在模拟试验台研究中使用多源信息融合与集成学习对风力涡轮传动系统齿轮故障的诊断

让风机持续转动

现代风电场依赖每台涡轮内部隐藏的大型齿轮箱，将缓慢且阵风频繁的风能转化为稳定的电力。当这些齿轮磨损或出现裂纹时，必须停机检修，带来时间、资金和清洁电力的损失。本研究提出了一种更聪明的“倾听”风力涡轮机械心跳的方法，能够在机组转速持续变化且噪声环境复杂时，更早地发现齿轮问题。

齿轮健康为何重要

齿轮箱位于转子叶片与发电机之间，承受来自风的强烈且变化多端的载荷。它们也是涡轮中最容易出现故障的部件之一，并可能导致大部分机械停机时间。传统监测工具通常只观察单一的振动信号并应用固定滤波器，这在恒定的实验室条件下效果尚可。但在现场，转子转速随阵风起伏，损伤的特征振动频率随之移动。同时，环境噪声很容易掩盖裂纹或缺齿的细微信号，使得早期诊断变得困难。

更智能的闭环监听

为应对这些挑战，作者设计了一个将速度与振动实时关联的“闭环”信号处理链。首先，他们用高斯滤波对编码器的原始转速数据进行平滑，去除突发尖峰但保留轴转速的真实趋势。然后利用这一平滑的速度曲线，连续重调用于振动信号的带通滤波器，使滤波器始终跟随包含故障信息的齿合谐波位置。在有针对性的滤波之后，采用包络分析这一数学手段来分离出损伤齿撞击时重复出现的冲击模式，将杂乱的振动痕迹转化为更清晰的齿轮健康图像。这个环路——速度平滑、动态滤波与包络提取——协同工作，使每一步都支持下一步，而不是各自孤立运行。

将多种线索合成一幅图景

良好的听觉只是挑战的一半；另一半是理解所听到的内容。研究团队在模拟风力传动系统的开式行星齿轮试验台上，采集了安装在齿轮箱壳体上彼此成直角的两路振动传感器和转速信号。他们测试了五种齿轮状态，从健康齿到断裂、磨损、开裂和缺齿，并在八种不同转速下运行系统。从这些信号中提取出丰富的测量量：简单统计量如均值与峰值、能量在不同频率上的分布、更能捕捉短时突发的波包能量度量，以及与齿合特性相关的齿轮专用特征。

教算法区分故障类型

作者没有直接把这些原始测量全部输入分类器，而是使用了一种有监督的降维方法——线性判别分析。通俗地说，这一步把多维输入特征投影到一组较少的组合特征上，这些组合特征被选择来把不同故障类型拉开，同时把同一类型的样本聚在一起。与仅寻找总体方差模式的常见无监督方法不同，这种方法在训练时利用了真实故障标签。研究表明，这一步使得在降维后的特征空间中，不同齿轮故障间的区分度明显优于其他方法。随后，训练了四种机器学习模型——支持向量机、k近邻、随机森林和朴素贝叶斯——来识别故障类别。

众智胜于一人

为避免依赖任何单一算法的局限性，作者将这四种模型组合成一个“集成”，共同对最终诊断进行投票。每个模型的投票按其在验证数据上的准确性加权，表现更好的模型影响力略大。经在行星齿轮数据集上的测试，完整流程——闭环预处理、多信号特征融合、有监督特征降维与加权集成——在变速条件下对五种齿轮状态的识别准确率约为98.8%。这优于仅用单一信号源、仅用一种分类器，甚至优于两种广泛使用的深度学习模型，同时在决策驱动的物理特征上保持更高的透明度。

对风电的意义

用通俗的话说，这项研究为风力涡轮提供了一个更可靠的听诊器。通过清洗并融合多种传感器数据，然后让多种学习算法共同达成判定，该方法能够在转速随风不断变化时，及早且准确地发现细微的齿轮损伤。这有助于减少意外停机、降低维护成本，并提升风电的可靠性。尽管该工作是在特定试验台上演示，作者指出相同的闭环和融合思想可以推广到实际风电场和其他旋转机械，为全球不断扩大的清洁能源装备群体带来更多智能化能力。

引用: Kang, X., Shao, L. & Zhao, B. Gear fault diagnosis of wind turbine drivetrains using multi-source information fusion and ensemble learning in a simulation bench study. Sci Rep 16, 11321 (2026). https://doi.org/10.1038/s41598-026-41117-x

关键词: 风力涡轮齿轮箱, 齿轮故障诊断, 状态监测, 多传感器融合, 机器学习