[发明专利]一种基于bp神经网络的风力发电机组风轮叶片故障诊断算法

权利要求书

1.一种基于bp神经网络的风力发电机组风轮叶片故障诊断算法，其特征在于，包含以下步骤：

(1)获取损伤特征指标，对应风轮叶片各类损伤等级，制定训练和测试数据集；

对风力发电机组风轮叶片实时检测，利用环境传感器获取周围环境特征、结构响应和信号处理生成损伤特征及光纤光栅采集裂纹信号；

(2)根据损伤特征和不同部位损伤等级生成数据集：

(2a)n个不同损伤部位作为分类标签，记为{Y₁，Y₂...，Y_n}，将不同部位Y_i的损伤等级规定在[0.1-1.0]范围内；

(2b)将风轮叶片的M不同损伤特征和对应风轮叶片损伤部位标签{Y₁，Y₂...，Y_n}，定义为训练样本，其中X_i代表风轮叶片样本的损伤特征，每个风轮叶片样本对应M不同损伤特征Y_i中的i代表当前样本存在的损伤部位，Y_i的数值代表损伤等级；

(2c)根据以上对训练样本的定义，将损伤部位识别和损伤等级任务抽象为凸优化问题：

其中R代表神经网络参数权重，为当前预测的分类标签，代表神经网络中的Softmax层输出当前标签的预测[0.0-1.0]，若代表当前存在分类部位的损伤问题，损伤等级与数值对应关系为{0.3-0.5:Ⅰ，0.6-0.7:Ⅱ，0.8-1.0:Ⅲ}；

(3)构建阈值算法推演各类故障严重程度模型：

对于每个预测的分类标签Y_i，通过经验值设定阈值推演公式，计算公式如下：

其中Y_i^x代表当前样本在阈值算法中Y_i标签的预测值，代表在Y_i标签下属性X_j对应的阈值；

(4)构建并训练BP判别神经网络：

(4a)在现有的三层bp神经网络基础上，将损伤特征转化为特征矩阵作为网络输入，增加fc_1层、fc_2层、Eltwise层，改变softmax层，其中：

该fc_1层用于将输入损伤特征映射为特征向量；

该fc_2层用于将阈值算法中判别结果映射为特征向量；

该Eltwise层用于将fc_1层和fc_2层中对应位置进行融合；

该softmax层将每个位置进行一次分类判别，得到每个位置的预测判别值；

(4b)将训练集中的每个训练样本的损伤特征输入到卷积网络中，迭代bp神经网络的前向计算和反向传播训练神经网络，优化神经网络参数R，直到神经网络的损失函数J(θ)≤0.000001为止，得到训练好的神经网络；

(5)测试网络：

将风力发电机组风轮叶片测试集中每一组损伤特征输入到训练好的神经网络中，统计预测的分类标签Y_i布尔值准确度和每个分类标签Y_i对应概率值Y_i^y精度。

2.根据权利要求1所述的一种基于bp神经网络的风力发电机组风轮叶片故障诊断算法，其特征在于：所述步骤(1)的损伤特征包括利用光纤光栅传感技术获取的多重载荷联合作用的叶片应变信息中获取实际需要的叶片的载荷、状态信息、环境指标。

3.根据权利要求1所述的一种基于bp神经网络的风力发电机组风轮叶片故障诊断算法，其特征在于：所述步骤(2c)的凸优化问题实现为：

其中i代表输入风轮叶片损失特征，y代表风轮叶片的损失类别标签，j代表风轮叶片的第j个类别标签判别结果，R是神经网络权值参数。