SOM神经网络在风力发电机组故障诊断中应用.docVIP

SOM神经网络在风力发电机组故障诊断中应用 　　摘 要风力发电正在电力行业中占有越来越重要的位置。然而因为所处的环境条件恶劣，风力发电机经常容易发生故障。传统的状态监测与故障诊断方法较为费时费力，又因为无法采集到所有的故障信息，所以BP神经网络无法做出正确诊断。因此，将SOM神经网络应用于风力发电机组的振动故障诊断中。用正常运行的样本数据对网络进行训练，根据检测样本输出神经元在输出层的位置对是否发生故障进行判断。经实例分析证明，该方法可对风电机组的故障进行有效诊断。 　　【关键词】风力发电机组 故障诊断 SOM神经网络 　　1 引言 　　风力发电场多处于环境恶劣的高山、荒野、海洋等风资源较优的地区，常年经受无规律的变负荷变风风力作用和阵风的冲击，经常出现故障。据美国学者M. Wilkinson和F. Spianto的统计，一个运行超过20年的风力发电场，其运营和维修的成本年估计占风电场总收益的10～15%。海上风电机组的管理与运营费用由于维修不便导致其运营成本更高，估计约占到总收入的20-25%。风力发电机组是风电场的关键设备。传统的计划维修的方式存在的不足造成维修工作的耗时太长、损失严重。因此，对风力发电机组进行故障诊断研究，可以合理的安排维修时间，分配资源，有效地降低维修运营成本；可以对设备故障进行及时的预警，以防止事故的发生和扩大；可以有效的提高机组的运行质量，延长机组使用寿命，从而为风力发电产业的发展提供可靠的技术保证。 　　传统的状态监测与故障诊断技术由于过于繁琐无法对风电机组发电机进行状态监测与故障诊断带来了困难。而神经网络技术的出现，为故障诊断问题提供了一种简单快捷的解决途径。特别是对于在实际中难以建立数学模型的复杂系统，神经网络更显示出其独特的作用。总的来说，神经网络之所以可以成功地应用于故障诊断领域，主要基于以下3个方面的原因。 　　（1）训练过的神经网络能存储有关过程的知识，能直接从历史故障信息中学习。可以根据对象的日常历史数据训练网络，然后将此信息与当前测量数据进行比较，以确定故障的类型。 　　（2）神经网络具有滤除噪声及在有噪声情况下得出正确结论的能力，可以训练人工神经网络来识别故障信息，使其能在噪声环境下有效地工作，这种滤除噪声的能力使得人工神经网络适合在线故障检测和诊断。 　　（3）神经网络具有分辨故障原因及故障类型的能力。 　　神经网络中应用最广泛的是BP神经网络。但是如果用BP网络进行故障诊断时，需采用穷举法罗列全部故障信息以建立目标向量来训练网络，这样建立的网络在数据全面的情况下是完全可以满足故障智能诊断任务的。然而在现实中，每一种故障类型及故障位置对应的实际故障波形都得到几乎是不可能的，这是因为现实中提供数据的风电场的同一机型的发电机不可能发生的故障都恰好覆盖所有的故障类型和故障位置，并且对风电场进行状态监测与故障诊断的目的就是为了在所有故障都发生前就采取措施拯救风力发电机系统以减少损失，如果该风电场的各台风机已经大面积故障，再对其进行神经网络分析以减少损失的意义就不大了。 　　现实中的情况往往是：一个打算进行状态监测与故障诊断的风电场，往往目前只有该种风力发电机正常状态下的运行信号，所需要的神经网络能够清楚地辨别出正常状态下的信号与故障状态下信号的区别，下一步再对可能发生故障的信号进行更细致的分析，为解决这个难题，可以考虑采用SOM神经网络（自组织特征映射人工神经网络）。 　　2 SOM神经网络 　　SOM神经网络是由Kohonen教授提出的对神经网络的数值模拟方法。Kohonen认为神经网络接受外界输入模式时将，会分为不同的对应区域。各区域对输入模式有不同的响应特征，而这个过程是自动完成的。SOM网络模拟大脑神经系统的自组织特征映射功能，是无监督竞争式学习的前馈网络，在训练中能无监督自组织学习。它通过学习可以提取一组数据中的重要特征或某种内在规律，按离散时间方式进行分类。 网络可以把任意高维的输入映射到低维空间，并且使得输入数据内部的某些相似性质表现为几何上邻近的特征映射。这样就在输出层映射成一维或二维离散图形并保持其拓扑结构不变。这种分类反映了样本集的本质区别，大大减弱了一致性准则中的人为因素。 　　3 诊断实例 　　本文采用某风电场第一期华创1500kw双馈风力发电机作为实验对象。如图2所示为机组的结构及测点部位。传感器安装有8个测点，其中包括对主轴的监测，对齿轮箱齿圈和轴承的监测以及对发电机轴承的监测。本文采用测点8，即发电机后轴承振动加速度的数据进行分析。 　　选取正常运行机组和故障机组的信号。首先对两个信号的时域波形图进行对比，如图3所示。 　　可以发现，故障信号的振动幅值要大于正常信号，但并不是很明显，不能辨别信号故障与否。 　　接下来选取