具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

在本申请中，术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本申请及其实施例，并非用于限定所指示的装置、元件或组成部分必须具有特定方位，或以特定方位进行构造和操作。

并且，上述部分术语除了可以用于表示方位或位置关系以外，还可能用于表示其他含义，例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言，可以根据具体情况理解这些术语在本申请中的具体含义。

此外，术语“安装”、“设置”、“设有”、“连接”、“相连”、“套接”应做广义理解。例如，可以是固定连接，可拆卸连接，或整体式构造；可以是机械连接，或电连接；可以是直接相连，或者是通过中间媒介间接相连，又或者是两个装置、元件或组成部分之间内部的连通。对于本领域普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

本实施例中的故障预警方法可以适用于各种风电机组，例如，在本实施例提供了如下一种风电机组，本实施例中的故障预警方法可以用来进行预测如下风电机组。

风电机组，包括叶轮、传动系统及发电机；所述发电机包括定子和转子，所述定子的绕组与所述转子的绕组均用于与电网电相连；所述转子的绕组与所述电网通过双馈变流器电连接；所述转子通过所述传动系统与所述叶轮传动相连；

所述风电机组还包括定子绕组短路装置、定子电网分断装置、角度传感器、第一控制器、第二控制器和计算模块；其中：所述定子电网分断装置连接在所述定子的绕组与所述电网之间，用于控制两者之间电连接的通断；所述定子绕组短路装置用于在所述定子的绕组与所述电网处于断开状态下，短接所述定子的各个所述绕组；所述角度传感器设置于所述叶轮的叶片，用于检测所述叶片相对于角度测量基础的当前偏转角度；所述第一控制器与所述角度传感器相连，用于在所述当前偏转角度为目标偏转角度时断开所述转子的绕组与所述电网之间的电连接；所述第二控制器与所述双馈变流器相连，所述计算模块与所述第二控制器相连，所述计算模块用于计算所述当前偏转角度与所述目标偏转角度之差的绝对值，所述第二控制器用于控制所述双馈变流器对所述转子的励磁量，以实现所述励磁量随所述绝对值的减小而减小。

上述风电机组中，所述风电机组还包括叶轮锁定装置；其中：所述叶轮锁定装置设置于所述传动系统，用于锁定所述传动系统的转动。

上述风电机组中，所述定子绕组短路装置或/和所述定子电网分断装置为断路器或接触器。

上述风电机组中，所述定子绕组短路装置包括检测单元和执行单元；其中：

所述检测单元用于检测所述定子电网分断装置的工作状态；所述工作状态包括断开状态和连接状态；

所述执行单元与所述检测单元相连，用于根据所述检测单元的检测结果为断开状态时短接所述定子的各个所述绕组。

上述风电机组中，所述定子绕组短路装置还包括报警单元；其中：所述报警单元与所述检测单元相连，用于根据所述检测单元的检测结果为连接状态时报警。

上述风电机组中，所述风电机组为双馈型风电机组。

当然本实施例也可以用于预测其他结构的风电机组。在此不再一一赘述，下面对本申请实施例的故障预警方法进行介绍。

请参阅图1所示，一种基于多层感知神经网络的齿轮箱油温故障预警方法，所述故障预警方法包括以下步骤：

(1)采集风机的SCADA数据，然后进行输入数据，分析风机齿轮箱油温相关的特性及相关的特征数据，提取数据特征，设计数据筛选条件所需的数据库，并把筛选条件按照所需的格式存储；

(2)对采集到的数据进行分析和筛选，将无关于齿轮箱油温故障分析的数据进行剔除，进而可以得到更加干净的数据集；

(3)利用多层感知神经网络建立齿轮箱油温故障分析模型，并将清洗后的数据输入到该模型中用于模型训练；

(4)将训练好的模型应用于待预测或待测试的其他分析，通过模型计算得到算法的预测结果，通过判定条件确定需要重新测试分析；

(5)利用风机实际值和算法预测值的残差判断模型的精确性，如果故障预测模型准确，利用残差的概率分布输出故障诊断概率。

所述步骤(1)中风机的SCADA数据是通过风机的SCADA系统采集，风机的SCADA系统是用来对风机运行状态进行实时预测的系统。

所述步骤(1)中风机的SCADA系统每隔一段时间对风电机组的各预测点进行一次全面的记录，通过SCADA系统产生的数据基本反应了风机真实的运行情况。

所述步骤(2)中对采集到的数据进行分析和筛选使用的方法为条件判断和决策树算法。

所述步骤(2)中接收的SCADA的基础数据包含太多信息，其中一些对于齿轮箱油温故障的判断没有影响剔除不相关的数据，有助于齿轮箱分析模型的构建，无关数据的剔除会使得齿轮箱故障结果的判定更加准确。

所述步骤(3)中多层感知神经网络是反向传播训练算法、反馈训练算法，是使用反向自动求导的梯度下降法，该算法通过训练集和测试集的校验以及迭代，可以得到预测准确率较高的残差概率模型。

所述步骤(3)中训练步骤为：1)在每个连接层计算每个神经元的前馈输出，2)计算网络的输出误差，并且计算最后一层的每个神经元对于误差的贡献程度，3)继续计算上一层的每个神经元对于误差的贡献程度，4)直到算法到达输入层。

所述步骤(4)中取得模型中的预测值，然后取得其他风机中的真实值，之后计算处残差，计算残差是通过预测值减去真实值。

所述步骤(4)中根据得出到残差然后确定计算结果是否满足判定条件，满足判定条件进行下一步故障诊断，不满足判定条件就从步骤(2)重新开始。

所述步骤(5)中将诊断的结果以及预测绘制成条形图，便于通过条形图快速了解模型是实施效果。

本申请的有益之处在于：

1.本发明通过数据筛选算法和多层感知神经网络算法那，研究和开发风力发电机齿轮箱油温故障预警方法，并且给出了具体的实施方式，本发明的实施方式可以辅助风场的运维人员及时得到主轴承故障的预警信息，进而及时做出维修或者更换措施，可以避免风机的重大事故。

涉及到电路和电子元器件和模块均为现有技术，本领域技术人员完全可以实现，无需赘言，本申请保护的内容也不涉及对于软件和方法的改进。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。