神经网络在风电机组机械传动系统故障诊断中的应用研究

2010-08-23吴元修

制造业自动化 2010年11期

吴元修

WU Yuan-xiu

（莱芜职业技术学院，莱芜 271100）

0 引言

近年来国内外风电机组单机容量不断增大，而风电场一般位于荒原、海岛等条件恶劣的环境中，要经受全天候考验，不怕风吹、雨淋、日晒、霜打、冰冻、盐蚀等，工况极不稳定。日本风电设备因台风、雷击而被毁坏的事故，几乎每年都有发生；世界上最著名的丹麦威斯达公司曾一次性更换80台风电机组的齿轮箱，损失巨大；某国际规模的厂商，因风机某部件损坏运往内陆修理，承担拆装、赔偿费用高达4000万欧元以上[1]。因此对风电机组部件运行状态进行监测并建立后置的事故预警和故障诊断系统是极其必要的。

本文重点介绍神经网络技术在风电机组机械传动系统故障诊断中的应用。

1 风电机组机械传动系统的BP神经网络构建

风电机组主要部件包括风力机、主轴、轴承、齿轮箱、异步发电机、偏航机构、机舱和塔架等，其传动系统的重要部件是主轴、轴承、齿轮箱。鉴于旋转机械故障的30%是由滚动轴承故障引起的[2]，本文仅考虑传动系统中滚动轴承的故障诊断。

滚动轴承的故障诊断技术较多，主要有：振动诊断技术、铁谱诊断技术、声学诊断技术、温度诊断技术、油膜电阻诊断技术和光纤监测技术等[3]。本文采用振动诊断技术测取滚动轴承上的振动信号，对时域信号进行归一化处理和一致性检验，以时域特征中的均方根值、谐波指标、峭度指标和SQ参数作为网络的输入，以滚动轴承正常状态和常见故障状态（外圈裂纹、内圈点蚀、滚珠点蚀、保持架损坏）作为网络输出，构建三层BP神经网络。该神经网络隐层神经元数目由进行选择，其中m为输入层神经元个数，p为输出层神经元个数，a为[1,10]之间的常数[4]。针对本文，m=4，p=5，则隐层神经元个数h=[4,14]，令h=8。详细参数设定如表1所示，网络结构如图1所示[5]。

表1 BP神经网络参数设定

2 BP神经网络在风电机组机械传动系统故障诊断中的应用

实测风电机组机械转动系统滚动轴承的4个特征参数如表2所示。

图1 风电机组滚动轴承故障诊断神经网络结构

表2 试验轴承特征参数

首先，选取其中5组作为输入样本，对神经网络进行训练，程序如下：

训练过程中网络误差的变化情形如图2所示。

然后，利用所有10个样本对训练过的神经网络进行测试验证，程序如下：

绘成表3进行分析。

可以看出，第三个正常轴承样本和两个外圈裂纹样本的诊断出现了错误，在训练样本中加入这三个样本，再次训练神经网络后，网络的误差曲线如图3所示。

表3 诊断结果

图3 网络再次训练过程中的误差变化曲线

利用10个样本对重新训练的神经网络进行验证，再次诊断结果如表4所示。

可见，经改进重新训练后的神经网络对各样本的诊断是完全正确的。

3 结论

本文利用滚动轴承振动信号，设计了应用于风电机组机械系统故障诊断神经网络模型，该模型的输入样本由振动信号的部分时域特征值，经过归一化处理和一致性检验后组成，输出样本由各种故障现象组成。经过实验验证，该神经网络设计方法，具有较高的识别效率，取得了良好的预期效果。

神经网络技术其效果的好坏关键取决于样本训练的结果。神经网络系统的性能在很大程度上受到所选择的训练数据集的限制，训练数据的正交性和完备性如果不好，就会使系统性能恶化。此外，样本质量的好坏直接影响训练质量继而严重影响应用结果。因此，针对系统比较复杂的应用环境，应当进一步考虑加强对模糊融合等算法实现问题的研究，进一步提高故障诊断系统解决不确定性问题的能力。