一种风电设备的故障检测方法、装置、设备及存储介质

专利主权项内容

1.一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，其特征在于，所述故障检测方法包括：步骤S1，分别获取每个振动传感器产生的振动信号；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；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；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；步骤S5，通过粒子群算法计算每种异常特征的属性权重值；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；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；步骤S3包括：步骤S31，分别获取每个风电机在预设时长内的运行信号数据；步骤S32，基于同一个风电机根据所述运行信号数据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；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；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：
(1)；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；步骤S35，获取占比大于等于预设比例的至少两个条件概率；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；步骤S5包括：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：
(3)；其中，为所述朴素贝叶斯数据分析模型，/>为所述异常特征；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：
(4)；其中，为属性加权值，/>为第/>个异常特征的属性权重值；步骤S53，将每个属性权重值根据式(5)分别定义为一个粒子；
(5)；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；步骤S54，通过逻辑回归对所有粒子进行初始化映射；步骤S55，根据式(6)分别定义每个粒子的适应度值：
(6)；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；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；步骤S56包括：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：
(7)；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；步骤S562，迭代步骤S561预设次数，以更新每个以及每个/>；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；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；步骤S565，判定已获得所述最佳映射位置。