摘 要：文章針對(duì)風(fēng)力發(fā)電機(jī)的結(jié)構(gòu)和運(yùn)行狀況，提出了一種基于徑向基神經(jīng)網(wǎng)絡(luò)的故障診斷方法。通過(guò)仿真實(shí)例證明，此方法應(yīng)用于風(fēng)電機(jī)組是可行的。

關(guān)鍵詞：風(fēng)電機(jī)組；徑向基神經(jīng)網(wǎng)絡(luò)；故障診斷

中圖分類號(hào)：TM315 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1006-8937（2012）35-0007-02

近年來(lái)，隨著風(fēng)力設(shè)備技術(shù)水平和復(fù)雜度不斷提高，設(shè)備故障對(duì)生產(chǎn)的影響也在增加，因此要保證設(shè)備可靠有效地運(yùn)行，充分發(fā)揮其效益，必須發(fā)展故障診斷技術(shù)。

隨著人工智能和計(jì)算機(jī)技術(shù)的飛速發(fā)展，許多智能算法被應(yīng)用于實(shí)際運(yùn)行中，取得了良好的效果。本文針對(duì)風(fēng)力發(fā)電機(jī)組旋轉(zhuǎn)部分的結(jié)構(gòu)與運(yùn)行狀況，提出了利用徑向基神經(jīng)網(wǎng)絡(luò)進(jìn)行風(fēng)力發(fā)電機(jī)組旋轉(zhuǎn)部分故障診斷的方法，能夠較快判斷故障類型。

1 風(fēng)力發(fā)電機(jī)旋轉(zhuǎn)部分故障檢測(cè)方法概述

由于風(fēng)電機(jī)組旋轉(zhuǎn)部分結(jié)構(gòu)復(fù)雜，工作所處環(huán)境惡劣，特別是齒輪和齒輪箱容易受到傷害，從而引發(fā)故障。早期故障信號(hào)通常比較微弱，常常淹沒(méi)在背景噪聲中不易被識(shí)別，因此提取其故障特征信息成為關(guān)鍵技術(shù)。目前，小波分析、經(jīng)驗(yàn)?zāi)B(tài)分解等方法已廣泛應(yīng)用，為微弱故障特征信息提取創(chuàng)造了條件。

依靠機(jī)組監(jiān)測(cè)裝置采集的故障實(shí)時(shí)信息，我們可以對(duì)故障類型做出判斷。大多數(shù)情況下，根據(jù)經(jīng)驗(yàn)可以將一些監(jiān)測(cè)數(shù)據(jù)顯示正常的部位排除，剩下幾種最有可能的故障情況，再對(duì)這幾種情況進(jìn)行分析，層層篩選，最終確定真實(shí)故障類型。

2 RBF神經(jīng)網(wǎng)絡(luò)

RBF神經(jīng)網(wǎng)絡(luò)屬于前向型神經(jīng)網(wǎng)絡(luò)，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(guān)檢測(cè)過(guò)程

3.1 神經(jīng)網(wǎng)絡(luò)創(chuàng)建步驟

如圖2所示，應(yīng)用神經(jīng)網(wǎng)絡(luò)對(duì)故障進(jìn)行辨別，需要經(jīng)過(guò)五個(gè)步驟。

3.2 數(shù)據(jù)的采集與分類

風(fēng)電機(jī)組一般配備監(jiān)測(cè)裝置，會(huì)將機(jī)組的實(shí)時(shí)數(shù)據(jù)記錄下了，供操作人員分析判斷機(jī)組的運(yùn)行狀態(tài)。如果我們將故障的歷史數(shù)據(jù)收集整理起來(lái)，就形成了一個(gè)能反映風(fēng)電機(jī)組故障特征的數(shù)據(jù)集。此數(shù)據(jù)集可以作為樣本對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，使其具有故障分類的能力。

數(shù)據(jù)集共包括33組故障波形數(shù)據(jù)，分別由風(fēng)電機(jī)組的不同歷史故障數(shù)據(jù)組成。每組前24列為風(fēng)速、槳距角、葉輪轉(zhuǎn)速、環(huán)境溫度等故障診斷的關(guān)鍵數(shù)據(jù)，第25列為分類的輸出，按編號(hào)1～5分別是異常響聲、溫度異常、液壓系統(tǒng)的壓力不穩(wěn)、嚴(yán)重漏油和齒輪箱潤(rùn)滑不良。前30組作為訓(xùn)練樣本對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，后3組作為測(cè)試樣本測(cè)試網(wǎng)絡(luò)訓(xùn)練效果。

3.3 創(chuàng)建RBF網(wǎng)絡(luò)

①網(wǎng)絡(luò)創(chuàng)建與參數(shù)設(shè)置。利用神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)newrb（）構(gòu)建一個(gè)RBF神經(jīng)網(wǎng)絡(luò)；設(shè)置網(wǎng)絡(luò)分布常數(shù)設(shè)定為30，訓(xùn)練目標(biāo)為0.1。

②網(wǎng)絡(luò)訓(xùn)練。利用網(wǎng)絡(luò)訓(xùn)練函數(shù)train（）對(duì)建立的網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

③結(jié)果輸出。利用sim（）函數(shù)將測(cè)試樣本數(shù)據(jù)輸入訓(xùn)練之后的RBF網(wǎng)絡(luò)，經(jīng)過(guò)判別便可以得到對(duì)應(yīng)的輸出結(jié)果。

3.4 結(jié)果顯示

圖3為RBF網(wǎng)絡(luò)訓(xùn)練效果，其中*代表神將網(wǎng)絡(luò)判斷故障類型，○代表實(shí)際故障類型；圖4為RBF 網(wǎng)絡(luò)的預(yù)測(cè)效果，其中*代表神將網(wǎng)絡(luò)判斷故障類型，△代表神將網(wǎng)絡(luò)判斷故障類型。本次RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練共用時(shí)4秒，從上述結(jié)果可以看出，訓(xùn)練時(shí)有兩個(gè)樣本錯(cuò)誤，正確率為93.33%，預(yù)測(cè)樣本則完全正確。由此可以證明利用神經(jīng)網(wǎng)絡(luò)可以快速準(zhǔn)確地判斷風(fēng)電機(jī)故障類型，應(yīng)用此方法對(duì)風(fēng)電機(jī)組常見(jiàn)故障進(jìn)行檢測(cè)是可行的。

4 結(jié) 論

文章針對(duì)常見(jiàn)的風(fēng)電機(jī)組故障，提出了一種采用徑向基神經(jīng)網(wǎng)絡(luò)進(jìn)行故障檢測(cè)的方法。實(shí)踐證明，此種方法能夠快速準(zhǔn)確地判斷故障類型。在實(shí)際應(yīng)用中，同類型風(fēng)電機(jī)組歷史故障數(shù)據(jù)都可以用作訓(xùn)練樣本。理論與實(shí)踐證明，如果加大訓(xùn)練樣本數(shù)，所得結(jié)果會(huì)更加精確，更加有利于提高檢測(cè)的效果與速度。

參考文獻(xiàn)：

[1] 沈水福.設(shè)備故障診斷技術(shù)[M].北京：科學(xué)出版社，1990.

[2] 張登峰，郝偉，郝旺身.風(fēng)力發(fā)電機(jī)組的振動(dòng)測(cè)試與診斷[J].大電機(jī)技術(shù)，2012，15（1）：10-12.

[3] 畢天姝，倪以信，吳復(fù)立，等.基于新型神經(jīng)網(wǎng)絡(luò)的電網(wǎng)故障診斷方法[J].中國(guó)電機(jī)工程學(xué)報(bào)，2002，22（2）：73-78.

[4] 周開利，康耀紅.神經(jīng)網(wǎng)絡(luò)模型及其MATLAB仿真程序設(shè)計(jì)[M].北京：清華大學(xué)出版社，2005.

[5]葛哲學(xué)， 孫志強(qiáng). 神經(jīng)網(wǎng)絡(luò)理論與MATLAB R2007實(shí)現(xiàn)[M].北京：電子工業(yè)出版社， 2008.