[发明专利]基于小波神经网络的风机齿轮箱故障趋势预测方法

说明书

本发明提供了一种基于小波神经网络的风机齿轮箱故障趋势预测方法，首先深度挖掘SCADA和CMS系统中蕴含的信息；然后进行数据预处理，排除数据中明显的奇异点；确定神经网络的结构参数和训练参数并初始化；将采集到的样本分为训练集和测试集，开始小波神经网络建模并进行网络的训练，然后将网络输出值与理想输出进行比较，得到误差，利用最小均方误差函数更新模型，得出最优小波神经网络模型，用测试集数据检验网络的性能，故障趋势预测结果，将最终结果呈现在人机交互界面中。本发明能极大提高风机故障趋势预测的效率，为风电机组的安全可靠运行提供了保障，减少了风机运维费用，为风力发电机组的智能健康管理提供了可行性。

技术领域

本发明属于风力发电机组故障趋势预测领域，具体涉及一种基于小波神经网络的风机齿轮箱故障趋势预测方法。

背景技术

风力发电机组是风电厂的重要设备，齿轮箱作为风机的关重零部件，其故障往往导致长时间停机，造成严重经济损失，开展风机齿轮箱的故障诊断可以提高风机运行可靠性、降低运维费用，为风力发电机组的智能健康管理提供了可行性。目前国内对风力发电机齿轮箱的故障趋势预测的研究还处于单信号处理阶段，为了提高风力发电机运行的安全可靠性，减少安全事故，开展风机齿轮箱故障预报工作势在必行。现有的处理方法主要是利用振动传感器采集风机的振动信号，然后利用传统的信号处理方法(如傅里叶变换)进行信号的时域、频域等分析，最后进行故障趋势预测。近年来，随着大数据理论的发展，深度挖掘数据中蕴含的大量信息，运用人工智能进行风电机组故障趋势预测成为新的研究方向。

随着人工智能技术的发展，故障预测的方法越来越多，预测精度越来越高。但每一种方法均有其优缺点，小波神经网络(Wavelet Neural Network，WNN)是小波理论与神经网络相结合的产物，从形式结构上看，可以把它分为松散型和融合型两类，松散型：利用小波分析对神经网络的输入进行初步处理，使得输入神经网络的信息更易于网络处理，再利用常规神经网络完成分类和函数逼近等功能。融合型：将小波与神经网络直接融合，其基本思想是用小波元代替神经元，输入层到隐含层的权值及隐含层阈值分别由小波函数的尺度与平移参数代替。

小波神经网络相比于普通神经网络，它有明显的优点：首先小波神经网络的基元和整个结构是依据小波分析理论确定的，可以避免BP神经网络等结构设计上的盲目性；其次小波神经网络有更强的学习能力，精度更高，因为小波理论是全尺度分析，不仅有全局最优解，还保持局部细节最优解；最后小波神经网络通过尺度和平移对信号进行多尺度分析，能有效提取信号的局部信息。总的而言，对同样的学习任务，小波神经网络结构更简单，收敛速度更快。

在风机上，常用的大数据采集系统主要有CMS(Condition Monitoring Systems)系统和SCADA系统(Supervisory Control And Data Acquisition)，因此多数的研究均围绕这两个系统中的数据信号来展开，充分挖掘其中蕴含的信息。

发明内容

针对现有技术存在的问题，本发明所要解决的技术问题就是提供一种基于小波神经网络的风机齿轮箱故障趋势预测方法，它能对风力发电机运行状态的实时监测，并实现对风机齿轮箱故障趋势进行预测，对其故障进行诊断和维护，提高预知维修能力和降低运维费用。

本发明所解决的技术问题可以采用以下技术方案来实现，基于小波神经网络的风机齿轮箱故障趋势预测方法，包括如下步骤：

步骤1、数据采集：深度挖掘SCADA和CMS系统中蕴含的大量信息，包括齿轮箱温度信号，振动信号，发电机电信号；

步骤2、信号数据预处理：包括剔除信号数据的奇异点、数据归一化处理以及将输入信号进行相似化处理；

步骤3、确定神经网络的结构参数：结构参数有隐含层节点数、显示中间结果的周期、最大迭代次数、学习因子、动量因子和误差阈值；