[发明专利]一种风力发电机组故障智能诊断方法

权利要求书

1.一种风力发电机组故障智能诊断方法，其特征在于，所述诊断方法包括如下步骤：

(1)建立风力发电机组的故障树模型

所述故障树模型根据风力发电机组的历史故障知识信息建立，以故障部位作为故障树的顶事件，以可能导致顶事件发生的其他事件作为顶事件的子事件，建立故障之间的父子关系，将下一级事件导致上一级事件发生的原因作为事件触发的判据，并用逻辑门表示事件之间的联系；

(2)建立概率神经网络结构模型

所述概率神经网络结构模型包括输入层、模式层、求和层和输出层，所述输入层的输入向量和输出层的输出向量及其数目均是根据所述故障树模型的结构确定；并将风力发电机组的历史故障样本数据映射到故障模式空间中，形成较强容错和自适应能力的故障诊断网络模型；

(3)基于故障树和故障诊断网络的故障原因定位

将故障数据输入到所述步骤(2)建立的故障诊断网络模型，得到诊断结果，输出故障模式，再将所述故障模式匹配到对应的故障树分支，定位出故障树分支所辖叶节点，即找出导致故障发生的原因或原因组合。

2.根据权利要求1所述的风力发电机组故障智能诊断方法，其特征在于，所述步骤(1)中故障树模型的叶节点均包括根据对历史故障原因的统计分析给出各个与故障原因相对应的权重值。

3.根据权利要求2所述的风力发电机组故障智能诊断方法，其特征在于，所述步骤(3)中定位出故障树分支所辖叶节点后，根据所述叶节点对应的权重值大小，找出导致故障发生的原因或原因组合。

4.根据权利要求1所述的风力发电机组故障智能诊断方法，其特征在于，所述步骤(2)中输入层的输入向量用故障特征表示，所述输出层的输出向量用待匹配分类类别表示，所述故障特征和待匹配分类类别均是由所述故障树中建立的故障征兆与故障模式之间的隶属矩阵提取。

5.根据权利要求4所述的风力发电机组故障智能诊断方法，其特征在于，所述步骤(2)中故障诊断网络的训练过程如下：

A、输入特征向量X，计算输入特征向量X与训练样本向量的距离，传递给所述模式层；

B、所述模式层的神经元个数等于各个类别训练样本数之和，所述模式层采用高斯型径向基函数计算输入特征向量X与训练样本向量之间的相似度，同一模式的输出给所述求和层；

C、所述求和层将属于同类的模式层单元的输出相加，所述求和层单元依据Parzen窗方法得到各类的概率估计，其条件概率f_i(X)为:

fi(X)=12πm/2/σmLiΣj=1Liexp(-(X-Xij)T(X-Xij)2σi2)(i=1,...,m;j=1,2,...Li)]]>

其中：m为输入特征向量个数,σ为平滑参数,X_ij为类别中的第i类第j个隐中心适量，L_i为类别i的训练样本总数；

D、所述输出层根据各类对输入特征向量的概率估计，采用贝叶斯决策规则选出最大后验概率的类别输出，即形成所述故障诊断网络模型。

6.根据权利要求5所述的风力发电机组故障智能诊断方法，其特征在于，所述步骤B中模式层的每个模式单元的输出f_ij(X)为：

fij(X)=12πm/2σmexp(-(X-Xij)T(X-Xij)2σi2)]]>

(i=1,2,...,m;j=1,2,...Li)]]>

其中：m为输入特征向量个数,σ为平滑参数,X_ij为类别中的第i类第j个隐中心适量，L_i为类别i的训练样本总数。