CN103761569A - 一种风力发电机故障诊断方法及装置 - Google Patents

Abstract

本发明公开一种风力发电机故障诊断方法和装置，包括：数据处理模块，用于从振动传感器采集风力发电机故障部件的振动数据，并经过滤波，消噪处理，获得故障特征；LVQ故障诊断模块，用于从风力发电机齿轮箱获取故障数据，利用神经网络函数创建LVQ神经网络，设定隐含层神经元个数；网络创建完成及相关参数设置完成后，利用网络训练函数对网络进行训练学习；利用仿真测试函数将测试数据送入训练好的神经网络便可以得到对应的测试输出仿真数据，和实际测试数据标签进行比较，得到准确率；界面模块，用于从所述LVQ故障诊断模块获取诊断结果，并在界面上显示。本发明的方法和装置在故障诊断中更简单，更有效。

Description

一种风力发电机故障诊断方法及装置

技术领域

本发明涉及发动机技术领域，尤其涉及一种风力发电机故障诊断方法及装置。 

背景技术

风力发电机，是将风力转换为电能的机械设备。 

风力发电机组故障原因复杂，其故障征兆、故障原因和故障机理之间存在着极大的不确定性，现在许多学者通过人工智能的方法并结合信号处理来诊断机组的故障。诊断方法包括人工神经网络、数据挖掘、模糊逻辑、专家系统等，其中人工神经网络使用的较为普遍。 

在人工神经网络的故障诊断装置中，基于人工神经网络故障诊断装置是运用最多的，但人工神经网络故障诊断算法的学习速度很慢，容易发散，失败的可能性较大，网络结构的选择尚无一种统一而完整的理论指导。 

发明内容

本发明的多个方面，提供一种风力发电机故障诊断方法及装置，基于学习向量量化（LVQ）神经网络的风力发电机故障诊断装置，该装置在故障诊断中更简单，更有效。 

本发明的一方面，提供一种风力发电机故障诊断装置，所述风力发电机故障诊断装置包括：数据处理模块、学习向量量化LVQ故障诊断模 块、界面模块；所述数据处理模块，用于从振动传感器采集风力发电机故障部件的的振动数据，并经过滤波，消噪处理，获得故障特征；所述LVQ故障诊断模块，用于从风力发电机齿轮箱获取故障数据，利用神经网络函数创建LVQ神经网络，设定隐含层神经元个数；网络创建完成及相关参数设置完成后，利用网络训练函数对网络进行训练学习；利用仿真测试函数将测试数据送入训练好的神经网络便可以得到对应的测试输出仿真数据，和实际测试数据标签进行比较，得到准确率；所述界面模块，用于从所述LVQ故障诊断模块获取诊断结果，并在界面上显示，实现人机交互。 

较佳地，所述风力发电机齿轮箱故障数据保存在mat或者txt文件中，所述故障数据包括训练数据，训练标签数据，测试数据，测试标签数据，所述训练数据用于训练LVQ网络，所述测试数据用于测试网络的准确性，其中所述标签数据代表各类故障类型。 

较佳地，所述神经网络函数如图1。 

其中，p为R维的输入模式；S¹为竞争层神经元个数；IW^1,1为输 入层与竞争层之间的连接权系数矩阵；n¹为竞争层神经元的输入；a¹为竞争层神经元的输出；LW^2,1为竞争层与线性输出层之间的连接权系数矩阵；n²为线性输出层神经元的输入；a²为线性输出层神经元的输出。 

本发明的另一方面提供一种风力发电机故障诊断方法，所述方法包括：从振动传感器采集风力发电机故障部件的的振动数据，并经过滤波，消噪处理，获得故障特征；从风力发电机齿轮箱获取故障数据，利用神经网络函数创建LVQ神经网络，设定隐含层神经元个数；网络创建完成及相关参数设置完成后，利用网络训练函数对网络进行训练学习；利用仿真测试函数将测试数据送入训练好的神经网络便可以得到对应的测试输出仿真数据，和实际测试数据标签进行比较，得到准确率；从所述LVQ故障诊断模块获取诊断结果，并在界面上显示，实现人机交互。 

较佳地，所述风力发电机齿轮箱故障数据保存在mat或者txt文件中，所述故障数据包括训练数据，训练标签数据，测试数据，测试标签数据，所述训练数据用于训练LVQ网络，所述测试数据用于测试网络的准确性，其中所述标签数据代表各类故障类型。 

较佳地，所述神经网络函数如图1。 

其中，p为R维的输入模式；S¹为竞争层神经元个数；IW^1,1为输入层与竞争层之间的连接权系数矩阵；n¹为竞争层神经元的输入；a¹为竞争层神经元的输出；LW^2,1为竞争层与线性输出层之间的连接权系数矩阵；n²为线性输出层神经元的输入；a²为线性输出层神经元的输出。 

本发明中，所述风力发电机故障诊断装置主要运用LVQ神经网络，LVQ优点在于网络结构简单，只通过内部单元的相互作用就可以完成十分复杂的分类处理。而且它不需要对输入向量进行归一化、正交化处理，只需要直接计算输入向量与竞争层之间的距离，从而实现模式识别，因此简单易行。通过对比LVQ神经网络及人工神经网络对风力发电机故障的仿真结果，可以看出LVQ神经网络的效果比人工神经网络要好很多。表明该故障诊断装置用于风力发电机故障诊断是有效的。 

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图 仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。 

图1为本发明一实施例中的一种风力发电机故障诊断方法的运算过程示意图； 

图2为本发明另一实施例中的一种风力发电机故障诊断方法流程示意图； 

图3为本发明另一实施例中的一种风力发电机故障诊断装置的结构示意图。 

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。 

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。 

学习向量量化(LVQ)一种基于监督学习的自组织神经网络(SOFM)模型，但采用了无监督数据聚类技术。它由输入层、竞争层和输出层神经元组成，竞争层实质是SOFM模型，而由SOFM采用无监督学习，能够自动识别输入数据的全部聚类中心，因此LVQ能够对任意输入向量进行分类，不管它们是不是线性可分。可以大大提高装置诊断效率。 

学习向量量化（LVQ）网络是在竞争网络结构的基础上提出来的，将竞争学习思想和有监督学习算法相结合。LVQ网络在输入层与竞争层 之间采用完全连接的方式，竞争层与线性输出层之间采用部分连接的方式。竞争层神经元个数总是大于线性输出层神经元个数，每个竞争层神经元只与一个线性输出层神经元相连接且连接权值恒为1。但是，每个线性输出层神经元可以与多个竞争层神经元相连接。竞争层神经元与线性输出层神经元的值只能是1和0。当某个输入模式被送至网络时，与输入模式距离最近的竞争层神经元被激活，神经元的状态为“1”，而其他竞争层神经元的状态均为“0”。因此，与被激活神经元相连接的线性输出层神经元状态也为“1”，而其他线性输出层神经元状态均为“0”。 

与其他模式识别和映射方式相比，LVQ神经网络优点在于网络结构简单，只通过内部单元的相互作用就可以完成十分复杂的分类结果，也很容易将设计域中的各种繁杂分散的设计条件收敛到结论上来。而且它不需要对输入向量进行归一化、正交化处理，只需要直接计算输入向量与竞争层之间的距离，从而实现模式识别，因此简单易行。 

如图1所示，为本发明一实施例中的一种风力发电机故障诊断方法的运算过程示意图，其为newlvq()函数。 

其中，p为R维的输入模式；S¹为竞争层神经元个数；IW^1,1为输入层与竞争层之间的连接权系数矩阵；n¹为竞争层神经元的输入；a¹为竞争层神经元的输出；LW^2,1为竞争层与线性输出层之间的连接权系数矩阵；n²为线性输出层神经元的输入；a²为线性输出层神经元的输出。 

如图2所示，为本发明另一实施例中的一种风力发电机故障诊断方法流程示意图，所述方法如下所述。 

步骤201，从振动传感器采集风力发电机故障部件的的振动数据，并经过滤波，消噪处理，获得故障特征。 

步骤202，从风力发电机齿轮箱获取故障数据，利用神经网络函数创建LVQ神经网络，设定隐含层神经元个数；网络创建完成及相关参数设置完成后，利用网络训练函数对网络进行训练学习；利用仿真测试函数将测试数据送入训练好的神经网络便可以得到对应的测试输出仿真数据，和实际测试数据标签进行比较，得到准确率； 

I、数据输入：风力发电机齿轮箱故障数据保存在mat或者txt文件中，这些数据包括训练数据，训练标签数据，测试数据，测试标签数据。训练数据用来训练LVQ网络，测试数据用来测试网络的准确性。其中标签数据代表各类故障类型，本发明用罗马数字1，2，3……来代表各类故障类型。 

II、LVQ网络创建：利用神经网络函数（newlvq()）创建LVQ神经网络，设定隐含层神经元个数。 

III、LVQ网络训练：网络创建完成及相关参数设置完成后，利用网络训练函数（train()）对网络进行训练学习。 

IV、仿真测试：利用仿真测试（sim()）函数将测试数据送入训练好的神经网络便可以得到对应的测试输出仿真数据（输出标签），和实际测试数据标签进行比较，得到准确率。 

步骤203，从所述LVQ故障诊断模块获取诊断结果，并在界面上显示，实现人机交互。 

如图3所示，为本发明一实施例中的一种风力发电机故障诊断装置的结构示意图。 

该风力发电机故障诊断装置包括三个模块：数据处理模块、LVQ故障诊断模块、界面模块。 

其中，所述数据处理模块，用于从振动传感器采集风力发电机故障 部件的的振动数据，并经过滤波，消噪处理，获得故障特征。 

所述LVQ故障诊断模块，用于从风力发电机齿轮箱获取故障数据，利用神经网络函数创建LVQ神经网络，设定隐含层神经元个数；网络创建完成及相关参数设置完成后，利用网络训练函数对网络进行训练学习；利用仿真测试函数将测试数据送入训练好的神经网络便可以得到对应的测试输出仿真数据（输出标签），和实际测试数据标签进行比较，得到准确率。 

所述界面模块，用于从所述LVQ故障诊断模块获取诊断结果，并在界面上显示，实现人机交互。 

所述LVQ故障诊断模块的功能主要如下所述。 

I、数据输入：风力发电机齿轮箱故障数据保存在mat或者txt文件中，这些数据包括训练数据，训练标签数据，测试数据，测试标签数据。训练数据用来训练LVQ网络，测试数据用来测试网络的准确性。其中标签数据代表各类故障类型，本发明用罗马数字1，2，3……来代表各类故障类型。 

II、LVQ网络创建：利用神经网络函数（newlvq()）创建LVQ神经网络，设定隐含层神经元个数。 

III、LVQ网络训练：网络创建完成及相关参数设置完成后，利用网络训练函数（train()）对网络进行训练学习。 

IV、仿真测试：利用仿真测试（sim()）函数将测试数据送入训练好的神经网络便可以得到对应的测试输出仿真数据（输出标签），和实际测试数据标签进行比较，得到准确率。 

风力发电机组故障原因复杂，其故障征兆、故障原因和故障机理之间存在着极大的不确定性，故现在许多学者希望通过人工智能的方法来 诊断机组的故障。诊断方法包括人工神经网络、数据挖掘、模糊逻辑、专家系统等。其中人工神经网络使用的较为普遍，相对于其他神经网络，LVQ神经网络优点在于网络结构简单，只通过内部单元的相互作用就可以完成十分复杂的分类处理。而且它不需要对输入向量进行归一化、正交化处理，只需要直接计算输入向量与竞争层之间的距离，从而实现模式识别，因此简单易行。通过对比LVQ神经网络及人工神经网络对风力发电机故障的仿真结果，可以看出LVQ神经网络故障诊断装置的效果比人工神经网络要好很多。 

该故障诊断装置主要运用LVQ神经网络，LVQ优点在于网络结构简单，只通过内部单元的相互作用就可以完成十分复杂的分类处理。而且它不需要对输入向量进行归一化、正交化处理，只需要直接计算输入向量与竞争层之间的距离，从而实现模式识别，因此简单易行。通过对比LVQ神经网络及人工神经网络对风力发电机故障的仿真结果，可以看出LVQ神经网络的效果比人工神经网络要好很多。表明该故障诊断装置用于风力发电机故障诊断是有效的。 

以上所述，以上实施例仅用以对本申请的技术方案进行了详细介绍，但以上实施例的说明只是用于帮助理解本发明的方法及其核心思想，不应理解为对本发明的限制。本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。 

Claims (6)

1.一种风力发电机故障诊断装置，其特征在于，所述风力发电机故障诊断装置包括：数据处理模块、学习向量量化LVQ故障诊断模块、界面模块；

所述数据处理模块，用于从振动传感器采集风力发电机故障部件的的振动数据，并经过滤波，消噪处理，获得故障特征；

所述LVQ故障诊断模块，用于从风力发电机齿轮箱获取故障数据，利用神经网络函数创建LVQ神经网络，设定隐含层神经元个数；网络创建完成及相关参数设置完成后，利用网络训练函数对网络进行训练学习；利用仿真测试函数将测试数据送入训练好的神经网络便可以得到对应的测试输出仿真数据，和实际测试数据标签进行比较，得到准确率；

所述界面模块，用于从所述LVQ故障诊断模块获取诊断结果，并在界面上显示，实现人机交互。

2.如权利要求1所述的风力发电机故障诊断装置，其特征在于，所述风力发电机齿轮箱故障数据保存在mat或者txt文件中，所述故障数据包括训练数据，训练标签数据，测试数据，测试标签数据，所述训练数据用于训练LVQ网络，所述测试数据用于测试网络的准确性，其中所述标签数据代表各类故障类型。

3.如权利要求1所述的风力发电机故障诊断装置，其特征在于，所述神经网络函数如下所述：

其中，p为R维的输入模式；S¹为竞争层神经元个数；IW^1,1为输入层与竞争层之间的连接权系数矩阵；n¹为竞争层神经元的输入；a¹为竞争层神经元的输出；LW^2,1为竞争层与线性输出层之间的连接权系数矩阵；n²为线性输出层神经元的输入；a²为线性输出层神经元的输出。

4.一种风力发电机故障诊断方法，其特征在于，所述方法包括：

从振动传感器采集风力发电机故障部件的的振动数据，并经过滤波，消噪处理，获得故障特征；

从风力发电机齿轮箱获取故障数据，利用神经网络函数创建LVQ神经网络，设定隐含层神经元个数；网络创建完成及相关参数设置完成后，利用网络训练函数对网络进行训练学习；利用仿真测试函数将测试数据送入训练好的神经网络便可以得到对应的测试输出仿真数据，和实际测试数据标签进行比较，得到准确率；

从所述LVQ故障诊断模块获取诊断结果，并在界面上显示，实现人机交互。

5.如权利要求4所述的方法，其特征在于，所述风力发电机齿轮箱故障数据保存在mat或者txt文件中，所述故障数据包括训练数据，训练标签数据，测试数据，测试标签数据，所述训练数据用于训练LVQ网络，所述测试数据用于测试网络的准确性，其中所述标签数据代表各类故障类型。

6.如权利要求4所述的方法，其特征在于，所述神经网络函数如下所述：

其中，p为R维的输入模式；S¹为竞争层神经元个数；IW^1,1为输入层与竞争层之间的连接权系数矩阵；n¹为竞争层神经元的输入；a¹为竞争层神经元的输出；LW^2,1为竞争层与线性输出层之间的连接权系数矩阵；n²为线性输出层神经元的输入；a²为线性输出层神经元的输出。

Images