根据风力发电机的特征参数,预报变量选择如下:闸瓦间隙△、闸瓦耐磨寿命、残压Pc、制动盘偏摆度δ等是风力发电机重要的特征参数,为了保证风力发电机的运行安全,残压应小于5kgf/cm2①,闸瓦间隙必须小于1.5mm,制动盘偏摆量小于1m...[继续阅读]

    从智能诊断技术的发展来看,单一的诊断理论与诊断技术都不能很好地解决实际问题[91],在风力发电机诊断方面也不例外。本章重点研究风力发电机故障智能诊断系统的组成与建立。根据风力发电机运行故障参数多、诊断复杂的特点...[继续阅读]

    在故障树中,故障与故障征兆之间的关系是浅知识,而故障与故障源之间的知识是深知识,用基于框架、广义规则和模糊神经网络混合知识表示浅知识;用基于框架、广义规则混合知识表示深知识。在专家系统知识表中,槽1为报警规则库...[继续阅读]

    14.3.1概述经过几十年的发展,风力发电已成为当今新能源中技术上、经济上最成熟的发电技术,其重要性更日益明显地体现出来,因此对风力发电系统故障诊断的研究也就显得愈加迫切而重要。通常在风力发电系统的故障诊断中,维修人...[继续阅读]

    为了提高诊断速度和系统的自适应性、自学习能力,风力发电机的故障知识需要采用模糊神经网络方法表示[52]。模糊逻辑主要模仿人脑的逻辑思维,具有较强的结构性知识表达能力;神经网络模仿人脑神经元的功能,具有强大的自学习能...[继续阅读]

    现代化工业生产中,提高效率、降低成本是企业追求的目标。但同时对设备的安全性及可靠性提出了越来越高的要求,由于设备结构日趋复杂,功能越来越完善,自动化程度越来越高,一旦设备和系统发生故障,就可能引起“链式反应”,导...[继续阅读]

    (1)提出了基于专家知识、模糊神经网络和小波分析三种推理模式集成的风力发电机组合智能诊断策略和系统结构;建立了风力发电机故障智能诊断系统,利用模糊神经网络构造了风力发电机常见运行故障的专家诊断知识库,实现了风力...[继续阅读]

    对多变量输入-输出系统,基于小波空间的信号分类识别自适应神经网络模型为上式的拓扑结构如图9-1所示。图9-1自适应小波神经网络结构式(9-1)及图9-1中xk(k=1,2,…,m)表示小波神经网络第k个输入特征量,h表示输入层第k个输入节点到隐层...[继续阅读]

    本文提出了集专家系统、模糊神经网络和小波分析三种故障诊断技术于一体的组合智能故障诊断方法,由于这些算法在不同的工作条件和不同的数据输入下,具有不同的优势,可以利用各种方法之间所具有的互补性,在诊断的置信度上相...[继续阅读]

    目前,多数风电机组都已安装了监测系统和MIS系统,监测系统与MIS系统传递着大量的设备运行信息,这为设备故障智能诊断预报系统的实现提供了可能性。监测系统只对风力发电机的运行实施自动控制与越限报警,虽然具有事故粗略的追...[继续阅读]