一种风电设备的故障检测方法、装置、设备及存储介质与流程

本技术涉及新能源，尤其涉及一种风电设备的故障检测方法、装置、设备及存储介质。

背景技术：

1、风力发电是指把风的动能转为电能，风能是一种清洁无公害的可再生能源，风力发电通过风力带动风车叶片旋转，再透过增速机将旋转的速度提升，来促使发电机发电，且风力发电不需要使用燃料，也不会产生辐射或空气污染，是一种可再生的新能源。

2、风力发电是通过能将风力机械能转化为电能的风电机组来实现电能转化，风电机组主要包括叶片、机舱和塔筒三部分，风电机组的齿轮箱和发电机等均设置在机舱内，叶片与机舱内的发电机通过主轴连接以使得叶片在风力作用下转动时可驱动发电机进行发电，从而实现风力机械能至电能的转换。在风电机组将风力机械能转化为电能这一过程中，风电机组的许多部件均会产生振动，这种振动达到一定程度时，将导致振动故障的出现，从而损坏整个风电机组。

3、目前，对于风电机组的振动检测主要是通过在风电机主要部位安装多个振动传感器，例如在风电机的齿轮箱和发电机上分别设置振动传感器，以获取齿轮箱和发电机的振动值，并将该获取的振动值与相应的预先设定好的阈值进行比较，在振动值超出阈值时进行后续报警操作，例如当有风电机的振动值超过阈值时，则断开该风电机。

4、对于目前的风电机振动预警，均为单个风电机独立检测，通过将检测到的振动数据与理论数据进行对照，在对照结果超出范围时进行预警，未考虑实际场地因素和环境因素，使得现有的振动监测在使用过程中不同因素下检测到的振动数据有差别，在与理论数据进行对照时可能会造成误判。

技术实现思路

1、本技术的主要目的在于提供一种风电设备的故障检测方法、装置、设备及存储介质，以解决现有技术中现有的振动监测在使用过程中不同因素下检测到的振动数据有差别，在与理论数据进行对照时可能会造成误判的问题。

2、为了实现上述目的，本技术提供了如下技术方案：

3、一种风电设备的故障检测方法，所述风电设备包括位于预设区域内的至少两个风电机以及分别装设于每个风电机内的振动传感器，所述故障检测方法包括：

4、步骤s1，分别获取每个振动传感器产生的振动信号；

5、步骤s2，基于经验模态分解算法分别提取每个振动信号在预设分析周期内的若干个信号分量；

6、步骤s3，通过贝叶斯分类算法分别对同一个风电机的所有信号分量进行分类，得到至少两种信号特征；

7、步骤s4，获取所有风电机的所有信号特征并删除相同的信号特征，将保留的信号特征标记为异常特征；

8、步骤s5，通过粒子群算法计算每种异常特征的属性权重值；

9、步骤s6，获取所述属性权重值大于等于预设阈值的异常特征并标记为严重异常特征；

10、步骤s7，将与所述严重异常特征对应的风电机标记为故障状态。

11、作为本技术的进一步改进，步骤s2包括：

12、步骤s21，获取所述振动信号的所有极大值、所有极小值；

13、步骤s22，依次连接所有极大值形成上包络线，依次连接所有极小值形成下包络线；

14、步骤s23，获取所述上包络线与所述下包络线的平均值，形成均值线；

15、步骤s24，将所述振动信号减去所述均值线以得到中间信号；

16、步骤s25，重复步骤s21至步骤s24，以迭代所述中间信号；

17、步骤s26，分别获取每次迭代后极值点个数与过零点个数的差值位于预设区间内的中间信号，并标记为一阶中间信号；

18、步骤s27，获取均值线为零的一阶中间信号并标记为所述信号分量。

19、作为本技术的进一步改进，步骤s3包括：

20、步骤s31，分别获取每个风电机在预设时长内的信号分量；

21、步骤s32，基于同一个风电机根据所述信号分量定义待分类信号集合，其中为所述待分类信号集合中的第个特征信号，为所述特征信号的个数；

22、步骤s33，分别根据每个风电机的信号特征定义类别集合，其中，为所述类别集合中的第个信号特征；

23、步骤s34，根据式（1）计算所述待分类信号集合分别在每个信号特征下的条件概率：

24、（1）；

25、其中，为在第个信号特征条件下所述待分类信号集合的条件概率，为第个信号特征的边缘概率；

26、步骤s35，获取占比大于等于预设比例的至少两个条件概率；

27、步骤s36，获取分别与每个大于等于预设比例的条件概率所对应的信号特征。

28、作为本技术的进一步改进，步骤s4包括：

29、步骤s41，删除条件概率的占比小于所述预设比例的信号特征；

30、步骤s42，获取剩余的信号特征并删除所述条件概率相等的信号特征，将保留的信号特征标记为异常特征。

31、作为本技术的进一步改进，步骤s5包括：

32、步骤s51，根据式（3）定义所述异常特征的朴素贝叶斯数据分析模型：

33、（3）；

34、其中，为所述朴素贝叶斯数据分析模型，为所述异常特征；

35、步骤s52，根据式（4）对所述异常特征的朴素贝叶斯数据分析模型进行属性加权：

36、（4）；

37、其中，为属性加权值，为第个异常特征的属性权重值；

38、步骤s53，将每个属性权重值根据式（5）分别定义为一个粒子；

39、（5）；

40、其中，为所有粒子的集合，分别为每个粒子，为所有粒子的个数；为所有粒子的速度的集合，分别为每个粒子的速度；

41、步骤s54，通过逻辑回归对所有粒子进行初始化映射；

42、步骤s55，根据式（6）分别定义每个粒子的适应度值：

43、（6）；

44、其中，和为第个粒子的二维原始数据，应用于核函数，和均为二维原始数据映射到特征空间中的向量，为和的内积，为偏值；

45、步骤s56，通过粒子群算法分别获取每个粒子的最佳映射位置，所述最佳映射位置即为所述属性权重值。

46、作为本技术的进一步改进，步骤s56包括：

47、步骤s561，根据式（7）以预设时间间隔分别更新每个粒子的位置和速度：

48、（7）；

49、其中，为当前的粒子在第步的速度，为当前的粒子在第步的速度惯性，为第个粒子的属性权重值，为当前的粒子的自我认知表征，为当前的粒子的社会认知表征；与均为学习因子，为预设取值范围的随机数，为当前的粒子已获得的最优解，为所有粒子已获得的最优解；

50、步骤s562，迭代步骤s561预设次数，以更新每个以及每个；

51、步骤s563，分别判断每个相比于上一次迭代的第一差值是否小于等于第一预设适应阈值，若是，则执行步骤s564；

52、步骤s564，分别判断每个相比于上一次迭代的第二差值是否小于等于第二预设适应阈值，若是，则执行步骤s565；

53、步骤s565，判定已获得所述最佳映射位置。

54、作为本技术的进一步改进，步骤s7之后，包括：

55、步骤s8，将具有所述故障状态的风电机标记为异常风电机；

56、步骤s9，获取所述异常风电机的机组编号和时间戳；

57、步骤s10，整合所述机组编号与所述时间戳并发送至外部决策端。

58、为了实现上述目的，本技术还提供了如下技术方案：

59、一种风电设备的故障检测装置，所述故障检测装置应用于如上述的风电设备的故障检测方法，所述故障检测装置包括：

60、振动信号获取模块，用于分别获取每个振动传感器产生的振动信号；

61、信号分量提取模块，用于基于经验模态分解算法分别提取每个振动信号在预设分析周期内的若干个信号分量；

62、信号分量分类模块，用于通过贝叶斯分类算法分别对同一个风电机的所有信号分量进行分类，得到至少两种信号特征；

63、异常特征获取模块，用于获取所有风电机的所有信号特征并删除相同的信号特征，将保留的信号特征标记为异常特征；

64、属性权重值计算模块，用于通过粒子群算法计算每种异常特征的属性权重值；

65、严重异常特征标记模块，用于获取所述属性权重值大于等于预设阈值的异常特征并标记为严重异常特征；

66、故障状态标记模块，用于将与所述严重异常特征对应的风电机标记为故障状态。

67、为了实现上述目的，本技术还提供了如下技术方案：

68、一种电子设备，包括处理器、以及与所述处理器耦接的存储器，所述存储器存储有可被所述处理器执行的程序指令；所述处理器执行所述存储器存储的所述程序指令时实现如上述的一种风电设备的故障检测方法。

69、为了实现上述目的，本技术还提供了如下技术方案：

70、一种存储介质，所述存储介质内存储有程序指令，所述程序指令被处理器执行时实现能够实现如上述的一种风电设备的故障检测方法。

71、本技术基于经验模态分解算法分别提取每个风电机在预设分析周期内的若干个信号分量，通过贝叶斯分类算法分别对同一个风电机的所有信号分量进行分类，得到至少两种信号特征，再获取所有风电机的所有信号特征并删除相同的信号特征，将保留的信号特征标记为异常特征，通过粒子群算法计算每种异常特征的属性权重值，最后获取属性权重值大于等于预设阈值的异常特征并标记为严重异常特征并将与严重异常特征对应的风电机标记为故障状态。本技术通过预设区域内的所有风电机相互形成对照参考，通过删除相同信号特征（例如无风信号，表现为振动信号是零值或近似零值；同频抖动信号，表现为该预设区域内的所有风电机同时接收到同一风力，使得所有风电机的振动信号相同），使得保留下来的没有相同类型的信号并识别为异常特征（例如风电机异常的机械磨损、应力过大导致机械变形、转轴卡顿、转子闸间短路、定子闸间短路等），相比于单个风电机振动检测，本技术具有同一区域的其他风电机作为对照组，由于所有风电机处于同一预设区域，使得所有风电机的运行环境相同，保证了对照组的对照数据准确，相比于理论对照参数，本技术的对照方式更为准确。