多源数据下CNN-EMD海上风电齿轮箱诊断

张文昊，何雨龙，罗雁飞，谢越，张军华，王佳麟（中船海装风电有限公司）

摘要：[目的]由于海上复杂海洋环境下瞬态机械振动与渐进磨损过程的复杂耦合，海上风力发电机齿轮箱的精准故障诊断仍具挑战。海上风电场景中，齿轮箱不仅承受交变载荷和复杂振动，还应对高湿度、高盐雾腐蚀及波浪载荷冲击等特殊工况，导致故障机理更复杂、早期故障特征更隐匿。[方法]提出一种融合经验模态分解（EMD）与卷积神经网络（CNN）的双模态深度学习框架，协同处理振动信号与油液颗粒数据。该方法将非平稳振动信号分解为本征模态函数（IMFs），从中提取时域-频域-非线性混合特征；对油液颗粒数据进行统计趋势分析与磨损形貌表征。通过时间同步和特征融合策略，弥合高频振动数据与低频油液数据的时间尺度差异，联合特征输入双通道CNN 架构进行跨模态学习。[结果]仿真数据验证表明：该方法诊断准确率达92.5%，显著优于支持向量机（85.2%）和反向传播神经网络（88.7%）。[结论]研究可为海上可再生能源系统的多传感器数据融合提供可行方案，有效解决实际海上风电场运行中的异步监测和复杂工况适配难题。

关键词：海上风力发电机组；齿轮箱；多源数据融合；故障诊断；状态监测