[發(fā)明專利]基于小波神經(jīng)網(wǎng)絡(luò)的風(fēng)機(jī)齒輪箱故障趨勢預(yù)測方法

在審

• 申請?zhí)枺?/td>: 201811485688.1
• 申請日: 2018-12-06
• 公開（公告）號: CN109657789A
• 公開（公告）日: 2019-04-19
• 發(fā)明（設(shè)計(jì)）人: 朱才朝;魯炯;王屹立;朱永超
• 申請（專利權(quán)）人: 重慶大學(xué)
• 主分類號: G06N3/08
• 分類號: G06N3/08
• 代理公司: 重慶大學(xué)專利中心 50201
• 代理人: 唐開平

本發(fā)明提供了一種基于小波神經(jīng)網(wǎng)絡(luò)的風(fēng)機(jī)齒輪箱故障趨勢預(yù)測方法，首先深度挖掘SCADA和CMS系統(tǒng)中蘊(yùn)含的信息；然后進(jìn)行數(shù)據(jù)預(yù)處理，排除數(shù)據(jù)中明顯的奇異點(diǎn)；確定神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)和訓(xùn)練參數(shù)并初始化；將采集到的樣本分為訓(xùn)練集和測試集，開始小波神經(jīng)網(wǎng)絡(luò)建模并進(jìn)行網(wǎng)絡(luò)的訓(xùn)練，然后將網(wǎng)絡(luò)輸出值與理想輸出進(jìn)行比較，得到誤差，利用最小均方誤差函數(shù)更新模型，得出最優(yōu)小波神經(jīng)網(wǎng)絡(luò)模型，用測試集數(shù)據(jù)檢驗(yàn)網(wǎng)絡(luò)的性能，故障趨勢預(yù)測結(jié)果，將最終結(jié)果呈現(xiàn)在人機(jī)交互界面中。本發(fā)明能極大提高風(fēng)機(jī)故障趨勢預(yù)測的效率，為風(fēng)電機(jī)組的安全可靠運(yùn)行提供了保障，減少了風(fēng)機(jī)運(yùn)維費(fèi)用，為風(fēng)力發(fā)電機(jī)組的智能健康管理提供了可行性。

技術(shù)領(lǐng)域

本發(fā)明屬于風(fēng)力發(fā)電機(jī)組故障趨勢預(yù)測領(lǐng)域，具體涉及一種基于小波神經(jīng)網(wǎng)絡(luò)的風(fēng)機(jī)齒輪箱故障趨勢預(yù)測方法。

背景技術(shù)

風(fēng)力發(fā)電機(jī)組是風(fēng)電廠的重要設(shè)備，齒輪箱作為風(fēng)機(jī)的關(guān)重零部件，其故障往往導(dǎo)致長時(shí)間停機(jī)，造成嚴(yán)重經(jīng)濟(jì)損失，開展風(fēng)機(jī)齒輪箱的故障診斷可以提高風(fēng)機(jī)運(yùn)行可靠性、降低運(yùn)維費(fèi)用，為風(fēng)力發(fā)電機(jī)組的智能健康管理提供了可行性。目前國內(nèi)對風(fēng)力發(fā)電機(jī)齒輪箱的故障趨勢預(yù)測的研究還處于單信號處理階段，為了提高風(fēng)力發(fā)電機(jī)運(yùn)行的安全可靠性，減少安全事故，開展風(fēng)機(jī)齒輪箱故障預(yù)報(bào)工作勢在必行。現(xiàn)有的處理方法主要是利用振動(dòng)傳感器采集風(fēng)機(jī)的振動(dòng)信號，然后利用傳統(tǒng)的信號處理方法(如傅里葉變換)進(jìn)行信號的時(shí)域、頻域等分析，最后進(jìn)行故障趨勢預(yù)測。近年來，隨著大數(shù)據(jù)理論的發(fā)展，深度挖掘數(shù)據(jù)中蘊(yùn)含的大量信息，運(yùn)用人工智能進(jìn)行風(fēng)電機(jī)組故障趨勢預(yù)測成為新的研究方向。

隨著人工智能技術(shù)的發(fā)展，故障預(yù)測的方法越來越多，預(yù)測精度越來越高。但每一種方法均有其優(yōu)缺點(diǎn)，小波神經(jīng)網(wǎng)絡(luò)(Wavelet Neural Network，WNN)是小波理論與神經(jīng)網(wǎng)絡(luò)相結(jié)合的產(chǎn)物，從形式結(jié)構(gòu)上看，可以把它分為松散型和融合型兩類，松散型：利用小波分析對神經(jīng)網(wǎng)絡(luò)的輸入進(jìn)行初步處理，使得輸入神經(jīng)網(wǎng)絡(luò)的信息更易于網(wǎng)絡(luò)處理，再利用常規(guī)神經(jīng)網(wǎng)絡(luò)完成分類和函數(shù)逼近等功能。融合型：將小波與神經(jīng)網(wǎng)絡(luò)直接融合，其基本思想是用小波元代替神經(jīng)元，輸入層到隱含層的權(quán)值及隱含層閾值分別由小波函數(shù)的尺度與平移參數(shù)代替。

小波神經(jīng)網(wǎng)絡(luò)相比于普通神經(jīng)網(wǎng)絡(luò)，它有明顯的優(yōu)點(diǎn)：首先小波神經(jīng)網(wǎng)絡(luò)的基元和整個(gè)結(jié)構(gòu)是依據(jù)小波分析理論確定的，可以避免BP神經(jīng)網(wǎng)絡(luò)等結(jié)構(gòu)設(shè)計(jì)上的盲目性；其次小波神經(jīng)網(wǎng)絡(luò)有更強(qiáng)的學(xué)習(xí)能力，精度更高，因?yàn)樾〔ɡ碚撌侨叨确治觯粌H有全局最優(yōu)解，還保持局部細(xì)節(jié)最優(yōu)解；最后小波神經(jīng)網(wǎng)絡(luò)通過尺度和平移對信號進(jìn)行多尺度分析，能有效提取信號的局部信息。總的而言，對同樣的學(xué)習(xí)任務(wù)，小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)更簡單，收斂速度更快。

在風(fēng)機(jī)上，常用的大數(shù)據(jù)采集系統(tǒng)主要有CMS(Condition Monitoring Systems)系統(tǒng)和SCADA系統(tǒng)(Supervisory Control And Data Acquisition)，因此多數(shù)的研究均圍繞這兩個(gè)系統(tǒng)中的數(shù)據(jù)信號來展開，充分挖掘其中蘊(yùn)含的信息。

發(fā)明內(nèi)容

針對現(xiàn)有技術(shù)存在的問題，本發(fā)明所要解決的技術(shù)問題就是提供一種基于小波神經(jīng)網(wǎng)絡(luò)的風(fēng)機(jī)齒輪箱故障趨勢預(yù)測方法，它能對風(fēng)力發(fā)電機(jī)運(yùn)行狀態(tài)的實(shí)時(shí)監(jiān)測，并實(shí)現(xiàn)對風(fēng)機(jī)齒輪箱故障趨勢進(jìn)行預(yù)測，對其故障進(jìn)行診斷和維護(hù)，提高預(yù)知維修能力和降低運(yùn)維費(fèi)用。

本發(fā)明所解決的技術(shù)問題可以采用以下技術(shù)方案來實(shí)現(xiàn)，基于小波神經(jīng)網(wǎng)絡(luò)的風(fēng)機(jī)齒輪箱故障趨勢預(yù)測方法，包括如下步驟：

步驟1、數(shù)據(jù)采集：深度挖掘SCADA和CMS系統(tǒng)中蘊(yùn)含的大量信息，包括齒輪箱溫度信號，振動(dòng)信號，發(fā)電機(jī)電信號；

步驟2、信號數(shù)據(jù)預(yù)處理：包括剔除信號數(shù)據(jù)的奇異點(diǎn)、數(shù)據(jù)歸一化處理以及將輸入信號進(jìn)行相似化處理；

步驟3、確定神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)：結(jié)構(gòu)參數(shù)有隱含層節(jié)點(diǎn)數(shù)、顯示中間結(jié)果的周期、最大迭代次數(shù)、學(xué)習(xí)因子、動(dòng)量因子和誤差閾值；