本申请涉及疲劳检测方法
技术领域：
，具体而言，本申请涉及一种风力发电机组的疲劳失效检测方法、装置、设备及介质。
背景技术：
：随着近些年风电行业的迅速发展，风力发电设备的可靠性逐渐成为人们关注的焦点，风力发电设备的运行环境复杂恶劣，风力发电设备的疲劳损伤问题不断，常有在有效寿命期内就损坏的情况发生，大大加重了风力发电机组的维护成本。发明人通过研究发现风力发电设备发生疲劳损伤的原因主要有以下几点：一、设备设计生产环节存在纰漏，例如打磨、电镀等未达到要求；二、设备运行环境恶劣，例如湿度过大，温度过高，腐蚀性气液体等；三、设备运行时受力不平衡，产生磨损，长期以此，风力发电设备将在有效寿命期内报废。针对风力发电设备疲劳损伤问题，目前行业内的研究方向主要集中在疲劳估算，利用有限元之类的软件模拟风力发电机组中各部件的健康状态，以此提出对各部件的改进方案，但是，该方法对发生疲劳失效的风力发电机组的识别准确率较低，且监测风力发电机组中各部件的疲劳情况的实时性较差。技术实现要素：本申请针对现有方式的缺点，提出一种风力发电机组的疲劳失效检测方法、装置、设备及介质，用以解决现有技术对发生疲劳失效的风力发电机组的识别准确率较低，且监测疲劳情况的实时性较差的技术问题。第一方面，本申请实施例提供了一种风力发电机组的疲劳失效检测方法，包括：获取待预测风力发电机组的历史故障信息，作为待预测故障信息；根据待预测故障信息和疲劳失效预测模型，对待预测风力发电机组的疲劳失效情况进行预测，得到第一预测结果；获取待预测风力发电机组在故障发生前的历史瞬态数据，作为待预测历史瞬态数据；根据待预测历史瞬态数据，确定待预测风力发电机组在所承受的各非周期性载荷应力下的非周期性载荷特征；根据非周期性载荷特征，对待预测风力发电机组的疲劳失效情况进行预测，得到第二预测结果；根据第一预测结果和第二预测结果，得到第三预测结果。第二方面，本申请实施例提供了一种风力发电机组的疲劳失效检测装置，包括：第一数据获取模块，用于获取待预测风力发电机组的历史故障信息，作为待预测故障信息；第一预测模块，用于根据待预测故障信息和疲劳失效预测模型，对待预测风力发电机组的疲劳失效情况进行预测，得到第一预测结果；第二数据获取模块，用于获取待预测风力发电机组在故障发生前的历史瞬态数据，作为待预测历史瞬态数据；载荷特征确定模块，用于根据待预测历史瞬态数据，确定待预测风力发电机组在所承受的各非周期性载荷应力下的非周期性载荷特征；第二预测模块，用于根据非周期性载荷特征，对待预测风力发电机组的疲劳失效情况进行预测，得到第二预测结果；第三预测模块，用于根据第一预测结果和第二预测结果，得到第三预测结果。第三方面，本申请实施例提供一种风力发电机组的疲劳失效检测设备，包括：存储器；处理器，与存储器电连接；存储器存储有计算机程序，计算机程序由处理器执行以实现本申请实施例第一方面提供的风力发电机组的疲劳失效检测方法。第四方面，本申请实施例提供一种风电场控制器，包括：本申请实施例第三方面提供的风力发电机组的疲劳失效检测设备。第五方面，本申请实施例提供一种计算机可读存储介质，存储有计算机程序，该计算机程序被处理器执行时实现本申请实施例第一方面提供的风力发电机组的疲劳失效检测方法。本申请实施例提供的技术方案，至少具有如下有益效果：本申请实施例采用基于历史故障信息和基于历史瞬态数据的两种预测方式对待预测风力发电机组的疲劳失效情况进行预测，综合考虑两种预测方式得到的预测结果(第一预测结果和第二预测结果)之后，可得到综合预测结果(第三预测结果)，两种预测方式互为补充，可为风力发电机组的疲劳失效进行更准确地检测，提高了对发生疲劳失效风险较高的风力发电机组的识别准确率，且检测和识别的实时性较高，为后期运维提供了更为高效的检测方案和更具参考性的检测结果。本申请实施例在基于历史故障信息进行预测时，根据疲劳失效预测模型进行预测，可提高预测的效率和准确率，提高预测结果的可靠性；在基于历史瞬态数据进行预测时，可根据历史瞬态数据确定待预测风力发电机组在各非周期性载荷应力下的非周期性载荷特征，该特征可反映风力发电设备在非周期性载荷应力下的不同振动方向的振动特性，基于该特征可准确地对风力发电设备的疲劳情况进行预测。本申请附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本申请的实践了解到。附图说明本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：图1为本申请实施例提供的一种风力发电机组的疲劳失效检测方法的流程示意图；图2为本申请实施例中正常机组的第一分布曲线和第二分布曲线示意图；图3为本申请实施例中失效机组的第一分布曲线和第二分布曲线示意图；图4为本申请实施例中正常机组和失效机组的累加疲劳值的分布曲线示意图；图5为本申请实施例提供的一种风力发电机组的疲劳失效检测装置的结构框架示意图；图6为本申请实施例提供的一种风力发电机组的疲劳失效检测设备的结构框架示意图。具体实施方式下面详细描述本申请，本申请的实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的部件或具有相同或类似功能的部件。此外，如果已知技术的详细描述对于示出的本申请的特征是不必要的，则将其省略。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本申请的限制。本
技术领域：
技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。本
技术领域：
技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。首先对本申请涉及的几个名词进行介绍和解释：排列熵(permutationentropy)：针对时间序列本身所具有的空间特性而提出的信号突变检测方法，当数据越混乱则排列熵的值越大。本申请的发明人进行研究，在针对风力发电机组在不同转速下的振动分布特点进行分析和特征验证以挖掘信号的差异性时发现，一般地，发电机轴承振动的信号呈现典型的随机信号特征，当轴承出现局部故障时，信号中将出现以轴承通过频率为特征的冲击成分，冲击大小取决于故障的程度和载荷的大小，故障越强冲击越大，传动系统的振动也越剧烈。为了表征在某一转速区间的振动变化情况，引入了上述的排列熵的概念，实验证明其能够很好的表现出振动数据的混乱程度。下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。本申请实施例提供了一种风力发电机组的疲劳失效检测方法，如图1所示，该方法包括：s101，获取待预测风力发电机组的历史故障信息，作为待预测故障信息。具体地，获取待预测风力发电机组中各部件在一个统计周期内的历史故障信息，风力发电机组中各部件包括但不限于发电机主轴承、轮毂、叶片、齿轮箱、偏航轴承、变桨轴承、塔筒、机舱等异常信息能够通过振动数据来表现的设备，以发电机主轴承为例，涉及的故障包括温度异常、漏脂、异响等；对于风力发电设备是否发生故障的判断，以已出具的故障工单为准。可选地，历史故障信息包括风力发电机组的名称(或编号)、各故障的故障类别、各故障的故障发生频次以及风力发电机组的疲劳失效标签，其中，各故障的故障发生频次可根据各故障的历史发生时刻统计得出。可选地，统计周期的时间范围可根据实际需求设置，例如，可以将某年某月某日某个时刻至当前时刻的时间范围设置为一个统计周期，也可以将对应的风力发电设备开始上线运行的时刻至当前时刻的时间范围设置为一个统计周期。本申请的发明人进行研究发现，风力发电设备的疲劳破坏往往是由数次的非周期性载荷应力作用所致，风力发电设备历次所发生的故障可以看作是数次的非周期性载荷应力作用在设备的直观表象。因此，可基于风力发电设备在疲劳破坏前的历史故障信息，对风力发电机组的疲劳情况进行检测，进而实现对发生疲劳失效的风力发电机组(后文中简称为失效机组)的识别。s102，根据待预测故障信息和疲劳失效预测模型，对待预测风力发电机组的疲劳失效情况进行预测，得到第一预测结果，之后执行步骤s106。可选地，疲劳失效预测模型是通过以下方式训练得到的：获取各风力发电机组的历史故障信息和各风力发电机组的疲劳失效数据，分别作为样本故障信息和样本疲劳失效数据；将样本故障信息输入疲劳失效预测模型，基于疲劳失效预测模型的输出，得到样本预测结果；根据样本疲劳失效数据，确定样本预测结果的损失；根据样本预测结果的损失，调整疲劳失效预测模型的参数。可选地，历史故障信息中所包括的信息如前所述，以发电机为例，获取到的各风力发电机组中发电机的历史故障信息如表1所示。表1发电机的历史故障信息在表1中，第一行中wt1至wt3分别表示风力发电机组1至风力发电机组3，后续机组名称的含义依次类推，表1中未一一列举；表1中第二行第二列至右下角区域的数字表示风力发电机组发生对应故障的频次(即次数)，例如，第二行第二列中的23表示风力发电机组1发生发电机绕组温度异常的频次，其它数字同理。可选地，疲劳失效数据包括风力发电机组是否在统计周期内发生疲劳失效的记录，该记录可用标签的形式表示，标签可以用文字、数字或其它符号表示；例如，标签“1”表示风力发电机组在统计周期内发生了疲劳失效，标签“0”表示风力发电机组在统计周期内未发生疲劳失效。在一个示例中，获取到的各风力发电机组的疲劳失效数据如表2所示。表2各风力发电机组的疲劳失效数据机组名称标签wt11wt21wt30wt41wt50…………在表2中，wt1至wt5分别表示风力发电机组1至风力发电机组5，后续机组名称的含义依次类推，表2中未一一列举。可选地，疲劳失效预测模型是基于分类算法构建的；分类算法包括逻辑回归、神经网络、支持向量机和决策树中的任意一种算法。下面以逻辑回归算法为例，对疲劳失效预测模型的构建进行介绍：首先，基于历史故障信息构建线性边界，该线性边界可由如下表达式表示：在表达式(1)中，θ为历史故障频次权重参数向量；θi为第i个故障类别对应的历史故障频次权重参数，可通过极大似然和梯度下降(参照后续内容)计算得到；x为历史故障频次值，xi为第i个故障类型的历史故障频次值，m为故障类别的总数量；在表达式(1)中，i为[0,m]范围内的整数。其次，基于sigmoid映射函数构建如下所示的预测函数：在表达式(2)中，hθ(x)表示得到的预测结果，g(z)为sigmoid映射函数，其余参数的含义可参照表达式(1)。然后，构建如下所示的损失函数：在表达式(3)中，y为表征风力发电机组是否在统计周期内发生疲劳失效的标签，cost(hθ(x)，y)表示hθ(x)和y的损失，其余参数的含义可参照表达式(1)和(2)。在对根据上述方式构建出的疲劳失效预测模型进行训练时，将各风力发电机组的历史故障频次值、初始的历史故障频次参数向量和故障类别的总数量代入表达式(2)的x、θ和m，通过表达式(2)得出各风力发电机组疲劳情况的预测结果hθ(x)，根据表达式(3)计算预测结果hθ(x)相对于标签y的损失，根据求得的损失通过极大似然法和梯度下降法调整历史故障频次权重参数向量θ，直至满足预设的损失函数收敛条件。在通过极大似然法和梯度下降法调整历史故障频次权重参数向量θ，直至满足预设的损失函数收敛条件时，首先利用极大似然法估计历史故障频次权重参数向量θ的表达式，然后利用梯度下降法实现θ的迭代运算，求得最终的θ。极大似然的核心思想是通过已知的结果反推出导致最大结果的参数，而极大似然估计是概率论在统计学中的应用，它提供了一种给定观察数据来评估模型参数的方法，即“模型已确定，参数未确定”，通过若干次实验观察，利用实验的某个参数使得样本出现的概率最大，称为极大似然轨迹。逻辑回归是一种监督式学习，有标签。即从已知的结果入手，去推导出能够获得最大概率的结果参数，只要能找到这个参数，那么此模型就可以较为准确的预测数据了。本申请实施例中的sigmoid函数的取值可以看做是测试元组属于类“1”(即上文中的机组标签)的后验概率(由sigmoid函数性质决定)，由此则可得到：表达式(4)可改写为：p(y|x；θ)＝g(z)y(1-g(z))1-y表达式(5)表达式(5)表示在参数θ下，元组类标号为y的后验概率，x表示输入的样本数据。假设此时得到一个抽样样本，则联合概率可描述为其大小可以反映模型的损失代价，联合概率越大，说明学习结果与真实情况越接近；联合概率越小，说明学习结果与真实情况越背离。对联合概率进行对数化处理：至此，可得到损失代价函数：表达式(7)为表达式(3)的改写，yi表示第i个样本的预测值，取值范围为0或1；zi即θtxi，表示第i个样本代入表达式(1)得到的值；在表达式(6)和(7)中，i为[0,n]范围内的整数。根据梯度下降法求参数θ的基本原理为：梯度的负方向就是损失函数下降最快的方向，通过迭代求出损失函数的最小值，即可得到参数θ，也是逻辑回归的最终解。每个权重分量的变化为：在表达式(8)中，θj表示权重参数θ第j维的值；η为学习率，控制步长。于是，可得到梯度下降法更新权重的变量：在表达式(9)和(10)中，j表示权重参数θ的维度，θj表示权重参数θ第j维的值，θj：表示等号表达式后面的值赋值给θj，xij表示第i个样本在权重参数θ的第j维上的值，其它参数含义可参照各表达式的参数含义。本申请实施例中的神经网络、支持向量机和决策树均为现有算法，这些算法在分类问题中的应用为现有，本领域技术人员可以理解如何应用这些算法实现本申请实施例中的分类，从而构建相应的疲劳失效预测模型，此处不再对上述各算法逐一展开介绍。s103，获取待预测风力发电机组在故障发生前的历史瞬态数据，作为待预测历史瞬态数据。具体地，获取待预测风力发电机组中各部件在故障发生前的历史瞬态数据，如前所述，风力发电机组部件可以是发电机主轴承、轮毂、叶片、齿轮箱、偏航轴承、变桨轴承、塔筒、机舱等等。可选地，历史瞬态数据包括：转速数据、第一方向的机舱振动数据和第二方向的机舱振动数据。可选地，历史瞬态数据还可包括风速数据。机舱振动数据包括机舱振动加速度。本申请实施例中的历史瞬态数据可以根据实际需求采用相应频率的数据，例如秒级数据、毫秒级数据、微秒级数据中的任意一种，以提高后续计算的精确度，数据频率越高，越有利于提高后续计算的精确度。第一方向和第二方向可以根据实际振动方向选择或根据实际需求选择，在一个示例中，以正对风力发电机组叶轮的角度为基准，第一方向可以是风力发电机组的从左往右或从右往左的方向，也即机舱的径向，第二方向可以是风力发电机组的从前往后或从后往前的方向，也即机舱的轴向。s104，根据待预测历史瞬态数据，确定待预测风力发电机组在所承受的各非周期性载荷应力下的非周期性载荷特征。可选地，确定第一方向的机舱振动数据在各转速数据下的第一排列熵值，以及第二方向的机舱振动数据在各转速数据下的第二排列熵值；根据第一排列熵值和第二排列熵值，确定待预测风力发电机组在所承受的各非周期性载荷应力下的非周期性载荷特征。可选地，在确定上述排列熵值之前，还可包括：对获取的历史瞬态数据依次进行清洗、过滤、滑动分窗和数据分组。可选地，在清洗过程中，可删去历史瞬态数据中的空值和异常值，其中，某个历史瞬态数据是否为异常值，可根据该数据是否在预设的正常值范围来判断，也可以根据该数据与其它数据的差值大小来判断。可选地，在过滤过程中，可基于预设的过滤规则对历史瞬态数据进行过滤，过滤规则可根据实际需求设置；在一个示例中，若设置过滤规则为：使机舱振动加速度的绝对值在0至0.45之间，则在过滤时，删除绝对值不符合该规则的机舱振动加速度，只保留绝对值在0至0.45之间的机舱振动加速度；在另一个示例中，若设置过滤规则为：风速值不得低于3m/s，则在过滤时，删除低于3m/s的风速数据，只保留大于或等于3m/s的风速数据。可选地，在清洗和过滤完成后，可对剩余的数据量进行检测，判断剩余数据量是否少于进行数据清洗和数据过滤前的原始数据量的30％，若剩余数据量大于或等于原始数据量的30％，则继续执行后续步骤，若剩余数据量小于原始数据量的30％，则可重新设置清洗或过滤的规则，使再次进行数据清洗和数据过滤后的剩余数据量大于或等于原始数据量的30％，以保证后续计算具有较大的数据量基础，从而使计算结果更加准确。可选地，在滑动分窗过程中，将历史瞬态数据按照时间范围分为多个数据段，例如将一个月内的历史瞬态数据作为一个数据段的数据，即每个数据段共有一个月的数据量，每个数据段的滑动步长为一周。可选地，在数据分组过程中，可对历史瞬态数据基于转速数据进行分组，具体地，将转速数据保留一位小数，将保留一位小数后数值相同的转速数据归为一组，对同一组转速数据对应的第一方向的机舱振动数据进行第一排列熵值的计算，对同一组转速数据对应的第二方向的机舱振动数据进行第二排列熵值的计算。在一个示例中，转速数据、第一方向的机舱振动数据和第二方向的机舱振动数据如表1中的第一列、第三列和第四列所示，对转速数据保留一位小数的数据如表1中的第二列所示，表1中的x方向表示第一方向，y方向表示第二方向。表3转速数据和机舱振动数据将表3中的保留一位小数后的转速数据以及对应的机舱振动数据的分组如表4所示，表4中数值相同的转速数据及其对应的机舱振动加速度数据为一组，针对每一组的x方向和y方向的机舱振动速度分别计算排列熵值。表4转速数据和机舱振动数据可选地，根据第一排列熵值和第二排列熵值，确定待预测风力发电机组在各非周期性载荷应力下的非周期性载荷特征，包括：根据第一排列熵值及对应的转速数据，确定第一排列熵值随转速变化的第一分布曲线；根据第二排列熵值及对应的转速数据，确定第二排列熵值随转速变化的第二分布曲线；根据第一分布曲线和第二分布曲线的交叉点数量，确定非周期性载荷特征。本申请的发明人进行研究发现，非周期性载荷应力的作用会引起风发力发电设备的振动，进行可能引发疲劳失效。同时，本申请的发明人对大批量的风力发电机组案例进行分析时，对同一风电场中的正常机组(即未发生疲劳失效的风力发电机组)和失效机组(或称异常机组，即发生疲劳失效的风力发电机组)的机舱振动数据的排列熵值进行了对比。可选地，第一方向可以是x方向，第二方向可以是y方向。正常机组在第一方向的机舱振动数据的排列熵值(下称第一排列熵值)的分布曲线(即第一分布曲线)，如图2中的实线所示；正常机组在第二方向的机舱振动数据的排列熵值(下称第二排列熵值)的分布曲线(即第二分布曲线)，如图2中的虚线所示；失效机组的第一分布曲线和第二分布曲线分别如图3中的实线和虚线所示。由图2和图3可以看出，在各转速数据段中，x方向的第一排列熵值与y方向的第二排列熵值的都大致呈线性变化，且当x方向为前述的风力发电机组的左右方向、y方向为前述的风力发电机组的前后方向时，第一排列熵值略高于第二排列熵值；对于图2所示的正常机组来说，第一分布曲线和第二分布曲线之间基本没有交叉点，对于图3所示的失效机组来说，在某些转速区间(转速区间不固定)，第一排列熵值和第二排列熵值的表现不规则，第一分布曲线和第二分布曲线之间存在较多的交叉点，如图3中圆圈中的交点。因此，对于待预测风力发电机组来说，其部件的振动随之转速波动的特征，可以通过基于x方向和y方向的机舱振动数据得到的第一排列熵值的第一分布曲线和第二排列熵值的第二分布曲线的交叉点来表征，因此本申请根据第一分布曲线和第二分布曲线的交叉点确定引发振动的非周期性载荷应力的非周期性载荷特征。在一个可选的实施方式中，可将第一分布曲线和第二分布曲线的交叉点intersectionsnum作为非周期性载荷特征；在另一个可选的实施方式中，可根据实际需求将交叉点intersectionsnum乘以一定的系数，得到的结果作为非周期性载荷特征。s105，根据非周期性载荷特征，对待预测风力发电机组的疲劳失效情况进行预测，得到第二预测结果。可选地，根据非周期性载荷特征，对待预测风力发电机组的疲劳失效情况进行预测，包括：根据非周期性载荷特征确定待预测风力发电机组在各非周期性载荷应力下的疲劳值；根据待预测风力发电机组在各非周期性载荷应力下的疲劳值，确定待预测风力发电机组在各非周期性载荷应力下的累加疲劳值；确定待预测风力发电机组在各非周期性载荷应力下的累加疲劳值随非周期性载荷应力变化的特征参数；将特征参数与特征参数阈值进行比较，根据比较结果对待预测风力发电机组的疲劳失效情况进行预测。在一个可选的实施方式中，可根据非周期性载荷特征结合miner-palmgren疲劳理论，计算风力发电设备随时间的累加疲劳值；具体地，根据非周期性载荷特征，利用动力学原理，可通过如下方式求得各非周期性载荷应力下的疲劳值：在表达式(11)中，s表示某个非周期性载荷应力下的疲劳值，d表示该非周期性载荷应力下的非周期性载荷特征，α表示动力学方面的材料常数。根据miner-palmgren疲劳理论，各非周期性载荷应力下产生的风力发电设备的疲劳损伤可通过如下方式进行线性叠加，得到各非周期性载荷应力作用下的累加疲劳值：在表达式(12)中，f表示风力发电设备在各非周期性载荷应力作用下的累加疲劳值，当f＝1时，风力发电设备发生疲劳失效；n表示非周期性载荷应力的数量，i表示n个非周期性载荷应力中的第i个非周期载荷应力，s(i)表示第i个非周期载荷应力下的疲劳值。随着时间的推移，风力发电设备的累加疲劳值f不断增加，可获得一系列累加疲劳值f的数据，本申请的发明人对大批量的风力发电机组案例进行分析时，对同一风电场的正常机组和失效机组的累加疲劳值f进行了如图4所示的对比，图4中曲线wt1为失效机组的累加疲劳值的分布曲线，wt2、wt3和wt4分别为3台正常机组各自的累加疲劳值的分布曲线，图4中的横坐标为非周期性载荷生生频次，也即非周期性载荷应力的数量；由图4可以看出，失效机组的累加疲劳值的变化幅度高于正常机组的累加疲劳值的变化幅度。因此，可基于累加疲劳值的变化趋势对待预测风力发电机组中各部件的疲劳失效情况进行预测。可选地，确定待预测风力发电机组在各非周期性载荷应力下的累加疲劳值随非周期性载荷应力变化的特征参数，包括：对待预测风力发电机组在各非周期性载荷应力下的累加疲劳值进行线性拟合，得到待预测风力发电机组的累加疲劳值线性方程；提取累加疲劳值线性方程的斜率值，作为特征参数。在一个可选的实施方式中，采用线性回归算法对对待预测风力发电机组在各非周期性载荷作用时刻的累加疲劳值进行线性拟合，得到待预测风力发电机组的累加疲劳值线性方程。可选地，特征参数阈值通过以下方式确定：获取各风力发电机组在故障发生前的历史瞬态数据，作为样本历史瞬态数据；根据样本历史瞬态数据，确定各风力发电机组在所承受的各应力载荷应力下的非周期性载荷特征；根据该非周期性载荷特征，确定各风力发电机组在各非周期性载荷应力下的累加疲劳值；确定每个风力发电机组的累加疲劳值随非周期性载荷应力变化的累加疲劳值分布曲线；根据累加疲劳值分布曲线的分布参数，确定特征参数阈值。可选地，根据样本历史瞬态数据，确定各风力发电机组在所承受的各载荷应力下的非周期性载荷特征，其原理及可选的实施方式，与前述的步骤s104的原理及步骤s104的可选的实施方式相似，例如，通过确定样本历史瞬态数据中机舱振动数据的排列熵，进一步确定各风力发电机组在所承受的各载荷应力下的非周期性载荷特征，具体可参照步骤s104的相关内容。可选地，根据非周期性载荷特征，确定各风力发电机组在各非周期性载荷作用时刻的累加疲劳值，包括：对于每个风力发电机组，根据该风力发电机组在所承受的各非周期性载荷应力下的非周期性载荷特征，确定该风力发电机组在各非周期性载荷应力下的疲劳值；根据该风力发电机组在各非周期性载荷应力下的疲劳值，确定该风力发电机组在各非周期性载荷应力下的累加疲劳值。在一个可选的实施方式中，根据非周期性载荷特征计算各非周期性载荷应力下的疲劳值的方式，可参照前述的表达式(11)的相关内容，此处不再赘述。在一个可选的实施方式中，根据风力发电机组在各非周期性载荷应力下的疲劳值，确定该风力发电机组在各非周期性载荷应力下的累加疲劳值，其具体方式可参照前述的表达式(12)的相关内容，此处不再赘述。在一个可选的实施方式中，确定每个风力发电机组的累加疲劳值随非周期性载荷变化的累加疲劳值分布曲线，其曲线走向可参照图4中的分布曲线。在一个可选的实施方式中，根据累加疲劳值分布曲线的分布参数，确定特征参数阈值，包括：对于每个风力发电机组，对该风力发电机组在各非周期性载荷作用时刻的累加疲劳值进行线性拟合，得到该风力发电机组的累加疲劳值线性方程；提取出各风力发电机组的累加疲劳值线性方程的斜率值；删除斜率值处于前20％的累加疲劳值线性方程的斜率值，以防止由于失效机组对应的斜率值过大，影响后续正态分布参数的准确估计；根据极大似然估计法估计出剩余的各风力发电机组的斜率值的正态分布参数(根据研究，正常机组的对应的斜率值通常呈现正态分布)，该正态分布参数包括均值μ和标准差σ；根据求出的正态分布参数，可设置特征参数阈值为μ+4σ(还可根据实际情况设置为其它数值)。在一个示例中，在将待预测风力发电机组的特征参数与特征参数阈值进行比较后，若比较结果为特征参数大于特征参数阈值，则得到的第二预测结果为待预测风力发电机组发生疲劳失效的风险较大；若比较结果为特征参数小于或等于特征参数阈值，则得到的第二预测结果为待预测风力发电机组发生疲劳失效的风险较小。可选地，在根据非周期性载荷特征，对待预测风力发电机组的疲劳失效情况进行预测时，可根据非周期性载荷特征计算该待预测风力发电机组的累加疲劳值f，具体计算方式可参照前述实施例，将待预测风力发电机组的累加疲劳值f作为输入，利用离群点检测算法(如孤立森林算法)进行异常识别，从而对待预测风力发电机组发生疲劳失效的风险进行预测。可选地，在根据非周期性载荷特征，对待预测风力发电机组的疲劳失效情况进行预测时，可将待预测风力发电机组在各时间点上或各非周期性载荷应力下的累加疲劳值f作为输入，根据逻辑回归算法、支持向量机、神经网络等算法中的任意一种算法，进行异常识别，从而对待预测风力发电机组发生疲劳失效的风险进行预测。本申请实施例中的离群点检测算法、逻辑回归算法、支持向量机、神经网络等算法均为现有算法，本领域技术人员可以理解如何应用这些算法实现本申请实施例中对待预测风力发电机组的累加疲劳值f进行异常识别，此处不再对上述各算法逐一展开介绍。s106，根据第一预测结果和第二预测结果，得到第三预测结果。可选地，对第一预测结果和第二预测结果分别设置权重；基于权重，将第一预测结果和第二预测结果结合，得到第三预测结果。在一个可选的实施方式中，可通过如下方式确定第三预测结果：l(x)＝αh(x)+(1-α)f(x)表达式(13)在表达式(13)，h(x)表示第一预测结果，h(x)为1时表示待预测风力发电机组发生疲劳失效的风险较大，h(x)为0时表示待预测风力发电机组发生疲劳失效的风险较小；f(x)表示第二预测结果，f(x)为1时表示待预测风力发电机组发生疲劳失效的风险较大，f(x)为0时表示待预测风力发电机组发生疲劳失效的风险较小；α为h(x)的权重，该权重可根据实际需求或经验值确定，在一个可选的实施方式中，该权重的取值范围为[0,1]，在另一个可选的实施方式中，该权重的取值范围为[0,0.5)；l(x)表示第三预测结果，l(x)的值在0至1之间。可选地，本申请实施例提供的风力发电机组的疲劳失效检测方法，在上述步骤s101至s106的基础上，还包括：将第三预测结果与结果阈值进行比较，在第三预测结果大于该结果阈值时发出待预测风力发电机组的疲劳失效预警。在一个可选的实施方式中，本申请实施例的结果阈值可以设置为0至1之间的数值。第三预测结果综合考虑了两种预测方式得到的两种预测结果，可更加准确的反映待预测风力发电机组的疲劳情况，有利于对疲劳失效进行更准确的预测和预警。基于同一发明构思，本申请实施例提供的一种风力发电机组的疲劳失效检测装置，如图5所示，该疲劳失效检测装置包括：第一数据获取模块501、第一预测模块502、第二数据获取模块503、载荷特征确定模块504、第二预测模块505以及第三预测模块506。第一数据获取模块501，用于获取待预测风力发电机组的历史故障信息，作为待预测故障信息。第一预测模块502，用于根据待预测故障信息和疲劳失效预测模型，对待预测风力发电机组的疲劳失效情况进行预测，得到第一预测结果。第二数据获取模块503，用于获取待预测风力发电机组在故障发生前的历史瞬态数据，作为待预测历史瞬态数据。载荷特征确定模块504，用于根据待预测历史瞬态数据，确定待预测风力发电机组在所承受的各非周期性载荷应力下的非周期性载荷特征。第二预测模块505，用于根据非周期性载荷特征，对待预测风力发电机组的疲劳失效情况进行预测，得到第二预测结果。第三预测模块506，用于根据第一预测结果和第二预测结果，得到第三预测结果。可选地，本申请实施提供的风力发电机组的疲劳失效检测装置500，还包括：预警模块。预警模块用于：将第三预测结果与结果阈值进行比较，在第三预测结果大于结果阈值时发出待预测风力发电机组的疲劳失效预警。可选地，本申请实施提供的风力发电机组的疲劳失效检测装置500，还包括：模型训练模块。模型训练模块用于通过以下方式对疲劳失效预测模型进行训练：获取各风力发电机组的历史故障信息和各风力发电机组的疲劳失效数据，分别作为样本故障信息和样本疲劳失效数据；将样本故障信息输入疲劳失效预测模型，基于疲劳失效预测模型的输出，得到样本预测结果；根据样本疲劳失效数据，确定样本预测结果的损失；根据样本预测结果的损失，调整疲劳失效预测模型的参数。可选地，载荷特征确定模块504具体用于：确定第一方向的机舱振动数据在各转速数据下的第一排列熵值，以及第二方向的机舱振动数据在各转速数据下的第二排列熵值；根据第一排列熵值和第二排列熵值，确定待预测风力发电机组在所承受的各非周期性载荷应力下的非周期性载荷特征。可选地，载荷特征确定模块504具体用于：根据第一排列熵值及对应的转速数据，确定第一排列熵值随转速变化的第一分布曲线；根据第二排列熵值及对应的转速数据，确定第二排列熵值随转速变化的第二分布曲线；根据第一分布曲线和第二分布曲线的交叉点数量，确定非周期性载荷特征。可选地，第二预测模块505具体用于：根据非周期性载荷特征确定待预测风力发电机组在各非周期性载荷作用下的疲劳值；根据待预测风力发电机组在各非周期性载荷作用下的疲劳值，确定待预测风力发电机组在各非周期性载荷作用时刻的累加疲劳值；确定待预测风力发电机组在各非周期性载荷作用时刻的累加疲劳值随非周期性载荷变化的特征参数；将特征参数与特征参数阈值进行比较，根据比较结果对待预测风力发电机组的疲劳失效情况进行预测。可选地，第二预测模块505具体用于：对待预测风力发电机组在各非周期性载荷作用时刻的累加疲劳值进行线性拟合，得到待预测风力发电机组的累加疲劳值线性方程；提取累加疲劳值线性方程的斜率值，作为特征参数。可选地，第二预测模块505具体用于通过以下方式确定特征参数阈值：获取各风力发电机组在故障发生前的历史瞬态数据，作为样本历史瞬态数据；根据样本历史瞬态数据，确定各风力发电机组在所承受的各载荷应力下的非周期性载荷特征；根据非周期性载荷特征，确定各风力发电机组在各非周期性载荷作用时刻的累加疲劳值；确定每个风力发电机组的累加疲劳值随非周期性载荷变化的累加疲劳值分布曲线；根据累加疲劳值分布曲线的分布参数，确定特征参数阈值。可选地，第三预测模块506具体用于：对第一预测结果和第二预测结果分别设置权重；基于权重，将第一预测结果和第二预测结果结合，得到第三预测结果。本实施例的风力发电机组的疲劳失效检测装置500可执行本申请实施例提供的任意一种风力发电机组的疲劳失效检测方法，其实现原理相类似，本实施例中未详细示出的内容可参照前面的方法实施例，此处不再赘述。基于同一发明构思，本申请实施例提供了一种风电场控制器，包括：风力发电机组的疲劳失效检测设备；该设备包括：存储器和处理器，存储器与处理器电连接。存储器上存储有计算机程序，该计算机程序由处理器执行以实现本申请实施例所提供的任意一种风力发电机组的疲劳失效检测方法。本
技术领域：
技术人员可以理解，本申请实施例提供的电子设备可以为所需的目的而专门设计和制造，或者也可以包括通用计算机中的已知设备。这些设备具有存储在其内的计算机程序，这些计算机程序选择性地激活或重构。这样的计算机程序可以被存储在设备(例如，计算机)可读介质中或者存储在适于存储电子指令并分别耦联到总线的任何类型的介质中。本申请在一个可选实施例中提供了一种风力发电机组的疲劳失效检测设备，如图6所示，该疲劳失效检测设备包括：存储器601和处理器602，存储器601和处理器602电连接，如通过总线603连接。可选的，存储器601用于存储执行本申请方案的应用程序代码，并由处理器602来控制执行。处理器602用于执行存储器601中存储的应用程序代码，以实现本申请实施例提供的任意一种风力发电机组的疲劳失效检测方法。存储器601可以是rom(read-onlymemory，只读存储器)或可存储静态信息和指令的其他类型的静态存储设备，可以是ram(randomaccessmemory，随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备，也可以是eeprom(electricallyerasableprogrammablereadonlymemory，电可擦可编程只读存储器)、cd-rom(compactdiscread-onlymemory，只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。处理器602可以是cpu(centralprocessingunit，中央处理器)、通用处理器，dsp(digitalsignalprocessor，数据信号处理器)、asic(applicationspecificintegratedcircuit，专用集成电路)、fpga(field-programmablegatearray，现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器602也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，dsp和微处理器的组合等。总线603可包括一通路，在上述组件之间传送信息。总线可以是pci(peripheralcomponentinterconnect，外设部件互连标准)总线或eisa(extendedindustrystandardarchitecture，扩展工业标准结构)总线。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。可选地，风力发电机组的疲劳失效检测设备600还可以包括收发器604。收发器604可用于信号的接收和发送。收发器604可以允许电子设备600与其他设备进行无线或有线通信以交换数据。需要说明的是，实际应用中收发器604不限于一个。可选地，风力发电机组的疲劳失效检测设备600还可以包括输入单元605。输入单元605可用于接收输入的数字、字符、图像和/或声音信息，或者产生与风力发电机组的疲劳失效检测设备600的用户设置以及功能控制有关的键信号输入。输入单元605可以包括但不限于触摸屏、物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆、拍摄装置、拾音器等中的一种或多种。可选地，风力发电机组的疲劳失效检测设备600还可以包括输出单元606。输出单元606可用于输出或展示经过处理器602处理的信息。输出单元806可以包括但不限于显示装置、扬声器、振动装置等中的一种或多种。虽然图6示出了具有各种装置的风力发电机组的疲劳失效检测设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。本申请实施例提供的风力发电机组的疲劳失效检测设备600，与前面所述的各实施例具有相同的发明构思，该疲劳失效检测设备中未详细示出的内容可参照前面所述的各实施例，在此不再赘述。基于同一的发明构思，本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现本申请实施例所提供的任意一种风力发电机组的疲劳失效检测方法。该计算机可读介质包括但不限于任何类型的盘(包括软盘、硬盘、光盘、cd-rom、和磁光盘)、rom、ram、eprom(erasableprogrammableread-onlymemory，可擦写可编程只读存储器)、eeprom、闪存、磁性卡片或光线卡片。也就是，可读介质包括由设备(例如，计算机)以能够读的形式存储或传输信息的任何介质。本申请实施例提供了一种计算机可读存储介质适用于上述任意一种风力发电机组的疲劳失效检测方法。在此不再赘述。应用本申请实施例，至少能够实现如下有益效果：1)本申请实施例采用基于历史故障信息和基于历史瞬态数据的两种预测方式对待预测风力发电机组的疲劳失效情况进行预测，综合考虑两种预测方式得到的预测结果(第一预测结果和第二预测结果)之后，可得到的综合预测结果(第三预测结果)，两种预测方式互为补充，可为风力发电机组的疲劳失效进行更准确地检测，提高了对发生疲劳失效风险较高的风力发电机组的识别准确率，且检测和识别的实时性较高，为后期运维提供了更为高效的检测方案和更具参考性的检测结果。2)本申请实施例在基于历史故障信息进行预测时，根据疲劳失效预测模型进行预测，疲劳失效预测模型可基于各个风力发电机组的历史故障信息和疲劳失效数据进行训练，结合了统计学和机器学习的算法优势，采用训练出的疲劳失效预测模型进行预测，可提高预测的准确率，提高预测结果的可靠性。3)本申请实施例在基于历史瞬态数据进行预测时，可根据历史瞬态数据确定待预测风力发电机组在各非周期性载荷应力下的非周期性载荷特征，该特征可反映风力发电设备在非周期性载荷应力下的不同振动方向的振动特性，基于该特征和miner-palmgren疲劳理论，可得到风力发电设备的累加疲劳值，从而准确地对风力发电设备的疲劳情况进行预测。本
技术领域：
技术人员可以理解，本申请中已经讨论过的各种操作、方法、流程中的步骤、措施、方案可以被交替、更改、组合或删除。进一步地，具有本申请中已经讨论过的各种操作、方法、流程中的其他步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。进一步地，现有技术中的具有与本申请中公开的各种操作、方法、流程中的步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。在本申请的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。以上所述仅是本申请的部分实施方式，应当指出，对于本
技术领域：
的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。当前第1页1 2 3
技术特征：1.一种风力发电机组的疲劳失效检测方法，其特征在于，包括：
获取待预测风力发电机组的历史故障信息，作为待预测故障信息；
根据所述待预测故障信息和疲劳失效预测模型，对所述待预测风力发电机组的疲劳失效情况进行预测，得到第一预测结果；
获取所述待预测风力发电机组在故障发生前的历史瞬态数据，作为待预测历史瞬态数据；
根据所述待预测历史瞬态数据，确定所述待预测风力发电机组在所承受的各非周期性载荷应力下的非周期性载荷特征；
根据所述非周期性载荷特征，对所述待预测风力发电机组的疲劳失效情况进行预测，得到第二预测结果；
根据所述第一预测结果和所述第二预测结果，得到第三预测结果。
2.根据权利要求1所述的疲劳失效检测方法，其特征在于，所述疲劳失效预测模型是通过以下方式训练得到的：
获取各风力发电机组的历史故障信息和各所述风力发电机组的疲劳失效数据，分别作为样本故障信息和样本疲劳失效数据；
将所述样本故障信息输入所述疲劳失效预测模型，基于所述疲劳失效预测模型的输出，得到样本预测结果；
根据所述样本疲劳失效数据，确定所述样本预测结果的损失；
根据所述样本预测结果的损失，调整所述疲劳失效预测模型的参数。
3.根据权利要求2所述的疲劳失效检测方法，其特征在于，所述疲劳失效预测模型是基于分类算法构建的；
所述分类算法包括逻辑回归、神经网络、支持向量机和决策树中的任意一种算法。
4.根据权利要求1所述的疲劳失效检测方法，其特征在于，所述历史瞬态数据包括：转速数据、第一方向的机舱振动数据和第二方向的机舱振动数据；
以及，所述根据所述历史瞬态数据，确定所述待预测风力发电机组在所承受的各非周期性载荷应力下的非周期性载荷特征，包括：
确定所述第一方向的所述机舱振动数据在各所述转速数据下的第一排列熵值，以及所述第二方向的所述机舱振动数据在各所述转速数据下的第二排列熵值；
根据所述第一排列熵值和所述第二排列熵值，确定所述待预测风力发电机组在各所述非周期性载荷应力下的非周期性载荷特征。
5.根据权利要求4所述的疲劳失效检测方法，其特征在于，所述根据所述第一排列熵值和所述第二排列熵值，确定所述待预测风力发电机组在各所述非周期性载荷应力下的非周期性载荷特征，包括：
根据所述第一排列熵值及对应的所述转速数据，确定所述第一排列熵值随转速变化的第一分布曲线；
根据所述第二排列熵值及对应的所述转速数据，确定所述第二排列熵值随转速变化的第二分布曲线；
将所述第一分布曲线和所述第二分布曲线的交叉点数量，作为所述非周期性载荷特征。
6.根据权利要求1所述的疲劳失效检测方法，其特征在于，所述根据所述非周期性载荷特征，对所述待预测风力发电机组的疲劳失效情况进行预测，包括：
根据所述非周期性载荷特征确定所述待预测风力发电机组在各非周期性载荷应力下的疲劳值；
根据所述待预测风力发电机组在各所述非周期性载荷应力下的疲劳值，确定所述待预测风力发电机组在各所述非周期性载荷应力下的累加疲劳值；
确定所述待预测风力发电机组在各所述非周期性载荷应力下的累加疲劳值随所述非周期性载荷应力变化的特征参数；
将所述特征参数与特征参数阈值进行比较，根据比较结果对所述待预测风力发电机组的疲劳失效情况进行预测。
7.根据权利要求6所述的疲劳失效检测方法，其特征在于，所述确定所述待预测风力发电机组在各所述非周期性载荷应力下的累加疲劳值随所述非周期性载荷应力变化的特征参数，包括：
对所述待预测风力发电机组在各所述非周期性载荷应力下的累加疲劳值进行线性拟合，得到所述待预测风力发电机组的累加疲劳值线性方程；
提取所述累加疲劳值线性方程的斜率值，作为所述特征参数。
8.根据权利要求6所述的疲劳失效检测方法，其特征在于，所述特征参数阈值通过以下方式确定：
获取各风力发电机组在故障发生前的历史瞬态数据，作为样本历史瞬态数据；
根据所述样本历史瞬态数据，确定各所述风力发电机组在所承受的各非周期性载荷应力下的非周期性载荷特征；
根据所述非周期性载荷特征，确定各所述风力发电机组在各所述非周期性载荷应力下的累加疲劳值；
确定每个所述风力发电机组的所述累加疲劳值随所述非周期性载荷应力变化的累加疲劳值分布曲线；
根据所述累加疲劳值分布曲线的分布参数，确定所述特征参数阈值。
9.根据权利要求1所述的疲劳失效检测方法，其特征在于，所述根据所述第一预测结果和所述第二预测结果，得到第三预测结果，包括：
对所述第一预测结果和所述第二预测结果分别设置权重；
基于所述权重，将所述第一预测结果和所述第二预测结果结合，得到第三预测结果。
10.根据权利要求1所述的疲劳失效检测方法，其特征在于，还包括：
将所述第三预测结果与结果阈值进行比较，在所述第三预测结果大于所述结果阈值时发出所述待预测风力发电机组的疲劳失效预警。
11.一种风力发电机组的疲劳失效检测装置，其特征在于，包括：
第一数据获取模块，用于获取待预测风力发电机组的历史故障信息，作为待预测故障信息；
第一预测模块，用于根据所述待预测故障信息和疲劳失效预测模型，对所述待预测风力发电机组的疲劳失效情况进行预测，得到第一预测结果；
第二数据获取模块，用于获取所述待预测风力发电机组在故障发生前的历史瞬态数据，作为待预测历史瞬态数据；
载荷特征确定模块，用于根据所述待预测历史瞬态数据，确定所述待预测风力发电机组在所承受的各非周期性载荷应力下的非周期性载荷特征；
第二预测模块，用于根据所述非周期性载荷特征，对所述待预测风力发电机组的疲劳失效情况进行预测，得到第二预测结果；
第三预测模块，用于根据所述第一预测结果和所述第二预测结果，得到第三预测结果。
12.根据权利要求11所述的疲劳失效检测装置，其特征在于，还包括：
预警模块，用于将所述第三预测结果与结果阈值进行比较，在所述第三预测结果大于所述结果阈值时发出所述待预测风力发电机组的疲劳失效预警。
13.一种风力发电机组的疲劳失效检测设备，其特征在于，包括：
存储器；
处理器，与所述存储器电连接；
所述存储器存储有计算机程序，所述计算机程序由所述处理器执行以实现如权利要求1-10中任一项所述的风力发电机组的疲劳失效检测方法。
14.一种风电场控制器，其特征在于，包括：如权利要求13所述的风力发电机组的疲劳失效检测设备。
15.一种计算机可读存储介质，其特征在于，存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-10中任一项所述的风力发电机组的疲劳失效检测方法。
技术总结本申请提供了一种风力发电机组的疲劳失效检测方法、装置、设备及介质。该疲劳失效检测方法包括：获取待预测风力发电机组的历史故障信息，作为待预测故障信息；根据待预测故障信息和疲劳失效预测模型，对待预测风力发电机组的疲劳失效情况进行预测，得到第一预测结果；获取待预测风力发电机组在故障发生前的历史瞬态数据，作为待预测历史瞬态数据；确定待预测风力发电机组在所承受的各非周期性载荷应力下的非周期性载荷特征；根据非周期性载荷特征，对待预测风力发电机组的疲劳失效情况进行预测，得到第二预测结果；根据第一预测结果和第二预测结果，得到第三预测结果。本申请提高了对发生疲劳失效风险较高的风力发电机组的识别准确率。
技术研发人员：徐建波;宋建军;俞海国
受保护的技术使用者：北京金风慧能技术有限公司;江苏金风软件技术有限公司;青海绿能数据有限公司
技术研发日：2020.05.18
技术公布日：2021.04.06
