CN102253340A - 一种风力发电机组故障判断方法及装置 - Google Patents

Abstract

本发明公开了一种风力发电机组故障判断方法及装置，获取故障模式信息并进行计算，通过融合得到含糊证据，并依据预先设置的判断规则对含糊证据进行处理，依据含糊证据输出其对应的故障类型，进而实现提早发现风力发电机组可能出现的故障，有效降低了风力发电机的故障风险，有效保障风力发电机持续高效运行。

Description

一种风力发电机组故障判断方法及装置

技术领域

本发明涉及大型风力发电机组故障诊断领域，尤其涉及一种风力发电机组故障判断方法及装置。 

背景技术

伴随着科技的进步和现代工业的快速发展要求，大型风力发电机组的结构日趋复杂，这样使得其故障发生的可能性也大大增加。而设备的故障特征和故障模式表现出很强的耦合性、随机性和含糊性，同时还表现出故障的渐变性。所谓故障耦合，就是故障特征和故障模式存在着错综复杂的对应关系，通常表现为一种故障模式可以表现出多种故障特征，同一故障特征可能是由不同的故障引起的。 

目前，对于风力发电机组的故障诊断的研究，主要有神经网络法、模糊专家系统、传统DS证据理论的方法。而神经网络需要大量的先验数据，模糊专家系统的人为主观性比较大，传统DS证据理论不能处理高冲突证据，同时BPA很难获取。 

由于大型风力发电机组故障信息复杂性、不确定性难以处理的问题，提出了基于随机集的置信测度和似真测度的含糊化方法。因此，设计一种提早发现风力发电机组可能出现的故障，有效降低了风力发电机的故障风险的风力发电机组故障判断方法及装置十分必要，是大型风力发电机组故障诊断领域目前急待解决的问题之一。 

发明内容

本发明实施例提供一种风力发电机组故障判断方法及装置，获取故障模式 信息并进行计算，通过融合得到含糊证据，并依据预先设置的判断规则对含糊证据进行处理，依据含糊证据输出其对应的故障类型，进而实现提早发现风力发电机组可能出现的故障，有效降低了风力发电机的故障风险，有效保障风力发电机持续高效运行。 

本发明实施例提供以下技术方案： 

一种风力发电机组故障判断方法，包括： 

步骤一、获取故障模式信息并进行计算，通过融合得到含糊证据； 

步骤二、依据预先设置的判断规则对含糊证据进行处理； 

步骤三、依据含糊证据输出其对应的故障类型。 

优选的，上述步骤一中，获取故障模式信息为利用传感器连续采集，并将采集结果进行分组。 

优选的，对获取的每一组数据，分别计算其平均值和方差。M_ij，σ_ij，i＝1，2，L，j＝1，2，L 

平均值计算公式： $M_{\mathrm{ij}}=\underset{k}{\mathrm{\Σ}}{x}_{\mathrm{ijk}}/n$

方差计算公式： ${\mathrm{\σ}}_{\mathrm{ij}}=\sqrt{\underset{k}{\mathrm{\Σ}}{(x_{\mathrm{ijk}}-M_{\mathrm{ij}})}^2/n}$

n表示单传感器每一组的观测次数。对于第i组传感器j的第k次测量，记为x_ijk。 

优选的，根据M_ij，σ_ij分别构造样本模式的真隶属度t_F(x)和假隶属度f_F(x)： 

真隶属度 $t_F\left(x\right)=\left\{\begin{array}{cc}\exp (-\frac{{(x-M_1)}^2}{{2\mathrm{\&sigma;}}_1^2})& x<M_1\\ 1& M_1\&le;x\&le;M_2\\ \exp (-\frac{{(x-M_2)}^2}{{2\mathrm{\&sigma;}}_2^2})& x>M_2\end{array}\right.$

假隶属度 $f_F\left(x\right)=\left\{\begin{array}{cc}1-\exp (-\frac{{(x-M_1)}^2}{{2\mathrm{\&sigma;}}_1{\mathrm{\&sigma;}}_2})& x<M_1\\ 0& M_1\&le;x\&le;M_2\\ 1-\exp (1-\frac{{(x-M_2)}^2}{{\mathrm{\&sigma;}}_1^2+{\mathrm{\&sigma;}}_2^2})& x>M_2\end{array}\right.$

优选的，上述步骤一中，进一步包括将待检模式的真、假隶属度函数记作t_w(x)：Ξ→[0，1]，f_w(x)：Ξ→[0，1]。 

其中，Ξ表示风力发发电机组的某以参数的特征空间，发电机振动位移的幅值，定义待检模式Ξ的真隶属度函数t_w(x)：Ξ→[0，1]，x∈Ξ，假隶属度函数f_w(x)：Ξ→[0，1]，x∈Ξ。 

优选的，上述步骤一中，获取待检模式的含糊证据为： 

其中，R_F和R_w分别是由如下两个公式定义的： 

R_F(t_F，f_F)＝{x∈Ξ：t_F≥ε，η≥f_F} 

R_w(t_w，f_w)＝{x∈Ξ：t_w≥ε，η≥f_w} 

ε和η是独立的并且服从区间[0，1]上的均匀分布的随机数； 

Pr_*和Pr^*分别表示 

的下概率和上概率，sup和inf分别是上确界算子和下确界算子，∧和∨分别是析取算子和合取算子，t_F(x)，f_F(x)，f_w(x)，t_w(x)分别是故障样本模式和待检模式的真、假隶属度函数。 

优选的，上述步骤二中，采取如下预先设置的判断规则对含糊证据进行处理： 

①判定故障模式有最大的BPA，并且还要大于0.6； 

②故障全空间的BPA要小于0.3； 

③最大BPA和次大BPA之差大于0.2。 

一种风力发电机组故障判断装置，包括获取模块、判断模块、输出模块， 用于通过获取故障模式信息并进行计算，通过融合得到含糊证据，并依据预先设置的判断规则对含糊证据进行处理，依据含糊证据输出其对应的故障类型。 

优选的，上述获取模块用于获取故障模式信息并进行计算，通过融合得到含糊证据。 

优选的，上述判断模块用于依据预先设置的判断规则对含糊证据进行处理。 

优选的，上述输出模块用于依据含糊证据输出其对应的故障类型。 

本发明提供的一种风力发电机组故障判断方法及装置，获取故障模式信息并进行计算，通过融合得到含糊证据，并依据预先设置的判断规则对含糊证据进行处理，依据含糊证据输出其对应的故障类型，进而实现提早发现风力发电机组可能出现的故障，有效降低了风力发电机的故障风险，有效保障风力发电机持续高效运行。 

附图说明

为了更清楚地说明本发明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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。 

图1是本发明实施例提供的风力发电机组故障判断方法流程图； 

图2是本发明实施例提供的风力发电机组故障判断装置示意图； 

图3是本发明实施例提供的获取模块内部结构示意图。 

具体实施方式

本发明实施例提供一种风力发电机组故障判断方法及装置，获取故障模式信息并进行计算，通过融合得到含糊证据，并依据预先设置的判断规则对含糊证据进行处理，依据含糊证据输出其对应的故障类型，进而实现提早发现风力 发电机组可能出现的故障，有效降低了风力发电机的故障风险，有效保障风力发电机持续高效运行。为使本发明的目的、技术方案及优点更加清楚明白，下面参照附图并举实施例，对本发明进一步详细说明。 

本发明实施例提供一种风力发电机组故障判断方法及装置，如图3所示，具体步骤包括： 

步骤一、获取故障模式信息并进行计算，通过融合得到含糊证据。 

具体而言，在本发明实施例中，进一步包含如下步骤： 

1，获取故障模式信息。 

具体而言，在本发明实施例中，将利用实验平台，模拟各种故障模式，在一定的时间间隔Δt内，对于故障模式F，利用多传感器(2-4个)连续多次(30-50次)采集故障模式F的信息，将多次采集结果作为一组，至少进行5组以上的测量。对于第i组传感器j的第k次测量，记为x_ijk。 

2，计算每一组数据的平均值及方差。 

具体而言，在本发明实施例中，对于上述步骤中获取的每一组数据，分别计算其平均值和方差。M_ij，σ_ij，i＝1，2，L，j＝1，2，L 

平均值计算公式： $M_{\mathrm{ij}}=\underset{k}{\mathrm{\&Sigma;}}{x}_{\mathrm{ijk}}/n$

方差计算公式： ${\mathrm{\&sigma;}}_{\mathrm{ij}}=\sqrt{\underset{k}{\mathrm{\&Sigma;}}{(x_{\mathrm{ijk}}-M_{\mathrm{ij}})}^2/n}$

n表示单传感器每一组的观测次数。对于第i组传感器j的第k次测量，记为x_ijk。 

3，构造样本模式的真隶属度及假隶属度。 

具体而言，在本发明实施例中，将根据M_ij，σ_ij分别构造样本模式的真隶属度t_F(x)和假隶属度f_F(x)。 

真隶属度 $t_F\left(x\right)=\left\{\begin{array}{cc}\exp (-\frac{{(x-M_1)}^2}{{2\mathrm{\&sigma;}}_1^2})& x<M_1\\ 1& M_1\&le;x\&le;M_2\\ \exp (-\frac{{(x-M_2)}^2}{{2\mathrm{\&sigma;}}_2^2})& x>M_2\end{array}\right.$

假隶属度 $f_F\left(x\right)=\left\{\begin{array}{cc}1-\exp (-\frac{{(x-M_1)}^2}{{2\mathrm{\&sigma;}}_1{\mathrm{\&sigma;}}_2})& x<M_1\\ 0& M_1\&le;x\&le;M_2\\ 1-\exp (1-\frac{{(x-M_2)}^2}{{\mathrm{\&sigma;}}_1^2+{\mathrm{\&sigma;}}_2^2})& x>M_2\end{array}\right.$

通过上述公式可获取故障待检模式对各种故障“为真”的支持程度和“为假”支持程度。 

4，获取待检模式的真、假隶属度函数。 

具体而言，在本发明实施例中，通过重复上述1-3步骤，得到待检模式的真、假隶属度函数。记作t_w(x)：Ξ→[0，1]，f_w(x)：Ξ→[0，1]。 

其中，Ξ表示风力发发电机组的某以参数的特征空间，例如发电机振动位移的幅值，定义待检模式Ξ的真隶属度函数t_w(x)：Ξ→[0，1]，x∈Ξ，假隶属度函数f_w(x)：Ξ→[0，1]，x∈Ξ。 

5，获取待检模式的含糊证据。 

具体而言，在本发明实施例中，通过定义基于概率似然现象随机集的置信测度和似真测度： 

以上两式得出证据理论的含糊证据BPA。 

其中，BPA为基本概率分配函数BPA(basic probability assignment)或者质量分配函数。 

R_F和R_w分别是由如下两个公式定义的： 

R_F(t_F，f_F)＝{x∈Ξ：t_F≥ε，η≥f_F} 

R_w(t_w，f_w)＝{x∈Ξ：t_w≥ε，η≥f_w} 

ε和η是独立的并且服从区间[0，1]上的均匀分布的随机数。 

Pr_*和Pr^*分别表示 

的下概率和上概率，sup和inf分别是上确界算子和下确界算子，∧和∨分别是析取算子和合取算子。 

t_F(x)，f_F(x)，f_w(x)，t_w(x)分别是故障样本模式和待检模式的真、假隶属度函数。 

具体而言，在本发明实施例中，将故障待检模式的真、假隶属度函数与故障知识库中的故障样本模式进行匹配，首先定义随机集的置信测度和似真测度，可以得到故障待检模式对各种故障“为真”的支持程度和“为假”支持程度，数学意义和物理意义上都可以将其作为证据理论的置信函数和似真函数，最后经过初级融合，进而得到各个证据的BPA。进而利用证据组合公式对各个故障信息进行融合。 

步骤二、依据预先设置的判断规则对含糊证据进行处理。 

具体而言，在本发明实施例中，采取如下预先设置的判断规则对含糊证据进行处理。 

(1)判定故障模式有最大的BPA，并且还要大于门限值，本文取0.6； 

(2)故障全空间的BPA要小于某一门限值，本文取0.3； 

(3)最大BPA和次大BPA之差大于某一门限值，本文取0.2。 

步骤三、依据含糊证据输出其对应的故障类型。 

具体而言，在本发明实施例中，是将故障待检模式的真、假隶属度函数与故障知识库中的故障样本模式进行匹配，首先定义随机集的置信测度和似真测度，可以得到故障待检模式对各种故障“为真”的支持程度和“为假”支持程度，数学意义和物理意义上都可以将其作为证据理论的置信函数和似真函数，最后经过初级融合，进而得到各个证据的BPA。进而利用证据组合公式对各个 故障信息进行融合。 

然后，依据一定的决策规则得出故障类型或者预测故障类型。 

具体而言，在本发明实施例中，基础技术路线是证据理论。证据理论的核心是其组合公式，假设m₁，m₂是定义在Θ上的两个质量函数，其组合公式如下： 

$m\left(A\right)=(m_1\&CirclePlus;m_2)\left(A\right)=\frac{\underset{\mathrm{BIC}=A}{\mathrm{\&Sigma;}}{m}_1\left(B\right)m_2\left(C\right)}{1-k}$

其中 

称为证据的冲突因子或者矛盾因子，反映了证据之间的关系。 

上述公式是基本概率组合公式。 

表示两条证据的合成，m₁(B)表示证据体1对证据B的支持度，m₂(C)表示证据体2对证据C的支持度。 

是把证据体1和证据体2的证据交集为A的求积再求和。 是把证据体1和证据体2的证据交集为空集的求积再求和。 

Θ代表证据的全空间，Ξ相当于Θ，也就是所有故障可能的全空间。 

另外，本发明实施例还提供一种风力发电机组故障判断装置装置。如图2所示，为本发明实施例提供的一种风力发电机组故障判断装置装置。 

一种风力发电机组故障判断装置，包括获取模块11、判断模块22、输出模块33。 

获取模块11，用于获取故障模式信息并进行计算，通过融合得到含糊证据。 

具体而言，在本发明实施例中，获取模块进一步包含： 

第一获取模块111，用于获取故障模式信息。 

具体而言，在本发明实施例中，将利用实验平台，模拟各种故障模式，在一定的时间间隔Δt内，对于故障模式F，利用多传感器(2-4个)连续多次(30-50 次)采集故障模式F的信息，将多次采集结果作为一组，至少进行5组以上的测量。对于第i组传感器j的第k次测量，记为x_ijk。 

计算模块112，用于计算每一组数据的平均值及方差。 

具体而言，在本发明实施例中，对于上述步骤中获取的每一组数据，分别计算其平均值和方差。M_ij，σ_ij，i＝1，2，L，j＝1，2，L 

平均值计算公式： $M_{\mathrm{ij}}=\underset{k}{\mathrm{\&Sigma;}}{x}_{\mathrm{ijk}}/n$

方差计算公式： ${\mathrm{\&sigma;}}_{\mathrm{ij}}=\sqrt{\underset{k}{\mathrm{\&Sigma;}}{(x_{\mathrm{ijk}}-M_{\mathrm{ij}})}^2/n}$

n表示单传感器每一组的观测次数。对于第i组传感器j的第k次测量，记为x_ijk。 

构造模块113，用于构造样本模式的真隶属度及假隶属度。 

具体而言，在本发明实施例中，将根据M_ij，σ_ij分别构造样本模式的真隶属度t_F(x)和假隶属度f_F(x)。 

真隶属度 $t_F\left(x\right)=\left\{\begin{array}{cc}\exp (-\frac{{(x-M_1)}^2}{{2\mathrm{\&sigma;}}_1^2})& x<M_1\\ 1& M_1\&le;x\&le;M_2\\ \exp (-\frac{{(x-M_2)}^2}{{2\mathrm{\&sigma;}}_2^2})& x>M_2\end{array}\right.$

假隶属度 $f_F\left(x\right)=\left\{\begin{array}{cc}1-\exp (-\frac{{(x-M_1)}^2}{{2\mathrm{\&sigma;}}_1{\mathrm{\&sigma;}}_2})& x<M_1\\ 0& M_1\&le;x\&le;M_2\\ 1-\exp (1-\frac{{(x-M_2)}^2}{{\mathrm{\&sigma;}}_1^2+{\mathrm{\&sigma;}}_2^2})& x>M_2\end{array}\right.$

通过上述公式可获取故障待检模式对各种故障“为真”的支持程度和“为假”支持程度。 

第二获取模块114，用于获取待检模式的真、假隶属度函数。 

具体而言，在本发明实施例中，通过重复上述1-3步骤，得到待检模式的真、假隶属度函数。记作t_w(x)：Ξ→[0，1]，f_w(x)：Ξ→[0，1]。 

其中，Ξ表示风力发发电机组的某以参数的特征空间，例如发电机振动位移的幅值，定义待检模式Ξ的真隶属度函数t_w(x)：Ξ→[0，1]，x∈Ξ，假隶属度函数f_w(x)：Ξ→[0，1]，x∈Ξ。 

第三获取模块115，用于获取待检模式的含糊证据。 

具体而言，在本发明实施例中，通过定义基于概率似然现象随机集的置信测度和似真测度： 

以上两式得出证据理论的含糊证据BPA。 

其中，BPA为基本概率分配函数BPA(basic probability assignment)或者质量分配函数。 

R_F和R_w分别是由如下两个公式定义的： 

R_F(t_F，f_F)＝{x∈Ξ：t_F≥ε，η≥f_F} 

R_w(t_w，f_w)＝{x∈Ξ：t_w≥ε，η≥f_w} 

ε和η是独立的并且服从区间[0，1]上的均匀分布的随机数。 

Pr_*和Pr^*分别表示 

的下概率和上概率，sup和inf分别是上确界算子和下确界算子，∧和∨分别是析取算子和合取算子。 

t_F(x)，f_F(x)，f_w(x)，t_w(x)分别是故障样本模式和待检模式的真、假隶属度函数。 

具体而言，在本发明实施例中，将故障待检模式的真、假隶属度函数与故障知识库中的故障样本模式进行匹配，首先定义随机集的置信测度和似真测度，可以得到故障待检模式对各种故障“为真”的支持程度和“为假”支持程度，数学意义和物理意义上都可以将其作为证据理论的置信函数和似真函数， 最后经过初级融合，进而得到各个证据的BPA。进而利用证据组合公式对各个故障信息进行融合。 

判断模块22，用于依据预先设置的判断规则对含糊证据进行处理。 

具体而言，在本发明实施例中，采取如下预先设置的判断规则对含糊证据进行处理。 

(1)判定故障模式有最大的BPA，并且还要大于门限值，本文取0.6； 

(2)故障全空间的BPA要小于某一门限值，本文取0.3； 

(3)最大BPA和次大BPA之差大于某一门限值，本文取0.2。 

输出模块33，用于依据含糊证据输出其对应的故障类型。 

具体而言，在本发明实施例中，是将故障待检模式的真、假隶属度函数与故障知识库中的故障样本模式进行匹配，首先定义随机集的置信测度和似真测度，可以得到故障待检模式对各种故障“为真”的支持程度和“为假”支持程度，数学意义和物理意义上都可以将其作为证据理论的置信函数和似真函数，最后经过初级融合，进而得到各个证据的BPA。进而利用证据组合公式对各个故障信息进行融合。 

然后，依据一定的决策规则得出故障类型或者预测故障类型。 

具体而言，在本发明实施例中，基础技术路线是证据理论。证据理论的核心是其组合公式，假设m₁，m₂是定义在Θ上的两个质量函数，其组合公式如下： 

$m\left(A\right)(m_1\&CirclePlus;m_2)\left(A\right)=\frac{\underset{\mathrm{BIC}=A}{\mathrm{\&Sigma;}}{m}_1\left(B\right)m_2\left(C\right)}{1-k}$

其中 称为证据的冲突因子或者矛盾因子，反映了证据之间的关系。 

上述公式是基本概率组合公式。 

表示两条证据的合成，m₁(B)表示证据体1对证据B的支持度，m₂(C)表示证据体2对证据C的支持度。 

是把证据体1和证据体2的证据交集为A的求积再求和。 

是把证据体1和证据体2的证据交集为空集的求积再求和。 

Θ代表证据的全空间，Ξ相当于Θ，也就是所有故障可能的全空间。 

本领域普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。 

另外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。 

综上所述，本文提供了一种风力发电机组故障判断方法及装置，获取故障模式信息并进行计算，通过融合得到含糊证据，并依据预先设置的判断规则对含糊证据进行处理，依据含糊证据输出其对应的故障类型，进而实现提早发现风力发电机组可能出现的故障，有效降低了风力发电机的故障风险，有效保障风力发电机持续高效运行。 

以上对本发明所提供的一种风力发电机组故障判断方法及装置进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方案；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。 

Claims (11)

1.一种风力发电机组故障判断方法，其特征在于，所述方法包括：

步骤一、获取故障模式信息并进行计算，通过融合得到含糊证据；

步骤二、依据预先设置的判断规则对含糊证据进行处理；

步骤三、依据含糊证据输出其对应的故障类型。

2.根据权利要求1所述的判断方法，其特征在于，所述步骤一中，获取故障模式信息为利用传感器连续采集，并将采集结果进行分组。

3.根据权利要求2所述的判断方法，其特征在于，对获取的每一组数据，分别计算其平均值和方差。M_ij，σ_ij，i＝1，2，L，j＝1，2，L

平均值计算公式： $M_{\mathrm{ij}}=\underset{k}{\mathrm{\&Sigma;}}{x}_{\mathrm{ijk}}/n$

方差计算公式： ${\mathrm{\&sigma;}}_{\mathrm{ij}}=\sqrt{\underset{k}{\mathrm{\&Sigma;}}{(x_{\mathrm{ijk}}-M_{\mathrm{ij}})}^2/n}$

n表示单传感器每一组的观测次数。对于第i组传感器j的第k次测量，记为x_ijk。

4.根据权利要求3所述的判断方法，其特征在于，根据M_ij，σ_ij分别构造样本模式的真隶属度t_F(x)和假隶属度f_F(x)：

真隶属度 $t_F\left(x\right)=\left\{\begin{array}{cc}\exp (-\frac{{(x-M_1)}^2}{{2\mathrm{\&sigma;}}_1^2})& x<M_1\\ 1& M_1\&le;x\&le;M_2\\ \exp (-\frac{{(x-M_2)}^2}{{2\mathrm{\&sigma;}}_2^2})& x>M_2\end{array}\right.$

假隶属度 $f_F\left(x\right)=\left\{\begin{array}{cc}1-\exp (-\frac{{(x-M_1)}^2}{{2\mathrm{\&sigma;}}_1{\mathrm{\&sigma;}}_2})& x<M_1\\ 0& M_1\&le;x\&le;M_2\\ 1-\exp (1-\frac{{(x-M_2)}^2}{{\mathrm{\&sigma;}}_1^2+{\mathrm{\&sigma;}}_2^2})& x>M_2\end{array}\right.$

5.根据权利要求1所述的判断方法，其特征在于，所述步骤一中，进一步包括将待检模式的真、假隶属度函数记作t_w(x)：Ξ→[0，1]，f_w(x)：Ξ→[0，1]

其中，Ξ表示风力发发电机组的某以参数的特征空间，发电机振动位移的幅值，定义待检模式Ξ的真隶属度函数t_w(x)：Ξ→[0，1]，x∈Ξ，假隶属度函数f_w(x)：Ξ→[0，1]，x∈Ξ。

6.根据权利要求1所述的判断方法，其特征在于，在所述步骤一中，获取待检模式的含糊证据为：

其中，R_F和R_w分别是由如下两个公式定义的：

R_F(t_F，f_F)＝{x∈Ξ：t_F≥ε，η≥f_F}

R_w(t_w，f_w)＝{x∈Ξ：t_w≥ε，η≥f_w}

ε和η是独立的并且服从区间[0，1]上的均匀分布的随机数；

Pr_*和Pr^*分别表示

的下概率和上概率，sup和inf分别是上确界算子和下确界算子，∧和∨分别是析取算子和合取算子，t_F(x)，f_F(x)，f_w(x)，t_w(x)分别是故障样本模式和待检模式的真、假隶属度函数。

7.根据权利要求1所述的判断方法，其特征在于，在所述步骤二中，采取如下预先设置的判断规则对含糊证据进行处理：

①判定故障模式有最大的BPA，并且还要大于0.6；

②故障全空间的BPA要小于0.3；

③最大BPA和次大BPA之差大于0.2。

8.一种风力发电机组故障判断装置，其特征在于，所述判断装置包括获取模块、判断模块、输出模块，用于通过获取故障模式信息并进行计算，通过融合得到含糊证据，并依据预先设置的判断规则对含糊证据进行处理，依据含糊证据输出其对应的故障类型。

9.根据权利要求8所述的判断装置，其特征在于，所述获取模块用于获取故障模式信息并进行计算，通过融合得到含糊证据。

10.根据权利要求8所述的判断装置，其特征在于，所述判断模块用于依据预先设置的判断规则对含糊证据进行处理。

11.根据权利要求8所述的判断装置，其特征在于，所述输出模块用于依据含糊证据输出其对应的故障类型。

Images