国内外风机振动信号状态监测技术的研究现状

人工神经网络具有一些局限性，如容易陷入局部极值点、收敛速度慢等，其根本原因是神经网络基于传统统计学，它要求统计样本趋于无穷多。但在现实设备故障诊断中，样本数量往往是有限的，从而其学习效果往往也并不尽如人意。随着有限样本机器学习算法的逐渐完善，有学者提出了一种基于小样本的支持向量机算法。支持向量机建立在统计学习基础之上，是 1995 年 Vapnik 等人根据结构风险最小化原则提出的，和以前的机器学习方法相比有很多优点，如解决了局部极小值点问题、样本数有限问题、过学习问题、非线性和高维数问题等。此后，很多研究者对支持向量机算法进行了学习与推广。Qi Wu 提出了模糊支持向量回归分类器，Rui  Kong 提出了快速最小二乘支持向量机算法，Robert  Strack 提出了球面支持向量机(Sphere Support Vector Machines, SSVM)算法。在实际的轴承故障诊断中，支 持向量机通常与其他方法相结合，比如小波分析、EMD 算法等提取轴承故障特征，然后输入支持向量机进行训练和分类，取得了较好的效果。
1.3  国内外风机振动信号状态监测技术的研究现状
随着风电产业的快速发展以及不断出现的各种事故，状态监测技术的研发得到了迅速发展。状态监测系统在国外研发的比较早，在旋转机械故障诊断方面，首推
美国 Westinghouse 公司，从 1976 年到 1990 年已成功研发出网络化的汽轮发电机故障诊断专家系统，并研发三套人工智能软件(汽轮机 TurbineAID，发电机 GenAID，水化学 ChemAID)，并取得很大的经济效益。有专门用于风机组的状态监测系统及分析软件，如德国 Pruftechnik(普卢福)公司的风机状态监测系统 VIBGUARD，包括VIBNODE( 入门级 ) 、 VIBNODE'Low-Speed( 低速型 ) 、 VIBROWEB( 高端型 ) 、VIBROWEB  XP(专家级)、VIBRONT  Signalmaster(可测量多达 162 测点)，利用OMNITREND 软件对数据进行采集，分析的方法为基本的时、频域分析和包络分析。
瑞典 SKF 公司研发的风机组传动系统状态监测产品 MasCon 系列和 WindCon 系统，包括 MasCon 16、MasCon 48、MasCon 16W，ProCon 客户通过开放式数据库连接 MasCon 服务器，基于振动参数与过程参数诊断各种轴系不平衡及轴承、齿轮箱的故障，研究的方法为时域分析、FFT 分析和包络分析。
美国GE检测控制技术中心研发的本特利内华达ADAPT. windTM状态监测系统提供了从传感器到监测器和软件以及故障诊断服务的一体化可扩展的解决方案，研究的方法是时域序列预测分析、频谱分析。美国 Bently Nevada 公司的产品 CBM 系统结合风机组已有的 SCADA 数据和加速度传感器数据对风机进行整体、全面的监测，将报警信号通过 SCADA 网络发送到主服务器，研究的方法主要是 FFT 分析和加速度包络分析。
国外的一些高校与联盟组织也对风机状态监测系统进行了研究，如法国 Brest 大学的 Y.  Amirat 等利用发电机定子电流信号解调技术对发电机滚动轴承进行故障诊断，并取得一定的诊断效果；M. Blodt 等人对电机定子电流信号进行 Wigner 分布对负载转矩振荡和气隙偏心故障进行了有效的区分。
SUPERGEN 风能技术联盟是由英国工程及物理科学研究委员会(EPSRC)在 2006年 3 月建立的，作为可持续发电计划的一部分，该组织已经成功进行了为期 4 年的研究，于 2010 年 3 月展开第 2 轮为期 4 年的研究。该联盟是由英格兰 Durham 大学领导的 7 所大学组成，另外还有 19 个包括维斯塔斯、西门子在内的工业合作伙伴提供大力支持。该联盟对风电技术、空气动力学、流体力学、材料学、电机与控制、可靠性及状态监测领域进行了大量的研究。如 Durham 大学可再生能源组的 Crabtree等人针对风机齿轮箱早期故障基于 WindCon 系统提出了一种多参数的在线监测方法，与传统单独的负载或功率信号相比，可靠性高，有效的降低了错误警报的风险。  

石家庄风机厂石家庄风机石家庄风机销售石家庄风机维修