[发明专利]一种基于保偏光纤测量和神经网络分类的风力发电机故障诊断方法

权利要求书

1.一种基于保偏光纤测量和神经网络分类的风力发电机故障诊断方法，其特征在于，包括如下步骤：

步骤A.针对风力发电机各指定类型故障工况，以及风力发电机正常工作工况，分别获得各个工况下缠绕在风力发电机电力传输线上保偏光纤测量的偏振角度时间序列；

步骤B.采用含时间递归神经网络隐含层的多层卷积神经网络，分别针对各个工况下风力发电机电力传输线上保偏光纤测量的偏振角度时间序列进行时序特征提取，分别获得最内层神经元计算结果，分别作为各个工况下风力发电机的第一类特征量；

采用EMD和小波包多层分解方法，分别针对各个工况下风力发电机电力传输线上保偏光纤测量的偏振角度时间序列进行处理，分别获得各个工况下分解结果中含低频信息和中高频信息的各层的均方根，分别作为各个工况下风力发电机的第二类特征量；并且分别针对各个工况下缠绕在风力发电机电力传输线上保偏光纤测量的偏振角度时间序列，将其中预设指定频段的幅值作为对应工况下风力发电机的第三类特征量，从而分别获得各个工况下风力发电机的第三类特征量；

步骤C.基于单隐含层的神经网络，结合各个工况下风力发电机的第一类特征量、第二类特征量、第三类特征量，分析获得风力发电机的当前工作状态。

2.根据权利要求1所述一种基于保偏光纤测量和神经网络分类的风力发电机故障诊断方法，其特征在于：所述步骤A中，针对风力发电机各指定类型故障工况，以及风力发电机正常工作工况，通过缠绕在电力传输线上的电流传感器，分别获得各个工况下风力发电机电力传输线上保偏光纤测量的偏振角度时间序列；其中，电流传感器中的光敏感单元为光电二极管；电流传感器包括光源、保偏光纤、第一保偏光纤耦合器、第二保偏光纤耦合器、光纤偏振器和光敏感单元，光源的输出端与光纤偏振器输入端相连，光纤偏振器输出端与第一保偏光纤耦合器输入端相连，第一保偏光纤耦合器输出端与保偏光纤的其中一端相连，保偏光纤绕设在电力传输线上，保偏光纤的另一端与第二保偏光纤耦合器的输入端相连，第二保偏光纤耦合器的输出端与光敏感单元相连。

3.根据权利要求2所述一种基于保偏光纤测量和神经网络分类的风力发电机故障诊断方法，其特征在于：所述步骤A中，针对风力发电机各指定类型故障工况，以及风力发电机正常工作工况，通过电力传输线上多处位置缠绕设置的电流传感器，采用多点测量，求取平均值的方式，分别获得各个工况下缠绕在风力发电机电力传输线上保偏光纤测量的偏振角度时间序列。

4.根据权利要求1所述一种基于保偏光纤测量和神经网络分类的风力发电机故障诊断方法，其特征在于，所述步骤B中，各个工况下风力发电机第一类特征量的获取，包括如下步骤：

步骤B1-1.根据各个工况下风力发电机电力传输线上保偏光纤测量的偏振角度时间序列，多层卷积神经网络通过反复卷积池化无监督学习的方式逐层训练获得基本特征量，并在此基础上使用LSTM递归神经网络获取含时序的特征；

步骤B1-2.采用经训练所获得的多层卷积神经网路，针对各个工况下风力发电机电力传输线上保偏光纤测量的偏振角度时间序列进行特征提取，分别获得最内层神经元计算结果，分别作为各个工况下风力发电机的第一类特征量。

5.根据权利要求1所述一种基于保偏光纤测量和神经网络分类的风力发电机故障诊断方法，其特征在于，所述步骤C包括如下步骤：

步骤C-1.针对各个工况下风力发电机的第一类特征量、第二类特征量、第三类特征量，分别采用主成分分析法进行分析，保留对风力发电机故障分类具有显著影响的特征量，剔除对风力发电机故障分类影响很小的特征量，针对各个工况下风力发电机的第一类特征量、第二类特征量、第三类特征量分别进行更新；

步骤C-2.采用各个工况下风力发电机的第一类特征量、第二类特征量、第三类特征量，通过背向传播的方式针对单隐含层的神经网络进行训练，并确定连接权值和阈值；

步骤C-3.采用经训练后单隐含层的神经网络，针对各指定类型故障工况下风力发电机的第一类特征量、第二类特征量、第三类特征量进行分析，获得风力发电机的当前工作状态。