风电机组工作在变工况、大温差等恶劣的环境下,使得风电机组各部件容易出现故障,尤其是风电机组传动系统在交变载荷的作用下很容易出现故障,造成机组停机。风电机组传动系统结构复杂、体积庞大,对其进行安装和维护困难,维护费用高,且风电机组传动系统故障导致机组的停机时间长,严重影响发电量,造成经济损失。解决风电机组因传动系统故障导致巨大经济损失的关键是进行风电机组传动系统早期故障诊断,在故障处于萌芽阶段或者故障尚轻微的情况下,对故障进行准确地识别,并据此指导保养和维修工作,提高风电机组运行的可靠性。风电机组传动系统结构复杂、工况不稳定,早期故障特征信号十分微弱且淹没在强噪声环境中,故障特征难以提取;风电机组传动系统的振动监测才开始起步,早期故障样本缺乏系统的、长期的收集,导致早期故障样本稀缺。风电机组传动系统的这些特点导致传统的故障诊断方法难以有效地进行风电机组传动系统早期故障诊断。流形学习是一种非线性数据降维方法,可有效地挖掘非线性数据的内在分布规律和本质信息,已开始应用于机械设备故障诊断中。论文针对风电机组传动系统的特点,在研究和拓展流形学习的基础上,提出了基于泛化流形学习的风电机组传动系统早期故障诊断方法,包括基于无监督流形学习的非线性信号消噪方法、基于监督流形学习的微弱特征提取方法以及基于参数优化的小子样早期故障模式识别方法,以实现风电机组传动系统的早期故障诊断。论文主要研究内容如下:(1)针对风电机组传动系统状态信号具有强烈的非线性干扰噪声的问题,提出基于无监督流形学习的非线性降噪方法。采用小波包分解将信号分解到各频带范围内,并分别对各频带内的小波包分解系数进行相空间重构;根据各信号成分的信噪空间分布,选取相空间重构的参数和信号的本征维数;结合无监督流形学习算法在数据集本质信息挖掘上的优势,采用局部切空间排列(Local tangent space alignment,LTSA)算法将含噪信号从高维相空间投影到低维有用信号空间中,实现信号与噪音的分离,该方法可应用于风电机组传动系统强噪音信号的非线性降噪。(2)针对风电机组传动系统早期故障特征微弱、故障特征难以提取的问题,提出基于监督流形学习的早期微弱故障特征提取方法。构建由多域故障特征组成的高维故障特征集,来更加全面、综合地表征早期故障。提出改进的核空间距离评估敏感特征选取方法,剔除特征集中的干扰特征和噪声特征。研究监督流形学习算法,给出了两种有监督流形学习方法——有监督扩展线性局部切空间排列算法(Supervised extended-local tangent space alignment,SE-LTSA)和改进的有监督局部线性嵌入算法(Enhanced supervised locality linear embedding,ESLLE),以及一种半监督流形学习算法——半监督线性局部切空间排列算法(Semi-supervised local tangent space alignment,SS-LTSA),并给出了新增样本动态嵌入算法来进行动态故障特征提取。监督流形学习算法将早期故障样本标签信息有机地融入维数约简过程,可提高低维故障特征向量的可辨识性,可用于风电机组传动系统早期微弱故障特征提取。(3)针对风电机组传动系统早期故障样本稀缺的问题,提出了基于参数优化的最小二乘支持向量机(Least square support vector machine,LS-SVM)风电机组传动系统小子样早期故障模式识别方法。针对LS-SVM模型参数优化的问题,提出了改进的粒子群优化算法(Enhanced particle swarm optimization,EPSO)。EPSO通过引入局部搜索能力、重新定义粒子搜索速度和自适应调节优化过程的参数,使得EPSO能够快速地寻找到早期故障识别模型的全局最优参数。(4)实现了泛化流形学习方法的系统集成,系统主要包括数据采集、信号分析与处理、早期微弱故障特征提取、早期故障诊断等功能,可应用于风电机组传动系统早期故障诊断,并通过实例应用对系统各子模块进行检验。文章最后对本文的工作进行了总结,并展望下一步的研究方向。