的振動信號分離出對應各個部件的源信號，其基本原理如圖7所示。獨立成分分析（independent component analysis，ICA）是一種解決盲源分離問題的主要方法[21]，適用于平穩和非平穩信號，尤其對于微弱信號特征信息的提取和分離具有較好的效果。近十年來，盲源分離技術得到了進一步的發展，在風電機組故障診斷方面已取得了一些研究成果[22]。盲源分離方法雖然取得了一系列的突破，但盲源分離在源數估計和處理非線性問題方面仍存在不足，需要進一步的研究。

圖7 盲源分離原理框圖Fig.7 Principle block diagram of the BSS method

5.2 子空間方法

子空間方法（subspace identification algorithm，SIA）是一種基于離散狀態空間模型的模態參數識別方法，非常適用于振動信號的建模分析。SIA直接利用振動信號的時域數據建立數學模型，從而準確識別系統的模態參數，具有數值穩定和簡易等優點。在過去的二十多年里，子空間識別方法在振動信號故障分析方面的應用取得了飛快發展，在風力發電機齒輪箱的故障診斷等領域也有較多的應用[23]。由于子空間方法對信號處理采用了狀態空間模型，因此該方法的關鍵在于確定系統的階次。但目前系統階次尚無良好的方法來確定，易產生冗余導致虛假模態出現。

5.3 流形學習算法

流形學習是一種新的非線性算法，能夠透過觀測的振動數據發現事物的本質，挖掘出數據的本質特征。該方法的基本原理是通過從高維數據中嵌入映射出低維流形的結構，達到對高維數據進行特征壓縮的目的。流形學習算法可有效去除噪聲等干擾成分的影響，挖掘蘊含在振動信號中的故障本質特征，此特性非常適用于風電機組的故障診斷。拉普拉斯特征映射是一種基于圖譜理論的流形學習方法，具有較好的收斂性和魯棒性，已成功地應用于風電機組的故障診斷[24-25]。但目前已有的流形算法對參數都比較敏感，由于參數較小的變化量會引起差異顯著的學習結果，因此提高流形學習的穩定性成為一個需要解決的問題。

為了分析各故障診斷方法的性能，表1對不同故障診斷方法的優缺點以及適用范圍進行了總結。

表1 不同診斷方法的優缺點及適用范圍比較Tab.1 Comparison of advantages，disadvantages and application range of different diagnostic methods

6 我國研究近況和進展

我國在風電機組振動監測與故障診斷技術方面起步較晚，但隨著我國經濟水平的不斷提高，科學技術的不斷發展，以及我國科研人員的不懈努力，近年來取得了一定的突破和研究成果。尤其在《風力發電機組振動狀態監測導則》這一國家行業標準于2011年頒布之后，風電機組振動監測與故障診斷技術得到了大力的發展。

文獻[26]提出了一種基于固有時間尺度分解（intrinsic time-scale decomposition，ITD）的風電機組調心滾子軸承故障特征提取方法。該方法利用ITD將非線性、非平穩的軸承振動信號分解為多個固有旋轉分量，并進一步對固有旋轉分量做頻譜分析提取軸承故障特征頻率，并且在實際中驗證了該方法處理非平穩時變信號的有效性。

文獻[27]為了有效地診斷風電機組齒輪箱故障，采用了一種基于粒子群優化的BP神經網絡方法。該法計算風電機組齒輪正常、磨損和斷齒3種不同狀態振動信號的特征向量，并利用粒子群優化的BP神經網絡算法進行故障識別，取得較高的識別精度。

文獻[28]提出了一種基于混合時頻分析的風電機組故障診斷方法。該方法首先采用參數優化Morlet小波消噪方法對原始振動信號進行分析，濾除強大的背景噪聲干擾；進而通過自項窗方法抑制時頻面的干擾項，增強信號特征成分，提取故障特征以實現故障診斷。通過對風電機組振動數據的分析，能夠有效地消除背景噪聲和提取故障特征。

文獻[29]提出改進的小波包結合包絡譜的風電機組傳動系統故障診斷方法。深入研究了小波包頻帶錯亂的問題，對小波包實施改進，消除頻帶錯亂的缺陷。將改進的小波包與包絡譜結合起來，通過對風機傳動系統試驗臺的齒輪、軸承故障實際數據地深入分析，能夠準確提取出故障特征量。

文獻[30]提出一種基于集合經驗模式分解（EEMD）、奇異譜熵和模糊C均值聚類的故障診斷方法來解決風電機組齒輪箱中齒輪故障特征提取與故障診斷問題。該方法通過對振動信號進行EEMD分解，得到若干IMF，并構成特征模式矩陣，然后通過計算特征模式矩陣的奇異譜熵值，最后利用模糊聚類分析進行故障識別。

文獻[31]提出一種基于小波包與倒頻譜分析的信號處理分析方法用于風電機組齒輪箱齒輪裂紋的診斷。該方法通過小波包分析得到故障頻率范圍，并利用倒頻譜提取齒輪箱振動信號中的周期成分，成功地判斷出故障類型及發生的部位。

7 結論

隨著振動信號分析方法的不斷改進，風力發電機振動監測與故障診斷技術有了很大進步，越來越多的診斷方法投入到實際應用中[32-33]，但仍然存在許多關鍵問題尚未解決。展望未來，風電機組振動監測和故障診斷技術在以下幾方面需要進一步完善和發展：

1）非穩態信號的分析。雖然目前有小波分析、經驗模態分解和Wigner-Vile分布等應用在平穩、非線性信號的分析中，但依然有很多問題需要解決。風電機組的非穩態振動信號中包含了極為豐富的故障信息，研究如何有效的分析非穩態信號具有重要意義。

2）微弱故障特征的提取。工程實際中，當風電機組處于早期故障階段時，由故障產生的沖擊成分相對微弱，并且環境噪聲引起的干擾比較嚴重，使得微弱故障特征的提取一直面臨著困難。目前在微弱故障特征提取的研究中已經取得了一些成果，但效果不很完善，有待進一步地深入研究。

3）人工智能方法的研究。在完善上述方法的基礎上，不斷探討現代人工智能故障診斷方法在風電機組故障診斷中的應用。集合多領域專家的智慧，進行跨學科研究。新興方法將是未來故障診斷很長一段時間的發展方向和研究熱點。

[1]趙洪山，連莎莎，邵玲.基于模型的風電機組變槳距系統故障檢測[J].電網技術，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]趙洪山，李浪，王穎.一種基于盲源分離和流形學習的風電機組軸承故障特征提取方法[J].太陽能學報，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]趙洪山，張健平，高奪，等.風電機組的狀態-機會維修策略[J].中國電機工程學報，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]祁麗婉，梁庚，童國煒.基于果繩算法優化BP神經網絡的齒輪箱故障診斷[J].電網與清潔能源，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，張晗，鄧軍，等.基于狀態評價的風力發電設備故障診斷系統的研制[J].電網與清潔能源，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]蔣維.基于灰色粗糙集理論的風電機組傳動鏈智能診斷方法[J].電網與清潔能源，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]萬書亭，吳美玲.基于時域參數趨勢分析的滾動軸承故障診斷[J].機械工程與自動化，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，諸福磊，張煒.滾動軸承故障特征提取的頻譜自相關方法[J].機械工程學報，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]張博，程珩.倒頻譜在直驅風機主軸軸承故障診斷中的應用[J].機械設計與制造，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]羅毅，甄立敬.基于小波包與倒頻譜分析的風電機組齒輪箱齒輪裂紋診斷方法[J].振動與沖擊，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，劉佳，顧煜炯，等.基于IMF希爾伯特解調的風電齒輪箱復合故障診斷方法[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]蔡艷平，李艾華，石林鎖，等.基于EMD與譜峭度的滾動軸承故障檢測改進包絡譜分析[J].振動與沖擊，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]鐘佑明，秦樹人，湯寶平.一種振動信號新變換法的研究[J].振動工程學報，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]康守強，王玉靜，楊廣學，等.基于經驗模態分解和超球多類支持向量機的滾動軸承故障診斷方法[J].中國電機工程學報，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]石林鎖，張亞洲，米文鵬.基于WVD的譜峭度法在軸承故障診斷中的應用[J].振動、測試與診斷，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]史習智.盲信號處理—理論與實踐[M].上海：上海交通大學出版社，2008.

[22]趙洪山，邵玲，連莎莎.基于最大信噪比的風電機組主軸承故障特征提取[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]趙洪山，郭偉，邵玲，等.基于子空間方法的風機齒輪箱故障預測算法[J].電力自動化設備，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]李鋒.基于流形學習的風電機組傳動系統故障診斷方法研究[D].重慶：重慶大學，2011.

[25]栗茂林，王孫安，梁霖.利用非線性流形學習的軸承早期故障特征提取方法[J].西安交通大學學報，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]安學利，蔣東翔，劉超，等.基于固有時間尺度分解的風電機組軸承故障特征提取[J].電力系統自動化，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]龍泉，劉永前，楊永平.基于粒子群優化BP神經網絡的風電機組齒輪箱故障診斷方法[J].太陽能學報，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]劉文藝，韓繼光.基于混合時頻分析方法的風電機組故障診斷[J].機械科學與技術，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]申戩林，王靈梅，郭東杰，等.基于改進小波包與包絡譜的風電機組傳動系統的故障診斷方法研究[J].太陽能學報，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]王軍輝，賈嶸，譚泊.基于EEMD和模糊C均值聚類的風電機組齒輪箱故障診斷[J].太陽能學報，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]羅毅，甄立敏.基于小波包與倒頻譜分析的風電機組齒輪箱齒輪裂紋診斷方法[J].振動與沖擊，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]彭華東，陳曉清，任明，等.風電機組故障智能診斷技術及系統研究[J].電網與清潔能源，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的風電機組故障診斷方法研究[J].電網與清潔能源，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.