4.2 预警和诊断系统设计

根据神经网络技术在旋转机械故障诊断方面的研究总结[16-17,20-22]，拟定如图4的风电机组预警和诊断方案。

预警系统采用3层BP神经网络结构。网络的拟定输入为风向、风速、风轮转速、电机转速、输出功率、功率因数、发电频率、发电机温度、齿轮箱油温、液压系统压力等10个参量，在实际的设计中选取敏感度较高的参数作为输入量，可根据运行数据进行调整;输出为机组正常、齿轮箱异常、发电机异常、偏航系统异常4个量。根据风电场运行数据，取得机组在齿轮箱异常、电机异常、偏航系统异常和正常四种状态下的样本值，即预警和报警样本值。神经网络输出节点为4个，分别对应机组正常、齿轮箱异常、发电机异常和偏航系统异常，节点输出值的范围为[0,1]，输出值越大代表异常的可能性越大。

应用神经网络模型进行故障预测和诊断过程分为两部分：网络模型学习训练和模型的应用[23]。前者在离线时通过目标样本训练神经网络、调节网络权值，从而得到实用的网络模型。当训练输出与预期输出之差在容许范围内时，表明网络已训练好，然后分析目标样本确定各节点的输出阈值。各异常状态对应节点输出的最小值作为该节点输出的第一阈值;各异常状态对应节点输出的平均值作为该节点输出的第二阈值。模型的应用即利用训练得到的诊断模型对运行数据进行故障诊断和预测。用实时测量数据代替网络的输入，用已训练好的模型实时计算输出，若某节点的输出大于第一阈值，小于第二阈值时，对该类故障给予预警，提醒工作人员注意;当节点输出超过第二阈值时，发出报警信号，认为该类事故发生。故障诊断预警模型的运行流程见图5。