WCESTWater Conservancy and ElectricPower Science and Technology2995-43712995-438XArt and Design10.61369/WCEST.2025110021Article风电机组齿轮箱故障诊断与剩余寿命预测——基于振动信号与深度学习https://artdesignp.com/journal/WCEST/3/11/10.61369/WCEST.2025110021张晓伟20253112025-11-20为实现对风电机组齿轮箱故障的精准诊断与剩余寿命的可靠预测，本文提出了一种基于振动信号与深度学习的综合解决方案。在故障诊断方面，构建了包含数据采集、信号预处理、自适应特征提取、故障分类及性能评估的闭环模型。在剩余寿命预测方面，建立了“健康指标构建— 退化轨迹建模—RUL预测”的预测框架。为打破诊断与预测任务间的壁垒，进一步基于多任务学习设计了融合框架，通过共享特征提取层与联合训练策略，实现了故障诊断与剩余寿命预测的协同优化。风电机组,齿轮箱,故障诊断,剩余寿命预测

[1] 陈子根. 风电机组齿轮箱故障诊断方法研究[J]. 消费导刊,2018(45):155.[2] 唐明珠, 黎涛, 谭欣星, 等. 基于ICSVM 的风电机组齿轮箱故障诊断[J]. 计算机工程与应用,2016,52(14):232-236. DOI:10.3778/j.issn.1002-8331.1409-0122.[3] 王一宁, 甄成刚, 韩瑶瑶. 基于AFSA-PSO-LSSVM的风电机组齿轮箱故障诊断[J]. 郑州大学学报（理学版）,2022,54(3):81-87. DOI:10.13705/j.issn.1671-6841.2021286.[4] 孙亚飞, 渠叶君. 基于数字孪生的风电机组齿轮箱故障诊断方法研究[J]. 科技资讯,2025,23(1):102-104. DOI:10.16661/j.cnki.1672-3791.2404-5042-7653.[5] 王一宁, 甄成刚, 韩瑶瑶. 基于AFSA-PSO-LSSVM的风电机组齿轮箱故障诊断[C]//CCF第36 届中国计算机应用大会论文集. 2021:81-87.[6] 李辉, 李宣, 贾嵘, 等. 基于EWT-OPRCMDE-ELM的风电机组齿轮箱故障诊断研究[J]. 自动化仪表,2021,42(11):12-19. DOI:10.16086/j.cnki.issn1000-0380.2021010028.[7]高宏伟, 李新成, 何晓宁, 等. 基于希尔伯特变换的风电机组齿轮箱故障诊断方法研究[J]. 机床与液压,2024,52(9):215-220. DOI:10.3969/j.issn.1001-3881.2024.09.032.[8] 王璞, 孙洁, 张怡. 基于LSTM-SVM的风电机组齿轮箱故障诊断[J]. 机床与液压,2023,51(16):211-214. DOI:10.3969/j.issn.1001-3881.2023.16.031.[9] 丁硕, 常晓恒, 巫庆辉, 等. 基于LVQ 神经网络风电机组齿轮箱故障诊断研究[J]. 现代电子技术,2014(10):150-152. DOI:10.3969/j.issn.1004-373X.2014.10.043.[10] 桂斌斌, 林国汉, 谢雅, 等. 基于PSO-BP的风电机组齿轮箱故障诊断[J]. 湖南工程学院学报（自然科学版）,2019,29(3):21-25. DOI:10.3969/j.issn.1671-119X.2019.03.005.