Page 171 - 新能源风力发电技术与自动化技术研究

第五章 风力发电机组故障诊断与维护

泛化能力，广泛应用于故障诊断和预测领域。KUSIAK A 等将故障预测划分
为 3 个层次：预测有无故障（fault and no-fault prediction）、故障类型（fault
category）、具体故障预测（the specific fault prediction），并指出均可运用 ANN

来处理。例如，通过收集多源实时信息，彭怀午等提出一种基于 ANN 中的多层
前馈神经网络（multi-layer feedforward neural network，MLFNN）的风力涡轮机
变速箱健康状况监测方法。此外，鉴于粒子群优化（particles warm optimization，
PSO）技术具有全局搜索特性，而 LM（Levenberg Marquardt）方法具有快速收

敛特性，利用这两者的优势可以改善前馈神经网络的学习算法，减小其陷入局部
极小的概率并加快其收敛。为更好地模拟复杂系统的演化发展，BANGALORE P
等提出基于进化神经网络（evolving neural network，ENN）的齿轮箱状态预测模型，
给出了样本自动选取规则，且所设计的 ENN 结构适于描述机组运行状况的改变，

算例表明 ENN 较前馈神经网络的状态预测精度高，学习速度也更快。
同时，针对前馈神经网络学习以及记忆的不稳定性，ElmanANN 应运而生，
该神经网络模型由多个神经元按照一定的规则连接构成，通过加入内部反馈网络
实现了动态建模。这些特性使得 Elman ANN 具有较高的学习效率和稳定性，较

适用于故障诊断与状态预测。考虑小波包对时间序列的分解特性，张建付等提出
了一种基于长短时记忆神经网络的故障诊断方法，最后通过实验验证了该方法能
够得到较为准确的预测结果。但该方法需要大量的原始数据进行学习和训练，不
适用于处理小数据。

4. 深度学习
深度学习（deep learning，DL）是机器学习的一个重要分支，可以理解为
ANN 的发展，主要通过组合低层特征形成更加抽象的高层来表示属性类别或特
征，以发现数据的分布式特征表示，从而提升分类或预测的准确性。常见的 DL

算法包括：深度置信网络、卷积神经网络、循环神经网络以及堆栈式自动编码器
等。例如，针对齿轮传动系统中齿轮等零部件易出现故障的问题，陈保家等提出
了一种基于 DL 理论的齿轮传动系统故障诊断方法，首先利用深度置信网络提取
齿轮传动系统的振动信号，然后通过深度置信网络的复杂映射表征能力对故障信

号进行故障判别。为解决监督式学习需要大量标签数据的问题，周兴康等提出一
种新的深度神经网络模型，即一维残差卷积自编码器，并应用于振动信号的无监
督学习与故障特征的提取，实验表明该方法具有良好的去噪能力和故障提取能力，

159