基于模糊神经算法的风电机组齿轮箱故障在线诊断摘要：文章提出了一种以模糊神经网络〔FNN〕为核心算法的风电机组齿轮箱故障在线诊断系统。该系统分为数据采集、特征提取和波形识别三局部，通过识别齿轮磨损、齿轮点浊和齿轮断齿三种重要齿轮故障的波形，不仅可以在线检测风电机组齿轮箱运行状态，而且可以对潜在故障进行预警。FNN 是对模糊逻辑和神经网络优缺点进行深化分析，再将两者优点相结合的一种算法。通过对振动信号进行分析和处理，用以上三种故障波形对 FNN 进行训练，同时实行多振动传感器的方式，确保了振动信号的准确性。关键词：模糊神经网络；故障预警；在线监测；故障波形识别引言对于任何大型发电设施，例如核电厂的发电机或火力发电机，在线状态监测系统对于故障检测和事故预警是非常重要的。在机器损坏之前及时进行停机检修，可以防止设备损坏带来的不必要的经济损失和人身伤亡[1]。机械振动是工程中普遍存在的现象，风电机组齿轮箱的振动信号，无疑是直接反响其健康状况的重要数据。当齿轮或轴承出现故障时，会有特别频率的振动，我们可以通过分析这种特征频率的振动来检测齿轮及轴承是否完好。但是，在齿轮箱内部会产生多种振动信号，为了防止系统误报警，需要对采集的振动信号进行深度分析[2]。讨论者通常运用模糊逻辑与人工神经网络相结合的模糊神经网络〔FNN〕来识别和分析以上三种振动信号[3][4]。模糊逻辑强项是逻辑推理，一种用数学模型模拟人脑进行结果分析，但是并不具有对历史数据的能力和对已分析结果的储存[5]。神经网络恰恰相反，它具备对历史数据反复学习和挖掘的功能，并且有一定的容错能力。所以才将两个算法合并，取长补短，发挥每种算法的最大优点以解决实际复杂问题[6]。1 风电机组齿轮箱常见故障1.1 齿轮磨损齿轮的磨损是指在齿轮箱在运作过程中，齿轮与齿轮不慎进入金属微粒或沙粒，使齿面擦伤或者齿面涂层掉落。会导致齿轮变薄，侧缝间隙变大，咬合不稳甚至形成断齿。而这种故障占齿轮总故障的 14%。本文所涉及到的齿轮磨损均指齿面均匀磨损，在这种情况下，齿轮之间咬合不稳，形成的震动幅度与正常齿轮有明显差异，可以被传感器探测到。1.2 齿轮点蚀点蚀是齿轮箱传动系统中普遍故障类型，占总事故比例的 31%。指齿轮产生微小裂痕后，由于齿轮长期互相挤压，将润滑剂挤压进裂缝，使之压力增大很容易扩大裂痕。点蚀的出现会使齿轮局部变形，这会进一步加大局部接触压力，最终形成断齿危险。在点蚀...
