[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

摘要

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。

主权项

1.基于小波神经网络的风机齿轮箱故障趋势预测方法，其特征是，包括以下步骤：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；步骤4、确定小波神经网络的训练参数并初始化：训练参数有小波的尺度因子a_i，平移因子b_i，输出层节点k与隐含层节点i之间的权值w_ki和输出初始值y₀；步骤5、将步骤2所得的输入信号样本分为训练集和测试集，输入信号样本中既要包含风机正常运行时候的数据又要包含风机各种故障时候的数据；步骤6、构建小波神经网络模型：使用步骤3所得的结构参数和步骤4所得的训练参数进行网络训练，获得小波神经网络模型；步骤7、小波神经网络优化，测试小波神经网络模型：将网络的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，直到误差满足要求，得出最优小波神经网络模型，并用测试集的数据对网络进行测试，检验网络的性能；步骤8、输出故障趋势预测结果：将结果送入预测系统中进行分析，得到最终的预测结果呈现在人机交互界面中。