相关热词搜索：
【关键词】风力发电机组 故障诊断 SOM 神经
网络
1 引言
风力发电场多处于环境恶劣的高山、荒
野、海洋等风资源较优的地区，常年经受无
规律的变负荷变风风力作用和阵风的冲击，
经常出现故障。据美国学者M. Wilkinson 和F.
Spianto 的统计，一个运行超过20 年的风力发
电场，其运营和维修的成本年估计占风电场总
收益的10 ～ 15%。海上风电机组的管理与运
营费用由于维修不便导致其运营成本更高，估
计约占到总收入的20-25%。风力发电机组是
风电场的关键设备。传统的计划维修的方式存
在的不足造成维修工作的耗时太长、损失严
重。因此，对风力发电机组进行故障诊断研究，
可以合理的安排维修时间，分配资源，有效地
降低维修运营成本；可以对设备故障进行及时
的预警，以防止事故的发生和扩大；可以有效
的提高机组的运行质量，延长机组使用寿命，
从而为风力发电产业的发展提供可靠的技术保
证。
传统的状态监测与故障诊断技术由于过
于繁琐无法对风电机组发电机进行状态监测与
故障诊断带来了困难。而神经网络技术的出现，
为故障诊断问题提供了一种简单快捷的解决途
径。特别是对于在实际中难以建立数学模型的
复杂系统，神经网络更显示出其独特的作用。
总的来说，神经网络之所以可以成功地应用于
故障诊断领域，主要基于以下3 个方面的原因。
（1）训练过的神经网络能存储有关过程
的知识，能直接从历史故障信息中学习。可以
文/谢天才1 张玉娟1 杨宏刚2
风力发电正在电力行业中占
有越来越重要的位置。然而因为
所处的环境条件恶劣，风力发电
机经常容易发生故障。传统的状
态监测与故障诊断方法较为费时
费力，又因为无法采集到所有的
故障信息，所以BP 神经网络无法
做出正确诊断。因此，将SOM 神
经网络应用于风力发电机组的振
动故障诊断中。用正常运行的样
本数据对网络进行训练，根据检
测样本输出神经元在输出层的位
置对是否发生故障进行判断。经
实例分析证明，该方法可对风电
机组的故障进行有效诊断。
摘 要
根据对象的日常历史数据训练网络，然后将此
信息与当前测量数据进行比较，以确定故障的
类型。
（2）神经网络具有滤除噪声及在有噪声
情况下得出正确结论的能力，可以训练人工神
经网络来识别故障信息，使其能在噪声环境下
有效地工作，这种滤除噪声的能力使得人工神
经网络适合在线故障检测和诊断。
（3）神经网络具有分辨故障原因及故障
类型的能力。
神经网络中应用最广泛的是BP 神经网
络。但是如果用BP 网络进行故障诊断时，需
采用穷举法罗列全部故障信息以建立目标向
量来训练网络，这样建立的网络在数据全面的
情况下是完全可以满足故障智能诊断任务的。
然而在现实中，每一种故障类型及故障位置对
应的实际故障波形都得到几乎是不可能的，这
是因为现实中提供数据的风电场的同一机型的
发电机不可能发生的故障都恰好覆盖所有的故
障类型和故障位置，并且对风电场进行状态监
测与故障诊断的目的就是为了在所有故障都发
生前就采取措施拯救风力发电机系统以减少损
失，如果该风电场的各台风机已经大面积故障,
再对其进行神经网络分析以减少损失的意义就
不大了。
现实中的情况往往是：一个打算进行状
态监测与故障诊断的风电场，往往目前只有该
种风力发电机正常状态下的运行信号，所需要
的神经网络能够清楚地辨别出正常状态下的信
号与故障状态下信号的区别，下一步再对可能
发生故障的信号进行更细致的分析，为解决这
个难题，可以考虑采用SOM 神经网络（自组
织特征映射人工神经网络）。
2 SOM神经网络
SOM 神经网络是由Kohonen 教授提出的
对神经网络的数值模拟方法。Kohonen 认为神
经网络接受外界输入模式时将，会分为不同的
图1：SOM 网络模型
图2：机组结构及测点部位
Network World • 网络天地
Electronic Technology & Software Engineering 电子技术与软件工程• 31
对应区域。各区域对输入模式有不同的响应特
征，而这个过程是自动完成的。SOM 网络模
拟大脑神经系统的自组织特征映射功能，是无
监督竞争式学习的前馈网络，在训练中能无监
督自组织学习。它通过学习可以提取一组数据
中的重要特征或某种内在规律，按离散时间方
式进行分类。网络可以把任意高维的输入映
射到低维空间，并且使得输入数据内部的某些
相似性质表现为几何上邻近的特征映射。这样
就在输出层映射成一维或二维离散图形并保持
其拓扑结构不变。这种分类反映了样本集的本
质区别，大大减弱了一致性准则中的人为因素。
2.1 网格结构
SOM 神经网络结构见图1。该种神经网
络由输入层和输出层竞争层两层构成模拟了人
类大脑神经网络系统自组织特征映射的功能。
输入层神经元数为n，输出层由多个神经元组
成二维平面阵列，输入层与输出层各神经元之
间实现全连接。当网络接收到外部的输入信号
以后输出层的某个神经元便会兴奋起来。获胜
的神经元对其邻近神经元的影响是由近及远，
由兴奋逐渐变为抑制。换句话说，不仅获胜神
经元要调整权值，它周围的神经元也要不同程
度地调整权向量。
2.2 训练方法
SOM 神经网络进行学习时，首先对网络
的连接权系数wij 赋予[0,1] 区间内的随机值，
然后给网络提供输入矢量，
必存在与输入神经元获得最佳匹配单元C，在
C 的邻域NC 内，各神经元与最佳匹配单元C
的侧向连接为兴奋型，NC 以外各神经元受抑
制作用而使输出为0。
具体学习算法如下：
（1）设输入矢量，即正常信号征兆集合
为，相应于第i 个神经元的
权系数构成的加权矢量，
在没有反馈的情况下，神经元的稳态输出值为：
（2）找到yi 取最大值时的神经元i，则
其为最佳匹配单元C。
（3）为使网络具有一种聚类功能，定义
最佳匹配单元C 的一个拓扑领域NC，为使NC
内的单元输出为1，NC 外的单元输出为0，即：
（4）权值的训练公式为：
式中，为一学习因子。权值训
练后返回步骤（2），直到NC 或满足要求
图3：正常信号与故障信号的时域波形图对比
表1：正常运行样本
样本峰峰值方差标准差脉冲指标峭度
1 26.8 13.5 3.7 4.8 2.9
2 25.3 14.1 3.8 4.1 2.9
3 26.8 13.3 3.6 4.9 3.0
4 27.2 13.4 3.7 4.8 2.9
… … … … … …
39 30.1 17.7 4.2 5.2 2.9
40 29.2 18.5 4.3 4.4 2.9
表2：故障信号样本
样本峰峰值方差标准差脉冲指标峭度
1 33.1 29.7 5.5 3.9 2.8
2 36.6 30.3 5.5 4.2 2.8
3 34.1 30.0 5.5 3.8 2.7
4 35.3 30.1 5.5 3.9 2.8
… … … … … …
39 37.6 30.1 5.5 4.5 3.1
40 37.9 30.0 5.5 4.4 3.1
网络天地 • Network World
32 • 电子技术与软件工程 Electronic Technology & Software Engineering
为止。
（5）输入下一个输入矢量，转入（1）
进行下一轮的学习，直到所有的样本都学习完
