神經網絡在風電機組機械傳動系統故障診斷中的應用研究

吳元修

WU Yuan-xiu

（萊蕪職業技術學院，萊蕪 271100）

0 引言

近年來國內外風電機組單機容量不斷增大，而風電場一般位于荒原、海島等條件惡劣的環境中，要經受全天候考驗，不怕風吹、雨淋、日曬、霜打、冰凍、鹽蝕等，工況極不穩定。日本風電設備因臺風、雷擊而被毀壞的事故，幾乎每年都有發生；世界上最著名的丹麥威斯達公司曾一次性更換80臺風電機組的齒輪箱，損失巨大；某國際規模的廠商，因風機某部件損壞運往內陸修理，承擔拆裝、賠償費用高達4000萬歐元以上[1]。因此對風電機組部件運行狀態進行監測并建立后置的事故預警和故障診斷系統是極其必要的。

本文重點介紹神經網絡技術在風電機組機械傳動系統故障診斷中的應用。

1 風電機組機械傳動系統的BP神經網絡構建

風電機組主要部件包括風力機、主軸、軸承、齒輪箱、異步發電機、偏航機構、機艙和塔架等，其傳動系統的重要部件是主軸、軸承、齒輪箱。鑒于旋轉機械故障的30%是由滾動軸承故障引起的[2]，本文僅考慮傳動系統中滾動軸承的故障診斷。

滾動軸承的故障診斷技術較多，主要有：振動診斷技術、鐵譜診斷技術、聲學診斷技術、溫度診斷技術、油膜電阻診斷技術和光纖監測技術等[3]。本文采用振動診斷技術測取滾動軸承上的振動信號，對時域信號進行歸一化處理和一致性檢驗，以時域特征中的均方根值、諧波指標、峭度指標和SQ參數作為網絡的輸入，以滾動軸承正常狀態和常見故障狀態（外圈裂紋、內圈點蝕、滾珠點蝕、保持架損壞）作為網絡輸出，構建三層BP神經網絡。該神經網絡隱層神經元數目由進行選擇，其中m為輸入層神經元個數，p為輸出層神經元個數，a為[1,10]之間的常數[4]。針對本文，m=4，p=5，則隱層神經元個數h=[4,14]，令h=8。詳細參數設定如表1所示，網絡結構如圖1所示[5]。

表1 BP神經網絡參數設定

2 BP神經網絡在風電機組機械傳動系統故障診斷中的應用

實測風電機組機械轉動系統滾動軸承的4個特征參數如表2所示。

圖1 風電機組滾動軸承故障診斷神經網絡結構

表2 試驗軸承特征參數

首先，選取其中5組作為輸入樣本，對神經網絡進行訓練，程序如下：

訓練過程中網絡誤差的變化情形如圖2所示。

然后，利用所有10個樣本對訓練過的神經網絡進行測試驗證，程序如下：

繪成表3進行分析。

可以看出，第三個正常軸承樣本和兩個外圈裂紋樣本的診斷出現了錯誤，在訓練樣本中加入這三個樣本，再次訓練神經網絡后，網絡的誤差曲線如圖3所示。

表3 診斷結果

圖3 網絡再次訓練過程中的誤差變化曲線

利用10個樣本對重新訓練的神經網絡進行驗證，再次診斷結果如表4所示。

可見，經改進重新訓練后的神經網絡對各樣本的診斷是完全正確的。

3 結論

本文利用滾動軸承振動信號，設計了應用于風電機組機械系統故障診斷神經網絡模型，該模型的輸入樣本由振動信號的部分時域特征值，經過歸一化處理和一致性檢驗后組成，輸出樣本由各種故障現象組成。經過實驗驗證，該神經網絡設計方法，具有較高的識別效率，取得了良好的預期效果。

神經網絡技術其效果的好壞關鍵取決于樣本訓練的結果。神經網絡系統的性能在很大程度上受到所選擇的訓練數據集的限制，訓練數據的正交性和完備性如果不好，就會使系統性能惡化。此外，樣本質量的好壞直接影響訓練質量繼而嚴重影響應用結果。因此，針對系統比較復雜的應用環境，應當進一步考慮加強對模糊融合等算法實現問題的研究，進一步提高故障診斷系統解決不確定性問題的能力。

表4 再次診斷結果

[1]吳炳琦.風電機組運行的預測預警和自動監控保護[J].電氣技術,2008,(03)：5-7.

[2]虞和濟,韓慶大,李沈,等.設備故障診斷工程[M].北京：冶金工業出版社，2001.

[3]孔亞林.基于振動信號的滾動軸承故障診斷方法研究[D].大連：大連理工大學,2005,11.

[4]周輝齒.齒輪故障的特征提取與模式識別技術研究[D].鄭州：鄭州大學，2005：23-24.

[5]許東,吳錚.基于MATLAB的系統分析與設計—神經網絡[M].西安：西安電子科技大學出版社,2003.