CN114330569A - 一种检测风机组部件故障的方法、设备及存储介质 - Google Patents

Abstract

本申请实施例提供的一种检测风机组部件故障的方法、设备及存储介质，方法包括：对风机SCADA系统获取的历史风机故障监测数据进行预处理后生成待分析数据。对待分析数据进行选取后获得第一故障数据；对第一故障数据进行筛选后获得第二故障数据。其中，第二故障数据为第一故障数据中对风机故障存在贡献的数据。基于标注了故障类型的历史风机故障监测数据、第二故障数据对预设的故障识别网络进行训练，以获得故障识别模型。在检测风机组部件故障时，将风机SCADA系统获取的实时监测数据输入到故障识别模型中，确定故障识别结果并进行告警。本申请实施例通过上述方法能够可以提高风电机组部件故障预警的精度和速度，极大地减少检修成本。

Description

一种检测风机组部件故障的方法、设备及存储介质

技术领域

本申请涉及风机组部件故障检测技术领域，尤其涉及一种检测风机组部件故障的方法、设备及存储介质。

背景技术

风能因其“绿色、无污染”的特质而受到青睐，但它易受复杂多变的环境影响，风机的各部分组件性能会在运行过程中逐渐下降，为避免故障的产生，有必要对风机关键部件进行故障的检测。

传统的风机状态监测通常使用专用设备或传感器进行数据采集和分析，然后评估风机部件的健康状况，这需要极大的额外成本，所以利用率不高。

发明内容

本申请实施例提供了一种检测风机组部件故障的方法、设备及存储介质，可以提高风电机组部件故障预警的精度和速度，解决了传统的风机状态监测设备检修成本高的技术问题。

第一方面，本申请实施例提供了一种检测风机组部件故障的方法，其特征在于，方法包括：获取风机SCADA系统中的历史风机故障监测数据，并对历史风机故障监测数据进行预处理，以生成待分析数据；基于历史风机故障监测数据对应的故障类型，对待分析数据进行选取，以获得第一故障数据；其中，第一故障数据包含与故障类型相关性大于第一预设阈值的所有待分析数据；对第一故障数据进行筛选，以获得第二故障数据；其中，第二故障数据为第一故障数据中对风机故障存在贡献的数据；基于标注了故障类型的历史风机故障监测数据、第二故障数据对预设的故障识别网络进行训练，以获得故障识别模型；在需要检测风机组部件故障的情况下，将风机SCADA系统获取的实时监测数据输入到故障识别模型中，确定故障识别结果，并根据故障识别结果进行告警。

本申请实施例提供的一种检测风机组部件故障的方法，首先将风机SCADA系统中的历史风机故障监测数据进行预处理，生成待分析数据，预处理可以将风机SCADA系统中的历史风机故障监测数据中错综复杂的数据，缺失的数据、异常数据、重复数据等进行优化调整，便于后续的数据处理。基于已知的故障类型，对待分析数据进行选取，筛选出与故障类型相关性大于第一预设阈值的所有相关数据以获得第一故障数据，再筛选出第一故障数据中对风机故障存在贡献的数据为第二故障数据。本申请实施例中，将待分析数据经过筛选后获得的第二故障数据可以保持与故障类型的高度相关性。将标注了故障类型的历史风机故障监测数据、第二故障数据对预设的故障识别网络进行训练，从而获得故障识别模型；在需要检测风机组部件故障的情况下，将风机SCADA系统获取的实时监测数据输入到故障识别模型中，确定故障识别结果并进行告警。本申请实施例通过上述方法可以提高风电机组部件故障预警的精度和速度，可以对风机SCADA实时监测的数据进行预测和并且可以与风机的故障诊断告警相结合，提高风机运行效率。

在本申请的一种实现方式中，基于历史风机故障监测数据对应的故障类型，对待分析数据进行选取，以获得第一故障数据，具体包括：确定历史风机故障发生的时间段，并确定在该时间段内对应的待分析数据为相关监测数据；基于故障类型，在相关监测数据中确定与故障类型具有相关性的若干个待分析数据数据；确定若干个待分析数据与故障类型的相关性大小，并将与故障类型相关性大于第一预设阈值的所有待分析数据确定为第一故障数据。

本申请实施例中通过确定历史风机故障发生的时间段，可以更加准确地确定与故障类型具有相关性的历史风机故障监测数据，然后再筛选出大于第一预设阈值的若干个历史风机故障监测数据，可以近一步提高历史风机故障监测数据与故障类型的相关性。

在本申请的一种实现方式中，对第一故障数据进行筛选，以获得第二故障数据，具体包括：通过主成分分析法，对第一故障数据进行风机故障贡献率计算，以确定第一故障数据中各数据的贡献率，并将贡献率大于第二预设阈值的数据确定为第三故障数据；其中，风机故障为风机故障历史监测数据对应的故障；基于K均值聚类算法，对第三故障数据进行异常数据剔除，以获得第二故障数据。

在本申请的一种实现方式中，基于K均值聚类算法，对第三故障数据进行异常数据剔除，以获得第二故障数据，具体包括：通过K均值聚类算法，对第三故障数据进行聚类，并确定对应的聚类评估指数；其中，聚类评估指数用于描述对第三故障数据的聚类效果；确定聚类评估指数小于第三预设阈值的聚类类别中包含的第三故障数据为异常数据；在第三故障数据中对异常数据进行剔除，以生成第二故障数据。

在本申请的一种实现方式中，基于标注了故障类型的历史风机故障监测数据、第二故障数据对预设的故障识别网络进行训练，以获得故障识别模型，具体包括：构建故障识别网络；其中，故障识别网络包括数据处理子网络与故障识别子网络；基于标注了故障类型的历史风机故障监测数据对数据处理子网络进行训练，以获得数据处理子模型；基于第二故障数据对故障识别子网络进行训练，以获得故障识别子模型；将数据处理子模型与故障识别子模型进行整合，以获得故障识别模型。

在本申请的一种实现方式中，方法还包括：对历史风机故障监测数据进行故障等级标注，以使训练获得的故障识别模型，在进行故障预测时能够确定对应的故障等级。

在本申请的一种实现方式中，在确定故障识别结果之后，方法还包括：确定故障识别结果中的包含的故障类型及对应的故障等级；基于故障类型及对应的故障等级，确定预设的告警方式进行告警。

在本申请的一种实现方式中，故障识别子网络采用支持向量机算法。

第二方面，本申请实施例还提供了一种检测风机组部件故障的设备，设备包括：处理器；及存储器，其上存储有可执行代码，当可执行代码被执行时，使得处理器执行如权利要求1-8任一项的一种方法。

第三方面，本申请实施例还提供了一种检测风机组部件故障的非易失性计算机存储介质，存储有计算机可执行指令，其特征在于，计算机可执行指令设置为：获取风机SCADA系统中的历史风机故障监测数据，并对历史风机故障监测数据进行预处理，以生成待分析数据；基于历史风机故障监测数据对应的故障类型，对待分析数据进行选取，以获得第一故障数据；其中，第一故障数据包含与故障类型相关性大于第一预设阈值的所有历史风机故障监测数据；对第一故障数据进行筛选，以获得第二故障数据；其中，第二故障数据包含对风机故障贡献率大于第二预设阈值的所有相关数据；基于标注了故障类型的历史风机故障监测数据、第二故障数据对预设的故障识别网络进行训练，以获得故障识别模型；在需要检测风机组部件故障的情况下，将风机SCADA系统获取的实时监测数据输入到故障识别模型中，确定故障识别结果，并根据故障识别结果进行告警。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本申请实施例提供的一种检测风机组部件故障的方法流程图；

图2为本申请实施例提供的一种检测风机组部件故障的设备内部结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请实施例提供了一种检测风机组部件故障的方法、设备及存储介质，可以提高风电机组部件故障预警的精度和速度，解决了传统的风机状态监测设备检修成本高的技术问题。

下面通过附图对本申请实施例提出的技术方案进行详细的说明。

图1为本申请实施例提供的一种检测风机组部件故障的方法流程图。如图1所示，本申请实施例提供的一种检测风机组部件故障的方法，主要包括以下步骤：

步骤101、获取风机SCADA系统中的历史风机故障监测数据，并对历史风机故障监测数据进行预处理，以生成待分析数据。

在本申请的一个实施例中，由于监控与数据采集(Supervisory Control AndData Acquisition，SCADA)系统能够对生产设备运行状态实现实时的数据监测并能够对监测到的数据进行统计生成历史风机故障监测数据。因此使该系统作为风机状态监测系统的重要组成部分，能够提供风机状态和风机组部件运行状态的监测数据；其中，风机SCADA系统实时监测的数据包括风速、有功功率、风机当前状态等关键内容，可以用历史风机故障监测数据对风机状态进行统计分析，得到风速平均值、有功功率平均值、无功功率平均值等数值。通常情况下，经过风机SCADA系统统计后的历史风机故障监测数据错综复杂，包含数据众多，常存在缺失数据、异常数据、重复数据等，因此需要对该历史风机故障监测数据进行预处理。

在本申请的一个实施例中，对历史风机故障监测数据进行预处理时，包括填写缺失的数据、光滑噪声数据、删除个别呈现不一致趋势的数据和重复数据。需要需要说明的是，填写缺失的数据、光滑噪声数据、删除个别呈现不一致趋势的数据和重复数据的过程可以分别采用对应的现有技术，本申请在此不做限定。

在本申请的一个实施例中，将预处理后的历史风机故障监测数据作为待分析数据进行后续的分析。

步骤102、基于历史风机故障监测数据对应的故障类型，对待分析数据进行选取，以获得第一故障数据。

在本申请的一个实施例中，首先需要说明的是，由于历史风机故障监测数据对应的风机故障事件为已知事件，因此，历史风机故障监测数据对应的故障类型已知。因此，可以直接基于该故障类型，对待分析数据进行分类选取，即确定每种故障以及与每种故障相关的待分析数据。

具体地，在任意一种故障所发生的时间段，通过回归算法，判断在该时间段内的待分析数据中有哪些数据与该种故障具有相关性。需要说明的是，具体的采用哪种回归算法本申请在此不做限定，可根据不同的故障类型采用不同的回归算法进行相关性判断。其中，可以预先设定第一预设阈值来作为判断待分析数据与故障类型相关性的衡量标准。以此类推，直到判断完成所有的故障类型为止，将判断完所有故障类型并且大于第一预设阈值的所有待分析数据确定为第一故障数据。

需要说明的是，第一预设阈值可以根据不同的故障类型选定不同的数值，也可以对所有的故障类型对应的第一预设阈值设置相同的数值。

在本申请的一个实施例中，对历史风机故障监测数据进行故障等级标注，可以设置为一级故障、二级故障、三级故障等。

步骤103、对第一故障数据进行筛选，以获得第二故障数据。

在本申请的一个实施例中，经过主成分分析法，对每种故障对应的大于第一预设阈值的第一故障数据进行风机故障贡献率的计算，即判断第一故障数据中的每个数据对该种故障的影响力大小。

具体地，可以预先设定第二预设阈值来作为判断第一故障数据中的每个数据对故障类型贡献的衡量标准。通过主成分分析法，计算第一故障数据中各数据对该故障的风机故障贡献率，并筛选出该第一故障数据中对该故障的风机故障贡献率大于第二预设阈值的数据。以此类推，直到判断完成所有的故障类型为止，将判断完所有故障类型并且贡献率大于第二预设阈值的所有第一故障数据确定为第三故障数据。

在本申请的一个实施例中，由于确定第三故障数据之后，还需进一步提高每种故障对应的第三故障数据中的每个数据的精准度。

具体地，可以通过K均值聚类算法，将任意一种故障对应的大于第二预设阈值的第三故障数据进行聚类，并确定对应的聚类评估指数。其中，聚类评估指数用于描述对第三故障数据的聚类效果。本申请实施例预先设定了第三预设阈值来作为判断第三故障数据中的数据之间的聚类效果。确定聚类评估指数小于第三预设阈值的聚类类别中包含的第三故障数据为异常数据；在第三故障数据中对异常数据进行剔除，以生成第二故障数据。以此类推，直到判断完成所有的故障类型为止，将判断完所有故障类型并且聚类评估指数大于第三预设阈值的所有第三故障数据确定为第二故障数据。

步骤104、基于标注了故障类型的历史风机故障监测数据、第二故障数据对预设的故障识别网络进行训练，以获得故障识别模型。

需要说明的是，本申请实施例在对故障识别网络训练之前还会对已知风机故障事件对应的历史风机故障监测数据进行故障类型和故障等级标注，以使训练得到的故障识别模型不仅可以判断风机SCADA系统获取的实时监测数据中隐含故障的故障类型，且对故障的等级进行判断。

在本申请的一个实施例中基于标注了故障类型和故障等级的历史风机故障监测数据、第二故障数据对预设的故障识别网络进行训练，首先需要构建一个故障识别网络；其中，该故障识别网络包括数据处理子网络与故障识别子网络。需要说明的是，标注了故障类型和故障等级的历史风机故障监测数据用于对该数据处理子网络进行训练，以获得数据处理子模型；处理获得的第二故障数据用于对故障识别子网络进行训练，以获得故障识别子模型。

在本申请的一个实施例中，故障识别子网络可以采用支持向量机算法。

进一步地，将数据处理子模型与故障识别子模型进行整合，以获得故障识别模型。

可以理解的是，训练后得到的故障识别模型，在不需要对风机部件的机械结构有深入的了解的情况下，就可以对风机SCADA实时监测的数据进行预测和并且可以与风机的故障诊断告警相结合，以实现风机故障诊断与告警的有效手段。

步骤105、在需要检测风机组部件故障的情况下，将风机SCADA系统获取的实时监测数据输入到故障识别模型中，确定故障识别结果，并根据故障识别结果进行告警。

在本申请的一个实施例中，由于风机SCADA系统具有实时监测的功能，因此，在需要检测风机组部件故障的情况下，将风机SCADA系统获取的实时监测数据传输到故障识别模型中，以确定故障识别的结果。可以理解的是，确定的故障分类结果中包含实时监测数据的故障类型及对应的故障等级。基于故障类型及对应的故障等级，应用预设的告警方式进行告警；其中，告警方式可以基于具体的应用环境进行选择，本申请在此不做限定。

可以理解的是，结合风机故障识别结果中的故障类型与故障等级以及运行人员的经验，可以有效防止事故并且减少非计划停机，极大地提高风机的运行效率。

基于同样的发明构思，本申请实施例还提供了一种检测风机组部件故障的设备，其内部结构如图2所示。

图2为本申请实施例提供的一种检测风机组部件故障的设备内部结构示意图。如图2所示，设备包括：处理器201；存储器202，其上存储有可执行指令，当可执行指令被执行时，使得处理器201执行如上述的一种检测风机组部件故障的方法。

在本申请的一个实施例中，处理器201用于获取风机SCADA系统中的历史风机故障监测数据，并对历史风机故障监测数据进行预处理，以生成待分析数据；基于历史风机故障监测数据的故障类型，对待分析数据进行选取，以获得第一故障数据；其中，第一故障数据包含与故障类型相关性大于第一预设阈值的所有待分析数据；通过主成分分析法，对第一故障数据进行筛选，以获得第二故障数据；其中，第二故障数据为第一故障数据中对风机故障存在贡献的数据；基于标注了故障类型的历史风机故障监测数据、第二故障数据对预设的故障识别网络进行训练，以获得故障识别模型；在需要检测风机组部件故障的情况下，将风机SCADA系统获取的实时监测数据输入到故障识别模型中，确定故障识别结果，并根据故障识别结果进行告警。

本申请的一些实施例提供的对应于图1的一种检测风机组部件故障的非易失性计算机存储介质，存储有计算机可执行指令，计算机可执行指令设置为：

获取风机SCADA系统中的历史风机故障监测数据，并对历史风机故障监测数据进行预处理，以生成待分析数据；

基于历史风机故障监测数据的故障类型，对待分析数据进行选取，以获得第一故障数据；其中，第一故障数据包含与故障类型相关性大于第一预设阈值的所有待分析数据；

通过主成分分析法，对第一故障数据进行筛选，以获得第二故障数据；其中，第二故障数据为第一故障数据中对风机故障存在贡献的数据；

基于标注了故障类型的历史风机故障监测数据、第二故障数据对预设的故障识别网络进行训练，以获得故障识别模型；

在需要检测风机组部件故障的情况下，将风机SCADA系统获取的实时监测数据输入到故障识别模型中，确定故障识别结果，并根据故障识别结果进行告警。

本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于物联网设备和介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本申请实施例提供的系统和介质与方法是一一对应的，因此，系统和介质也具有与其对应的方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述系统和介质的有益技术效果。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

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。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种检测风机组部件故障的方法，其特征在于，所述方法包括：

获取风机SCADA系统中的历史风机故障监测数据，并对所述历史风机故障监测数据进行预处理，以生成待分析数据；

基于所述历史风机故障监测数据对应的故障类型，对所述待分析数据进行选取，以获得第一故障数据；其中，所述第一故障数据包含与所述故障类型相关性大于第一预设阈值的所有待分析数据；

对所述第一故障数据进行筛选，以获得第二故障数据；其中，所述第二故障数据为第一故障数据中对风机故障存在贡献的数据；

基于标注了故障类型的所述历史风机故障监测数据、所述第二故障数据对预设的故障识别网络进行训练，以获得故障识别模型；

在需要检测风机组部件故障的情况下，将所述风机SCADA系统获取的实时监测数据输入到所述故障识别模型中，确定故障识别结果，并根据所述故障识别结果进行告警。

2.根据权利要求1所述的一种检测风机组部件故障的方法，其特征在于，基于所述历史风机故障监测数据对应的故障类型，对所述待分析数据进行选取，以获得第一故障数据，具体包括：

确定历史风机故障发生的时间段，并确定在所述时间段内对应的待分析数据为相关监测数据；

基于所述故障类型，在所述相关监测数据中确定与所述故障类型具有相关性的若干个待分析数据；

确定所述若干个待分析数据与所述故障类型的相关性大小，并将与所述故障类型相关性大于第一预设阈值的所有待分析数据确定为第一故障数据。

3.根据权利要求1所述的一种检测风机组部件故障的方法，其特征在于，对所述第一故障数据进行筛选，以获得第二故障数据，具体包括：

通过主成分分析法，对所述第一故障数据进行风机故障贡献率计算，以确定所述第一故障数据中各数据的贡献率，并将贡献率大于第二预设阈值的数据确定为第三故障数据；其中，所述风机故障为所述风机故障历史监测数据对应的故障；

基于K均值聚类算法，对所述第三故障数据进行异常数据剔除，以获得第二故障数据。

4.根据权利要求3所述的一种检测风机组部件故障的方法，其特征在于，基于K均值聚类算法，对所述第三故障数据进行异常数据剔除，以获得第二故障数据，具体包括：

通过K均值聚类算法，对所述第三故障数据进行聚类，并确定对应的聚类评估指数；其中，所述聚类评估指数用于描述对所述第三故障数据的聚类效果；

确定所述聚类评估指数小于第三预设阈值的聚类类别中包含的第三故障数据为异常数据；

在所述第三故障数据中对所述异常数据进行剔除，以生成第二故障数据。

5.根据权利要求1所述的一种检测风机组部件故障的方法，其特征在于，基于标注了故障类型的所述历史风机故障监测数据、所述第二故障数据对预设的故障识别网络进行训练，以获得故障识别模型，具体包括：

构建故障识别网络；其中，所述故障识别网络包括数据处理子网络与故障识别子网络；

基于标注了故障类型的所述历史风机故障监测数据对所述数据处理子网络进行训练，以获得数据处理子模型；

基于所述第二故障数据对所述故障识别子网络进行训练，以获得故障识别子模型；

将所述数据处理子模型与所述故障识别子模型进行整合，以获得故障识别模型。

6.根据权利要求要求1所述的一种检测风机组部件故障的方法，其特征在于，所述方法还包括：

对所述历史风机故障监测数据进行故障等级标注，以使训练获得的所述故障识别模型，在进行故障预测时能够确定对应的故障等级。

7.根据权利要求要求6所述的一种检测风机组部件故障的方法，其特征在于，在确定故障识别结果之后，所述方法还包括：

确定所述故障识别结果中的包含的故障类型及对应的故障等级；

基于所述故障类型及对应的故障等级，确定预设的告警方式进行告警。

8.根据权利要求5所述的一种检测风机组部件故障的方法，其特征在于，所述故障识别子网络采用支持向量机算法。

9.一种检测风机组部件故障的设备，其特征在于，所述设备包括：

处理器；

及存储器，其上存储有可执行代码，当所述可执行代码被执行时，使得所述处理器执行如权利要求1-8任一项所述的一种方法。

10.一种检测风机组部件故障的非易失性计算机存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令设置为：

获取风机SCADA系统中的历史风机故障监测数据，并对所述历史风机故障监测数据进行预处理，以生成待分析数据；

基于所述历史风机故障监测数据对应的故障类型，对所述待分析数据进行选取，以获得第一故障数据；其中，所述第一故障数据包含与所述故障类型相关性大于第一预设阈值的所有待分析数据；

对所述第一故障数据进行筛选，以获得第二故障数据；其中，所述第二故障数据为第一故障数据中对风机故障存在贡献的数据；

基于标注了故障类型的所述历史风机故障监测数据、所述第二故障数据对预设的故障识别网络进行训练，以获得故障识别模型；

在需要检测风机组部件故障的情况下，将所述风机SCADA系统获取的实时监测数据输入到所述故障识别模型中，确定故障识别结果，并根据所述故障识别结果进行告警。

Images