[發(fā)明專利]一種風(fēng)力發(fā)電機(jī)故障診斷方法及裝置

無效

• 申請?zhí)枺?/td>: 201310714307.3
• 申請日: 2013-12-20
• 公開（公告）號: CN103761569A
• 公開（公告）日: 2014-04-30
• 發(fā)明（設(shè)計）人: 高志偉;焦斌;何秀明;葉明星;占健;張帥;馮兆紅;張玉
• 申請（專利權(quán)）人: 上海電機(jī)學(xué)院
• 主分類號: G06N3/08
• 分類號: G06N3/08
• 代理公司: 上海思微知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 31237
• 代理人: 鄭瑋

技術(shù)領(lǐng)域

本發(fā)明涉及發(fā)動機(jī)技術(shù)領(lǐng)域，尤其涉及一種風(fēng)力發(fā)電機(jī)故障診斷方法及裝置。?

背景技術(shù)

風(fēng)力發(fā)電機(jī)，是將風(fēng)力轉(zhuǎn)換為電能的機(jī)械設(shè)備。?

風(fēng)力發(fā)電機(jī)組故障原因復(fù)雜，其故障征兆、故障原因和故障機(jī)理之間存在著極大的不確定性，現(xiàn)在許多學(xué)者通過人工智能的方法并結(jié)合信號處理來診斷機(jī)組的故障。診斷方法包括人工神經(jīng)網(wǎng)絡(luò)、數(shù)據(jù)挖掘、模糊邏輯、專家系統(tǒng)等，其中人工神經(jīng)網(wǎng)絡(luò)使用的較為普遍。?

在人工神經(jīng)網(wǎng)絡(luò)的故障診斷裝置中，基于人工神經(jīng)網(wǎng)絡(luò)故障診斷裝置是運用最多的，但人工神經(jīng)網(wǎng)絡(luò)故障診斷算法的學(xué)習(xí)速度很慢，容易發(fā)散，失敗的可能性較大，網(wǎng)絡(luò)結(jié)構(gòu)的選擇尚無一種統(tǒng)一而完整的理論指導(dǎo)。?

發(fā)明內(nèi)容

本發(fā)明的多個方面，提供一種風(fēng)力發(fā)電機(jī)故障診斷方法及裝置，基于學(xué)習(xí)向量量化（LVQ）神經(jīng)網(wǎng)絡(luò)的風(fēng)力發(fā)電機(jī)故障診斷裝置，該裝置在故障診斷中更簡單，更有效。?

本發(fā)明的一方面，提供一種風(fēng)力發(fā)電機(jī)故障診斷裝置，所述風(fēng)力發(fā)電機(jī)故障診斷裝置包括：數(shù)據(jù)處理模塊、學(xué)習(xí)向量量化LVQ故障診斷模?塊、界面模塊；所述數(shù)據(jù)處理模塊，用于從振動傳感器采集風(fēng)力發(fā)電機(jī)故障部件的的振動數(shù)據(jù)，并經(jīng)過濾波，消噪處理，獲得故障特征；所述LVQ故障診斷模塊，用于從風(fēng)力發(fā)電機(jī)齒輪箱獲取故障數(shù)據(jù)，利用神經(jīng)網(wǎng)絡(luò)函數(shù)創(chuàng)建LVQ神經(jīng)網(wǎng)絡(luò)，設(shè)定隱含層神經(jīng)元個數(shù)；網(wǎng)絡(luò)創(chuàng)建完成及相關(guān)參數(shù)設(shè)置完成后，利用網(wǎng)絡(luò)訓(xùn)練函數(shù)對網(wǎng)絡(luò)進(jìn)行訓(xùn)練學(xué)習(xí)；利用仿真測試函數(shù)將測試數(shù)據(jù)送入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)便可以得到對應(yīng)的測試輸出仿真數(shù)據(jù)，和實際測試數(shù)據(jù)標(biāo)簽進(jìn)行比較，得到準(zhǔn)確率；所述界面模塊，用于從所述LVQ故障診斷模塊獲取診斷結(jié)果，并在界面上顯示，實現(xiàn)人機(jī)交互。?

較佳地，所述風(fēng)力發(fā)電機(jī)齒輪箱故障數(shù)據(jù)保存在mat或者txt文件中，所述故障數(shù)據(jù)包括訓(xùn)練數(shù)據(jù)，訓(xùn)練標(biāo)簽數(shù)據(jù)，測試數(shù)據(jù)，測試標(biāo)簽數(shù)據(jù)，所述訓(xùn)練數(shù)據(jù)用于訓(xùn)練LVQ網(wǎng)絡(luò)，所述測試數(shù)據(jù)用于測試網(wǎng)絡(luò)的準(zhǔn)確性，其中所述標(biāo)簽數(shù)據(jù)代表各類故障類型。?

較佳地，所述神經(jīng)網(wǎng)絡(luò)函數(shù)如圖1。?

其中，p為R維的輸入模式；S¹為競爭層神經(jīng)元個數(shù)；IW^1,1為輸?入層與競爭層之間的連接權(quán)系數(shù)矩陣；n¹為競爭層神經(jīng)元的輸入；a¹為競爭層神經(jīng)元的輸出；LW^2,1為競爭層與線性輸出層之間的連接權(quán)系數(shù)矩陣；n²為線性輸出層神經(jīng)元的輸入；a²為線性輸出層神經(jīng)元的輸出。?

本發(fā)明的另一方面提供一種風(fēng)力發(fā)電機(jī)故障診斷方法，所述方法包括：從振動傳感器采集風(fēng)力發(fā)電機(jī)故障部件的的振動數(shù)據(jù)，并經(jīng)過濾波，消噪處理，獲得故障特征；從風(fēng)力發(fā)電機(jī)齒輪箱獲取故障數(shù)據(jù)，利用神經(jīng)網(wǎng)絡(luò)函數(shù)創(chuàng)建LVQ神經(jīng)網(wǎng)絡(luò)，設(shè)定隱含層神經(jīng)元個數(shù)；網(wǎng)絡(luò)創(chuàng)建完成及相關(guān)參數(shù)設(shè)置完成后，利用網(wǎng)絡(luò)訓(xùn)練函數(shù)對網(wǎng)絡(luò)進(jìn)行訓(xùn)練學(xué)習(xí)；利用仿真測試函數(shù)將測試數(shù)據(jù)送入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)便可以得到對應(yīng)的測試輸出仿真數(shù)據(jù)，和實際測試數(shù)據(jù)標(biāo)簽進(jìn)行比較，得到準(zhǔn)確率；從所述LVQ故障診斷模塊獲取診斷結(jié)果，并在界面上顯示，實現(xiàn)人機(jī)交互。?

較佳地，所述風(fēng)力發(fā)電機(jī)齒輪箱故障數(shù)據(jù)保存在mat或者txt文件中，所述故障數(shù)據(jù)包括訓(xùn)練數(shù)據(jù)，訓(xùn)練標(biāo)簽數(shù)據(jù)，測試數(shù)據(jù)，測試標(biāo)簽數(shù)據(jù)，所述訓(xùn)練數(shù)據(jù)用于訓(xùn)練LVQ網(wǎng)絡(luò)，所述測試數(shù)據(jù)用于測試網(wǎng)絡(luò)的準(zhǔn)確性，其中所述標(biāo)簽數(shù)據(jù)代表各類故障類型。?

較佳地，所述神經(jīng)網(wǎng)絡(luò)函數(shù)如圖1。?

其中，p為R維的輸入模式；S¹為競爭層神經(jīng)元個數(shù)；IW^1,1為輸入層與競爭層之間的連接權(quán)系數(shù)矩陣；n¹為競爭層神經(jīng)元的輸入；a¹為競爭層神經(jīng)元的輸出；LW^2,1為競爭層與線性輸出層之間的連接權(quán)系數(shù)矩陣；n²為線性輸出層神經(jīng)元的輸入；a²為線性輸出層神經(jīng)元的輸出。?

本發(fā)明中，所述風(fēng)力發(fā)電機(jī)故障診斷裝置主要運用LVQ神經(jīng)網(wǎng)絡(luò)，LVQ優(yōu)點在于網(wǎng)絡(luò)結(jié)構(gòu)簡單，只通過內(nèi)部單元的相互作用就可以完成十分復(fù)雜的分類處理。而且它不需要對輸入向量進(jìn)行歸一化、正交化處理，只需要直接計算輸入向量與競爭層之間的距離，從而實現(xiàn)模式識別，因此簡單易行。通過對比LVQ神經(jīng)網(wǎng)絡(luò)及人工神經(jīng)網(wǎng)絡(luò)對風(fēng)力發(fā)電機(jī)故障的仿真結(jié)果，可以看出LVQ神經(jīng)網(wǎng)絡(luò)的效果比人工神經(jīng)網(wǎng)絡(luò)要好很多。表明該故障診斷裝置用于風(fēng)力發(fā)電機(jī)故障診斷是有效的。?