風力發電機組故障診斷新方法

摘 要：文章針對風力發電機的結構和運行狀況，提出了一種基于徑向基神經網絡的故障診斷方法。通過仿真實例證明，此方法應用于風電機組是可行的。

關鍵詞：風電機組；徑向基神經網絡；故障診斷

中圖分類號：TM315 文獻標識碼：A 文章編號：1006-8937（2012）35-0007-02

近年來，隨著風力設備技術水平和復雜度不斷提高，設備故障對生產的影響也在增加，因此要保證設備可靠有效地運行，充分發揮其效益，必須發展故障診斷技術。

隨著人工智能和計算機技術的飛速發展，許多智能算法被應用于實際運行中，取得了良好的效果。本文針對風力發電機組旋轉部分的結構與運行狀況，提出了利用徑向基神經網絡進行風力發電機組旋轉部分故障診斷的方法，能夠較快判斷故障類型。

1 風力發電機旋轉部分故障檢測方法概述

由于風電機組旋轉部分結構復雜，工作所處環境惡劣，特別是齒輪和齒輪箱容易受到傷害，從而引發故障。早期故障信號通常比較微弱，常常淹沒在背景噪聲中不易被識別，因此提取其故障特征信息成為關鍵技術。目前，小波分析、經驗模態分解等方法已廣泛應用，為微弱故障特征信息提取創造了條件。

依靠機組監測裝置采集的故障實時信息，我們可以對故障類型做出判斷。大多數情況下，根據經驗可以將一些監測數據顯示正常的部位排除，剩下幾種最有可能的故障情況，再對這幾種情況進行分析，層層篩選，最終確定真實故障類型。

2 RBF神經網絡

RBF神經網絡屬于前向型神經網絡，分為三層：第一層為輸入層；第二層為隱藏層；第三層為輸出層。如圖1所示。

3 相關檢測過程

3.1 神經網絡創建步驟

如圖2所示，應用神經網絡對故障進行辨別，需要經過五個步驟。

3.2 數據的采集與分類

風電機組一般配備監測裝置，會將機組的實時數據記錄下了，供操作人員分析判斷機組的運行狀態。如果我們將故障的歷史數據收集整理起來，就形成了一個能反映風電機組故障特征的數據集。此數據集可以作為樣本對神經網絡進行訓練，使其具有故障分類的能力。

數據集共包括33組故障波形數據，分別由風電機組的不同歷史故障數據組成。每組前24列為風速、槳距角、葉輪轉速、環境溫度等故障診斷的關鍵數據，第25列為分類的輸出，按編號1～5分別是異常響聲、溫度異常、液壓系統的壓力不穩、嚴重漏油和齒輪箱潤滑不良。前30組作為訓練樣本對神經網絡進行訓練，后3組作為測試樣本測試網絡訓練效果。

3.3 創建RBF網絡

①網絡創建與參數設置。利用神經網絡工具箱函數newrb（）構建一個RBF神經網絡；設置網絡分布常數設定為30，訓練目標為0.1。

②網絡訓練。利用網絡訓練函數train（）對建立的網絡進行訓練。

③結果輸出。利用sim（）函數將測試樣本數據輸入訓練之后的RBF網絡，經過判別便可以得到對應的輸出結果。

3.4 結果顯示

圖3為RBF網絡訓練效果，其中*代表神將網絡判斷故障類型，○代表實際故障類型；圖4為RBF 網絡的預測效果，其中*代表神將網絡判斷故障類型，△代表神將網絡判斷故障類型。本次RBF神經網絡訓練共用時4秒，從上述結果可以看出，訓練時有兩個樣本錯誤，正確率為93.33%，預測樣本則完全正確。由此可以證明利用神經網絡可以快速準確地判斷風電機故障類型，應用此方法對風電機組常見故障進行檢測是可行的。

4 結 論

文章針對常見的風電機組故障，提出了一種采用徑向基神經網絡進行故障檢測的方法。實踐證明，此種方法能夠快速準確地判斷故障類型。在實際應用中，同類型風電機組歷史故障數據都可以用作訓練樣本。理論與實踐證明，如果加大訓練樣本數，所得結果會更加精確，更加有利于提高檢測的效果與速度。

參考文獻：

[1] 沈水福.設備故障診斷技術[M].北京：科學出版社，1990.

[2] 張登峰，郝偉，郝旺身.風力發電機組的振動測試與診斷[J].大電機技術，2012，15（1）：10-12.

[3] 畢天姝，倪以信，吳復立，等.基于新型神經網絡的電網故障診斷方法[J].中國電機工程學報，2002，22（2）：73-78.

[4] 周開利，康耀紅.神經網絡模型及其MATLAB仿真程序設計[M].北京：清華大學出版社，2005.

[5]葛哲學， 孫志強. 神經網絡理論與MATLAB R2007實現[M].北京：電子工業出版社， 2008.