[发明专利]一种基于人工神经网络的风力发电机轴承故障预测方法

权利要求书

1.一种基于人工神经网络的风力发电机轴承故障预测方法，其特征在于：包括以下步骤：

S1：采集风力发电机轴承运行的历史数据，并进行数据预处理，对初始数据进行数据标准化和数据缺失值填充处理；

S2：使用改进的平稳小波包变换SWPT进行频率变换，从而进行频率带宽分离，提取故障特征频率值；

S3：使用Elman人工神经网络并利用训练集对其进行训练，获得神经网络模型；

S4：对输入对实时数据进行故障预测。

2.根据权利要求1所述的基于人工神经网络的风力发电机轴承故障预测方法，其特征在于：步骤S1中具体包括：

首先对得到的样本数据标准化，统一数据格式和单位，使得数据易于使用；

在得到的标准化数据中，仍然存在数据值缺失的情况，需进行填充，为提升模型速度并保证准确度，采用数据均值进行缺失值填充，得到训练集数据矩阵。

3.根据权利要求1所述的基于人工神经网络的风力发电机轴承故障预测方法，其特征在于：步骤S2具体包括：

根据发电机轴承的各种运行参数，计算出发电机轴承的基本运行频率，包括轴旋转频率f_r、保持器频率f_c、内圈特征频率f_PBE、外圈特征频率f_PBI、球的频率f_ball；其中

其中D_b为球的的直径，D_c为保持架直径，N_b为球的个数，θ为轴承接触角；

再通过改进的平稳小波包变换进行频率分解，改进的平稳小波包变换生成的系数由以下公式给出：

其中i表示改进的平稳小波包变换树SWPT中的节点，n表示SWPT分解层数，v_i,2n(t)表示第t个样本、i个节点处的波形分解值，H_i(j)表示第i个节点处的高通滤波器，L_i+1(j)表示第i+1节点处的低通滤波器，j为滤波器长度，V_i,n(2t-j)表示未分解的波形；

WPT和DWT欠采样的补偿是通过对SWPT滤波器的上采样来完成的：

如果信号通过频率f_s采样，则改进的平稳小波包变换的每个系数在频率带宽内，根据进行频率分解，其中C_i,n为分解后的特征频率。

4.根据权利要求1所述的基于人工神经网络的风力发电机轴承故障预测方法，其特征在于：所述步骤S3包括：

将得到的训练数据输入到Elman人工神经网络模型中，经过Elman人工神经网络模型输入层、承接层、隐藏层不断迭代，最终通过输出层输出运算数据；通过输入的数据，让实际输出值和每一组输入到人工神经网络的期望输出值分别是y_i和y_i′，每组数据的误差为(y_i-y_i′)²；通过不断迭代减少残差，更新模型参数，完成训练输出。