齿轮油变质导致的设备磨损是风电机组发生故障以及使用寿命降低的主要原因,而齿轮油的氧化是齿轮油最常见的变质原因之一。齿轮油氧化后可以引起诸多问题,比如:油品粘度升高,非油溶性聚合物形成漆膜、沉积物等同时造成发动机系统阻塞。目前大部分检测齿轮油抗氧化性能的方法均存在分析周期过长、操作过程繁琐等不足,红外光谱分析技术能够有效解决这些问题,快速、准确的检测出齿轮油的氧化程度。但由于齿轮油组成、结构复杂,红外光谱技术很难直接测量出齿轮油中的抗氧化剂含量,因此本文针对在用齿轮油在氧化过程中产生的醇、醛、酮、酸等氧化产物的含量变化进行分析,进而判断油品抗氧化性能的改变。本文分析了齿轮油的氧化原理及红外光谱定量分析的方法,探讨了根据齿轮油的氧化生成物来评价其抗氧化特性的方法的有效性。通过分析从风场实时采集的齿轮油的红外光谱样本,使用TQ analyst软件对样品进行异常样品的判别,同时建立了偏最小二乘回归算法模型,比较可疑样品剔除前后模型的结果来判断并剔除异常样品。在此基础上分别对光谱进行平滑、微分处理等预处理,得到最佳的预处理方法,为第三章和第四章建立的模型作数据准备。详细介绍了 BP神经网络的原理与MATLAB实现的过程,并对结果进行分析。结合主成分分析(PCA)和径向基神经网络(RBF)的优点,建立了 PCA-RBF神经网络数学模型。该数学模型利用主成分分析将样本数据进行降维,然后将降维后的数据作为径向基神经网络的输入进行网络训练。将PCA-RBF算法模型与BP神经网络检测结果相比较,发现PCA-RBF模型的相对误差更小,检测结果更准确。同时比较了 BP神经网络与RBF神经网络在网络结构、训练算法以及性能三个方面的优劣。本文的研究为润滑油抗氧化性能的快速检测提供了一种有效的技术手段。