本公開涉及風力發電領域，更具體地，涉及一種風電機組的葉片故障診斷方法、診斷裝置及電子設備。

背景技術：

1、目前，風電機組的葉片損傷問題是風電機組葉片設計、制造、運行中所關注的一項重要內容。風電機組本身所處環境的氣候條件惡劣且全天處于交變載荷下運行，導致風機部件比較容易損壞，而風電行業的快速發展對故障監督和診斷技術提出了更加嚴格的要求。

2、現有的針對風電機組的葉片故障診斷主要分為兩種，一種是將相干性分析方法與非線性動力學方法結合，對葉片振動信號的故障特征進行提取，然后將提取過的特征進行數據預處理和統計分析，并通過xgboost預訓練模型判斷三只葉片的差異性實現故障診斷。另一種是對葉片振動信號，通過時域、頻域、時頻域信號處理方法實現降噪和故障特征提取，或通過信號處理方法降噪后與非線性動力學方法結合實現故障特征提取，然后將提取過的特征進行數據預處理和統計分析，并通過xgboost預訓練模型判斷三只葉片的差異性實現故障診斷。

3、上述兩種方法僅通過從單一方法獲取葉片振動信號的特征值，并對特征值進行處理。然而，不同種類的葉片以及在各種工況下的葉片差異性較大，上述兩種方法在此情況下泛化性較差，且誤報率和漏報率較高。

技術實現思路

1、為此，本公開提供一種風電機組的葉片故障診斷方法、診斷裝置及電子設備，以降低葉片故障診斷的誤報率和漏報率。

2、本公開的第一方面提供一種風電機組的葉片故障診斷方法，所述葉片故障診斷方法包括：獲取風電機組的葉片振動信號；計算所述葉片振動信號的多種故障特征值；基于所述多種故障特征值，通過多種故障診斷模型確定多種故障診斷結果；通過對所述多種故障診斷結果進行融合來確定融合故障診斷結果；基于所述融合故障診斷結果進行葉片故障診斷。

3、可選地，所述葉片振動信號包括揮舞振動信號和擺振振動信號；其中，計算所述葉片振動信號的多種故障特征值，包括：基于所述揮舞振動信號和所述擺振振動信號，計算反映所述揮舞振動信號和所述擺振振動信號之間的相干性的第一故障特征值；基于所述揮舞振動信號或所述擺振振動信號，計算反映所述揮舞振動信號或所述擺振振動信號的時頻域特征的第二故障特征值。

4、可選地，基于所述多種故障特征值，通過多種的故障診斷模型確定多種故障診斷結果，包括：基于第一故障特征值，通過預訓練的相干性診斷模型來確定相干性診斷結果；基于第二故障特征值，通過預訓練的時頻域診斷模型來確定時頻域診斷結果。

5、可選地，通過對所述多種故障診斷結果進行融合來確定融合故障診斷結果，包括：根據所述相干性診斷結果、所述相干性診斷模型的精確率和召回率、所述時頻域診斷結果、所述時頻域診斷模型的精確率和召回率，確定所述融合故障診斷結果。

6、可選地，根據所述相干性診斷結果、所述相干性診斷模型的精確率和召回率、所述時頻域診斷結果、所述時頻域診斷模型的精確率和召回率，確定所述融合故障診斷結果，包括：計算第一乘積與第一和值的第一比值，其中，第一乘積為所述相干性診斷模型的精確率和召回率的和值與所述相干性診斷結果的乘積，第一和值為所述相干性診斷模型的精確率和召回率與所述時頻域診斷模型的精確率和召回率的和值；計算第二乘積與所述第一和值的第二比值，其中，第二乘積為所述時頻域診斷模型的精確率和召回率的和值與所述時頻域診斷結果的乘積；根據所述第一比值與所述第二比值的和值確定所述融合故障診斷結果。

7、可選地，通過以下步驟對所述相干性診斷模型進行訓練：從預設的相干性特征數據庫中，選取相干性訓練特征，所述相干性訓練特征對于同一風電機組的每只葉片的特征值分布異常；根據所述相干性訓練特征對于至少一個風電機組的每只葉片的特征值的四分位數，確定第一目標訓練特征值；利用所述第一目標訓練特征值對所述相干性診斷模型進行訓練。

8、可選地，所述第一目標特征值包括第一訓練特征值、第二訓練特征值以及第三訓練特征值；其中，根據所述相干性訓練特征對于至少一個風電機組的每只葉片的特征值的四分位數，確定第一目標訓練特征值，包括：將所述相干性訓練特征對于同一風電機組的每只葉片的特征值排序；確定每只葉片的特征值的四分位數，其中，四分位數包括第一四分位數、第二四分位數以及第三四分位數；計算每只葉片的第一四分位數之間的第一差值，并將最大的第一差值與最大的第一四分位數的比值作為所述第一訓練特征值；計算每只葉片的第二四分位數之間的第二差值，并將最大的第二差值與最大的第二四分位數的比值作為所述第二訓練特征值；計算每只葉片的第三四分位數之間的第三差值，并將最大的第三差值與最大的第三四分位數的比值作為所述第三訓練特征值。

9、可選地，通過以下步驟建立所述相干性特征數據庫：獲取訓練揮舞振動信號和訓練擺振振動信號；根據風電機組的轉速數據和偏航數據對獲取的訓練揮舞振動信號和訓練擺振振動信號進行篩選；計算篩選后的訓練揮舞振動信號和訓練擺振振動信號之間的相干系數，并基于所述相干系數確定相干性特征的多種特征值；根據相干性特征及其對應的多種特征值建立所述相干性特征數據庫。

10、可選地，通過以下步驟對所述時頻域診斷模型進行訓練：從預設的時頻域特征數據庫中，選取時頻域訓練特征，所述時頻域訓練特征對于同一風電機組的每只葉片的特征值分布異常；根據所述時頻域訓練特征對于至少一個風電機組的每只葉片的特征值的均值和/或標準差確定第二目標訓練特征值；利用所述第二目標訓練特征值對所述時頻域診斷模型進行訓練。

11、可選地，所述第二目標訓練特征值包括第四訓練特征值和第五訓練特征值；其中，根據所述時頻域訓練特征對于至少一個風電機組的每只葉片的特征值的均值和/或標準差確定第二目標訓練特征值，包括：確定所述時頻域訓練特征對于同一風電機組的每只葉片的特征值的平均值和/或標準差；計算每只葉片的特征值的平均值之間的第四差值，并將最大的第四差值與最大的平均值的比值作為所述第四訓練特征值；或者計算每只葉片的特征值的標準差之間的第五差值，并將最大的第五差值與最大的標準差的比值作為所述第五訓練特征值。

12、可選地，通過以下步驟建立所述時頻域特征數據庫，包括：獲取訓練揮舞振動信號或訓練擺振振動信號；根據風電機組的轉速數據和偏航數據對獲取的訓練揮舞振動信號或訓練擺振振動信號進行篩選；根據篩選后的訓練揮舞振動信號或訓練擺振振動信號計算頻域特征的多種特征值；根據時頻域特征及其對應的多種特征值建立所述時頻域特征數據庫。

13、可選地，基于所述融合故障診斷結果進行葉片故障診斷，包括：響應于所述融合故障診斷結果滿足預設條件，確定出現葉片故障。

14、可選地，所述葉片故障診斷方法還包括：獲取與所述葉片振動信號對應的風電機組的轉速數據和偏航數據；基于所述轉速數據和偏航數據對所述葉片振動信號進行篩選得到第一篩選振動信號；選取所述第一篩選振動信號中符合數據質量檢測條件的第二篩選振動信號；對所述第二篩選振動信號進行降采樣或補零以得到目標振動信號，其中，計算所述葉片振動信號的多種故障特征值，包括：計算所述目標振動信號的多種故障特征值。

15、本公開的第二方面提供一種風電機組的葉片故障診斷裝置，所述葉片故障診斷裝置包括：信號獲取單元，被配置為獲取風電機組的葉片振動信號；特征值確定單元，被配置為計算所述葉片振動信號的多種故障特征值；診斷結果確定單元，被配置為基于所述多種故障特征值，通過多種故障診斷模型確定多種故障診斷結果；融合故障診斷結果確定單元，被配置為通過對所述多種故障診斷結果進行融合來確定融合故障診斷結果；故障確定單元，被配置為基于所述融合故障診斷結果進行葉片故障診斷。

16、本公開的第三方面提供一種存儲有計算機程序的計算機可讀存儲介質，其中，當所述計算機程序被處理器執行時，實現如上所述的風電機組的葉片故障診斷方法。

17、本公開的第四方面提供一種電子設備，包括：至少一個處理器；至少一個存儲器，存儲有計算機程序，當所述計算機程序被所述至少一個處理器執行時，實現如上所述的風電機組的葉片故障診斷方法。

18、根據本公開的風電機組的葉片故障診斷方法、診斷裝置及電子設備，通過計算風電機組的葉片振動信號的多種故障特征值，基于多種故障特征值和多種故障診斷模型確定多種故障診斷結果，并且將多種故障診斷結果融合得到最終的診斷結果用于葉片故障診斷，能夠實現多維度的融合診斷，解決現有葉片故障診斷方法泛化性差的問題，并且提高葉片故障診斷的準確率。