一种基于人工神经网络的风力发电机轴承故障预测方法与流程

本发明属于风力发电机组故障诊断领域，涉及一种基于人工神经网络的风力发电机轴承故障预测方法。

背景技术：

风能作为一种可再生的清洁能源，因其所具备的成本低、储量大、使用便捷、清洁、安全可靠等优点，受到了全球范围内的广泛关注。最近几年，风力发电的相关技术发展得十分迅速。风力发电作为风能利用的主要方式，是当今清洁能源中技术最成熟和发展前景最好的发电方式之一。风力发电原理是利用风力带动风车叶片旋转，来促使发电机发电。

如今，风力发电机应用场景越来越广泛，从陆地到海洋，从平原到高山，风力发电机所处环境更加恶劣。风力发电机自身结构极其复杂，由多种机械、电气和控制组件构成，机组的某一个零件在运行过程中一旦发生故障，就很有可能导致整个风力发电机停运，造成重大的经济损失，甚至造成不可挽回的后果。故障的发生频率比以前更高，维修难度越来越大，因此电机的故障检测和预防越来越重要。

其中轴承故障是旋转电机故障的最常见原因。风力发电机专用轴承大致可以分为三类，即：偏航轴承、变桨轴承、传动系统轴承(主轴和变速箱轴承)。偏航轴承安装在塔架与座舱的连接部，变桨轴承安装在每个叶片的根部与轮毂连接部位。轴承故障可能发生在轴承的各个组件或位置中，滚子元件故障、内外圈故障以及保持架故障。这些故障会随着时间的推移降低轴承的性能，如果在适当的时间不采取预防措施，则会导致彻底的故障。因此，至关重要的是能够在退化期间检测轴承故障，以便在可能发生故障之前更换轴承。

发电机故障诊断方法可以分为两类：基于模型的方法和基于数据的方法。也可以将这些方法组合为混合诊断方法。基于模型的诊断是系统基于构建模型的一组规则评估观察结果，基于模型的方法需要对系统进行详细的数学建模，并对故障的物理现象有一定的了解。例如小波变换和自适应滤波器等先进的信号处理技术，已被证明在及时检测出与缺陷相关的特征频率很有用。但是，在缺少某些特征谐波或特征的情况下并不能保证轴承是绝对正常的。另一方面，以数据为依据的诊断方法主要基于历史数据信息，并由观测值本身来确定。基于数据驱动诊断是近年来应用最广泛的方法，例如，在电流信号分析中使用人工神经网络进行电机故障检测，使用卷积神经网络和决策树分类在故障预测中也有广泛应用。

目前现有技术虽然一定程度上能够判断风力发电机轴承是否结冰，但目前监测仍旧存在的问题在于检测精度不够高，需增加其他检测设备，预测成本高昂等等。因此如何探索一种预测精度高、易于检测、成本低廉的在线监测方法，这是本领域亟待解决的技术问题。

技术实现要素：

有鉴于此，本发明的目的在于提供一种基于人工神经网络的风力发电机轴承故障预测方法，解决现有技术中风力发电机轴承故障预测装置存在预测精度低、需新增预测装置、成本高昂的技术问题，旨在提供神经网络模型分析实时数据，进而发出故障预警，尽早维修，降低经济损失。

为达到上述目的，本发明提供如下技术方案：

一种基于人工神经网络的风力发电机轴承故障预测方法，包括以下步骤：

s1：采集风力发电机轴承运行的历史数据，并进行数据预处理，对初始数据进行数据标准化和数据缺失值填充处理；

s2：使用改进的平稳小波包变换(swpt)进行频率变换，从而进行频率带宽分离，提取故障特征频率值；

s3：使用elman人工神经网络并利用训练集对其进行训练，获得神经网络模型；

s4：对输入对实时数据进行故障预测。

进一步，步骤s1中具体包括：

首先对得到的样本数据标准化，统一数据格式和单位，使得数据易于使用；

在得到的标准化数据中，仍然存在数据值缺失的情况，需进行填充，为提升模型速度并保证准确度，采用数据均值进行缺失值填充，得到训练集数据矩阵。

进一步，步骤s2具体包括：

根据发电机轴承的各种运行参数，计算出发电机轴承的基本运行频率，包括轴旋转频率fr、保持器频率fc、内圈特征频率fpbe、外圈特征频率fpbi、球的频率fball；其中

其中db为球的的直径，dc为保持架直径，nb为球的个数，θ为轴承接触角；

再通过改进的平稳小波包变换进行频率分解，改进的平稳小波包变换生成的系数由以下公式给出：

其中i表示改进的平稳小波包变换树swpt中的节点，n表示swpt分解层数，vi,2n(t)表示第t个样本、i个节点处的波形分解值，hi(j)表示第i个节点处的高通滤波器，li+1(j)表示第i+1节点处的低通滤波器，j为滤波器长度，vi,n(2t-j)表示未分解的波形；

wpt和dwt欠采样的补偿是通过对swpt滤波器的上采样来完成的：

如果信号通过频率fs采样，则改进的平稳小波包变换的每个系数在频率带宽内，根据进行频率分解，其中ci,n为分解后的特征频率。

进一步，所述步骤s3包括：

将得到的训练数据输入到elman人工神经网络模型中，经过elman人工神经网络模型输入层、承接层、隐藏层不断迭代，最终通过输出层输出运算数据；通过输入的数据，让实际输出值和每一组输入到人工神经网络的期望输出值分别是yi和yi′，每组数据的误差为(yi-yi′)²；通过不断迭代减少残差，更新模型参数，完成训练输出。

进一步，步骤s3中具体包括：

elman人工神经网络建立如下数学模型

x(k)＝f(w⁽¹⁾xc(k)+w⁽²⁾u(k-1))

xc(k)＝a×xc(k-1)+x(k-1)

y(k)＝g(w⁽³⁾x(k))

其中w(¹)是承接层和隐藏层之间的权重矩阵，w(²)是输入层和隐藏层之间的权重矩阵，w⁽³⁾是隐藏层与输出层之间的权重矩阵；xc(k)、x(k)和y(k)分别是承接层，隐藏层和输出层的值，对应传递函数是f(·)和g(·)；

通过数据输入，让实际输出值和每一组输入到人工神经网络的期望输出值分别是yi和yi′，每组数据的误差为(yi-yi′)²；当选择m组数据进行测试时，每个隐藏层中具有不同数量神经元的人工神经网络的偏差为

然后，将训练数据集输入到经过训练的人工神经网络中，并获得实际的输出值；通过不断输入训练集，减少残差，更新模型参数，完成训练。

进一步，步骤s4具体包括：

将实时数据样本经过步骤s1和步骤s2的预处理与频率分解后，输入到步骤s3得到的最终预测神经网络模型中，通过模型对风力发电机进行轴承故障状态预测，得到预测结果。

本发明的有益效果在于：

故障轴承的频率相对于正常轴承表现出特有的故障频率，当这些特征性频率的幅度开始增加时，将触发故障发生，使用改进的swpt可以分析样本的频率分布，提取出样本的频率特征，为模型预测减少计算量，明显的提升了运行速度。

同时elman人工神经网络不仅具有前向人工神经网络的输入层，隐藏层和输出层，还具有承接层，用于存储前一时刻隐式层的输出并计算时延数据，使其具有动态存储的能力。通过数据训练，它具有动态和非线性映射的特性，符合风力机轴承故障的动态特性，因此适合于历史数据的监控与预测，因此本发明较大程度的提高了风力发电机轴承故障预测的准确率。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1是本发明风力发电机组轴承故障预测算法的总流程图；

图2是风力发电机轴承示意图；

图3是改进的swpt的分解树；

图4是elman人工神经网络的结构图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

如图1所示，步骤一：采集风力发电机轴承运行的历史数据，并进行数据预处理

将风力发电机轴承运行的历史数据，包括传感器，日志文件数据等收集到scada数据库中。

在风力发电机实际运行过程中，由于环境等各方面因素，产生的运行数据结果复杂，不能直接使用，需要经过数据清洗和标准化才能够作为预测训练数据集使用。我们首先对样本数据标准化，统一数据格式和单位，使得数据易于使用；在得到的标准化数据中，仍然存在数据值缺失的情况，需要进行填充，为提升模型速度并保证准确度，这里我们采用数据均值进行缺失值填充，得到训练集数据矩阵。

步骤二：使用改进的swpt进行频率变换

如图2所示，首先根据发电机轴承的各种参数，在图2中vo、vc、vi分别表示外圈、球心、内圈的线速度，db为球的的直径，θ为轴承接触角。算出五个基本频率，fr、fc、fpbe、fpbi、fball，其中fr为轴旋转频率，fc为保持器频率，fball为球的频率，fpbi和fpbe分别是内外圈特征频率。

其中db为球的的直径，dc为保持架直径，nb为球的个数，θ为轴承接触角；

图3显示了改进的平稳小波包变换的分解过程，改进的平稳小波包变换生成的系数由以下公式给出：

其中i表示改进的平稳小波包变换树swpt中的节点，n表示swpt分解层数，vi,2n(t)表示第t个样本、i个节点处的波形分解值，hi(j)表示第i个节点处的高通滤波器，li+1(j)表示第i+1节点处的低通滤波器，j为滤波器长度，vi,n(2t-j)表示未分解的波形。

wpt和dwt欠采样的补偿是通过对swpt滤波器的上采样来完成的：

如果信号通过频率fs采样，则改进的平稳小波包变换的每个系数在频率带宽内，其中根据进行频率变换。从而进行频率带宽分离。

步骤三：使用elman人工神经网络并利用训练集对其进行训练，获得神经网络模型。

elman人工神经网络结构图如图4所示

根据步骤二得到的特征频率分布，作为训练数据集一部分，输入到elman人工神经网络中。

建立如下数学模型

x(k)＝f(w⁽¹⁾xc(k)+w⁽²⁾u(k-1))

xc(k)＝a×xc(k-1)+x(k-1)

y(k)＝g(w⁽³⁾x(k))

其中w(¹)是承接层和隐藏层之间的权重矩阵，w(²)是输入层和隐藏层之间的权重矩阵，w⁽³⁾是隐藏层与输出层之间的权重矩阵。xc(k)、x(k)和y(k)分别是承接层，隐藏层和输出层的值，对应传递函数是f(·)和g(·)。

通过数据输入，让实际输出值和每一组输入到人工神经网络的期望输出值分别是yi和yi′，每组数据的误差为(yi-yi′)²。当选择m组数据进行测试时，每个隐藏层中具有不同数量神经元的人工神经网络的偏差为

然后，将训练数据集输入到经过训练的人工神经网络中，并获得实际的输出值。通过不断输入训练集，减少残差，更新模型参数，完成训练。

步骤四：对输入对实时数据进行故障预测

将实时数据样本经过步骤一和步骤二的预处理与频率分解后，输入到步骤三得到的最终预测神经网络模型中，通过模型对风力发电机进行轴承故障状态进行预测，得到预测结果。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。