风力机故障诊断属于旋转机械故障诊断的范畴，其内容主要包括主传动链上主轴、齿轮箱、发电机的故障诊断。文献[11]中介绍了风电机组故障检测技术，基于频谱分析法讨论了轮毂移动和发电机振动的影响。文献[12]基于多层电路理论，建立了双馈型异步发电机(DFIG)定子绕组短路模型，并详细分析了故障电流的变化，提出电流相角差可作为故障诊断特征。文献[13] 分析了永磁同步发电机(PMSG)多相突然对称性短路的情况，文献[14]结合负序分析和神经网络方法，研究了永磁同步发电机单相绕组短路的故障诊断方法。文献[15]研究了一种特殊的离散小波变换法在DFIG电气和机械故障中的应用，实验测试表明此方法在瞬态工况的条件下能对故障进行明确的诊断。文献[16]利用自组织模糊神经网络模型，提出了基于长期预测的非线性系统降阶模型的故障检测方法。文献[17]研究了人工神经网络技术在风电机组变速箱故障智能诊断中的应用，认为BP神经网络是解决复杂状态识别问题的有效方法。文献[18]基于齿轮箱的故障分类，利用小波神经网络分析了齿轮箱的振动频谱;相比于早期的快速傅里叶分析(FFT)和包络分析工具，小波分析更有利于提取故障特征。

4 风电机组故障智能诊断

4.1 诊断方法的选择

目前应用于旋转机械故障诊断较为广泛的方法是专家系统和人工神经网络[19]。专家系统用于旋转机械的故障诊断较成功，但在实际应用中仍然存在以下主要缺陷：建立知识库及验证其完备性比较困难;容错能力较差，缺乏有效的方法识别错误信息;大型专家系统的知识库的维护难度很大;在复杂故障诊断任务中会出现组合爆炸和推理速度慢的问题。与专家系统相比，基于人工神经网络(Artificial Neural Network,ANN)的故障诊断方法具有鲁棒性好、容错能力强和学习能力强等特点。从风力机故障诊断的实际应用考虑，风力发电在国内的发展尚处于起步或较早状态，早期投入的风电机组也正处于故障发生的频繁期，对故障维护检修的经验仍处于摸索积累阶段，因此构建大规模比较完备的专家库尚不成熟。而神经网络虽然也存在需要完备样本的条件，但对故障样本的搜寻相对比较简单。另外对风电场机组的检测需要较强的容错能力和实时性，即要对机组的运行情况进行在线诊断并发出警报，尽量避免故障情况的误报。因此，应用神经网络进行风电故障诊断将是一个很好的选择。虽然神经网络在风电领域中的应用实例并不多，但在机械故障诊断中的应用已十分广泛，尤其是对齿轮箱、发电机的诊断有很多成功的经验可循。基于以上原因，下面具体介绍如何利用神经网络构建风电机组智能诊断系统。