一种风电机组故障监测方法、系统及电子设备与流程

1.本技术一个或多个实施例涉及控制技术领域，尤其涉及一种风电机组故障监测方法、系统及电子设备。


背景技术：

2.在新能源应用领域中，风力发电因其清洁绿色、可再生的优点获得越发广泛的应用，风电装机规模也不断扩大。在实际应用情况下，风电机组所处自然环境较为恶劣，且发电工况复杂多变，机组内各部件均存在恶化故障风险，因此需要频繁对风电机组进行故障检测以确保正常工作。目前，对于风电机组内各部件的故障诊断，多采用人工检修排查的方式，这种方式效率较低且需耗费大量人力资源，随着装机规模不断扩大，这种方式也无法满足工程需求。在一些相关技术中，设置监测系统对风电机组的电气运行状态进行检测，这种方式多注重电网运行故障，对于风电机组中各部件的机械故障无法做到直接有效的监测。


技术实现要素：

3.有鉴于此，本技术一个或多个实施例的目的在于提出一种风电机组故障监测方法、系统及电子设备，能高效、准确、及时地实现规模化自动故障诊断监测。
4.基于上述目的，在第一方面，本技术一个或多个实施例提供了一种风电机组故障监测方法，包括：
5.对风电机组中多个部件的运行状态进行实时监控，获取多个所述部件的运行状态数据；
6.根据所述部件的故障参数信息对所述运行状态数据进行特征提取，生成故障特征数据；
7.根据所述故障特征数据对所述部件进行故障征兆判断以生成故障征兆数据，并根据所述故障征兆数据计算确定所述部件相应的故障发生概率；
8.根据多个所述部件的所述故障发生概率对所述风电机组进行故障诊断。
9.可选的，所述对风电机组中多个部件的运行状态进行实时监控，获取多个所述部件的运行状态数据，包括：
10.利用加速度振动传感器分别对所述风电机组中多个所述部件的机械振动状态进行监测，获取多个所述部件的振动状态数据；
11.利用通信接口获取所述风电机组中控制系统对多个所述部件的电气工控数据；
12.所述运行状态数据包括所述振动状态数据与所述电气工控数据。
13.可选的，确定所述部件的故障参数信息的方法，包括：
14.根据所述部件的机械结构信息对所述部件进行数字化建模，确定所述部件相应的系统运动方程；
15.根据所述系统运动方程求解确定所述部件在正常状态下的运动参数；
16.利用所述系统运动方程对所述部件进行故障状态模拟，确定所述部件在故障状态
下的运动参数；
17.将所述部件在故障状态下的运动参数与在正常状态下的运动参数进行对比，选取出存在差异的运动参数作为故障参数；
18.所述故障参数信息包括多项所述故障参数。
19.可选的，所述根据所述部件的故障参数信息对所述运行状态数据进行特征提取，生成故障特征数据，包括：
20.分别对所述运行状态数据进行时域变换操作与频域变换操作，对应生成时域状态信号与频域状态信号；
21.对所述时域状态信号进行统计计算，确定所述运行状态数据的时域统计特征数据；
22.根据所述频域状态信号提取与所述运行状态数据相对应的频域谱特征数据；
23.从所述时域统计特征数据与所述频域谱特征数据中选取与多项所述故障参数相对应的多项特征数据作为所述故障特征数据。
24.可选的，所述根据所述故障特征数据对所述部件进行故障征兆判断以生成故障征兆数据，并根据所述故障征兆数据计算确定所述部件相应的故障发生概率，包括：
25.根据所述故障特征数据利用征兆阈值表对所述部件相应的多种故障征兆进行征兆判断，生成征兆概率矩阵；
26.利用专家知识库数据确定与所述部件相应的多种所述故障征兆及多种故障事件之间的条件概率矩阵；
27.根据所述征兆概率矩阵与所述条件概率矩阵计算确定所述部件相应多种所述故障事件的所述故障发生概率。
28.可选的，所述根据所述故障特征数据利用征兆阈值表对所述部件相应的多种故障征兆进行征兆判断，生成征兆概率矩阵，包括：
29.将所述故障特征数据的多项所述特征数据与所述征兆阈值表中相对应的征兆阈值进行对比，以确定所述特征数据所对应的所述故障征兆是否发生；
30.将已发生故障征兆的先验概率设置为1，将未发生故障征兆的先验概率设置为0，生成所述征兆概率矩阵。
31.可选的，所述根据所述征兆概率矩阵与所述条件概率矩阵计算确定所述部件相应多种所述故障事件的所述故障发生概率，包括：
32.将所述征兆概率矩阵与所述条件概率矩阵的广义逆矩阵相乘得到故障概率矩阵；
33.根据所述故障概率矩阵确定多种所述故障事件的所述故障发生概率。
34.可选的，所述根据多个所述部件的所述故障事件概率对所述风电机组进行故障诊断，包括：
35.实时获取当前时间节点前跟踪时段内的所述故障发生概率；
36.将所述跟踪时段内的所述故障发生概率与预设概率阈值进行对比，并统计所述故障发生概率大于预设概率阈值的时间占比；
37.响应于所述时间占比超过预设占比阈值，确定所述故障发生概率对应的所述故障事件发生。
38.基于相同目的，在第二方面，本技术一个或多个实施例提供了一种风电机组故障
监测系统，包括：
39.数据采集模块，用于对风电机组中多个部件的运行状态进行实时监控，获取多个所述部件的运行状态数据；
40.特征提取模块，用于根据所述部件的故障参数信息对所述运行状态数据进行特征提取，生成故障特征数据；
41.概率计算模块，用于根据所述故障特征数据对所述部件进行故障征兆判断以生成故障征兆数据，并根据所述故障征兆数据计算确定所述部件相应的故障发生概率；以及
42.故障诊断模块，用于根据多个所述部件的所述故障发生概率对所述风电机组进行故障诊断；
43.所述风电机组故障监测系统用于执行如第一方面所述的风电机组故障监测方法。
44.基于相同目的，在第三方面，本技术一个或多个实施例还提供了一种风电机组故障监测电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所述风电机组故障监测方法。
45.从上面所述可以看出，本技术一个或多个实施例提供的一种风电机组故障监测方法、系统及电子设备，具有如下有益技术效果：
46.(1)获取多个部件的运行状态数据并根据部件的故障参数信息提取相应的故障特征数据，根据所述故障特征数据进行故障征兆判定，并根据所述故障征兆判定能够准确计算出多种故障事件的发生概率，从而可以根据所述故障发生概率进行自动化故障诊断。这样的方式可以高效、准确、及时地实现规模化自动故障诊断监测。
47.(2)根据所述部件的机械结构信息对所述部件进行数字化建模，分别在正常状态下以及异常状态下进行运动模拟并对模拟结果进行对比能够准确确定多个所述部件各自相应的所述故障参数。针对多个所述部件确定各自相应的所述故障参数为后续针对性提取故障特征数据提供了理论依据，能够保证后续故障征兆判定与故障发生概率计算的准确行、有效性。
48.(3)利用近似推理广义逆矩阵改进贝叶斯网络预测模型，根据故障特征数据确定征兆概率矩阵后利用改进贝叶斯网络预测模型对多种故障事件的发生概率进行预测计算，进而获取到多种故障事件的发生概率，计算过程高效便捷，计算结果准确可靠。
附图说明
49.为了更清楚地说明本技术一个或多个实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术一个或多个实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
50.图1为本技术一个或多个实施例所提供的一种风电机组故障监测方法示意图；
51.图2为本技术一个或多个实施例所提供的一种风电机组故障监测方法中确定故障参数信息的方法示意图；
52.图3为本技术一个或多个实施例所提供的一种风电机组故障监测方法中齿轮啮合等效力学模型示意图示意图；
53.图4为本技术一个或多个实施例所提供的一种风电机组故障监测方法中生成故障
特征数据的方法示意图；
54.图5为本技术一个或多个实施例所提供的一种风电机组故障监测方法中故障发生概率计算方法示意图。
55.图6为本技术一个或多个实施例所提供的一种风电机组故障监测方法中贝叶斯网络示意图；
56.图7为本技术一个或多个实施例所提供的一种风电机组故障监测系统结构意图；
57.图8为本技术一个或多个实施例所提供的一种风电机组故障监测电子设备结构示意图。
具体实施方式
58.为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。
59.需要说明的是，除非另外定义，本技术一个或多个实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本技术一个或多个实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
60.对于风电机组内各部件的故障诊断，多采用人工检修排查的方式，这种方式对工作人员的专业水平及工作经验都有较高要求，方法执行效率较低且需耗费大量人力资源，随着装机规模不断扩大，这种方式也无法满足工程需求。在一些相关技术中，设置监测系统对风电机组的电气运行状态如发电功率、电压、电流、频率等进行检测，这种方式多注重电网运行故障。对于风电机组中各部件相关的机械层面的故障往往需要在非工作状态下利用专业仪器进行检测，根据电气运行状态数据中存在的异常仅能够作出大致推测，无法做到直接有效的监测。
61.针对上述问题，本技术技术方案目的在于提出一种故障监测方案，通过获取风电机组中各部件的运行状态数据，首先基于不同部件的物理特征有针对性提取故障特征数据，之后根据故障特征数据进行故障征兆的判断，再根据故障征兆的判定结果计算确定部件对应故障事件的发生概率，从而实现对所述风电机组中多个部件的故障诊断。
62.以下，结合具体实施例对本技术技术方案进行说明。
63.在一方面，本技术实施例提供了一种风电机组故障监测方法。
64.如图1所示，本技术一个或多个可选实施例所提供的一种风电机组故障监测方法，包括：
65.s1：对风电机组中多个部件的运行状态进行实时监控，获取多个所述部件的运行状态数据。
66.在一些可选实施例中，可以利用加速度振动传感器分别对所述风电机组中多个所述部件的机械振动状态进行监测，获取多个所述部件的振动状态数据，如风电机组齿轮箱、
发电机、联轴器、塔架等核心机械部件的振动数据等。还可以利用通信接口获取所述风电机组中控制系统对多个所述部件的电气工控数据，如风电机组中的变桨、偏航、变流、主控制系统、变流系统等电气部件的运行信息等，所述运行状态数据包括所述振动状态数据与所述电气工控数据。
67.针对风电机组中各部件的机械故障，往往依赖于专业检测仪器在正式装机前利用试验环境进行检测，这种方式在风电机组正式装机开始运行后无法实施、考虑到部件出现故障时其内部构成组件的机械物理性质会发生变化，本技术实施实施监控获取风电机组中各部件的振动状态数据，利用所述振动状态数据实现对部件机械物理性质变化的监测。进一步的，风电机组部件机械物理性质发生变化时也会间接地对并网发电风电机组的电气运行状态造成影响，本技术实施例中也采集各部件的电气工控数据。
68.s2：根据所述部件的故障参数信息对所述运行状态数据进行特征提取，生成故障特征数据。
69.所述运行状态数据中包含有与各部件相应多种故障事件相关的特征信息。可以根据所述部件述故障参数信息从所述运行状态数据中提取与多种所述故障事件相应的故障特征数据。其中，所述故障参数信息可以通过对相应所述部件进行建模与运动分析来确定。
70.s3：根据所述故障特征数据对所述部件进行故障征兆判断以生成故障征兆数据，并根据所述故障征兆数据计算确定所述部件相应的故障发生概率。
71.可以基于所述部件的所述故障特征数据判断所述部件是否存在故障征兆，判断结果表示为所述故障征兆数据，并基于所述故障征兆数据计算确定所述部件相应多种所述故障事件的所述故障发生概率。
72.s4：根据多个所述部件的所述故障发生概率对所述风电机组进行故障诊断。
73.可以根据故障发生概率进行故障诊断，当所述故障发生概率超出故障概率阈值是确定相应所述部件发生故障。
74.所述风电机组故障监测方法，获取多个部件的运行状态数据并根据部件的故障参数信息提取相应的故障特征数据，根据所述故障特征数据进行故障征兆判定，并根据所述故障征兆判定能够准确计算出多种故障事件的发生概率，从而可以根据所述故障发生概率进行自动化故障诊断。这样的方式可以高效、准确、及时地实现规模化自动故障诊断监测。
75.如图2所示，在本技术一个或多个可选实施例所提供的一种风电机组故障监测方法中，确定所述部件的故障参数信息的方法，包括：
76.s201：根据所述部件的机械结构信息对所述部件进行数字化建模，确定所述部件相应的系统运动方程。
77.s202：根据所述系统运动方程求解确定所述部件在正常状态下的运动参数。
78.s203：利用所述系统运动方程对所述部件进行故障状态模拟，确定所述部件在故障状态下的运动参数。
79.s204：将所述部件在故障状态下的运动参数与在正常状态下的运动参数进行对比，选取出存在差异的运动参数作为故障参数。
80.所述故障参数信息包括多项所述故障参数。
81.以齿轮箱为例对确定所述故障参数信息的方法进行说明。在风电机组中齿轮箱是最为重要的部件之一。在齿轮箱中的齿轮运行过程中，参与啮合的齿数由一对变成两对，再
由两对变成一对，形成单双齿啮合交替变化，从而导致齿轮副的啮合振动，也表现为啮合刚度的周期性变化。如图3所示，为齿轮箱中齿轮啮合等效力学模型示意图。
82.其中，m1和m2为齿轮的质量；t1和t2为齿轮的动能；x1和x2分别为轮齿的位移；n1和n2为齿轮转速；k(t)和c(t)分别为齿轮啮合等效刚度和阻尼。
83.系统的lagrange方程组可表示为：
[0084][0085][0086]
其中：θi和为系统广义坐标位移和广义速度；f(t)为系统广义力；l为lagange函数；t为系统动能；v为系统势能；θ1和θ2为轮齿的角位移；r1和r2为轮齿的半径；j1和j2为轮齿的转动惯量。将式(2)代入式(1)得到：
[0087][0088]
上述两式相减，再代入系统刚度k(t)、阻尼c(t)和载荷f(t)，得到所述齿轮箱的所述系统运动方程为：
[0089][0090]
其中，m＝m1m2/(m1 m2)为等效质量。考虑到载荷f是啮合刚度k(t)的函数，所以振动方程式(4)具有形式为式(5)的解：
[0091][0092]
其中，fm为齿轮的啮合频率；函数an(t)和bn(t)分别是幅值调制和相位调制函数，包含齿轮的故障信息，如齿形误差、点蚀、断齿、不对中和不平衡等。
[0093]
振动加速度传感器采集的齿轮振动信号即为式(5)的二次导数d2x/dt2，因此，通过求解方程可以确定所述齿轮箱正常状态下的运动参数包括：
[0094]
1)主动轮和从动轮的转频。
[0095]
2)啮合频率fm和非常小的啮合频率的倍频。
[0096]
3)啮合频率两侧有非常小的高低速齿轮转频的边带。
[0097]
齿轮发生故障后，其传动特性会发生改变现,现以齿轮磨损故障、齿轮与所在轴不对中或者不平行故障和齿轮裂纹或者断齿故障三个典型故障为例探讨齿轮故障特征提取方法。
[0098]
齿面均匀磨损时一般不会产生冲击振动，所以不会出现明显的调制现象。当磨损发展到一定程度，齿面渐开线形状发生变化，振动时域波形向方波演变，因此频谱中啮合频率1x，及其高次谐波2x，3x和4x幅值也明显增大，且阶数越高增大的越明显。其中x代表基的倍频符号。
[0099]
另外，齿轮系或单个齿轮的齿面磨损不均衡时，会导致以故障齿轮啮合频率及其谐波为载波，所在轴转频为调制的边带。综上，齿轮磨损故障对应的故障特征为：
[0100]
1)2xfm和3xfm的幅值明显增大，尤其是3xfm的幅值。
[0101]
2)啮合频率fm及其谐波两侧出现边带。
[0102]
3)振动能量(有效值)明显增大。
[0103]
因此齿轮磨损故障相应的所述故障参数包括：啮合频率、啮合频率二倍频与三倍频幅值以及振动能量有效值。
[0104]
齿轮与所在轴不对中或者不平行，则轴每转一周，径向力交变两次，由此导致的齿轮不对中故障的特征为：
[0105]
1)啮合频率fm的幅值正常，但2xfm和3xfm的幅值较高。
[0106]
2)啮合频率二倍频2xfm的两边出现转速二倍频2xfr的边频带。其中，fr为轴的转频。
[0107]
3)振动能量(有效值和峭度指标)有一定程度的增大。
[0108]
4)包络能量(有效值和峭度指标)存在一定程度的增大。
[0109]
因此齿轮不对中故障相应的的所述故障参数包括：啮合频率、啮合频率幅值、振动能量有效值与峭度以及包括能量有效值与峭度。
[0110]
存在裂纹或断的轮齿每次啮合都会产生一个冲击，因此时域波形中会出现特别大的以转频倒数为间隔的冲击脉冲，频谱中转频1x(所在轴的旋转率频)增大，啮合频率及其谐波两边出现转频及其倍频的边带，如果裂纹较大或者是断齿等严重故障，还会激起齿轮和箱体的固有振动。
[0111]
综上，齿轮裂纹或断齿故障的特征为：
[0112]
1)有效值和峭度指标明显增大。
[0113]
2)时域波形中出现明显的冲击，间隔为转频的倒数。
[0114]
3)频谱中转频1xfr增大。(不平衡也会导致该特征，所以应同时参考峭度指标)
[0115]
4)频谱中出现啮合频谱及其谐波为载波，转频及其倍频为调制的边带。
[0116]
5)较大的裂纹或者断齿等严重故障，会激起齿轮和箱体的固有振动。
[0117]
因此齿轮裂纹或断齿故障相应的所述故障参数包括：时域波的有效值与峭度、啮合频率以及所述齿轮箱体的固有振动频率。
[0118]
以上以齿轮箱为例进行说明，本领域技术人员应当理解的是对于风电机组中的其
他部件例如发电机、联轴器、塔架等，也可以按照上述方式分别确定各自相应的故障参数。
[0119]
所述风电机组故障监测方法，根据所述部件的机械结构信息对所述部件进行数字化建模，分别在正常状态下以及异常状态下进行运动模拟并对模拟结果进行对比能够准确确定多个所述部件各自相应的所述故障参数。针对多个所述部件确定各自相应的所述故障参数为后续针对性提取故障特征数据提供了理论依据，能够高效准确地提取有价值的特征信息。
[0120]
如图4所示，在本技术的一个或多个可选实施例所提供的一种风电机组故障监测方法中，所述根据所述部件的故障参数信息对所述运行状态数据进行特征提取，生成故障特征数据，包括：
[0121]
s401：分别对所述运行状态数据进行时域变换操作与频域变换操作，对应生成时域状态信号与频域状态信号；
[0122]
s402：对所述时域状态信号进行统计计算，确定所述运行状态数据的时域统计特征数据；
[0123]
s403：根据所述频域状态信号提取与所述运行状态数据相对应的频域谱特征数据；
[0124]
s404：从所述时域统计特征数据与所述频域谱特征数据中选取与多项所述故障参数相对应的多项特征数据作为所述故障特征数据。
[0125]
同样以齿轮箱为例，通过对齿轮箱相应的所述运行状态数据进行时频域变换并分别生成相应的所述时域统计特征数据和所述频域谱特征数据，从所述时域统计特征数据与所述频域谱特征数据中可以提取与所述故障参数相应的故障特征数据。例如可以从所述时域统计特征数据中提取出相关的有效值数据和峭度数据，还可以从所述频域谱特征数据中提取出下相关的倍频幅值数据等。
[0126]
如图5所示，在本技术一个或多个可选实施例所提供的一种风电机组故障监测方法中，所述根据所述故障特征数据对所述部件进行故障征兆判断以生成故障征兆数据，并根据所述故障征兆数据计算确定所述部件相应的故障发生概率，包括：
[0127]
s501：根据所述故障特征数据利用征兆阈值表对所述部件相应的多种故障征兆进行征兆判断，生成征兆概率矩阵。
[0128]
在一些可选实施例中，可以将所述故障特征数据的多项所述特征数据与所述征兆阈值表中相对应的征兆阈值进行对比，以确定所述特征数据所对应的所述故障征兆是否发生。
[0129]
将已发生故障征兆的先验概率设置为1，将未发生故障征兆的先验概率设置为0，生成所述征兆概率矩阵。
[0130]
s502：利用专家知识库数据确定与所述部件相应的多种所述故障征兆及多种故障事件之间的条件概率矩阵。
[0131]
s503：根据所述征兆概率矩阵与所述条件概率矩阵计算确定所述部件相应多种所述故障事件的所述故障发生概率。
[0132]
在可选实施例中，可以将所述征兆概率矩阵与所述条件概率矩阵的广义逆矩阵相乘得到故障概率矩阵，根据所述故障概率矩阵确定多种所述故障事件的所述故障发生概率。
[0133]
正常工作状态下，风电机组中各部件相关故障特征数据也会不断波动变化，仅根据故障特征数据异常无法直接判定相应所述部件发生故障，实际上当所述故障特征数据出现异常时也仅能推定出现对应的故障征兆，在故障征兆与故障事件之间还存在进一步的概率对应关系。
[0134]
对所述部件而言，其相应的多种故障征兆与多种故障事件之间的观察率对应关系可以用贝叶斯网络进行概括。例如齿轮箱齿轮磨损故障用f1表示、齿轮与所在轴不对中故障用f2表示，其所表现出的故障征兆由s1、s2、s3、s4、s5表示，故障所导致征兆出现的概率用其连线上的数字表示，可以得到如图6所示的贝叶斯网络。其中多个故障事件构成故障层f，多个故障征兆构成征兆层s。当征兆层的事件发生，可以认为必然存在故障层的事件发生，故障层构成一个完备事件组，征兆层与故障层之间的概率对应关系可以表述为：
[0135][0136]
征兆层的故障征兆(s1、s2、s3、s4、s5)与故障层的故障事件(f1、f2)之间
[0137][0138]
其中，表示所述条件概率矩阵。
[0139]
则故障概率矩阵
[0140][0141]
其中，p
′
表示所述条件概率矩阵的广义逆矩阵。可以
[0142]
结合示例数据对计算过程进行说明，例如设征兆层相应的所述征兆概率矩阵为：
[0143][0144]
征兆层与故障层之间的条件概率矩阵为：
[0145][0146]
则对应广义逆矩阵为：
[0147]
[0148]
可计算故障层事件发生的概率为：
[0149]
[p(f1) p(f2)]＝[0.4653 0.6127]
[0150]
即通过计算确定故障事件f1的发生概率为0.4653，故障事件f2的发生概率为0.6127.
[0151]
所述风电机组故障监测方法中，利用近似推理广义逆矩阵改进贝叶斯网络预测模型，根据故障特征数据确定征兆概率矩阵后利用改进贝叶斯网络预测模型对多种故障事件的发生概率进行预测计算，能够准确获取到多种故障事件的发生概率，从而能够更加高效准确地实现故障诊断。
[0152]
本技术一个或多个可选实施例所提供的一种风电机组故障监测方法中，所述根据多个所述部件的所述故障事件概率对所述风电机组进行故障诊断，包括：
[0153]
实时获取当前时间节点前跟踪时段内的所述故障发生概率；
[0154]
将所述跟踪时段内的所述故障发生概率与预设概率阈值进行对比，并统计所述故障发生概率大于预设概率阈值的时间占比；
[0155]
响应于所述时间占比超过预设占比阈值，确定所述故障发生概率对应的所述故障事件发生。当确定故障时间发生时，对故障事件相关信息进行预警通报。
[0156]
在一些可选实施例中，通过将所述故障发生概率与所述预设概率阈值进行对比来进行简单判定。例如，当故障事件fx的发生概率超过0.8时可以认定该故障事件fx发生。需要说明的是，通过实时监控获取的所述运动状态数据是动态变化的，基于此所计算得到的多个部件相应的所述故障发生概率也随时间不断变化。在一些可选实施例中可以对所述故障发生概率进行实时跟踪，当在一段时间内故障发生概率超出所述预设概率阈值的占比过多时则可更准确认定所述故障已经发生。例如，对于故障事件fx而言，在近五分中内有超过半数时间其对应的所述故障发生观察率都超过0.8则可以认定对应所述部件发生故障事件fx。本领域技术人员可以理解的是，所述预设概率阈值与所述预设占比阈值可以根据实际情况作出灵活调整。
[0157]
需要说明的是，本公开实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本公开实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。
[0158]
需要说明的是，上述对本公开的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
[0159]
基于同一发明构思，与上述任意实施例方法相对应的，本公开还提供了一种风电机组故障监测系统。
[0160]
参考图7，所述风电机组故障监测装置，包括：
[0161]
数据采集模块701，用于对风电机组中多个部件的运行状态进行实时监控，获取多个所述部件的运行状态数据；
[0162]
特征提取模块702，用于根据所述部件的故障参数信息对所述运行状态数据进行
特征提取，生成故障特征数据；
[0163]
概率计算模块703，用于根据所述故障特征数据对所述部件进行故障征兆判断以生成故障征兆数据，并根据所述故障征兆数据计算确定所述部件相应的故障发生概率；以及
[0164]
故障诊断模块704，用于根据多个所述部件的所述故障发生概率对所述风电机组进行故障诊断；
[0165]
所述风电机组故障监测系统用于执行如以上任一方法实施例所述的风电机组故障监测方法。
[0166]
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本公开时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
[0167]
上述实施例的装置用于实现前述任一实施例中相应的风电机组故障监测方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
[0168]
基于同一发明构思，与上述任意实施例方法相对应的，本公开还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上任意一实施例所述的风电机组故障监测方法。
[0169]
图8示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
[0170]
处理器1010可以采用通用的cpu(central processing unit，中央处理器)、微处理器、应用专用集成电路(application specific integrated circuit，asic)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。
[0171]
存储器1020可以采用rom(read only memory，只读存储器)、ram(random access memory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。
[0172]
输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
[0173]
通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如usb、网线等)实现通信，也可以通过无线方式(例如移动网络、wifi、蓝牙等)实现通信。
[0174]
总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
[0175]
需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实
现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
[0176]
上述实施例的电子设备用于实现前述任一实施例中相应的风电机组故障监测方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
[0177]
基于同一发明构思，与上述任意实施例方法相对应的，本公开还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上任一实施例所述的风电机组故障监测方法。
[0178]
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
[0179]
上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的风电机组故障监测方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
[0180]
综上，本技术实施例所提供的一种风电机组故障监测方法、系统及电子设备，获取多个部件的运行状态数据并根据部件的故障参数信息提取相应的故障特征数据，根据所述故障特征数据进行故障征兆判定，并根据所述故障征兆判定能够准确计算出多种故障事件的发生概率，从而可以根据所述故障发生概率进行故障诊断。这样的方式可以高效、准确、及时地实现规模化自动故障诊断监测。
[0181]
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本公开的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本技术一个或多个实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
[0182]
本技术一个或多个实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本技术一个或多个实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本公开的保护范围之内。