[发明专利]一种风力发电机组故障智能诊断方法

说明书

技术领域

本发明涉及风电机组故障诊断技术领域，特别是涉及一种基于故障树和概率神经网络的风电机组故障智能诊断方法。

背景技术

我国风电产业在蓬勃发展的同时面临着机组故障多发的境遇，然而在风电机组故障中，现有的解决方法仍停留在故障发生后，依赖人工经验对设备故障的运行状态信息进行诊断分析，但对于风电机组这种复杂的系统，某些故障发生的原因具有强耦合性，如何能够快速的对故障原因进行筛选、系统、全面的故障原因诊断定位尤为重要。

为了提高故障诊断的可靠性、智能化水平，人们开始研究各种智能故障诊断方法。基于故障树的故障诊断方法，顶事件按照故障树的建树规则建立相应的分析模型，确定最小交割和最小路集。结合故障树分析，利用贝叶斯网络已知概率推理故障原因，在实际应用中，由于部分未知状态分类难以确定，在不完全情报下，单纯的使用故障树分析法推理会导致无法准确得到故障诊断结果，诊断效果不理想。

随着人工智能技术的发展，模式识别方法在设备状态监测和故障诊断中得到广泛应用。目前采用的人工神经网络以其较强的自组织、自学习能力和非线性模式分类性能得到了广泛应用，其中，概率神经网络算法可以结合诊断对象的运行状态构造模式识别分类器进行状态检测，分析所观测到的特征数据信息进行故障诊断，可以有效的降低单纯使用故障树分析法对某一设备状态诊断误判率，同时，概率神经网络也不同于传统的多层前向网络需要用BP算法进行反向误差传播的计算，而是完全前向的计算过程。它训练时间短、不易产生局部最优，而且它的分类正确率较高。无论分类问题多么复杂只要有足够多的训练数据，可以保证获得贝叶斯准则下的最优解。

鉴于以上情况，本发明提出了融合故障树分析法(fault tree analysis，FTA)和概率神经网络(Probabilistic Neural Networks，PNN)技术对风电机组多态故障实现故障智能诊断,从而实现风电机组复杂故障的多故障诊断分析、故障准确定位的目标。

发明内容

本发明要解决的技术问题是提供一种风力发电机组故障智能诊断方法，使其能对风电机组多态故障实现准确可靠的故障智能诊断，从而克服现有的故障诊断方法的不足。

为解决上述技术问题，本发明提供一种风力发电机组故障智能诊断方法，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。

作为本发明的一种改进，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。

进一步改进，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。

进一步改进，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。

进一步改进，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: