第一章 绪论
随着对风能的不断开发，风力发电机正朝着大型化的方向发展[2]。风电产业的快速增长，必须以风电设备的快速增长为支撑。轴承作为风力发电机传动系统的核心部件，其可靠性对于整个风力发电系统的运行起到至关重要的作用。风力发电机的专用轴承主要包括偏航轴承、变桨轴承、主轴承、增速器轴承、发电机轴承等，其中主轴承是最为重要，也是最容易出现故障的部件，而风力发电机传动系统中齿轮箱、桨叶等部件的故障，也大多是由主轴承故障引起或可在主轴承的运行状态中得到反映。因此对风力发电机主轴承的运行状态进行监测，对整个风力发电机传动系统的运行维护和故障诊断都具有十分重要的意义。 本课题的研究得到了以下基金的支持，是这些基金项目的部分组成内容和延续。
(1) 国家自然科学基金，大型风力机关键部件的环境力行为与状态退化机理的研究50975180；
(2) 国家自然科学基金，基于裂纹动态生存分析的风力机叶片疲劳损伤辨识研究51005159； (3) 辽宁省教育厅基金，大型风力机低速轴承早期微细故障识别模型的研究L2010401。
...............
第二章 盲源分离的基本理论
2.1 盲源分离基础
由于在盲源分离过程中源信号通常是未知的，在从观测信号估计源信号和混合矩阵的过程中通常又缺少一定的先验知识，使得盲源分离问题通常是无解的。为了使盲源分离问题有解，即能够通过一个线性变换从观测信号中估计出源信号和混合矩阵，需要对源信号做出如下假设：
（1）各输入的源信号都是均值为零的随机变量。
（2）源信号的数目小于或等于观测信号的数目，为了计算方便起见，通常的做法是使源信号的数目与观测信号的数目相等。
（3）混合矩阵A是满秩矩阵，即矩阵A的逆矩阵存在且唯一。
（4）源信号必须是超高斯或亚高斯信号，最多只允许有一个信号服从高斯分布。
（5）噪声信号与各源信号之间相互统计独立，且噪声信号为高斯白噪声。
2.2 盲源分离的预处理算法
对于高斯变量来说，其峭度为 3E2[y2]，峭度为零则变量为高斯变量；峭度为正，变量为超高斯变量；若为负，则变量为亚高斯变量。峭度的绝对值越大，证明信号的非高斯性越强。所以可以用变量的高斯性来代替变量独立性。对于一个随机变量来说，负熵的值总是非负的，变量的负熵越大，证明其非高斯性就越强，当变量为高斯变量时，其负熵为零。因此可以通过最大化负熵的方法使得变换后的各分量尽量实现相互独立。在多变量的情况下，各个分量相互独立时联合累计量均为0。故可直接用此建立独立性判据。
第三章 基于盲源分离的风力机主轴承振动诊断...........................33
3.1 滚动轴承典型故障频率计算..........................33
3.2 滚动轴承振动信号的处理...............................34
3.3 滚动轴承振动信号分离实验设计................................39
3.4 风力机主轴承的振动信号分离实验设计.......................45
3.5 风力机主轴承的振动信号分离实例..............................49
3.6 本章小结...................52
第四章 基于盲源分离的风力机主轴承声发射诊断.........................53
4.1 风力机主轴承声发射诊断的优点.........................53
4.2 风力机主轴承声发射诊断实验设计................................54
4.3 风力机主轴承发射信号的小波分析............................56
4.4 风力机主轴承声发射信号分离的实验研究................64
4.5 本章小结.............................70
第五章 基于集成小波神经网络的风力机主轴承振声诊断............71
5.1 集成小波神经网络故障诊断模型的建立.....................72
第五章 基于集成小波神经网络的风力机主轴承振声诊断
5.1 集成小波神经网络故障诊断模型的建立
在神经网络应用于风力机主轴承故障诊断过程中，可采用的网络结构有多种，选择适合于风力机主轴承故障诊断的网络模型显得十分重要。其中经常可以采用单个神经网络输入为不同类型（振动和声发射）信号，它们从不同侧面反映了风力机主轴承运转过程中的故障，通过神经网络融合这些信息，最终由输出结果给出故障决策。单个神经网络经过大量的训练和学习后，以网络权值和阈值记住这些故障的特性，当输入新的信号时，网络通过联想回忆将逼近最接近的一类故障。由此可见，单个神经网络可实现对风力机主轴承多类故障的诊断，但它有一些明显的缺点，主要有：
（1）要实现对多个故障模式的诊断，网络需要大量的故障样本。
（2）适合于诊断多类故障的网络结构难以确定，即使能够确定，网络的节点过多，结构庞大，造成训练困难。
5.2 基于集成小波神经网络的风力机主轴承故障故障诊断的实现
在风力机主轴承运转过程中，由于装配、润滑、腐蚀等各种原因，可能对其造成各种故障。例如转子不平衡、不对中、疲劳、裂纹、腐蚀、磨损等。风力机主轴承的故障原因十分复杂，诊断各种故障所依赖的特征参数也有所不同，根据各种故障的特征，可将其特征参数划分为振动参数和声发射参数两大类，有的故障对振动参数十分敏感，而有的故障对声发射参数十分敏感。在第三章和第四章中采用盲源分离理论分别对风力机主轴承的这两种特征进行了提取，现针对这两种特征参数分别设计子神经网络对其进行初步诊断，然后采用集成小波神经网络对诊断信息进行融合。基于集成小波神经网络的风力机主轴承故障诊断系统主要由数据采集模块、数据预处理模块、信息分配神经网络、两个子神经网络和决策融合神经网络组成，其整体结构如图5.3所示。
............
第六章 结论与展望
风能作为可大规模开发利用的可再生能源之一，近些年在我国新能源领域中逐渐占据了主导地位。风力发电机是实现风能利用的重要装置，而主轴承又是风力发电机最重要的组成部分。本文采用盲源分离理论来探索了风力发电机主轴承振动和声发射故障信号的特征提取和故障诊断方法，主要得出以下结论：
（1）探讨了盲源分离的基本理论和盲源分离算法，主要阐述了 FastICA 算法和JADE 算法的计算过程，并指出这些算法存在的不足之处。针对盲源分离算法存在的不足，探讨了采用粒子群优化算法对盲源分离过程进行的优化，并比较了各分离算法的性能。
（2）建立了基于盲源分离的风力机主轴承振动诊断系统。首先探讨了振动信号的提取方法，认为包络分析对振动信号的提取较为有效，然后分别对转子试验台、风力发电机试验台和实际风力发电机主轴承的振动信号进行了分离，以实现振动故障信号的特征提取。
（3）建立了基于盲源分离的风力机主轴承声发射诊断系统。首先探讨了声发射信号的提取方法，认为小波分析对声发射信号的提取较为有效，然后对风力发电机主轴承的声发射信号进行了分离，以实现声发射故障信号的特征提取。
...........
参考文献（略）