国外的风力机故障诊断技术起步较早。早期对于风力机大部分为事后维修，即当风力机 出现故障的时候才进行维修，然而对于大型风力机来说，有的故障一旦发生就将是不可逆的， 将造成巨大的损失。后来人们对风力机进行定期检查和定期测试来发现风力机可能存在的问 题，以此判断故障发生的可能性并预防故障的产生，但这种方法只能在设备停止运转的时候 才能实施，并不能准确判断机组在运转时的状态，所以这种方法的精确度不高，且不能实时 获得设备参数。所以后来使用在线状态监测和故障诊断系统，即时获得设备在运行时的状态 参数，并对参数进行综合分析，判断故障是否发生。这种方法具有较高的准确性，成为风力 机故障诊断的主流方向。77078

对于风力机的故障诊断技术，很多的学者都做过大量的研究，也有很多学术成果。目前 对能量系统进行故障诊断的方法主要有：应力分析法、振动监测法、激光探测法、声波发射 法、热力参数分析法等[3]。由于风力机发生故障的部位主要为叶轮、齿轮箱系统和发电机系 统，所以对这些部分的研究也比较多。国外主要对信号如电压、电流和功率来分析，从而来 分析机组的状态。如 M。wurfel[4]使用 FFT 来分析转子电流，从而判断和发电机相连的滑环的 运行状态来检测发电机的故障，美国 IFD 利用共振解调信息的频率特征作定性的诊断[5]， EPRO 公司使用 MMS6851 旋转机械振动系统来进行故障的诊断，HUANG[6]等使用信息融合 的诊断方法，将神经网络和小波分析加到齿轮箱故障诊断中，可以十分准确地进行故障分析 并判断出故障类型。论文网

国内也有许多专家学者对风力机的故障故障诊断作了细致的研究，其研究主要是对齿轮 箱的研究上。辛为东等[7]用振动监测法对风力机进行了故障检测，其把系统分为本机监测系 统、风电场集中监测诊断系统、远程监测诊断中心三部分，并且在实际的风力机上成功运用； 樊长博等[8]运用齿轮箱振动频谱图法进行倒频谱分析，有效提高了监测准确度；于辉[9]研究了 根据波形进行分析的 BP 神经网络的故障诊断方法，根据变速风力机中的变流器电路模型非 线性强的特点，以及在神经网络中非线性映射特性，利用神经网络十分强的容错性能和学习 能力，来判断风力机电路的故障类型和故障信息之间的关系；任腊春[10]等观察到现在人们对 风力机的故障进行诊断时，仅仅依靠人工在故障发生地实施现场诊断,使得故障难以及时发现 并排除的现状，根据故障诊断技术和模糊数学理论，建立了一种基于经验数据和专家优先权 系数法确定模糊关系矩阵的方法，在实践中运行良好。

冯永新[11]等研究了解到传统的基于振动的故障诊断方法，需要在风机上安装大量的传感 器，成本较高，可靠性差，而采用电信号的故障诊断方法又缺乏理论上支持，所以其研究了 风力机塔架的气动和振动规律，详细解释了电功率波动的原理，这对风力机开发新的故障诊 断方法有指导作用；张来斌等[12]利用信息熵神经网络来对风力机进行检测，这种方法受风力 机运行状态影响较小，所以有对描述风力机的状态很有代表性；龙泉[13]利用粒子群优化 BP 神 经网络对风力机进行诊断，该方法具有速度快、精度高的特点；程加堂[14]等使用粒子群混合 算法对风力机的齿轮箱进行监测，能比较准确地判断不同的故障类型；向玲[15]等研究了 EITD 和小波包变化相结合，该方法计算关联维数有很强的区分性，能有效判断齿轮箱不同的故障 类型；李斌等[16]研究了包络谱分析方法，并指出了一个在 Matlab 上的实现方法；杨涛[17]等利 用 simulink 建立了叶轮质量不平衡时的模型，很好地模拟了实际风力机的运转。