風力發(fā)電機組故障診斷新方法

摘 要：文章針對風力發(fā)電機的結構和運行狀況，提出了一種基于徑向基神經(jīng)網(wǎng)絡的故障診斷方法。通過仿真實例證明，此方法應用于風電機組是可行的。

關鍵詞：風電機組；徑向基神經(jīng)網(wǎng)絡；故障診斷

中圖分類號：TM315 文獻標識碼：A 文章編號：1006-8937（2012）35-0007-02

近年來，隨著風力設備技術水平和復雜度不斷提高，設備故障對生產(chǎn)的影響也在增加，因此要保證設備可靠有效地運行，充分發(fā)揮其效益，必須發(fā)展故障診斷技術。

隨著人工智能和計算機技術的飛速發(fā)展，許多智能算法被應用于實際運行中，取得了良好的效果。本文針對風力發(fā)電機組旋轉部分的結構與運行狀況，提出了利用徑向基神經(jīng)網(wǎng)絡進行風力發(fā)電機組旋轉部分故障診斷的方法，能夠較快判斷故障類型。

1 風力發(fā)電機旋轉部分故障檢測方法概述

由于風電機組旋轉部分結構復雜，工作所處環(huán)境惡劣，特別是齒輪和齒輪箱容易受到傷害，從而引發(fā)故障。早期故障信號通常比較微弱，常常淹沒在背景噪聲中不易被識別，因此提取其故障特征信息成為關鍵技術。目前，小波分析、經(jīng)驗模態(tài)分解等方法已廣泛應用，為微弱故障特征信息提取創(chuàng)造了條件。

依靠機組監(jiān)測裝置采集的故障實時信息，我們可以對故障類型做出判斷。大多數(shù)情況下，根據(jù)經(jīng)驗可以將一些監(jiān)測數(shù)據(jù)顯示正常的部位排除，剩下幾種最有可能的故障情況，再對這幾種情況進行分析，層層篩選，最終確定真實故障類型。

2 RBF神經(jīng)網(wǎng)絡

RBF神經(jīng)網(wǎng)絡屬于前向型神經(jīng)網(wǎng)絡，分為三層：第一層為輸入層；第二層為隱藏層；第三層為輸出層。如圖1所示。

3 相關檢測過程

3.1 神經(jīng)網(wǎng)絡創(chuàng)建步驟

如圖2所示，應用神經(jīng)網(wǎng)絡對故障進行辨別，需要經(jīng)過五個步驟。

3.2 數(shù)據(jù)的采集與分類

風電機組一般配備監(jiān)測裝置，會將機組的實時數(shù)據(jù)記錄下了，供操作人員分析判斷機組的運行狀態(tài)。如果我們將故障的歷史數(shù)據(jù)收集整理起來，就形成了一個能反映風電機組故障特征的數(shù)據(jù)集。此數(shù)據(jù)集可以作為樣本對神經(jīng)網(wǎng)絡進行訓練，使其具有故障分類的能力。

數(shù)據(jù)集共包括33組故障波形數(shù)據(jù)，分別由風電機組的不同歷史故障數(shù)據(jù)組成。每組前24列為風速、槳距角、葉輪轉速、環(huán)境溫度等故障診斷的關鍵數(shù)據(jù)，第25列為分類的輸出，按編號1～5分別是異常響聲、溫度異常、液壓系統(tǒng)的壓力不穩(wěn)、嚴重漏油和齒輪箱潤滑不良。前30組作為訓練樣本對神經(jīng)網(wǎng)絡進行訓練，后3組作為測試樣本測試網(wǎng)絡訓練效果。

3.3 創(chuàng)建RBF網(wǎng)絡

①網(wǎng)絡創(chuàng)建與參數(shù)設置。利用神經(jīng)網(wǎng)絡工具箱函數(shù)newrb（）構建一個RBF神經(jīng)網(wǎng)絡；設置網(wǎng)絡分布常數(shù)設定為30，訓練目標為0.1。

②網(wǎng)絡訓練。利用網(wǎng)絡訓練函數(shù)train（）對建立的網(wǎng)絡進行訓練。

③結果輸出。利用sim（）函數(shù)將測試樣本數(shù)據(jù)輸入訓練之后的RBF網(wǎng)絡，經(jīng)過判別便可以得到對應的輸出結果。

3.4 結果顯示

圖3為RBF網(wǎng)絡訓練效果，其中*代表神將網(wǎng)絡判斷故障類型，○代表實際故障類型；圖4為RBF 網(wǎng)絡的預測效果，其中*代表神將網(wǎng)絡判斷故障類型，△代表神將網(wǎng)絡判斷故障類型。本次RBF神經(jīng)網(wǎng)絡訓練共用時4秒，從上述結果可以看出，訓練時有兩個樣本錯誤，正確率為93.33%，預測樣本則完全正確。由此可以證明利用神經(jīng)網(wǎng)絡可以快速準確地判斷風電機故障類型，應用此方法對風電機組常見故障進行檢測是可行的。

4 結 論

文章針對常見的風電機組故障，提出了一種采用徑向基神經(jīng)網(wǎng)絡進行故障檢測的方法。實踐證明，此種方法能夠快速準確地判斷故障類型。在實際應用中，同類型風電機組歷史故障數(shù)據(jù)都可以用作訓練樣本。理論與實踐證明，如果加大訓練樣本數(shù)，所得結果會更加精確，更加有利于提高檢測的效果與速度。

參考文獻：

[1] 沈水福.設備故障診斷技術[M].北京：科學出版社，1990.

[2] 張登峰，郝偉，郝旺身.風力發(fā)電機組的振動測試與診斷[J].大電機技術，2012，15（1）：10-12.

[3] 畢天姝，倪以信，吳復立，等.基于新型神經(jīng)網(wǎng)絡的電網(wǎng)故障診斷方法[J].中國電機工程學報，2002，22（2）：73-78.

[4] 周開利，康耀紅.神經(jīng)網(wǎng)絡模型及其MATLAB仿真程序設計[M].北京：清華大學出版社，2005.

[5]葛哲學， 孫志強. 神經(jīng)網(wǎng)絡理論與MATLAB R2007實現(xiàn)[M].北京：電子工業(yè)出版社， 2008.