基于小波神经网络的风机齿轮箱故障趋势预测方法技术

本发明专利技术提供了一种基于小波神经网络的风机齿轮箱故障趋势预测方法，首先深度挖掘SCADA和CMS系统中蕴含的信息；然后进行数据预处理，排除数据中明显的奇异点；确定神经网络的结构参数和训练参数并初始化；将采集到的样本分为训练集和测试集，开始小波神经网络建模并进行网络的训练，然后将网络输出值与理想输出进行比较，得到误差，利用最小均方误差函数更新模型，得出最优小波神经网络模型，用测试集数据检验网络的性能，故障趋势预测结果，将最终结果呈现在人机交互界面中。本发明专利技术能极大提高风机故障趋势预测的效率，为风电机组的安全可靠运行提供了保障，减少了风机运维费用，为风力发电机组的智能健康管理提供了可行性。

Fault Trend Prediction Method of Fan Gearbox Based on Wavelet Neural Network

The invention provides a fault trend prediction method for fan gearbox based on wavelet neural network. Firstly, the information contained in SCADA and CMS system is deeply excavated; then the data is preprocessed to eliminate the obvious singularities in the data; the structure parameters and training parameters of the neural network are determined and initialized; the collected samples are divided into training sets and testing sets, and the wavelet neural network is started. The network is modeled and trained. Then the network output value is compared with the ideal output, and the error is obtained. The minimum mean square error function is used to update the model, and the optimal wavelet neural network model is obtained. The performance of the network is tested by the test set data, and the fault trend prediction results are presented in the human-computer interaction interface. The invention can greatly improve the efficiency of wind turbine fault trend prediction, guarantee the safe and reliable operation of wind turbines, reduce the operation and maintenance costs of wind turbines, and provide feasibility for intelligent health management of wind turbines.

【技术实现步骤摘要】
基于小波神经网络的风机齿轮箱故障趋势预测方法
本专利技术属于风力发电机组故障趋势预测领域，具体涉及一种基于小波神经网络的风机齿轮箱故障趋势预测方法。
技术介绍
风力发电机组是风电厂的重要设备，齿轮箱作为风机的关重零部件，其故障往往导致长时间停机，造成严重经济损失，开展风机齿轮箱的故障诊断可以提高风机运行可靠性、降低运维费用，为风力发电机组的智能健康管理提供了可行性。目前国内对风力发电机齿轮箱的故障趋势预测的研究还处于单信号处理阶段，为了提高风力发电机运行的安全可靠性，减少安全事故，开展风机齿轮箱故障预报工作势在必行。现有的处理方法主要是利用振动传感器采集风机的振动信号，然后利用传统的信号处理方法(如傅里叶变换)进行信号的时域、频域等分析，最后进行故障趋势预测。近年来，随着大数据理论的发展，深度挖掘数据中蕴含的大量信息，运用人工智能进行风电机组故障趋势预测成为新的研究方向。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。但每一种方法均有其优缺点，小波神经网络(WaveletNeuralNetwork，WNN)是小波理论与神经网络相结合的产物，从形式结构上看，可以把它分为松散型和融合型两类，松散型：利用小波分析对神经网络的输入进行初步处理，使得输入神经网络的信息更易于网络处理，再利用常规神经网络完成分类和函数逼近等功能。融合型：将小波与神经网络直接融合，其基本思想是用小波元代替神经元，输入层到隐含层的权值及隐含层阈值分别由小波函数的尺度与平移参数代替。小波神经网络相比于普通神经网络，它有明显的优点：首先小波神经网络的基元和整个结构是依据小波分析理论确定的，可以避免BP神经网络等结构设计上的盲目性；其次小波神经网络有更强的学习能力，精度更高，因为小波理论是全尺度分析，不仅有全局最优解，还保持局部细节最优解；最后小波神经网络通过尺度和平移对信号进行多尺度分析，能有效提取信号的局部信息。总的而言，对同样的学习任务，小波神经网络结构更简单，收敛速度更快。在风机上，常用的大数据采集系统主要有CMS(ConditionMonitoringSystems)系统和SCADA系统(SupervisoryControlAndDataAcquisition)，因此多数的研究均围绕这两个系统中的数据信号来展开，充分挖掘其中蕴含的信息。
技术实现思路
针对现有技术存在的问题，本专利技术所要解决的技术问题就是提供一种基于小波神经网络的风机齿轮箱故障趋势预测方法，它能对风力发电机运行状态的实时监测，并实现对风机齿轮箱故障趋势进行预测，对其故障进行诊断和维护，提高预知维修能力和降低运维费用。本专利技术所解决的技术问题可以采用以下技术方案来实现，基于小波神经网络的风机齿轮箱故障趋势预测方法，包括如下步骤：步骤1、数据采集：深度挖掘SCADA和CMS系统中蕴含的大量信息，包括齿轮箱温度信号，振动信号，发电机电信号；步骤2、信号数据预处理：包括剔除信号数据的奇异点、数据归一化处理以及将输入信号进行相似化处理；步骤3、确定神经网络的结构参数：结构参数有隐含层节点数、显示中间结果的周期、最大迭代次数、学习因子、动量因子和误差阈值；步骤4、确定小波神经网络的训练参数并初始化：训练参数有小波的尺度因子ai，平移因子bi，输出层节点k与隐含层节点i之间的权值wki和输出初始值y0；步骤5、将步骤2所得的输入信号样本分为训练集和测试集，输入信号样本中既要包含风机正常运行时候的数据又要包含风机各种故障时候的数据；步骤6、构建小波神经网络模型：使用步骤3所得的结构参数和步骤4所得的训练参数进行网络训练，获得小波神经网络模型；步骤7、小波神经网络优化，测试小波神经网络模型：将网络的输出值与理想输出进行比较，得到误差，利用最小均方误差函数更新模型，直到误差满足要求，得出最优小波神经网络模型，并用测试集的数据对网络进行测试，检验网络的性能；步骤8、输出故障趋势预测结果：将结果送入预测系统中进行分析，得到最终的预测结果呈现在人机交互界面中。本专利技术在深度挖掘企业信息系统的数据基础上，结合大数据理论、小波理论、人工智能技术等工具，基于多信息融合理论，利用小波神经网络来对发电机组齿轮箱的故障趋势进行预测，显著提高了预测结果的准确率，表现了大数据理论和人工智能在风机故障趋势预测上的优越性。与现有技术相比，本专利技术具有如下技术效果：1、本专利技术对相关性强的数据进行了归一化处理，大大加快了神经网络收敛的速度。2、充分利用系统中的正常工况和故障工况数据对小波神经网络进行训练，得到了最优的模型，然后再次利用数据对模型进行检验，确保了模型的准确性。3、小波神经元的良好局部特性和多分辨学习实现了与信号的良好匹配，使得小波神经网络有更快的收敛速度、更强的自学习和自适应能力以及更高的预报精度。4、通过融合多维信号(振动、温度和电信号)，进一步提高了风机齿轮箱故障趋势预测的准确率，为风力发电机组的智能健康管理提供了可行性。附图说明本专利技术的附图说明如下：图1为本方法专利技术的流程图；图2为本专利技术中的小波神经网络拓扑结构图；图3为本专利技术中的小波神经网络优化和测试流程图。具体实施方式下面结合附图对本专利技术作进一步说明：目前大型风场中都安装有CMS(状态监视系统)和SCADA(数据采集与监视控制系统)这两个系统，CMS系统采集的是风机的振动信号，采样频率要高一些，SCADA系统能够采集多种类型的信号，包括振动，温度，电等，但采样频率要低一些，这些信息系统采集的数据都蕴含有大量的信息，根据需要对这些数据能够进行相应的预处理。如图1所示，本专利技术包括以下步骤：步骤1、数据采集：深度挖掘SCADA和CMS系统中蕴含的大量信息，包括齿轮箱温度信号，振动信号，发电机电信号。振动信号是采用齿轮箱高速轴振动加速度(m/s2)、温度信号采用齿轮箱进出口油温差(℃)、电信号采用发电机输出电流(A)，由于温度为缓变信号，输入数据取5分钟的平均值，即输入信号x＝[x振动x温度x电]′。步骤2、信号数据预处理：包括剔除信号数据的奇异点、数据归一化处理以及将输入信号进行相似化处理。奇异点就是突然出现的比前一时刻和后一时刻信号大或小很多的信号，由于风机的运行环境比较恶劣，其传感器可能因为外界的干扰或者某个传感器失效，那么这个传感器所测得的数据可能就会是错误的，必须将它测得的数据剔除，否则会严重影响最终的结果。剔出奇异点的原则：计算采集数据的标准偏差σ，再按照统计概率理论将偏差大于3σ的数据剔除。输入量具有不同的物理意义和不同的量纲，归一化后的数据都在[0，1]之间变化，从而使网络训练中各输入分量有同等重要的地位。同时输出层小波函数选用Sigmoid函数，该函数输出在0～1之间，因此必须对数据归一化处理才能用于预测问题。数据归一化处理的公式如下：式中：为数据归一化后的值，xj为输入第j个数据，xmax和xmin分别为样本数据的最大值和最小值。相似化处理即是在输入相同而输出偏差很小时，将输出数据调整为相同，这样做的目的是为了加快运算的收敛速度。步骤3、确定神经网络的结构参数：结构参数有隐含层节点数、显示中间结果的周期、最大迭代次数、学习因子、动量因子和误差阈值；隐含层节点数的确定公式：式中：m是隐含层节点数，n是输入层节点数，本文档来自技高网...

【技术保护点】
1.基于小波神经网络的风机齿轮箱故障趋势预测方法，其特征是，包括以下步骤：步骤1、数据采集：深度挖掘SCADA和CMS系统中蕴含的大量信息，包括齿轮箱温度信号，振动信号，发电机电信号；步骤2、信号数据预处理：包括剔除信号数据的奇异点、数据归一化处理以及将输入信号进行相似化处理；步骤3、确定神经网络的结构参数：结构参数有隐含层节点数、显示中间结果的周期、最大迭代次数、学习因子、动量因子和误差阈值；步骤4、确定小波神经网络的训练参数并初始化：训练参数有小波的尺度因子ai，平移因子bi，输出层节点k与隐含层节点i之间的权值wki和输出初始值y0；步骤5、将步骤2所得的输入信号样本分为训练集和测试集，输入信号样本中既要包含风机正常运行时候的数据又要包含风机各种故障时候的数据；步骤6、构建小波神经网络模型：使用步骤3所得的结构参数和步骤4所得的训练参数进行网络训练，获得小波神经网络模型；步骤7、小波神经网络优化，测试小波神经网络模型：将网络的输出值与理想输出进行比较，得到误差，利用最小均方误差函数更新模型，直到误差满足要求，得出最优小波神经网络模型，并用测试集的数据对网络进行测试，检验网络的性能；步骤8、输出故障趋势预测结果：将结果送入预测系统中进行分析，得到最终的预测结果呈现在人机交互界面中。...

【技术特征摘要】
1.基于小波神经网络的风机齿轮箱故障趋势预测方法，其特征是，包括以下步骤：步骤1、数据采集：深度挖掘SCADA和CMS系统中蕴含的大量信息，包括齿轮箱温度信号，振动信号，发电机电信号；步骤2、信号数据预处理：包括剔除信号数据的奇异点、数据归一化处理以及将输入信号进行相似化处理；步骤3、确定神经网络的结构参数：结构参数有隐含层节点数、显示中间结果的周期、最大迭代次数、学习因子、动量因子和误差阈值；步骤4、确定小波神经网络的训练参数并初始化：训练参数有小波的尺度因子ai，平移因子bi，输出层节点k与隐含层节点i之间的权值wki和输出初始值y0；步骤5、将步骤2所得的输入信号样本分为训练集和测试集，输入信号样本中既要包含风机正常运行时候的数据又要包含风机各种故障时候的数据；步骤6、构建小波神经网络模型：使用步骤3所得的结构参数和步骤4所得的训练参数进行网络训练，获得小波神经网络模型；步骤7、小波神经网络优化，测试小波神经网络模型：将网络的输出值与理想输出进行比较，得到误差，利用最小均方误差函数更新模型，直到误差满足要求，得出最优小波神经网络模型，并用测试集的数据对网络进行测试，检验网络的性能；步骤8、输出故障趋势预测结果：将结果送入预测系统中进行分析，得到最终的预测结果呈现在人机交互界面中。2.根据权利要求1所述的基于小波神经网络的风机齿轮箱故障趋势预测方法，其特征是：在步骤1中，振动信号是采用齿轮箱高速轴振动加速度(m/s2)、温度信号采用齿轮箱进出口油温差(℃)、电信号采用发电机输出电流(A)，由于温度为缓变信号，输入数据取5分钟的平均值。3.根据权利要求2所述的基于小波神经网络的风机齿轮箱故障趋势预测方法，其特征是：在步骤2中，所述剔除奇异点是计算采集数据的标准偏差σ，再按照统计概率理论将偏差大于3σ的数据剔除。4.根据权利要求3所述的基于小波神经网络的风机齿轮箱故障趋势预测方法，其特征是：在步骤2中，数据归一化处理的公式如下：式中：为数据归一化后的值，xj为输入第j个数据，xmax和xmin分别为样本数据的最大值和最小值。5.根据权利要求4所述的基于小波神经网络的风机齿轮箱故障趋势预测方法，其特征是：在步骤3中，隐含层节点数的确定公式：式中：m是隐含层节点数，n是输入层节点数，l是输出层节点数，β是1-10之间的常数。6.根据权利要求5所述的基于小波神经网络的风机齿轮箱故障趋势预测方法，其特征是，在步骤4中，进行小波神经网络训练参数初始化按以下步骤：步骤41、尺度因子ai的确定：一个母波函数的窗口中心和窗口宽度是固定的，设隐含层第i个节点的小母波函数的窗口中心为t0i，窗口宽度为Δt0i，有M个输入，每段小区间为则小区间长度为：其中，xjmax为输入层第j个节点的输入样本中最大值，xjmin为最小值，则：步骤42、平移因子bi初始值的求取：将窗口中心t0i对应于小区间...

【专利技术属性】
技术研发人员：朱才朝，鲁炯，王屹立，朱永超，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆,50