电力生产在能源领域变得越来越重要。是，由于恶劣的环境条件，风力涡轮机经常容易发生故障。统的状态监视和故障诊断方法既费时又费力，并且由于无法收集故障信息，因此血压的神经网络无法做出正确的诊断。此，将SOM神经网络应用于风冷机组的振动故障诊断。当前样本数据驱动网络，并根据检测到的样本评估输出神经元在输出层的位置。析示例表明，该方法使得可以有效地诊断风能制冷单元的故障。电场主要位于风力资源较低的地区，例如高山，荒野和海洋。们受到不规则的风影响和不规则的阵风，并且经常遭受故障。据美国专家Wilkinson和F. Spianto的统计，已经运营20多年的风电场的运营和维护成本估计占该风电场总收入的10-15％。于不切实际的维护，海上风能冷库设施的管理和运营成本较高，估计占总营业额的20％至25％。藏库是风电场的关键设备。乏计划的传统维护方法导致了太多的维护时间和严重的损失。果，在风能存储单元上进行故障诊断的搜索可以合理地预测维护时间，分配资源并实际上减少维护和运营成本，并快速防止设备中断。免事故及其扩展；冷库的性能将延长冷库的使用寿命，为风力涡轮机行业的发展提供可靠的技术保证。统的状态监测和故障诊断技术负担太大，以至于不会给风能存储单元发电机造成状态监测和故障诊断问题。经网络技术的出现为故障诊断提供了一种快速简便的解决方案。别是对于在实践中难以构造数学模型的复杂系统，神经网络显示出其独特的作用。常，将神经网络成功应用于故障诊断领域的原因主要有以下三个原因。成的神经网络可以存储有关过程的信息，并且可以直接从历史故障信息中学习。以基于对象的每日历史数据来形成网络，然后将该信息与当前的测量数据进行比较，以确定故障的类型。经网络具有过滤噪声的能力，并能在嘈杂的情况下得出正确的结论，它可以使人工神经网络识别故障信息并使其在嘈杂的环境中有效。
　　声使人为之紧张该网络适用于在线故障的检测和诊断。经网络具有解决缺陷原因及其类型的能力。用最广泛的神经网络是BP神经网络。是，如果使用BP网络进行故障诊断，则有必要采用穷举法列出所有故障信息，以建立目标矢量来构成网络，所建立的网络可以完全满足该任务。

　　能故障诊断中的完整数据。而，实际上，几乎不可能对应于每种故障类型和每种故障位置的实际故障波形，因为提供数据的相同风电场模型的发电机根本不可能。盖所有类型的故障和所有故障位置。

　　电场状态监测和故障诊断的目的是采取步骤保护风力涡轮机系统，以便在公园中的风力涡轮机发生故障之前，在所有故障发生之前减少损失。果规模较大，则对减少损失的神经网络的分析意义不大。际上，情况通常是以下情况：打算监视状况并诊断故障的风电场：当前，在正常状况和所需的神经网络下仅使用风力发电机的运行信号在正常情况下可以清楚地区分信号。错误状态下，信号是不同的。下一步中，将对可能有故障的信号进行更详细的分析，为解决此问题，可以考虑使用神经网络SOM（自组织人工神经网络）。SOM神经网络是Kohonen教授提出的一种对神经网络进行数值模拟的方法。
　　Kohonen认为，当神经网络接受外部输入模式时，它将被分为不同的对应区域。个区域对于输入模式都有不同的响应特性，并且此过程是自动完成的。SOM网络模拟了大脑神经系统的自组织特征映射功能，这是无监督竞争性学习的首选网络，冷库安装可以在训练过程中不受监督和自组织。可以通过学习固有地提取一组数据或法律的重要特征，并在离散时间内对其进行分类。网络可以将任何高维输入映射到一个小空间，并在输入数据中显示一些相似的属性，如几何上相邻的特征图。会将输出层映射到一维或二维的离散模式，并保持其拓扑不变。分类反映了样本系列中的本质差异，并显着减少了一致性标准中的人为因素。文以华创1500kw双功率风电场一期为实验对象。

　　2显示了冷藏单元的结构和测量点。传感器配备8个测量点，包括主轴监控，齿圈监控，变速箱轴承和发电机轴承监控。文档使用测量点8，它是发电机后轴承振动加速度的数据。
　　择冷库单元和故障冷库单元正常运行的信号。先比较两个信号的时域波形，如图3所示。以看出，故障信号的振动幅度大于正常信号，但这不是很明显，并且无法判断信号是否有缺陷。后，选择正常信号进行SOM神经网络训练。了改善SOM神经元网络的功能，此信号分为40个样本。每个样本进行时域特性提取，最后选择五个最佳特征值，即峰峰值，方差，标准差，脉搏指数和峰度。1中显示了典型的培训示例。有这些标准样本知识都输入到自动组织的神经网络系统中。系统经过培训可以反复调节重量。成后在输出层中的映射结果如图4所示。

　　经网络SOM的输入矢量元素的数量必须等于5，才能获得诊断效果。了纠正错误并将网络学习的学习速度与重复实验的学习速度进行比较，在8 * 8个神经元（二维）上定义了输出层。图4中可以看出，由于信号的正常操作的符号相似，因此映射在输出平面中的位置也很接近，这是SOM神经网络的拓扑映射特性。练完成后，将标记模式并保存网络连接权重以用于诊断。2列出了故障信号的示例。组样本被发送到训练后的神经网络，网络映射的结果如图5所示。个样本的SOM学习结果显示在图形上，如图6所示。6清楚地显示了正常样品与次品样品所占面积之间的差异。个在右边，冷库安装另一个在中间，相差很大，效果明显。此，可以判断信号样本有缺陷。电场位于恶劣的环境中，容易发生故障。于风力发电场中有数十个甚至数百个风力涡轮机，因此手动监视每个风力涡轮机通常很繁琐且费力。SOM神经网络方法被应用于风力发电机组冷库状态监测和故障诊断，通过案例分析可以有效地检查风力发电机组的故障状态，从而提供监视和诊断冷藏单元故障的更快方法。种有效的方法
　　本文转载自
　　冷库安装 https://www.iceage-china.com