[發明專利]一種基于人工神經網絡的風力發電機軸承故障預測方法

在審

• 申請號: 202010038875.6
• 申請日: 2020-01-14
• 公開（公告）號: CN111198098A
• 公開（公告）日: 2020-05-26
• 發明（設計）人: 付蔚;崔遜航;魏雪風;賓茂梨;王榆心
• 申請（專利權）人: 重慶郵電大學
• 主分類號: G01M13/04
• 分類號: G01M13/04
• 代理公司: 北京同恒源知識產權代理有限公司 11275
• 代理人: 趙榮之

1.一種基于人工神經網絡的風力發電機軸承故障預測方法，其特征在于：包括以下步驟：

S1：采集風力發電機軸承運行的歷史數據，并進行數據預處理，對初始數據進行數據標準化和數據缺失值填充處理；

S2：使用改進的平穩小波包變換SWPT進行頻率變換，從而進行頻率帶寬分離，提取故障特征頻率值；

S3：使用Elman人工神經網絡并利用訓練集對其進行訓練，獲得神經網絡模型；

S4：對輸入對實時數據進行故障預測。

2.根據權利要求1所述的基于人工神經網絡的風力發電機軸承故障預測方法，其特征在于：步驟S1中具體包括：

首先對得到的樣本數據標準化，統一數據格式和單位，使得數據易于使用；

在得到的標準化數據中，仍然存在數據值缺失的情況，需進行填充，為提升模型速度并保證準確度，采用數據均值進行缺失值填充，得到訓練集數據矩陣。

3.根據權利要求1所述的基于人工神經網絡的風力發電機軸承故障預測方法，其特征在于：步驟S2具體包括：

根據發電機軸承的各種運行參數，計算出發電機軸承的基本運行頻率，包括軸旋轉頻率f_r、保持器頻率f_c、內圈特征頻率f_PBE、外圈特征頻率f_PBI、球的頻率f_ball；其中

其中D_b為球的的直徑，D_c為保持架直徑，N_b為球的個數，θ為軸承接觸角；

再通過改進的平穩小波包變換進行頻率分解，改進的平穩小波包變換生成的系數由以下公式給出：

其中i表示改進的平穩小波包變換樹SWPT中的節點，n表示SWPT分解層數，v_i,2n(t)表示第t個樣本、i個節點處的波形分解值，H_i(j)表示第i個節點處的高通濾波器，L_i+1(j)表示第i+1節點處的低通濾波器，j為濾波器長度，V_i,n(2t-j)表示未分解的波形；

WPT和DWT欠采樣的補償是通過對SWPT濾波器的上采樣來完成的：

如果信號通過頻率f_s采樣，則改進的平穩小波包變換的每個系數在頻率帶寬內，根據進行頻率分解，其中C_i,n為分解后的特征頻率。

4.根據權利要求1所述的基于人工神經網絡的風力發電機軸承故障預測方法，其特征在于：所述步驟S3包括：

將得到的訓練數據輸入到Elman人工神經網絡模型中，經過Elman人工神經網絡模型輸入層、承接層、隱藏層不斷迭代，最終通過輸出層輸出運算數據；通過輸入的數據，讓實際輸出值和每一組輸入到人工神經網絡的期望輸出值分別是y_i和y_i′，每組數據的誤差為(y_i-y_i′)²；通過不斷迭代減少殘差，更新模型參數，完成訓練輸出。