论文部分内容阅读
随着风力发电成为世界上增长最快的可再生能源,为保持风电的长期稳定发展,需不断降低风电安装和运行维护的成本。由于风机系统是复杂的时变非线性的特点,一般的方法很难提取精确有效的故障特征,因此需监测风电机组的运行状态,分析处理其故障征兆,并预测风电机组的故障趋势,以有效的指导风电机组的维护与维修从而降低成本。本文提出将小波变换中改进的局部判别基和SOM-BP复合神经网络的优势结合起来,对风电机组进行有效的故障诊断和定位。首先利用基于小波分析的改进的局域判别基(LDB)算法提取最初的故障特征,为更加有效的提高故障特征的类间可分离度,构建一个新的复合网络模型SOM-BP网络模型,即将初始的故障特征通过自组织特征映射网络(SOM网络)映射到一个具有更高的类别可分性的特征空间,最后再利用反向传播网络(BP网络)对映射后的故障特征参数进行非线性分类,从而完成故障诊断与定位。该网络模型集合了SOM网络和BP网络各自的优点,对于风电机组非线性时变的特点具有重要意义。本文引用风机齿轮箱常见的故障并收集其相关参数作为小波神经网络的训练样本并建立故障诊断模型。在Matlab7.1的实验平台下,通过仿真实验验证了小波神经网络在风机齿轮箱故障诊断方面的正确性和精确性,将其与单一的BP网络仿真结果进行比较,证明了新的网络模型有更高的收敛速度和精确度。