风电机组齿轮箱振动故障的多尺度特征提取研究

一、引言

风电机组齿轮箱长期处于变载荷、高冲击的复杂工况下，其故障发生率显著高于其他部件。齿轮箱振动信号具有典型的非平稳特性，故障特征往往表现为多尺度耦合的时频分布。传统单尺度特征提取方法难以全面捕捉故障演化过程中的多尺度信息，导致早期微弱故障识别率较低。多尺度特征提取技术通过构建多分辨率分析框架，可实现对不同尺度故障特征的有效分离与表征，为解决齿轮箱故障诊断难题提供了新思路。

二、齿轮箱振动信号的多尺度特性分析

齿轮箱振动信号的复杂性源于其多部件耦合的传动结构。齿轮啮合冲击、轴承滚动体损伤、轴系不对中等故障类型，均会在振动信号中产生特定尺度的特征响应。例如，齿轮局部故障引发的周期性冲击信号具有高频调制特性，而轴系不对中故障则表现为低频振动幅值异常。这种多尺度特征在时频域呈现为不同频带能量分布的差异，需通过多尺度分析方法进行解耦。

多尺度分析的核心在于构建适应信号局部特性的分析框架。传统傅里叶变换因缺乏时域分辨率，难以处理非平稳信号；短时傅里叶变换虽引入时域窗函数，但固定窗宽限制了多尺度分析能力。小波变换通过调整尺度参数实现时频分辨率的动态匹配，但小波基函数的选择直接影响分析效果。经验模态分解（EMD）可自适应分解信号为固有模态函数（IMF），但存在模态混叠问题。变分模态分解（VMD）通过构建约束优化问题实现模态分解，具有更强的抗噪性能。

三、多尺度特征提取方法构建

（一）基于VMD 的信号预处理

VMD 通过迭代搜索最优模态分量，实现信号的频带自适应划分。其核心步骤包括：构建变分约束模型，将信号分解问题转化为多个窄带模态的寻优问题；引入交替方向乘子法（ADMM）求解约束优化问题，得到各模态的中心频率与带宽参数；通过希尔伯特变换构建解析信号，提取各模态的瞬时幅值与相位信息。相较于EMD，VMD 可有效抑制模态混叠，且对噪声具有更强的鲁棒性。

（二）多尺度时频特征提取

时域特征提取

针对原始振动信号与各 VMD 模态分量，计算峭度、峰值因子、脉冲因子等无量纲参数。峭度值对冲击信号敏感，可用于检测齿轮局部故障；峰值因子反映信号极值分布特性，适用于轴承剥落故障识别；脉冲因子结合幅值与均方根值，可表征信号冲击强度。

频域特征提取

通过快速傅里叶变换（FFT）获取信号频谱，计算频带能量、重心频率、频率方差等参数。频带能量分布可反映齿轮啮合频率及其倍频成分的变化；重心频率偏移指示传动系统动态特性改变；频率方差表征频谱离散程度，与故障严重程度相关。

时频特征提取

采用连续小波变换（CWT）构建时频分布矩阵，提取小波能量熵、小波奇异谱等特征。小波能量熵反映信号能量在时频平面的分布均匀性，故障发生时能量熵值降低；小波奇异谱通过分析时频矩阵的奇异值分布，揭示信号的内在结构特性。

（三）多尺度特征融合

多尺度特征融合需解决特征维度灾难与冗余信息问题。本文采用主成分分析（PCA）对特征集进行降维处理，通过计算特征协方差矩阵的特征值与特征向量，选取累计贡献率超过 95% 的主成分作为融合特征。此外，引入距离评价函数衡量特征间的相关性，剔除冗余特征，构建最优特征子集。

四、基于深度学习的多尺度特征分类

（一）多尺度卷积神经网络（MSCNN）架构设计

MSCNN 通过并行化多尺度卷积核实现特征的多尺度提取。网络结构包括：输入层接收预处理后的时频矩阵；多尺度卷积层采用不同尺寸的卷积核（如3×3 、 5×5 、 7×7 ）并行提取特征；通道注意力模块（CAM）对各尺度特征进行加权融合；全局平均池化层替代全连接层，减少参数数量；Softmax 分类器输出故障类型概率分布。

（二）网络训练与优化

训练过程采用 Adam 优化器动态调整学习率，结合交叉熵损失函数计算分类误差。为防止过拟合，引入 Dropout 层随机失活部分神经元，并采用 L2 正则化约束权重参数。训练数据通过数据增强技术（如时域平移、频域缩放）扩充样本规模，提高模型泛化能力。

（三）模型性能评估

采用准确率、召回率、F1 值等指标评估模型分类性能。对比实验表明，MSCNN 相较于传统CNN 模型，在齿轮箱复合故障诊断中准确率提升显著。此外，通过混淆矩阵分析发现，MSCNN 对早期微弱故障的识别能力显著增强，误诊率降低。

五、多尺度特征提取方法的优势分

（一）故障特征表征能力提升

多尺度特征提取方法通过分层解析信号的时频结构，可同时捕捉宏观故障

趋势与微观损伤特征。例如，低频尺度特征反映传动系统整体动态特性，高频尺度特征揭示局部损伤演化过程。这种多尺度表征能力使得故障诊断模型对复杂工况的适应性显著增强。

（二）抗噪性能优化

VMD 预处理与小波时频分析的结合，有效抑制了背景噪声对故障特征的干扰。VMD 通过频带自适应划分降低噪声模态的影响，小波变换的多分辨率特性进一步增强了对微弱故障信号的提取能力。实验表明，在信噪比条件下，多尺度方法的故障识别准确率仍保持较高水平。

（三）计算效率与实时性

MSCNN 通过并行化多尺度卷积核设计，减少了特征提取的计算复杂度。相较于传统串行特征提取方法，MSCNN 在保持高精度的同时，显著降低了计算时间。此外，结合轻量化网络结构（如深度可分离卷积），可进一步满足实时监测需求。

六、结论

本文提出的基于多尺度特征提取的风电机组齿轮箱故障诊断方法，通过融合 VMD、时频分析与深度学习技术，实现了对齿轮箱振动信号的多尺度解析与故障分类。研究结果表明，该方法在故障特征表征能力、抗噪性能与计算效率方面均具有显著优势。未来研究可进一步探索多传感器信息融合与迁移学习技术，以提升模型在复杂工况下的泛化能力。

参考文献

[1] 姚兴佳. 基于自适应小波滤波器的齿轮箱早期故障诊断[J]. 振动与冲击,2024.

[2] 蒋东翔 . 风电机组振动监测与智能诊断原型系统研究 [J]. 电力系统自动化 , 2023.