基于小波神經(jīng)網(wǎng)絡(luò)的風(fēng)力發(fā)電機(jī)組故障診斷方法的研究.pdf

1、隨著風(fēng)力發(fā)電成為世界上增長最快的可再生能源，為保持風(fēng)電的長期穩(wěn)定發(fā)展，需不斷降低風(fēng)電安裝和運(yùn)行維護(hù)的成本。由于風(fēng)機(jī)系統(tǒng)是復(fù)雜的時變非線性的特點，一般的方法很難提取精確有效的故障特征，因此需監(jiān)測風(fēng)電機(jī)組的運(yùn)行狀態(tài)，分析處理其故障征兆，并預(yù)測風(fēng)電機(jī)組的故障趨勢，以有效的指導(dǎo)風(fēng)電機(jī)組的維護(hù)與維修從而降低成本。本文提出將小波變換中改進(jìn)的局部判別基和SOM-BP復(fù)合神經(jīng)網(wǎng)絡(luò)的優(yōu)勢結(jié)合起來，對風(fēng)電機(jī)組進(jìn)行有效的故障診斷和定位。首先利用基于小波分析的

2、改進(jìn)的局域判別基(LDB)算法提取最初的故障特征，為更加有效的提高故障特征的類間可分離度，構(gòu)建一個新的復(fù)合網(wǎng)絡(luò)模型SOM-BP網(wǎng)絡(luò)模型，即將初始的故障特征通過自組織特征映射網(wǎng)絡(luò)(SOM網(wǎng)絡(luò))映射到一個具有更高的類別可分性的特征空間，最后再利用反向傳播網(wǎng)絡(luò)(BP網(wǎng)絡(luò)）對映射后的故障特征參數(shù)進(jìn)行非線性分類，從而完成故障診斷與定位。該網(wǎng)絡(luò)模型集合了SOM網(wǎng)絡(luò)和BP網(wǎng)絡(luò)各自的優(yōu)點，對于風(fēng)電機(jī)組非線性時變的特點具有重要意義。本文引用風(fēng)機(jī)齒輪箱常見