[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

说明书

本发明公开了一种基于bp神经网络的风力发电机组风轮叶片故障诊断算法，主要用于实现在役风力机叶片健康实时监测系统的故障决策智能化功能。其实现方案是：1：利用传感器获取与风轮叶片损伤有关的周围环境特征指标；2：利用特征指标与风轮叶片各故障程度建立数据集；3：构建阈值算法推演各类故障严重程度模型；4：构建BP神经网络决策模型；5：融合阈值模型和BP神经网络模型得出最终诊断结果；6：实时学习更新模型。本发明结合损伤指数的表象阈值特征和神经网络深层特征，使得整个故障诊断算法具备严重损伤预警功能和故障等级判别功能，为监测系统的故障决策功能智能化实现打下基础。

技术领域：

本发明涉及人工智能领域，具体为一种基于bp神经网络的风力发电机组风轮叶片故障诊断算法。

背景技术：

近年来，随着国民经济不断发展，各地工业发展速度加快，风力发电大范围的推广应用，对风力发电设备而言，风力机叶片的安全性和可靠性十分重要，因此，风力机叶片的健康监测迫在眉睫，风轮叶片的故障检测也日益趋向智能化，随着人工智能技术的发展，故障预测的方法越来越多，预测精度越来越高.对时间序列的预报有以下几种方法：以线性回归滑动平均(ARMA)模型为基础，它不适应于非线性系统的建模与预报，而对线性系统有较高的预测精度；灰色预测模型的优点是建模时不需要计算统计特征量，能适应于任何非线性变化的预测，缺点是其微分方程指数解比较适合于具有指数增长趋势的指标，对于具有其他趋势的指标则有时拟合灰度较大，精度难以提高。

人工神经网络(Artificial Neural Network)是一个由大量简单的处理单元(神经元)广泛连接组成的人工网络，bp神经网络作为人工神经网络最经典的网络之一，用来模拟大脑神经系统的结构和功能，它是一种能够建立输入量与输出量之间全局性非线性映射关系的分析方法，能从已知数据中自动归纳规则并获得数据的内在规律，目前主要应用于模式识别、人工智能等领域，并在环境评价和预测等方面的具体应用中表现出高于传统方法的精确度。

发明内容：

本发明的目的是针对现有技术的缺陷，提供一种基于bp神经网络的风力发电机组风轮叶片故障诊断算法，以解决上述背景技术提出的问题。

为实现上述目的，本发明提供如下技术方案：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，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，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Yi的损伤等级规定在[0.1-1.0]范围内；

(2b)将风轮叶片的M不同损伤特征和对于风轮叶片损伤部位标签{Y₁,Y₂,...,Y_m}，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，损伤等级与数值对于关系为{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：