CN109973331B - 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 - Google Patents

Abstract

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。

Description

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

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：

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

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对于的阈值；

(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，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(标签)进行一次分类判别，产出每个位置(标签)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

精度。

作为本发明的一种优选技术方案，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。

作为本发明的一种优选技术方案，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i的损失类别标签，j代表风轮叶片i的第j个类别标签判别结果，R是神经网络权值参数。

作为本发明的一种优选技术方案，所述步骤(4a)的神经网络实现步骤为：

(4a1)将风轮叶片损失特征输入到fc_1层中，对其进行矩阵变换和归一化形成特征向量输入到卷积层中；

(4a2)将4a1中特征向量进行卷积操作，其中卷积层深度为16层，卷积核大小为3x3；

(4a3)将4a2中卷积得到结果进行1x1降维操作形成Feature Map；

(4a4)将风轮叶片损失特征通过阈值判别器生成阈值分类矩阵；

(4a5)将阈值分类矩阵输入到fc_2层中，对其进行矩阵变换和归一化形成特征向量；

(4a6)将4a5中特征向量进行1x1升维操作形成与4a3中Feature Map相同维度的New Feature Map；

(4a7)将4a3中得到的Feature Map和4a5中得到的New Feature Map通过Eltwise层进行融合操作；

(4a8)将4a7中融合结果进行3x3卷积得到最终Feature Map；

(4a9)将4a8中的Feature Map输入到softmax层中，对每一个分类的Y_i进行一次判别操作得到对应的

值。

作为本发明的一种优选技术方案，所述步骤(4b)的迭代bp算法步骤为：

(4b1)网络初始化参数，给每个链接权重值赋予random(-1,1)随机数，设定误差函数e设定精度值ε和最大学习次数M；

(4b2)假设有神经元h1，激活函数为sigmoid函数，计算前向传播得到的o1：

net_h1＝w₁*i₁+w₂*i₂+b₁*1

net_o1＝w₅*out_h1+w₆*out_h2+b₂*1

(4b3)首先利用输出值o1和o2，计算总误差：

(4b4)利用链式法则，将4b3中的总误差引入到偏导计算得出w5参数变换：

(4b5)参照4b4中偏导计算方法，按照out(h1)---->net(h1)---->w1，更新隐含层的权值：

本发明的有益效果是：该算法其实现方案是：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。

附图说明：

图1是本发明的实现流程图；

图2是本发明中构建的bp卷积网络结构图；

图3是本发明中卷积操作概念图。

具体实施方式：

下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易被本领域人员理解，从而对本发明的保护范围做出更为清楚明确的界定。

请参阅图1-3，本发明提供一种技术方案：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：

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

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对于的阈值；

(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，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(标签)进行一次分类判别，产出每个位置(标签)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

精度。

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。

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i的损失类别标签，j代表风轮叶片i的第j个类别标签判别结果，R是神经网络权值参数。

步骤(4a)的神经网络实现步骤为：

(4a1)将风轮叶片损失特征输入到fc_1层中，对其进行矩阵变换和归一化形成特征向量输入到卷积层中；

(4a2)将4a1中特征向量进行卷积操作，其中卷积层深度为16层，卷积核大小为3x3；

(4a3)将4a2中卷积得到结果进行1x1降维操作形成Feature Map；

(4a4)将风轮叶片损失特征通过阈值判别器生成阈值分类矩阵；

(4a5)将阈值分类矩阵输入到fc_2层中，对其进行矩阵变换和归一化形成特征向量；

(4a6)将4a5中特征向量进行1x1升维操作形成与4a3中Feature Map相同维度的New Feature Map；

(4a7)将4a3中得到的Feature Map和4a5中得到的New Feature Map通过Eltwise层进行融合操作；

(4a8)将4a7中融合结果进行3x3卷积得到最终Feature Map；

(4a9)将4a8中的Feature Map输入到softmax层中，对每一个分类的Y_i进行一次判别操作得到对应的

值。

步骤(4b)的迭代bp算法步骤为：

(4b1)网络初始化参数，给每个链接权重值赋予random(-1,1)随机数，设定误差函数e设定精度值ε和最大学习次数M；

(4b2)假设有神经元h1，激活函数为sigmoid函数，计算前向传播得到的o1：

net_h1＝w₁*i₁+w₂*i₂+b₁*1

net_o1＝w₅*out_h1+w₆*out_h2+b₂*1

(4b3)首先利用输出值o1和o2，计算总误差：

(4b4)利用链式法则，将4b3中的总误差引入到偏导计算得出w5参数变换：

(4b5)参照4b4中偏导计算方法，按照out(h1)---->net(h1)---->w1，更新隐含层的权值：

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (5)

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。

4.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(4a)的神经网络实现步骤为：

(4a1)将风轮叶片损失特征输入到fc_1层中，对其进行矩阵变换和归一化形成特征向量输入到卷积层中；

(4a2)将4a1中特征向量进行卷积操作，其中卷积层深度为16层，卷积核大小为3x3；

(4a3)将4a2中卷积得到结果进行1x1降维操作形成Feature Map；

(4a4)将风轮叶片损失特征通过阈值判别器生成阈值分类矩阵；

(4a5)将阈值分类矩阵输入到fc_2层中，对其进行矩阵变换和归一化形成特征向量；

(4a6)将4a5中特征向量进行1x1升维操作形成与4a3中Feature Map相同维度的NewFeature Map；

(4a7)将4a3中得到的Feature Map和4a5中得到的New Feature Map通过Eltwise层进行融合操作；

(4a8)将4a7中融合结果进行3x3卷积得到最终Feature Map；

(4a9)将4a8中的Feature Map输入到softmax层中，对每一个分类的Y_i进行一次判别操作得到对应的Y_i ^y值。

5.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(4b)的迭代bp算法步骤为：

(4b1)网络初始化参数，给每个链接权重值赋予random(-1，1)随机数，设定误差函数e，设定精度值ε和最大学习次数M；

(4b2)假设有神经元h1、h2，激活函数为sigmoid函数，计算前向传播得到的o1：

net_h1＝w₁*i₁+w₂*i₂+b₁*1

net_o1＝w₅*out_h1+w₆*out_h2+b₂*1

(4b3)首先利用输出值o1和o2，计算总误差：

(4b4)利用链式法则，将4b3中的总误差引入到偏导计算得出w5参数变换：

(4b5)参照4b4中偏导计算方法，按照out(h1)---->net(h1)---->w1，更新隐含层的权值：

Images