CN106932196A - 一种风机齿轮箱故障诊断模型建立方法及装置 - Google Patents

Abstract

本发明提供一种风机齿轮箱故障诊断模型建立方法，用于建立风机齿轮箱诊断模型，首先，获取风机齿轮箱的振动信号，然后对所述振动信号进行平滑和降噪处理；对处理后的振动信号进行分解，提取振动信号的特征向量；将所述振动信号的特征向量分为训练数据集和测试数据集；利用果蝇算法对径向基神经网络模型的参数进行优化，输入所述训练数据集中的振动信号的特征向量获取参数的最优值，生成基于径向基神经网络的风机齿轮箱故障诊断模型并进行测试。该方案中针对RBF神经网络的特点引入优化算法，使得故障诊断效果提高，通过引入人工智能分析技术对提取的特征值进行进一步处理，从而提高故障诊断的效率，从而减少由于故障引起的停机损失。

Description

一种风机齿轮箱故障诊断模型建立方法及装置

技术领域

本发明涉及故障诊断领域，具体涉及一种风机齿轮箱故障诊断模型建立方法。

背景技术

全球能源问题日益突出，化石燃料的不可再生性及对全球气候造成的恶劣影响，使各国纷纷出台政策缓解由于能源短缺造成的危机。开发新能源及可再生能源，逐步减少化石能源的使用，是保护生态环境、社会经济可持续发展的战略重大措施。随着经济的发展，以风电为代表的可再生能源在全球范围内飞速发展。我国也是风电行业发展大国，截止到2015年年底，我国累计安装风电机组台数和累计装机容量稳居全球第一。

然而随着风电产业近年来的快速发展，问题也随之而来。国内风电企业对风电机组的部分核心技术尚未完全掌握，一些关键零部件仍然依赖于进口。作为风电机组的主要传动部件，增速齿轮箱的性能对整个风电机组的稳定运行有很大影响。近年来对风电场实际监测得到的统计结果，在风电机组各部件中齿轮箱失效的比例占9.8％，而因齿轮箱失效而造成的风电机组的停机时间占到19.4％。风电齿轮箱一旦出现故障，其高昂的维修费用及较长的维修周期将给风电场及风电企业造成极大的损失。

针对风电机组传动链中故障的诊断技术主要包括信号分析技术和人工智能分析技术。对传动链上的状态监测信号分析方法主要包括：时域分析方法、频域分析方法和时、频联合分析方法。利用信号分析方法对监测信号进行处理后，提取相应的故障特征值，通过故障特征值进行故障判断。但信号分析方法存在着效率低，准确度差的缺点。

发明内容

因此，本发明要解决的技术问题在于现有技术中的风机齿轮箱故障诊断效率低、准确度差的缺陷。

本发明实施例提供一种风机齿轮箱故障诊断模型建立方法，包括

S1、获取风机齿轮箱的振动信号；

S2、对所述振动信号进行平滑和降噪处理；

S3、对处理后的振动信号进行分解，提取振动信号的特征向量；

S4、将所述振动信号的特征向量分为训练数据集和测试数据集；

S5、利用果蝇算法对径向基神经网络模型的参数进行优化，输入所述训练数据集中的振动信号的特征向量获取参数的最优值，生成基于径向基神经网络的风机齿轮箱故障诊断模型；

S6、使用所述测试数据集对所述风机齿轮箱故障诊断模型进行诊断测试得到诊断结果；

S7、判断诊断结果是否达到预设诊断准确率，若未达到预设诊断准确率，则重新获取风机齿轮箱的振动信号，重复步骤S1-S6直至诊断结果达到预设诊断准确率。

可选地，在步骤S1中，通过振动传感器采集风机齿轮箱正常以及典型故障状态下振动信号，至少包括正常振动信号、齿轮箱轴承内圈故障时振动信号、齿轮箱轴承外圈故障时振动信号、断齿状态下振动信号中的部分或全部。

可选地，包括S5中利用果蝇算法对径向基神经网络模型的参数进行优化的处理之前，还包括初始化果蝇优化算法的参数。

可选地，所述初始化果蝇优化算法的参数的过程，包括：

第一，初始化果蝇种群数量P，最大迭代次数G_max，初始搜索步长L₀，果蝇种群初始位置(x₀,y₀)；

第二，设置果蝇优化算法每代搜索步长和适应度函数，其中每代搜索步长公式如下：

其中G_max最大迭代次数，G为当前优化代数，L₀为初始搜索步长，L为当前代搜索步长；

适应度函数为：

其中J为适应度，N为训练样本，m为输出层节点数，x_ji为实际输出，y_ji为目标输出。

第三，初始化参数搜索范围。

可选地，所述利用果蝇算法对径向基神经网络模型的参数进行优化的过程，包括：

随机在搜索范围中初始化Spread值位置(x₀,y₀)；

根据公式根据公式生成当前代搜索步长，再根据公式X(i)＝X_0i+L*rand(1,1)，Y(i)＝Y_0i+L*rand(1,1)赋予果蝇个体在随机方向和随机移动距离，其中X(i)、Y(i)为果蝇种群中每个个体在本代搜索范围中的横纵坐标，i∈(0,P]。X_0i、Y_0i为本代果蝇种群初始位置的横纵坐标，rand(1,1)表示在(0,1)范围内取随机值；

根据公式求出整个果蝇种群适应度，确定最佳种群适应度J_min并确定获得最佳适应度对应的果蝇位置(x_i，y_i)，将其作为下一代初始位置；

重复最大迭代次数G_max次得到最优解即为神经网络最优Spread值。

可选地，所述步骤S3中，包括对振动信号使用sym8小波对振动信号进行三层小波包分解。

可选地，所述步骤S2中对所述振动信号进行平滑和降噪处理的步骤中，采用的公式为：

其中，x_i(i＝1,2,...,m)为处理前数据点，y_i(i＝1,2,...,m)为经过五点三次法平滑处理后数据点。

可选地，所述振动信号获取200组，其中分到所述训练数据集中的数据120组，分到测试数据集中的数据为80组。

此外，本发明还提供一种风机齿轮箱故障诊断模型建立装置，包括

信号获取单元，用于获取风机齿轮箱的振动信号；

预处理单元，用于对所述振动信号进行平滑和降噪处理；

特征向量提取单元，用于对处理后的振动信号进行分解，提取振动信号的特征向量；

数据集设置单元，用于将所述振动信号的特征向量分为训练数据集和测试数据集；

模型生成单元，用于利用果蝇算法对径向基神经网络模型的参数进行优化，输入所述训练数据集中的振动信号的特征向量获取参数的最优值，生成基于径向基神经网络的风机齿轮箱故障诊断模型；

诊断测试单元，用于使用所述训练数据集对所述风机齿轮箱故障诊断模型进行诊断测试得到诊断结果；

循环单元，用于判断诊断结果是否达到预设诊断效果，若未达到预设诊断效果，则重新获取风机齿轮箱的振动信号，重复步骤S1-S6直至诊断结果达到预设诊断效果。

可选地，所述振动信号包括正常振动信号、齿轮箱轴承内圈故障时振动信号、齿轮箱轴承外圈故障时振动信号、断齿状态下振动信号中的部分或全部。

本发明技术方案，具有如下优点：

1.本发明提供的风机齿轮箱故障诊断模型建立方法，用于建立风机齿轮箱诊断模型，首先，获取风机齿轮箱的振动信号，然后对所述振动信号进行平滑和降噪处理；对处理后的振动信号进行分解，提取振动信号的特征向量；将所述振动信号的特征向量分为训练数据集和测试数据集；利用果蝇算法对径向基神经网络模型的参数进行优化，输入所述训练数据集中的振动信号的特征向量获取参数的最优值，生成基于径向基神经网络的风机齿轮箱故障诊断模型；使用所述训练数据集对所述风机齿轮箱故障诊断模型进行诊断测试得到诊断结果；判断诊断结果是否达到预设诊断效果，若未达到预设诊断效果，则重新建立直至诊断结果达到预设诊断效果。该方案中针对RBF神经网络的特点引入群智能优化算法进行模型优化，使得故障诊断效果提高，通过引入人工智能分析技术对提取的特征值进行进一步处理，将故障部位、故障程度以及故障类型识别出来，通过对模型进行测试进一步提高了其准确率，从而提高故障诊断的效率，从而减少由于故障引起的停机损失。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例1中风机齿轮箱故障诊断模型建立方法的一个具体示例的流程图；

图2为本发明实施例1中风机齿轮箱故障诊断模型建立装置的一个具体示例的结构框图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，还可以是两个元件内部的连通，可以是无线连接，也可以是有线连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。

实施例1

本实施例中提供一种风机齿轮箱故障诊断模型建立方法，用于建立风向齿轮箱故障诊断模型，该模型用于对风机齿轮箱进行故障诊断。该方法的流程图如图1所述，包括：

S1、获取风机齿轮箱的振动信号。通过振动传感器采集风机齿轮箱正常以及典型故障状态下振动信号，振动信号可以包括正常振动信号、齿轮箱轴承内圈故障时振动信号、齿轮箱轴承外圈故障时振动信号、断齿状态下振动信号中的部分或全部。

本实施例中通过加装在风机齿轮箱上的振动传感器获得风机齿轮箱振动信号，其中分别包括正常、齿轮箱轴承内圈故障、齿轮箱轴承外圈故障、断齿四种状态下的四种振动信号。

S2、对采集的风机齿轮箱振动信号做平滑和降噪的预处理预处理，其中使用五点三次法进行数据平滑处理。其处理公式为：

其中，x_i(i＝1,2,...,m)为处理前数据点，y_i(i＝1,2,...,m)为经过五点三次法平滑处理后数据点。降噪方法选用的小波函数为sym8，采用软阈值降噪法。Sym为小波族，序号是8，该小波滤波器长度为2×N＝16，小波函数消失矩为N＝8，sym8表示所用的小波基的名称。

S3、对处理后的振动信号进行分解，提取振动信号的特征向量。

对处理后的振动信号使用sym8小波对振动信号进行三层小波包分解，由此得到8个频带的分解信号即S＝S₃₁+S₃₂+S₃₃+S₃₄+S₃₅+S₃₆+S₃₇+S₃₈，其中S为振动信号经过小波包重构信号，S_ij为小波包分解的单支重构信号。在每个分解节点获得振动信号的各频带能量其中S_ij对应的频带能量为E_ij＝∫|S_ij(t)|²dt(i＝1,2,3；j＝1,2,...,8)。最终作为输入的特征向量表示为X＝[E₁/E,E₂/E,E₃/E,E₄/E,E₅/E,E₆/E,E₇/E,E₈/E]，其中

S4、将所述振动信号的特征向量分为训练数据集和测试数据集。

将振动信号分为训练数据集和测试数据集，共采集数据200组，其中采集训练集数据120组，测试集数据80组。

S5、利用果蝇算法对径向基神经网络模型(RBF神经网络模型)的参数进行优化，输入所述训练数据集中的振动信号的特征向量获取参数的最优值，生成基于径向基神经网络的风机齿轮箱故障诊断模型。

该步骤中，首先，初始化果蝇优化算法的参数。步骤如下

第一，初始化果蝇优化算法中参数。

果蝇优化算法参数包括：果蝇种群数量P，最大迭代次数G_max，初始搜索步长L₀，果蝇种群初始位置(x₀,y₀)。

第二，设置果蝇优化算法每代搜索步长和适应度函数。

为了提高果蝇优化算法优化能力和精度，从而提高RBF神经网络故障诊断能力，果蝇优化算法每代搜索步长公式如下：

其中G_max最大迭代次数，G为当前优化代数，L₀为初始搜索步长，L为当前代搜索步长；

果蝇优化算法适应度函数为：

其中J为适应度，N为训练样本，m为输出层节点数，x_ji为实际输出，y_ji为目标输出。

本实施例中的果蝇算法也称为果蝇优化算法(FOA)，是一种新型的仿生算法。果蝇优化算法已被证明是一个在确定的数值函数在其连续的定义域中求极值的强大进化算法。此处的果蝇算法还可以是现有技术中已有的一些改进的果蝇优化算法。

第三，初始化参数搜索范围。

由于RBF神经网络中Spread值对于神经网络性能有着较大的影响，果蝇优化算法即针对此参数进行优化，应提前确定搜索范围。

上述初始化完成后，利用果蝇优化算法对RBF神经网络Spread值进行寻优，通过输入训练数据集振动信号特征向量获取Spread最优值，其步骤如下：

第一步，随机在搜索范围中初始化Spread值位置(x₀,y₀)；

第二步，根据公式根据公式生成当前代搜索步长，再根据公式X(i)＝X_0i+L*rand(1,1)，Y(i)＝Y_0i+L*rand(1,1)赋予果蝇个体在随机方向和随机移动距离，其中X(i)、Y(i)为果蝇种群中每个个体在本代搜索范围中的横纵坐标，i∈(0,P]。X0i、Y0i为本代果蝇种群初始位置的横纵坐标。rand(1,1)表示在(0,1)范围内取随机值。

第三步，根据公式求出整个果蝇种群适应度，确定最佳种群适应度J_min并确定获得最佳适应度对应的果蝇位置(x_i，y_i)，将其作为下一代初始位置。

第四步，重复最大迭代次数G_max次得到最优解即为神经网络最优Spread值，利用该最优值生成基于RBF神经网络的风机齿轮箱故障诊断模型。

S6、使用所述测试数据集对所述风机齿轮箱故障诊断模型进行诊断测试得到诊断结果。

将测试数据集中的振动特征向量X＝[E₁/E，E₂/E，E₃/E，E₄/E，E₅/E，E₆/E，E₇/E，E₈/E]，输入上述建立的基于RBF神经网络的风机齿轮箱故障诊断模型进行验证。

S7、判断诊断结果是否达到预设诊断准确率，预设诊断准确率为预设的一个诊断准确率，如输入80组测试数据，要求准确率达到90％以上，则需要至少72个测试数据的诊断结果是准确的。一般预设诊断准确率根据需要设置为80％以上。

若未达到预设诊断效果，可能和算法以及样本都有关系，此时则重新获取风机齿轮箱的振动信号，一般会增加样本的数量，重复步骤S1-S6直至诊断结果达到预设诊断效果。由于测试组样本和训练组样本是同时采集的一批数据，因此其可区分性高，如果同时采集的测试样本都无法识别出故障，则该模型的识别率会较低，因此通过测试如果不能达到预设的效果，则需要重新建立模型。同时采集测试样本和训练样本也可以提高数据处理的速度，无需多次采集样本。

测试完成后，当满足测试结果准确度要求后，即可用来进行风机齿轮箱故障诊断。诊断时，将待诊断的振动数据输入该模型，即可以得出准确的诊断结果。

本实施例中的方案在风机齿轮箱故障诊断问题方面引入RBF神经网络，相较于传统的BP神经网络，RBF神经网络逼近能力、分类能力和学习速度等方面均优于传统BP网络，这使得RBF神经网络在解决故障诊断问题时速度更快，准确度更高。且针对RBF神经网络自身特点引入果蝇算法优化神经网络模型，使得故障诊断效果更好。

实施例2：

一种风机齿轮箱故障诊断模型建立装置，结构框图如图2所示，用于建立诊断模型，其包括

信号获取单元01，用于获取风机齿轮箱的振动信号；

预处理单元02，用于对所述振动信号进行平滑和降噪处理；

特征向量提取单元03，用于对处理后的振动信号进行分解，提取振动信号的特征向量；

数据集设置单元04，用于将所述振动信号的特征向量分为训练数据集和测试数据集；

模型生成单元05，用于利用果蝇算法对径向基神经网络模型的参数进行优化，输入所述训练数据集中的振动信号的特征向量获取参数的最优值，生成基于径向基神经网络的风机齿轮箱故障诊断模型；

诊断测试单元06，用于使用所述训练数据集对所述风机齿轮箱故障诊断模型进行诊断测试得到诊断结果；

循环单元07，用于判断诊断结果是否达到预设诊断效果，若未达到预设诊断效果，则重新获取风机齿轮箱的振动信号，重复步骤S1-S6直至诊断结果达到预设诊断效果。

其中，所述振动信号包括正常振动信号、齿轮箱轴承内圈故障时振动信号、齿轮箱轴承外圈故障时振动信号、断齿状态下振动信号中的部分或全部。

本实施例中的风机齿轮箱故障诊断模型，通过加装在风机齿轮箱上的振动传感器获取振动信号，并采用果蝇算法优化RBF神经网络，并将其应用到风机齿轮箱故障诊断中，所述果蝇算法优化的RBF神经网络在风机齿轮箱故障诊断中辨识率高，优化过程简便易于实现，可靠性好。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.一种风机齿轮箱故障诊断模型建立方法，其特征在于，包括

S1、获取风机齿轮箱的振动信号；

S2、对所述振动信号进行平滑和降噪处理；

S3、对处理后的振动信号进行分解，提取振动信号的特征向量；

S4、将所述振动信号的特征向量分为训练数据集和测试数据集；

S5、利用果蝇算法对径向基神经网络模型的参数进行优化，输入所述训练数据集中的振动信号的特征向量获取参数的最优值，生成基于径向基神经网络的风机齿轮箱故障诊断模型；

S6、使用所述测试数据集对所述风机齿轮箱故障诊断模型进行诊断测试得到诊断结果；

S7、判断诊断结果是否达到预设诊断准确率，若未达到预设诊断准确率，则重新获取风机齿轮箱的振动信号，重复步骤S1-S6直至诊断结果达到预设诊断准确率。

2.根据权利要求1所述的方法，其特征在于，在步骤S1中，通过振动传感器采集风机齿轮箱正常以及典型故障状态下振动信号，至少包括正常振动信号、齿轮箱轴承内圈故障时振动信号、齿轮箱轴承外圈故障时振动信号、断齿状态下振动信号中的部分或全部。

3.根据权利要求1或2所述的方法，其特征在于，包括S5中利用果蝇算法对径向基神经网络模型的参数进行优化的处理之前，还包括初始化果蝇优化算法的参数。

4.根据权利要求3所述的方法，其特征在于，所述初始化果蝇优化算法的参数的过程，包括：

第一，初始化果蝇种群数量P，最大迭代次数G_max，初始搜索步长L₀，果蝇种群初始位置(x₀,y₀)；

第二，设置果蝇优化算法每代搜索步长和适应度函数，其中每代搜索步长公式如下：

其中G_max最大迭代次数，G为当前优化代数，L₀为初始搜索步长，L为当前代搜索步长；

适应度函数为：

其中J为适应度，N为训练样本，m为输出层节点数，x_ji为实际输出，y_ji为目标输出。

第三，初始化参数搜索范围。

5.根据权利要求4所述的方法，其特征在于，所述利用果蝇算法对径向基神经网络模型的参数进行优化的过程，包括：

随机在搜索范围中初始化Spread值位置(x₀,y₀)；

根据公式根据公式生成当前代搜索步长，再根据公式X(i)＝X_0i+L*rand(1,1)，Y(i)＝Y_0i+L*rand(1,1)赋予果蝇个体在随机方向和随机移动距离，其中X(i)、Y(i)为果蝇种群中每个个体在本代搜索范围中的横纵坐标，i∈(0,P]。X_0i、Y_0i为本代果蝇种群初始位置的横纵坐标，rand(1,1)表示在(0,1)范围内取随机值；

根据公式求出整个果蝇种群适应度，确定最佳种群适应度J_min并确定获得最佳适应度对应的果蝇位置(x_i，y_i)，将其作为下一代初始位置；

重复最大迭代次数G_max次得到最优解即为神经网络最优Spread值。

6.根据权利要求1或2或4或5所述的方法，其特征在于，所述步骤S3中，包括对振动信号使用sym8小波对振动信号进行三层小波包分解。

7.根据权利要求6所述的方法，其特征在于，所述步骤S2中对所述振动信号进行平滑和降噪处理的步骤中，采用的公式为：

$\begin{array}{c}{y}_1=\frac{1}{70}\[69x_1+4\left(x_2+x_4\right)-6x_3-x_5\]\\ y_2=\frac{1}{35}\[2\left(x_1+x_5\right)+27x_2+12x_3-8x_4\]\\ \mathrm{...}\\ y_i=\frac{1}{35}\[-3\left(x_{i-2}+x_{i+2}\right)+12\left(x_{i-1}+x_{i+1}\right)+17x_i\]\\ \mathrm{...}\\ y_{m-1}=\frac{1}{35}\[2\left(x_{m-4}+x_m\right)-8x_{m-3}+12x_{m-2}+27x_{m-1}\]\\ y_m=\frac{1}{70}\[-x_{m-4}+4\left(x_{m-3}+x_{m-1}\right)-6x_{m-2}+69x_m\]\end{array},i=3,4,\mathrm{...},m-2$

其中，x_i(i＝1,2,...,m)为处理前数据点，y_i(i＝1,2,...,m)为经过五点三次法平滑处理后数据点。

8.根据权利要求7所述的方法，其特征在于，所述振动信号获取200组，其中分到所述训练数据集中的数据120组，分到测试数据集中的数据为80组。

9.一种风机齿轮箱故障诊断模型建立装置，其特征在于，包括

信号获取单元，用于获取风机齿轮箱的振动信号；

预处理单元，用于对所述振动信号进行平滑和降噪处理；

特征向量提取单元，用于对处理后的振动信号进行分解，提取振动信号的特征向量；

数据集设置单元，用于将所述振动信号的特征向量分为训练数据集和测试数据集；

模型生成单元，用于利用果蝇算法对径向基神经网络模型的参数进行优化，输入所述训练数据集中的振动信号的特征向量获取参数的最优值，生成基于径向基神经网络的风机齿轮箱故障诊断模型；

诊断测试单元，用于使用所述训练数据集对所述风机齿轮箱故障诊断模型进行诊断测试得到诊断结果；

循环单元，用于判断诊断结果是否达到预设诊断效果，若未达到预设诊断效果，则重新获取风机齿轮箱的振动信号，重复步骤S1-S6直至诊断结果达到预设诊断效果。

10.根据权利要求9所述的装置，其特征在于，所述振动信号包括正常振动信号、齿轮箱轴承内圈故障时振动信号、齿轮箱轴承外圈故障时振动信号、断齿状态下振动信号中的部分或全部。