风能储存室齿轮箱的运行条件复杂，自然环境恶劣，故障种类繁多。了获得精确有效的故障分类，分类方法将基于补偿模糊神经网络的风能存储单元的故障传输与模糊方法相结合。系统具有强大的知识提取能力和强大的神经网络自学习自学习能力，并提供动态调整学习步骤大小的机制。验结果表明，该方法适用于传输故障的诊断，可以有效地加快学习和迭代速度，提高迭代精度。力发电设备的变速箱是一个非常重要的机械部件：随着冷库单元容量的增加，变速箱的力量变得复杂，变速箱的运行环境也变得复杂比较糟糕。些不确定的内部和外部因素显着增加了传输失败的可能性。力涡轮机中超过一半的故障来自变速箱。速箱安装在狭小的空间内，环境不方便。旦发现故障，风能冷库必须关闭，维修非常困难，这代表对人力和物力资源的重大挑战。且齿轮箱具有许多类型的缺陷，例如齿轮，轴承，轴和其他部件，以及各种形式的损坏，这增加了分析和监测缺陷的难度。

　　此，加强传动研究，注意其故障分析和故障诊断技术，并采取准确及时的故障诊断措施是非常重要的。年来，随着人工智能的发展，智能化和诊断自动化的要求逐渐成为现实。工神经网络技术作为人工智能的重要分支，因其强大的并行计算能力，自学习功能和自学习功能，非常适合故障分类和模式识别。想的能力，这使其在诊断错误中非常受欢迎。量文献研究了神经网络的结构计算。

　　糊神经网络将适用于表达模糊或定性的知识模糊系统，推理类似于人类的思维方式，并与并行计算的神经网络，信息，容错性和自适应学习分布式存储。确组合，利用两者的优势，处理不确定性，非线性等，非常适合分析由非确定性因素引起的多种类型的缺陷。过引入模糊神经元，优化学习算法，加快迭代速度，提高网格精度。着技术的进步，风力发电机齿轮箱的结构和运行条件变得更加复杂。力发电机齿轮箱中可能出现多种故障模式。了快速确定有效地是风力涡轮机的变速箱的故障类型，这里提取变速箱的输入轴马达。向轴承Y，输出轴电机侧轴承Y，输入轴承载轴承Y，下部输出轴承载侧Y，下部负载侧轴承X输出参数树，提取原始数据，使用模糊神经网络补偿按照相应的规则进行模糊化，引入补偿神经元。糊运算优化方法的使用动态和全面允许确定齿轮，轴承，轴，齿轮箱和齿轮附件的五种典型故障。文档动态调整学习率η，提高学习率，提高收敛速度。有补偿的模糊神经网络的结构。

　　有补偿的模糊神经网络是模糊补偿逻辑系统和神经网络系统的组合，两者都由结构等效形式组合。经网络模糊偏移了基于模糊神经网络模型Mamdini模糊神经补偿，使网络能够形成网络映射正确的模糊规则之后，使网络具有容忍更高的故障。般来说，补偿结构模糊网络包括5层结构中，输入层，一个模糊层，模糊推理层，冷库安装补偿操作层和抗模糊化层。一层是输入层，并且层的每个神经元节点直接连接到输入组件，其起到将输入值传输到下一层的作用。
　　上式中，和AKIσki分别表示中心和对应于第k个模糊推理规则的输入隶属函数的宽度，并分别BKI和ki表示该函数的中心和宽度输出隶属度对应于模糊模糊推理规则，域U = U1×U2×... A×。网络结构如图1所示。种补偿模糊神经网络的学习算法。传统的模糊神经网络中，输入和输出隶属函数的中心和宽度在计算过程中发生变化，但学习速率η是静态常数而不是动态调整的。η的值太大时，收敛速度增加;当最终结果接近最终结果时，重复振荡现象有时无法收敛到最优结果。果η的值设置得太多小，振荡现象衰减，甚至消失，但收敛速度减慢。

　　习率η是模糊神经网络应用的重要因素，已被大量文献研究过。增强VLBP算法的学习速率与模糊神经网络系统进行比较，以提供新的学习速率变化函数。且λ，ρ是调整学习速度参数。
　　于m，不同的隶属函数有不同的计算方法。来MBMΩ，我的，并且在等式（22）Mσmγ用于计算学习ηB，ηω，ηA，ησ，ηγ中心/隶属函数的输入/输出的宽度和程度的速度补偿操作的补偿，然后在公式（11），（12），（13），（14）和（19），（20）中引入学习率，并且完成迭代过程以实现动态调整步骤的大小。究所提出的方法是利用风电场冷库的运行数据实现的。分析冷藏单元的年度监测数据时，采集40组数据作为训练样本，30组数据作为测试样本。提取箱的传动轴的电机侧，Y轴承对应5个神经网络输入节点，Y轴承在输出轴的电机侧，Y轴承在轴的负载侧。入，输出轴Y轴承下部承载，输出轴下部输出轴承X加速5个参数，5个输出节点，对应5种故障类型。范化数据。整学习速率参数：λ= 0.866，冷库安装ρ= 1.模糊训练输入数据用于形成网络。下矩阵是已模糊化的一组已处理数据样本的一部分。后取30组测试样本来测试形成的网络。测样品如表1所示。
　　偿模糊神经网络模型准确地诊断出测试样本数据集中的故障数据和正常数据，并确定故障原因。练结束后，训练步数为num = 18，整体误差为e = 0 ..精度可达85％。验表明，带补偿的模糊神经网络为各种类型的缺陷提供了更高的分辨率，并且结果是全局一致的。训步骤数量少，效率高。以看出，改进的补偿模糊神经网络更适用于风冷机组齿轮箱故障诊断的应用。文将模糊神经元补偿的模糊神经网络应用于冷风能量存储单元的传输故障诊断过程。习步骤的大小和动态调整，通过该方法加速和加快学习速度，证明该方法适用于诊断传输故障并且具有很强的学习速度自我学习和自我适应能力。

　　
　　本文转载自
　　冷库安装 https://www.iceage-china.com