石 慧

（太原市康培园林绿化工程有限公司，山西太原 030000）

引言

风电并网后会引起一系列的挑战，如齿轮箱经常出现故障、运行投入成本大幅上升等主要问题。人工智能是目前广泛使用的用来模拟、效仿人的大脑思维的一种技术。将这种技术应用在风电场并网中，可处理一些抽象的、非线性的结构化信息，如风电场中的故障诊断、齿轮箱故障诊断以及故障诊断中涉及的参数调优等[1-3]。

在风力发电机组上起着十分重要传动作用的齿轮箱在实际运行中会产生一系列不平稳、非线性的振动信号，局部化能力同时体现在频域以及时域中的小波函数在处理这一系列不平稳、非线性振动信号以及对齿轮箱发生故障诊断都有着十分重要的意义。通过分析风力发电机组齿轮箱有效的不平稳、非线性振动的特征信号是实现其准确故障诊断的前提。所以提取齿轮箱振动过程中的特征信号非常重要。人工神经网络通过添加模糊化功能便可实现模糊神经网络，模糊神经网络结合神经网，将模糊集、模糊逻辑作为重点，通过自身自组织性，实现柔性处理齿轮箱振动信号的特征数据，从而完成齿轮箱在实际运行中出现故障的类别识别和分类[2-6]。本研究结合小波包与模糊神经网络算法有效实现实际运行中齿轮箱振动信号的特征提取与故障诊断。

1 基于小波包提取齿轮箱振动特征信号

实际运行中的风力发电机组的各个部件在运……