专利名称：一种基于遗传神经网络的风电机组故障诊断方法
技术领域：
本发明涉及一种故障诊断的方法，尤其涉及一种基于遗传神经网络的风电机组故 障诊断方法。
背景技术：
随着能源危机的加重，世界各国都在积极发展新能源，风能作为一种清洁、无污染 和可再生性的新能源，受到世界各国的重视。风力发电技术由于技术成熟、具有最高的商业 开发价值，因此近年来取得了巨大的发展。但伴随着风电产业的扩大，风电机组的故障也不 断出现。由于风机地处偏远、维修困难，所以机组故障往往会造成巨大济损失。因此发展风 电机组故障诊断与在线实时监控技术成为目前急需要解决的问题。状态监测与故障诊断技术是一门多学科交叉的技术，目前在风电领域中的应用主 要有振动监测、油液分析、温度记录、应变测量等，主要的分析方法有谱分析、倒谱分析、包 络线分析、时间波形分析、铁谱分析、光谱分析、理化分析、红外光谱监测等。使用这些方法 时对测量设备的整体要求较高，设备投入较多，另外，各种信号分析的方法往往是对机组某 些部件状态的反映，缺乏状态监测的整体性，对实践参考经验也需要较多。基于遗传神经网络的故障诊断技术以计算智能技术为支持、以知识为基础、信息 处理为核心代替了传统的以数据建模为核心的诊断。诊断过程利用神经网络和遗传算法对 对象特征的强大自学习能力，快速建立对象的非线性诊断模型，将故障特征形成知识库，利 用其强大的模式识别能力快速准确地寻找出故障所在。诊断方式简单、稳健并具有很强的 容错性。基于遗传神经网络的故障诊断方法已在许多领域得到应用，最早应用在航空航天 领域，随后在众多工业领域取得了许多应用成果，如核反应堆的故障诊断，机械工程的故障 诊断，流程工业的故障诊断和汽车故障诊断等。风力发电技术虽然作为新兴技术，但其设备 构成仍属于传统的工业领域，因此将遗传神经网诊断技术应用于风电领域是一种可行的方 法，对风发机组故障诊断的研究也具有重要意义。
发明内容
本发明的目的是提供一种基于遗传神经网络的风电机组故障诊断方法，实现对不 同类型风电机组的实时在线状态监控与故障诊断。为了实现上述目的，本发明利用已知的风电机组运行测量数据，采用遗传神经网 络非线性建模和模式识别理论，建立了一种机组运行参数与机组部件故障概率间的非线性 模型。利用该模型对机组的实时运行数据进行诊断分析，可诊断出齿轮箱异常、发电机异 常、偏航系统异常三种故障类型发生的概率，有效地实现对机组状态的实时在线监控和故 障诊断。本发明所采用的技术方案为一种基于遗传神经网络的风电机组故障诊断方法，包括下列步骤A)收集风电机组运行参数的历史数据，包括机组正常运行数据与机组故障数据；
B)整理上述机组运行参数历史数据形成故障诊断样本，样本的格式为每一条数 据按输入_输出对模式组织，输入为机组运行参数，输出为机组异常概率、齿轮箱异常概 率、发电机异常概率和偏航系统异常概率，样本分为定桨距机组类型和变桨距机组类型两 种，每种类型分为训练样本和检测样本两部分；C)根据上述样本设计神经网络的结构，神经网络采用BP网络，根据上述的样本设 计神经网络的输入值、输出值、层数、各层节点数和各层的激活函数，并针对定桨距机组类 型和变桨距机组类型设计不同的网络结构；D)在上述神经网络结构下，用遗传算法对神经网络的初始权值和偏置值进行优 化，具体过程为将初始权值和偏置值按实数编码成染色体，以神经网络误差平方和的倒数 为适应度函数，遗传操作采用轮盘赌选择算子，算术交叉算子和高斯变异算子，采用最优保 存策略，对B)中的故障诊断训练样本进行反复遗传进化，最终得到最优的神经网络的初始 权值和偏置值；E)以上述最优的初始权值和偏置值作为BP神经网络的初始值，用神经网络 Levenberg-Marquardt算法对B)中的故障诊断训练样本反复训练，训练指标为误差的平方 和，最后将训练得到的权值和偏置值，以及此时网络的结构参数进行保存，这些参数便构成 了遗传神经网络故障诊断模型；F)用B)中的检测样本对故障诊断模型进行反复检验，如果检验效果良好，则诊断 模型有效，可以用于故障诊断，否则，则重新根据D)与E)进行训练建模；G)实时读取机组的最新运行参数，将这些参数输入到故障诊断模型，通过模型计 算得到该状态下的机组异常概率、齿轮箱异常概率、发电机异常概率和偏航系统异常概率。 根据各概率值判定机组整体和不同部件的运行状态；步骤E)中，神经网络的训练方法为离线训练方式。步骤E)中，遗传神经网络故障诊断模型分为定桨距机组诊断模型和变桨距机组 诊断模型两种。步骤G)中，故障诊断的方式为在线实时诊断。本发明的技术效果为通过对机组历史数据信息的学习，建立了以BP神经网络为 基础的故障诊断方法，数学建模方便，简捷；通过遗传算法对神经网络初始权值和偏置值的 优化，建立了遗传算法和神经网络混合训练建模方法，提升了模型的收敛性和诊断能力，具 有较强健壮性。完成了对定桨距和变桨距不同类型机组的遗传神经网络故障诊断建模，并 具有扩展性；实现了对风电机组状态的在线监控与故障分析，诊断出机组发生不同故障的 概率；实现了对齿轮箱故障、发电机故障和偏航系统故障的诊断概率分析，具有机组全局诊 断的特性。
图1是本发明的建模流程图。 图2是本发明的遗传算法编码方案图。图3为本发明的风电机组故障诊断模型图。图4是本发明的诊断流程图。下面结合附图对本发明的内容作进一步详细说明。
具体实施例方式图1是本发明的建模流程图。图2是本发明的遗传算法编码方案图。本发明建模的原理是，利用神经网络对风电机组历史运行数据进行学习，从而建 立故障诊断模型。再利用遗传算法对神经网络的初始权值与偏置值进行优化，以克服神经 网络建模过程中的易陷入局部极小和对初始权值敏感的缺点，从而组成遗传算法和神经网 络混合建模方法。建模时，先根据风电机组运行状态样本构造BP神经网络故障诊断模型的 结构，再采用遗传算法对神经网络的初始权值和偏置值进行优化，在全局范围内进化搜索 其最优值。再以此最优值为起点，用神经网络Levenberg-Marquardt算法对样本进行训练 和检测，最后得到风电机组故障诊断模型。其具体步骤如下A)样本制作收集风电机组运行状态的历史数据，按故障诊断模型的输入输出要 求整理成故障诊断样本。样本的格式为每一条数据按输入-输出对模式组织。定桨距类 型风机样本的输入为平均风速、平均功率、平均风向、齿轮箱油温、齿轮箱轴温、发电机前轴 温、发电机后轴温、功率因数和偏航角度。变桨距类型风机的样本输入为平均风速、平均功 率、电机转速、齿轮箱油温、齿轮箱轴温、发电机前轴温、发电机后轴温、A相电压、B相电压、 C相电压、A相电流、B相电流、C相电流、功率因数和叶轮转速。两种类型风机的输出均为 机组异常概率、齿轮箱异常概率、发电机异常概率和偏航系统异常概率四种。概率值的确定 根据机组的运行机理和实际的工作状态而总结的经验公式而定，见式(1) (6)。样本分成 训练样本和检测样本两部分，检测样本约占20 %。
其中，P'机组、P'齿難、P'发电机P'定偏航系统和P'变偏航系统表示机组异常目标值、齿轮
箱异常目标值、发电机异常目标值、定桨距机组偏航系统异常目标值和变桨距机组偏航系 统异常目标值；P表示上述五种异常目标值归一化处理后的概率值。v表示风速，表示 风轮输出功率，Taxis表示齿轮箱轴承温度，Toil表示齿轮箱油温，Gpaxis表示发电机前轴承温 度，Glaxis表示发电机后轴承温度，Lsprad表示叶轮转速，A表示偏航角，Gsprad表示发电机转速， Pth表示发电机理论功率。B)神经网络结构设计根据上述的故障诊断样本设计神经网络故障诊断模型的 结构。神经网络结构采用3层BP网络，网络节点数定桨距类型为9-17-4，变桨距类型为 15-23-4，隐层节点数可调整。输入层激活函数为线性函数，隐层激活函数为双曲正切S型 函数，输出层激活函数为对数S型函数。输入参数进行归一化处理，归一化公式为式(7)。 C)染色体编码和初始种群生成编码方法采用实数编码，实数的取值就是权值和偏 置值的取值。编码的排列顺序为从输入层依次到隐层再到输出层各层的权值和偏置值依次 排列。编码的长度即为所有权值和偏置值的数目。编码方法如图2所示，图中!<，Xi表输入 层到隐层的权值，氏\表隐层的偏置值，!<々表隐层到输出层的权值，《表输出层的偏置值。 上述权值和偏置值的组合便构成了一条染色体，权值和偏置值的取值不同即构成不同的染 色体，若干个染色体即构成了一个种群。在算法开始时，随机生成初始种群，初始种群数为 100 200。D)适应度函数设计取BP神经网络误差平方和的倒数作为适应度函数，如下式(8) 和(9)所示。 f(x)=E(x 广1(9)其中q表示样本数，tq表示第q个样本的训练实际输出值，aq表示第q个样本的期 望输出值，N表示训练样本数，E(x)表示所有样本的平方误差和，f(x)表示误差和的倒数， 即适应度函数。将所有个体的适应度值与算法要求的精度进行比较，算法的精度为适应度 函数的值，范围为10_2 10_3。如果达到精度，则算法进行步骤G)，如果没有达到，则进行步 骤E)。E)遗传操作选择操作采用轮盘赌选择算子，交叉操作采用算术交叉算子，交叉率 为0. 6 0. 8，变异操作采用高斯变异算子，变异率为0. 05 0. 1。F)最优保存策略在选择操作完成后，取适应度计算后本代中最高的若干个个体直 接保留下来，不进行交叉和和变异操作，等本代所有个体完成交叉和变异运算后，用它们直 接替换最差的若干个个体。最优保存数设为5 10。经过步骤E)和F)以后，便生成下一 代种群，再回到步骤D)对新个体进行适应度计算，如此反复进行，直到找到满足要求的个
6体为止，该个体即为最优的网络初始权值与偏置值。G)运用Levenberg-Marquardt算法对样本进行训练和检测将遗传算法得到的最 优网络初始权值与偏置值赋给BP网络诊断模型，用神经网络Levenberg-Marquardt算法 对故障诊断样本进行反复训练和检测，直到达到指定的训练精度和诊断要求。训练指标为 网络的误差平方和，目标精度范围为10 10，诊断指标为诊断正确率，目标范围是97% 100%，以及诊断结果的相对误差，目标范围为10% 20%以内。将最后得到的权值和偏置 值以及网络的结构和参数进行保存，这些参数便构成了故障诊断模型。图3为风电机组故障诊断模型图故障诊断模型为三层BP网络模型，输入层向量为X= (Xl XfXJT，m表示输入层 节点数，隐层向量为Y= (Yl y2'"yi)T，l表示隐层节点数，输出层向量为0= (0l cv..o4)t。 w表示网络的连接权值，表示第i层的第j个网络节点的偏置值。网络的输入为机组的 不同运行参数，定桨距和变桨距两种类型的输入参数不同，如表1所示。网络的输出为机组 异常概率、齿轮箱异常概率、发电机异常概率和偏航系统异常概率，定桨距和变桨距两种类 型的输出相同，如表2所示。该模型是通过遗传算法优化神经网络初始权值和偏置值，再用 神经网络对机组运行状态样本反复训练和检测后得到的。故障诊断时，将机组运行参数的 实时数据输入到该模型的输入端即可，模型通过前向计算，便可在输出端得到机组异常概 率、齿轮箱异常概率、发电机异常概率和偏航系统异常概率，从而对机组的运行状态进行判 定。表 1 表 2 图4是本发明的诊断流程图，首先通过收集风电机组的历史运行数据，制作成机 组运行状态的样本库，根据样本信息，进行神经网络故障诊断模型的结构设计。在上述设计 的基础上，先用遗传算法对神经网络的初始权值和偏置值进行优化，在全局范围内找到其 最优解。此后，以此最优解为神经网络权值和偏置值的初始值，用神经网络对机组运行状态 样本进行反复训练和检测，保存满足精度要求的神经网络结构信息和权值偏置值信息，这 些信息便构成了风电机组故障诊断模型。应用时，在线实时读取风电机组的最新运行参数 数据，将这些数据输入风电机组故障诊断模型，模型调用保存的神经网络结构信息和权值 偏置值信息，构成网络计算模型，通过前向计算得到诊断结果，即机组异常概率、齿轮箱异 常概率、发电机异常概率和偏航系统异常概率，从而判定机组的运行状态和故障情况，实现 对机组状态的在线实时监控与故障诊断分析。
权利要求
一种基于遗传神经网络的风电机组故障诊断方法，其特征在于，包括下列步骤A)收集风电机组运行参数的历史数据，包括机组正常运行数据与机组故障数据；B)整理上述机组运行参数历史数据形成故障诊断样本，样本的格式为每一条数据按输入-输出对模式组织，输入为机组运行参数，输出为机组异常概率、齿轮箱异常概率、发电机异常概率和偏航系统异常概率，样本分为定桨距机组类型和变桨距机组类型两种，每种类型分为训练样本和检测样本两部分；C)根据上述样本设计神经网络的结构，神经网络采用BP网络，根据上述的样本设计神经网络的输入值、输出值、层数、各层节点数和各层的激活函数，并针对定桨距机组类型和变桨距机组类型设计网络结构；在上述神经网络结构下，用遗传算法对神经网络的初始权值和偏置值进行优化，具体过程为将初始权值和偏置值按实数编码成染色体，以神经网络误差平方和的倒数为适应度函数，遗传操作采用轮盘赌选择算子，算术交叉算子和高斯变异算子，采用最优保存策略，对B)中的故障诊断训练样本进行反复遗传进化，最终得到最优的神经网络的初始权值和偏置值；D)以上述最优的初始权值和偏置值作为BP神经网络的初始值，用神经网络Levenberg-Marquardt算法对B)中的故障诊断训练样本反复训练，训练指标为误差的平方和，最后将训练得到的权值和偏置值，以及此时网络的结构参数进行保存，这些参数便构成了遗传神经网络故障诊断模型；E)用B)中的检测样本对故障诊断模型进行反复检验，如果检验效果良好，则诊断模型有效，可以用于故障诊断，否则，则重新根据D)与E)进行训练建模；F)实时读取机组的最新运行参数，将这些参数输入到故障诊断模型，通过模型计算得到该状态下的机组异常概率、齿轮箱异常概率、发电机异常概率和偏航系统异常概率，根据各概率值判定机组整体和各个部件的运行状态。
2.根据权利要求1所述的一种基于遗传神经网络的风电机组故障诊断方法，其特征在 于，步骤E)中，神经网络的训练方法为离线训练方式。
3.根据权利要求1所述的一种基于遗传神经网络的风电机组故障诊断方法，其特征在 于，步骤E)中，遗传神经网络故障诊断模型分为定桨距机组诊断模型和变桨距机组诊断模 型。
4.根据权利要求1所述的一种基于遗传神经网络的风电机组故障诊断方法，其特征在 于，步骤G)中，故障诊断的方式为在线实时诊断。
全文摘要
本发明公开了一种基于遗传神经网络的风电机组故障诊断方法，通过遗传神经网络对风电机组历史运行数据进行学习，可建立风电机组故障诊断模型。通过在线读取机组实时运行数据，调用遗传神经网络诊断模型，对实时数据进行分析，可判断其发生齿轮箱、发电机与偏航系统故障的概率，从而对机组故障状态进行判断。用遗传算法与神经网络相结合的方法可实现算法互补，使模型收敛性和诊断能力提高，具有较强的健壮性。通过本发明方法，可对机组的运行状态进行实时在线监控与故障分析，提早采取维护措施，提高了机组的可靠性，减少了维护成本。
文档编号G05B13/04GK101872165SQ20101020045
公开日2010年10月27日 申请日期2010年6月13日 优先权日2010年6月13日
发明者史贝贝, 宋德宽, 巨林仓, 杨清宇 申请人:西安交通大学