论文部分内容阅读
摘 要：文章针对风力发电机的结构和运行状况，提出了一种基于径向基神经网络的故障诊断方法。通过仿真实例证明，此方法应用于风电机组是可行的。
关键词：风电机组；径向基神经网络；故障诊断
中图分类号：TM315 文献标识码：A 文章编号：1006-8937（2012）35-0007-02
近年来，随着风力设备技术水平和复杂度不断提高，设备故障对生产的影响也在增加，因此要保证设备可靠有效地运行，充分发挥其效益，必须发展故障诊断技术。
随着人工智能和计算机技术的飞速发展，许多智能算法被应用于实际运行中，取得了良好的效果。本文针对风力发电机组旋转部分的结构与运行状况，提出了利用径向基神经网络进行风力发电机组旋转部分故障诊断的方法，能够较快判断故障类型。
1 风力发电机旋转部分故障检测方法概述
由于风电机组旋转部分结构复杂，工作所处环境恶劣，特别是齿轮和齿轮箱容易受到伤害，从而引发故障。早期故障信号通常比较微弱，常常淹没在背景噪声中不易被识别，因此提取其故障特征信息成为关键技术。目前，小波分析、经验模态分解等方法已广泛应用，为微弱故障特征信息提取创造了条件。
依靠机组监测装置采集的故障实时信息，我们可以对故障类型做出判断。大多数情况下，根据经验可以将一些监测数据显示正常的部位排除，剩下几种最有可能的故障情况，再对这几种情况进行分析，层层筛选，最终确定真实故障类型。
2 RBF神经网络
RBF神经网络属于前向型神经网络，分为三层：第一层为输入层；第二层为隐藏层；第三层为输出层。如图1所示。
3 相关检测过程
3.1 神经网络创建步骤
如图2所示，应用神经网络对故障进行辨别，需要经过五个步骤。
3.2 数据的采集与分类
风电机组一般配备监测装置，会将机组的实时数据记录下了，供操作人员分析判断机组的运行状态。如果我们将故障的历史数据收集整理起来，就形成了一个能反映风电机组故障特征的数据集。此数据集可以作为样本对神经网络进行训练，使其具有故障分类的能力。
数据集共包括33组故障波形数据，分别由风电机组的不同历史故障数据组成。每组前24列为风速、桨距角、叶轮转速、环境温度等故障诊断的关键数据，第25列为分类的输出，按编号1～5分别是异常响声、温度异常、液压系统的压力不稳、严重漏油和齿轮箱润滑不良。前30组作为训练样本对神经网络进行训练，后3组作为测试样本测试网络训练效果。
3.3 创建RBF网络
①网络创建与参数设置。利用神经网络工具箱函数newrb（）构建一个RBF神经网络；设置网络分布常数设定为30，训练目标为0.1。
②网络训练。利用网络训练函数train（）对建立的网络进行训练。
③结果输出。利用sim（）函数将测试样本数据输入训练之后的RBF网络，经过判别便可以得到对应的输出结果。
3.4 结果显示
图3为RBF网络训练效果，其中*代表神将网络判断故障类型，○代表实际故障类型；图4为RBF 网络的预测效果，其中*代表神将网络判断故障类型，△代表神将网络判断故障类型。本次RBF神经网络训练共用时4秒，从上述结果可以看出，训练时有两个样本错误，正确率为93.33%，预测样本则完全正确。由此可以证明利用神经网络可以快速准确地判断风电机故障类型，应用此方法对风电机组常见故障进行检测是可行的。
4 结 论
文章针对常见的风电机组故障，提出了一种采用径向基神经网络进行故障检测的方法。实践证明，此种方法能够快速准确地判断故障类型。在实际应用中，同类型风电机组历史故障数据都可以用作训练样本。理论与实践证明，如果加大训练样本数，所得结果会更加精确，更加有利于提高检测的效果与速度。
参考文献：
[1] 沈水福.设备故障诊断技术[M].北京：科学出版社，1990.
[2] 张登峰，郝伟，郝旺身.风力发电机组的振动测试与诊断[J].大电机技术，2012，15（1）：10-12.
[3] 毕天姝，倪以信，吴复立，等.基于新型神经网络的电网故障诊断方法[J].中国电机工程学报，2002，22（2）：73-78.
[4] 周开利，康耀红.神经网络模型及其MATLAB仿真程序设计[M].北京：清华大学出版社，2005.
[5]葛哲学， 孙志强. 神经网络理论与MATLAB R2007实现[M].北京：电子工业出版社， 2008.
关键词：风电机组；径向基神经网络；故障诊断
中图分类号：TM315 文献标识码：A 文章编号：1006-8937（2012）35-0007-02
近年来，随着风力设备技术水平和复杂度不断提高，设备故障对生产的影响也在增加，因此要保证设备可靠有效地运行，充分发挥其效益，必须发展故障诊断技术。
随着人工智能和计算机技术的飞速发展，许多智能算法被应用于实际运行中，取得了良好的效果。本文针对风力发电机组旋转部分的结构与运行状况，提出了利用径向基神经网络进行风力发电机组旋转部分故障诊断的方法，能够较快判断故障类型。
1 风力发电机旋转部分故障检测方法概述
由于风电机组旋转部分结构复杂，工作所处环境恶劣，特别是齿轮和齿轮箱容易受到伤害，从而引发故障。早期故障信号通常比较微弱，常常淹没在背景噪声中不易被识别，因此提取其故障特征信息成为关键技术。目前，小波分析、经验模态分解等方法已广泛应用，为微弱故障特征信息提取创造了条件。
依靠机组监测装置采集的故障实时信息，我们可以对故障类型做出判断。大多数情况下，根据经验可以将一些监测数据显示正常的部位排除，剩下几种最有可能的故障情况，再对这几种情况进行分析，层层筛选，最终确定真实故障类型。
2 RBF神经网络
RBF神经网络属于前向型神经网络，分为三层：第一层为输入层；第二层为隐藏层；第三层为输出层。如图1所示。
3 相关检测过程
3.1 神经网络创建步骤
如图2所示，应用神经网络对故障进行辨别，需要经过五个步骤。
3.2 数据的采集与分类
风电机组一般配备监测装置，会将机组的实时数据记录下了，供操作人员分析判断机组的运行状态。如果我们将故障的历史数据收集整理起来，就形成了一个能反映风电机组故障特征的数据集。此数据集可以作为样本对神经网络进行训练，使其具有故障分类的能力。
数据集共包括33组故障波形数据，分别由风电机组的不同历史故障数据组成。每组前24列为风速、桨距角、叶轮转速、环境温度等故障诊断的关键数据，第25列为分类的输出，按编号1～5分别是异常响声、温度异常、液压系统的压力不稳、严重漏油和齿轮箱润滑不良。前30组作为训练样本对神经网络进行训练，后3组作为测试样本测试网络训练效果。
3.3 创建RBF网络
①网络创建与参数设置。利用神经网络工具箱函数newrb（）构建一个RBF神经网络；设置网络分布常数设定为30，训练目标为0.1。
②网络训练。利用网络训练函数train（）对建立的网络进行训练。
③结果输出。利用sim（）函数将测试样本数据输入训练之后的RBF网络，经过判别便可以得到对应的输出结果。
3.4 结果显示
图3为RBF网络训练效果，其中*代表神将网络判断故障类型，○代表实际故障类型；图4为RBF 网络的预测效果，其中*代表神将网络判断故障类型，△代表神将网络判断故障类型。本次RBF神经网络训练共用时4秒，从上述结果可以看出，训练时有两个样本错误，正确率为93.33%，预测样本则完全正确。由此可以证明利用神经网络可以快速准确地判断风电机故障类型，应用此方法对风电机组常见故障进行检测是可行的。
4 结 论
文章针对常见的风电机组故障，提出了一种采用径向基神经网络进行故障检测的方法。实践证明，此种方法能够快速准确地判断故障类型。在实际应用中，同类型风电机组历史故障数据都可以用作训练样本。理论与实践证明，如果加大训练样本数，所得结果会更加精确，更加有利于提高检测的效果与速度。
参考文献：
[1] 沈水福.设备故障诊断技术[M].北京：科学出版社，1990.
[2] 张登峰，郝伟，郝旺身.风力发电机组的振动测试与诊断[J].大电机技术，2012，15（1）：10-12.
[3] 毕天姝，倪以信，吴复立，等.基于新型神经网络的电网故障诊断方法[J].中国电机工程学报，2002，22（2）：73-78.
[4] 周开利，康耀红.神经网络模型及其MATLAB仿真程序设计[M].北京：清华大学出版社，2005.
[5]葛哲学， 孙志强. 神经网络理论与MATLAB R2007实现[M].北京：电子工业出版社， 2008.