[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

本發明涉及一種基于神經網絡的風力發電機組軸承故障預測方法，涉及風力發電機組故障診斷領域，包括步驟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。本發明較大程度的提高了風力發電機軸承故障預測的準確率，明顯的提升了運行速度。

技術領域

本發明屬于風力發電機組故障診斷領域，涉及一種基于人工神經網絡的風力發電機軸承故障預測方法。

背景技術

風能作為一種可再生的清潔能源，因其所具備的成本低、儲量大、使用便捷、清潔、安全可靠等優點，受到了全球范圍內的廣泛關注。最近幾年，風力發電的相關技術發展得十分迅速。風力發電作為風能利用的主要方式，是當今清潔能源中技術最成熟和發展前景最好的發電方式之一。風力發電原理是利用風力帶動風車葉片旋轉，來促使發電機發電。

如今，風力發電機應用場景越來越廣泛，從陸地到海洋，從平原到高山，風力發電機所處環境更加惡劣。風力發電機自身結構極其復雜，由多種機械、電氣和控制組件構成，機組的某一個零件在運行過程中一旦發生故障，就很有可能導致整個風力發電機停運，造成重大的經濟損失，甚至造成不可挽回的后果。故障的發生頻率比以前更高，維修難度越來越大，因此電機的故障檢測和預防越來越重要。

其中軸承故障是旋轉電機故障的最常見原因。風力發電機專用軸承大致可以分為三類，即：偏航軸承、變槳軸承、傳動系統軸承(主軸和變速箱軸承)。偏航軸承安裝在塔架與座艙的連接部，變槳軸承安裝在每個葉片的根部與輪轂連接部位。軸承故障可能發生在軸承的各個組件或位置中，滾子元件故障、內外圈故障以及保持架故障。這些故障會隨著時間的推移降低軸承的性能，如果在適當的時間不采取預防措施，則會導致徹底的故障。因此，至關重要的是能夠在退化期間檢測軸承故障，以便在可能發生故障之前更換軸承。

發電機故障診斷方法可以分為兩類：基于模型的方法和基于數據的方法。也可以將這些方法組合為混合診斷方法。基于模型的診斷是系統基于構建模型的一組規則評估觀察結果，基于模型的方法需要對系統進行詳細的數學建模，并對故障的物理現象有一定的了解。例如小波變換和自適應濾波器等先進的信號處理技術，已被證明在及時檢測出與缺陷相關的特征頻率很有用。但是，在缺少某些特征諧波或特征的情況下并不能保證軸承是絕對正常的。另一方面，以數據為依據的診斷方法主要基于歷史數據信息，并由觀測值本身來確定。基于數據驅動診斷是近年來應用最廣泛的方法，例如，在電流信號分析中使用人工神經網絡進行電機故障檢測，使用卷積神經網絡和決策樹分類在故障預測中也有廣泛應用。

目前現有技術雖然一定程度上能夠判斷風力發電機軸承是否結冰，但目前監測仍舊存在的問題在于檢測精度不夠高，需增加其他檢測設備，預測成本高昂等等。因此如何探索一種預測精度高、易于檢測、成本低廉的在線監測方法，這是本領域亟待解決的技術問題。

發明內容

有鑒于此，本發明的目的在于提供一種基于人工神經網絡的風力發電機軸承故障預測方法，解決現有技術中風力發電機軸承故障預測裝置存在預測精度低、需新增預測裝置、成本高昂的技術問題，旨在提供神經網絡模型分析實時數據，進而發出故障預警，盡早維修，降低經濟損失。

為達到上述目的，本發明提供如下技術方案：

一種基于人工神經網絡的風力發電機軸承故障預測方法，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；