本发明涉及风电机组故障诊断领域，具体提供一种风机故障预警方法、控制和介质。
背景技术：
1、随着风能的重视，风电机组的铺设越来越多。其中风电机组的广泛铺设带来了高昂的维护成本，尤其因为风电机组通常安装在交通不便的偏远地区或近海地区，机舱一般安装在距离地面数十米甚至上百米的高空，所以哪怕监测到故障，其维修的特点往往是滞后的以及伴随着高昂的维修成本。
2、那么如果可以预先预测风电机组的故障，就可以提前响应并且对相应的风电机组进行处理，就会节省很多维修成本以及时间。但是现有技术中，风电机组的故障难以进行预测。
3、相应地，本领域需要一种新的风力发电机早期故障预警方案来解决上述问题。
技术实现思路
1、为了克服上述缺陷，提出了本发明，以提供解决或至少部分地解决现有技术中的风电机组故障难以预测的技术问题。
2、在第一方面，本发明提供一种风机故障预警方法，包括：获取风机正常运行时的第一状态数据，其中所述第一状态数据包括多个状态变量对应的数据；基于所述第一状态数据得到至少一个第一状态变量，其中所述第一状态变量为与发电机温度关联度满足预设条件的状态变量；获取风机运行时包括对应所述第一状态变量的第三状态数据，并从所述第三状态数据中提取特征，得到第二本征模型分量；将所述第二本征模型分量输入至已训练好的故障预测神经网络中，得到预测发电机温度，并根据所述预测发电机温度以及对应预测发电温度的真实发电机温度对风机故障进行预测。。
3、作为以上方案的替代或补充，在根据本发明一实施例的方法中，所述基于第一状态数据得到至少一个第一状态变量，包括：对所述第一状态数据进行预处理得到第二状态数据；从所述第二状态数据中获取至少一个第一状态变量，其中所述第一状态变量为与发电机温度关联度满足预设条件的状态变量。
4、作为以上方案的替代或补充，在根据本发明一实施例的方法中，所述从所述第二状态数据中获取至少一个第一状态变量，包括：分别计算发电机温度与不同所述状态变量之间的灰色关联系数，得到对应状态变量的第一灰色关联系数；获取对应所述状态变量的权重，并基于所述权重调整相应的第一灰色关联系数，得到第二灰色关联系数；将所述第二灰色关联系数进行排序，取其中满足第一预设条件的第二灰色关联系数对应的状态变量为第一状态变量。
5、作为以上方案的替代或补充，在根据本发明一实施例的方法中，所述获取对应所述状态变量的权重，并基于所述权重调整相应的第一灰色关联系数，得到第二灰色关联系数，包括：使用熵权法根据对所述状态变量进行评估，得到对应所述状态变量的权重；将所述权重对相应的第一灰色关联系数进行加权，得到与状态变量相对应的第二灰色关联系数。
6、作为以上方案的替代或补充，在根据本发明一实施例的方法中，所述从所述第三状态数据中提取特征，得到第二本征模型分量，包括：对所述第三状态数据进行多次分解，在每次分解时在所述第三状态数据中加入白噪声，并从每次分解中提取第一本征模型分量；基于所述第一本征模型分量，得到第二本征模型分量，其中所述第二本征模型分量是基于所述第一本征模型分量平均得到的。
7、作为以上方案的替代或补充，在根据本发明一实施例的方法中，所述对所述第一状态数据进行预处理得到第二状态数据，包括：对所述第一状态数据进行归一化，得到第二状态数据。
8、作为以上方案的替代或补充，在根据本发明一实施例的方法中，所述故障预测神经网络包括自注意力层以及隐藏层，所述将所述第二本征模型分量输入至已训练好的故障预测神经网络中，得到预测发电机温度，包括：将所述第二本征模型分量输入至所述自注意力层以对所述第二本征模型分量的时间序列中的权重进行加权，得到第一特征向量；将所述第一特征向量输入至隐藏层中，得到第二特征向量；基于所述第二特征向量以及隐藏层中的权重矩阵，得到查询矩阵、数值矩阵以及键值矩阵；基于所述查询矩阵、所述数值矩阵以及所述键值矩阵，得到注意力矩阵；使用所述注意力矩阵对查询矩阵、所述数值矩阵以及所述键值矩阵进行矩阵拼接，得到预测发电机温度。
9、作为以上方案的替代或补充，在根据本发明一实施例的方法中，根据所述预测发电机温度以及对应预测发电温度的真实发电机温度对风机故障进行预测，包括：根据所述预测发电机温度以及所述真实发电机温度，得到两者间的残差；基于离线样本和在线样本分别得到第一近邻数和第二近邻数，其中第一近邻数与离线样本中的数据点样本相对应，第二近邻数与在线样本中的数据点样本相对应，其中在线样本中的数据点样本包括：对应第三状态数据的预测发电机温度与真实发电机温度之间的残差，其中第一近邻数中包括多个k值，其中k值与离线样本中的数据点样本相对应，第二近邻数包括多个m值，其中每个m值与在线样本中的数据点样本相对应，其中k和m均为正整数；基于所述第一近邻数得到静态阈值分量，并且基于第二近邻数得到动态阈值分量，并计算所述静态阈值分量和所述动态阈值分量的平均值，得到告警上限以及告警下限，其中所述静态阈值分量用于表示风机正常状态下的平均近邻距离，其中所述动态阈值分量包括第一动态分量以及第二动态分量，其中所述第一动态分量用于得到所述告警上限，所述第二动态分量用于得到所述告警下限；根据以第二近邻数计算残差得到的近邻距离是否在告警上限以及告警下限所对应的区间中对风机故障进行预测。
10、作为以上方案的替代或补充，在根据本发明一实施例的方法中，所述基于离线样本和在线样本分别得到第一近邻数和第二近邻数，包括：根据所述离线样本以及k值，至少得到与离线样本中数据点样本近邻距离依次远离的第一阶梯样本以及第二阶梯样本，其中所述第一阶梯样本以及所述第二阶梯样本中至少包括大于等于k值的数据点样本，其中k值为变量；分别计算离线样本中数据点样本与第一阶梯样本和第二阶梯样本的近邻距离，得到第一近邻距离和第二近邻距离，其中所述第一近邻距离对应第一阶梯样本，所述第二近邻距离对应第二阶梯样本；根据所述第一近邻距离以及所述第二近邻距离，得到分离度；给所述k值赋值并计算分离度直至分离度满足预设要求，得到离线样本中数据点的满足预设要求的k值，并整合所述预设条件的k值，得到第一近邻数。
11、在第二方面，提供一种控制装置，该控制装置包括处理器和存储装置，所述存储装置适于存储多条计算机程序，所述计算机程序适于由所述处理器加载并运行以执行上述风机故障预警方法的技术方案中任一项技术方案所述的风机故障预警方法。
12、在第三方面，提供一种计算机可读存储介质，该计算机可读存储介质其中存储有多条计算机程序，所述计算机程序适于由处理器加载并运行以执行上述风机故障预警方法的技术方案中任一项技术方案所述的风机故障预警方法。
13、本发明上述一个或多个技术方案，至少具有如下一种或多种
14、有益效果：
15、在实施本发明的技术方案中，通过获取风电机组正常运行时的多个状态变量数据，并从这些状态变量中选取与发电机温度关联度高的状态变量。之后基于状态变量和实时数据形成第二本征模型分量。之后第二本征模型分量被输入到一个已训练好的神经网络中，进行故障预测。本技术通过对状态变量进行筛选，并综合运用特征提取和机器学习方法。使神经网络能够更加将注意力集中在筛选出的状态变量中，显著提高了预测模型的反应速度和精度，从而有效提升了风电机组故障的预警准确率。
1.一种风机故障预警方法，其特征在于，包括：
2.根据权利要求1所述的风机故障预警方法，其特征在于，所述基于第一状态数据得到至少一个第一状态变量，包括：
3.根据权利要求2所述的风机故障预警方法，其特征在于，所述从所述第二状态数据中获取至少一个第一状态变量，包括：
4.根据权利要求3所述的风机故障预警方法，其特征在于，所述获取对应所述状态变量的权重，并基于所述权重调整相应的第一灰色关联系数，得到第二灰色关联系数，包括：
5.根据权利要求1-4中任意一项所述的风机故障预警方法，其特征在于，所述故障预测神经网络包括自注意力层以及隐藏层，所述将所述第二本征模型分量输入至已训练好的故障预测神经网络中，得到预测发电机温度，包括：
6.根据权利要求1所述的风机故障预警方法，其特征在于，所述从所述第三状态数据中提取特征，得到第二本征模型分量，包括：
7.根据权利要求1所述的风机故障预警方法，其特征在于，根据所述预测发电机温度以及对应预测发电温度的真实发电机温度对风机故障进行预测，包括：
8.根据权利要求7所述的风机故障预警方法，其特征在于，所述基于离线样本和在线样本分别得到第一近邻数和第二近邻数，包括：
9.一种控制装置，包括处理器和存储装置，所述存储装置适于存储多条计算机程序，其特征在于，所述计算机程序适于由所述处理器加载并运行以执行权利要求1至8中任一项所述的风机故障预警方法。
10.一种计算机可读存储介质，其中存储有多条计算机程序，其特征在于，所述计算机程序适于由处理器加载并运行以执行权利要求1至8中任一项所述的风机故障预警方法。
