[发明专利]一种基于遗传神经网络的风电机组故障诊断方法

说明书

技术领域

本发明涉及一种故障诊断的方法，尤其涉及一种基于遗传神经网络的风电机组故障诊断方法。

背景技术

随着能源危机的加重，世界各国都在积极发展新能源，风能作为一种清洁、无污染和可再生性的新能源，受到世界各国的重视。风力发电技术由于技术成熟、具有最高的商业开发价值，因此近年来取得了巨大的发展。但伴随着风电产业的扩大，风电机组的故障也不断出现。由于风机地处偏远、维修困难，所以机组故障往往会造成巨大济损失。因此发展风电机组故障诊断与在线实时监控技术成为目前急需要解决的问题。

状态监测与故障诊断技术是一门多学科交叉的技术，目前在风电领域中的应用主要有振动监测、油液分析、温度记录、应变测量等，主要的分析方法有谱分析、倒谱分析、包络线分析、时间波形分析、铁谱分析、光谱分析、理化分析、红外光谱监测等。使用这些方法时对测量设备的整体要求较高，设备投入较多，另外，各种信号分析的方法往往是对机组某些部件状态的反映，缺乏状态监测的整体性，对实践参考经验也需要较多。

基于遗传神经网络的故障诊断技术以计算智能技术为支持、以知识为基础、信息处理为核心代替了传统的以数据建模为核心的诊断。诊断过程利用神经网络和遗传算法对对象特征的强大自学习能力，快速建立对象的非线性诊断模型，将故障特征形成知识库，利用其强大的模式识别能力快速准确地寻找出故障所在。诊断方式简单、稳健并具有很强的容错性。基于遗传神经网络的故障诊断方法已在许多领域得到应用，最早应用在航空航天领域，随后在众多工业领域取得了许多应用成果，如核反应堆的故障诊断，机械工程的故障诊断，流程工业的故障诊断和汽车故障诊断等。风力发电技术虽然作为新兴技术，但其设备构成仍属于传统的工业领域，因此将遗传神经网诊断技术应用于风电领域是一种可行的方法，对风发机组故障诊断的研究也具有重要意义。

发明内容

本发明的目的是提供一种基于遗传神经网络的风电机组故障诊断方法，实现对不同类型风电机组的实时在线状态监控与故障诊断。

为了实现上述目的，本发明利用已知的风电机组运行测量数据，采用遗传神经网络非线性建模和模式识别理论，建立了一种机组运行参数与机组部件故障概率间的非线性模型。利用该模型对机组的实时运行数据进行诊断分析，可诊断出齿轮箱异常、发电机异常、偏航系统异常三种故障类型发生的概率，有效地实现对机组状态的实时在线监控和故障诊断。

本发明所采用的技术方案为：

一种基于遗传神经网络的风电机组故障诊断方法，包括下列步骤：

A)收集风电机组运行参数的历史数据，包括机组正常运行数据与机组故障数据；

B)整理上述机组运行参数历史数据形成故障诊断样本，样本的格式为：每一条数据按输入-输出对模式组织，输入为机组运行参数，输出为机组异常概率、齿轮箱异常概率、发电机异常概率和偏航系统异常概率，样本分为定桨距机组类型和变桨距机组类型两种，每种类型分为训练样本和检测样本两部分；

C)根据上述样本设计神经网络的结构，神经网络采用BP网络，根据上述的样本设计神经网络的输入值、输出值、层数、各层节点数和各层的激活函数，并针对定桨距机组类型和变桨距机组类型设计不同的网络结构；

D)在上述神经网络结构下，用遗传算法对神经网络的初始权值和偏置值进行优化，具体过程为：将初始权值和偏置值按实数编码成染色体，以神经网络误差平方和的倒数为适应度函数，遗传操作采用轮盘赌选择算子，算术交叉算子和高斯变异算子，采用最优保存策略，对B)中的故障诊断训练样本进行反复遗传进化，最终得到最优的神经网络的初始权值和偏置值；

E)以上述最优的初始权值和偏置值作为BP神经网络的初始值，用神经网络Levenberg-Marquardt算法对B)中的故障诊断训练样本反复训练，训练指标为误差的平方和，最后将训练得到的权值和偏置值，以及此时网络的结构参数进行保存，这些参数便构成了遗传神经网络故障诊断模型；

F)用B)中的检测样本对故障诊断模型进行反复检验，如果检验效果良好，则诊断模型有效，可以用于故障诊断，否则，则重新根据D)与E)进行训练建模；

G)实时读取机组的最新运行参数，将这些参数输入到故障诊断模型，通过模型计算得到该状态下的机组异常概率、齿轮箱异常概率、发电机异常概率和偏航系统异常概率。根据各概率值判定机组整体和不同部件的运行状态；

步骤E)中，神经网络的训练方法为离线训练方式。

步骤E)中，遗传神经网络故障诊断模型分为定桨距机组诊断模型和变桨距机组诊断模型两种。

步骤G)中，故障诊断的方式为在线实时诊断。