CN110594107B - 一种基于快速梯度提升机的风电机组故障检测方法及装置 - Google Patents

Abstract

本发明公开了一种基于快速梯度提升机的风电机组故障检测方法及装置，通过最大信息系数相关分析方法，从状态特征集中选取目标状态特征，并且根据代价敏感快速梯度提升机得到故障检测模型，减少了风电机组故障检测过程中的计算量及计算耗时，提高风电机组的故障检测效率和实时性。方法包括：获取风电机组的状态特征集，状态特征集包括至少一个状态特征；根据最大信息系数相关分析方法从状态特征集中选取目标状态特征；根据代价敏感快速梯度提升机得到故障检测模型；根据目标状态特征及故障检测模型，预测得到风电机组的故障检测结果。

Description

一种基于快速梯度提升机的风电机组故障检测方法及装置

技术领域

本发明涉及风力发电领域，特别是涉及一种基于快速梯度提升机的风电机组故障检测方法及装置。

背景技术

风力发电技术作为新能源领域的一个重要方向，而风力资源丰富的地方往往位于偏远地区，外部环境恶劣易造成风电机组故障。风电机组齿轮箱的故障是导致停机时间最长、经济损失最大的原因，齿轮箱故障将直接影响设备的整体性能。因此，对风电机组齿轮箱部件进行故障检测、快速识别故障，对于减少风电机组的运维成本和提高整个风场的生产效率具有重要意义。

机器学习方法在风电机组故障诊断领域取得了广泛应用，机器学习方法不需要建立精确的数学模型，也不需要精深的专业知识，只需对数据进行分析与处理，建立故障诊断模型，利用数据模型实现故障诊断。梯度提升算法是经典的机器学习算法之一。梯度提升算法是一种将弱学习器集成为强学习器的算法，根据基学习器的表现，对训练样本进行调整，从而生成强学习器。提升算法多用于分类问题，通过提高错误样本所占的权重来调整算法，提升算法精度。由于提升t算法需要预先知道弱分类器准确率识别的下限，实际故障诊断中应用受到限制。随着专家们对提升算法的研究不断深入，AdaBoost算法解决了提升算法的实际应用问题；GBDT算法有效解决了特征变换复杂性问题；XGBoost算法，采用并行处理，将树模型复杂度加入正则项，有效避免了过拟合。这些方法优化了提升算法模型。但是，由于传统提升算法对异常值非常敏感，当数据样本是异常点时，会极大的干扰基分类器学习效果；传统提升算法训练效率不高，内存占用大；在实际的风电机组故障诊断过程中，由于存在较多的特征向量，传统的提升算法进行计算时，复杂度较大，不能处理海量大数据，进而影响计算效率和故障检测的实时性。

发明内容

本发明的目的是提供一种基于快速梯度提升机的风电机组故障检测方法及装置，通过最大信息系数相关分析方法，从状态特征集中选取目标状态特征，并且根据代价敏感快速梯度提升机得到故障检测模型，减少了风电机组故障检测过程中的计算量及计算耗时，提高风电机组的故障检测效率和实时性。

本发明第一方面提供一种基于梯度提升机的风电机组故障检测方法，包括：

获取风电机组的状态特征集，状态特征集包括至少一个状态特征；

根据最大信息系数相关分析方法从状态特征集中选取目标状态特征；

根据代价敏感快速梯度提升机得到故障检测模型；

根据目标状态特征及故障检测模型，预测得到风电机组的故障检测结果。

进一步的，根据最大信息系数相关分析方法从状态特征集中选取目标状态特征，包括：

通过最大信息系数相关分析方法，计算状态特征与风电机组的故障的相关强度系数；

根据特征选取规则，选取处于预置系数区间范围内的相关强度系数所对应的状态特征，作为目标状态特征。

进一步的，通过最大信息系数相关分析方法，计算状态特征与风电机组的故障的相关强度系数，包括：

根据状态特征与风电机组的故障，计算得到故障与状态特征的互信息；

基于最大信息系数理论及互信息，计算得到故障与状态特征的相关强度系数。

进一步的，根据状态特征与风电机组的故障，计算得到故障与状态特征的互信息，包括：

计算得到故障的故障信息熵；

计算得到故障与状态特征的条件熵，条件熵表示状态特征发生时故障发生的条件概率分布；

将故障信息熵减去故障的条件概率分布，得到故障与状态特征的互信息。

进一步的，根据代价敏感快速梯度提升机得到故障检测模型，包括：

确定梯度提升机算法的损失函数；

计算得到损失函数的一阶损失函数和二阶损失函数；

为一阶损失函数赋予第一代价敏感参数，为二阶损失函数赋予第二代价敏感参数，第一代价敏感参数为任意固定取值，第二代价敏感参数根据网格搜索法获取得到；

根据一阶损失函数、第一代价敏感参数、二阶损失函数和第二代价敏感参数，得到新的损失函数，根据新的损失函数得到代价敏感快速梯度提升机；

根据所述代价敏感快速梯度提升机的算法，得到故障检测模型。

本发明第二方面提供一种基于快速梯度提升机的风电机组故障检测装置，包括：

数据获取模块，用于获取风电机组的状态特征集，状态特征集包括至少一个状态特征；

特征选取模块，用于根据最大信息系数相关分析方法从状态特征集中选取目标状态特征；

故障检测模型构建模块，用于根据代价敏感快速梯度提升机得到故障检测模型；

故障预测模型，用于根据目标状态特征及故障检测模型，预测得到风电机组的故障检测结果。

进一步的，特征选取模块包括：

相关强度计算单元，用于通过最大信息系数相关分析方法，计算状态特征与风电机组的故障的相关强度系数；

故障检测模型参数选取单元，用于根据特征选取规则，选取处于预置系数区间范围内的相关强度系数所对应的状态特征，作为目标状态特征。

进一步的，

相关强度计算单元，还用于根据状态特征与风电机组的故障，计算得到风电机组的故障与状态特征的互信息；

相关强度计算单元，还用于基于最大信息系数理论及互信息，计算得到故障与状态特征的相关强度系数。

进一步的，

相关强度计算单元，还用于计算得到故障的故障信息熵；

相关强度计算单元，还用于计算得到故障与状态特征的条件熵，条件熵表示状态特征发生时故障发生的条件概率分布；

相关强度计算单元，还用于将故障信息熵减去故障的条件概率分布，得到故障与状态特征的互信息。

进一步的，故障检测模型构建模块包括：

确定单元，用于确定梯度提升机算法的损失函数；

计算单元，用于计算得到损失函数的一阶损失函数和二阶损失函数；

代价敏感参数赋予单元，用于为一阶损失函数赋予第一代价敏感参数，为二阶损失函数赋予第二代价敏感参数，第一代价敏感参数为任意固定取值，第二代价敏感参数根据网格搜索法获取得到；

快速梯度提升机算法单元，用于根据一阶损失函数、第一代价敏感参数、二阶损失函数和第二代价敏感参数，得到新的损失函数，根据新的损失函数得到代价敏感快速梯度提升机；

故障检测模型构建单元，用于根据代价敏感快速梯度提升机的算法，得到故障检测模型。

由上可见，本发明中基于快速梯度提升机的风电机组故障检测方法及装置，通过最大信息系数相关分析方法，从状态特征集中选取目标状态特征，从而删选掉了状态特征集中的部分状态特征，减少了故障检测过程的时耗计算量及计算耗时，并且根据代价敏感快速梯度提升机得到故障检测模型，支持并行学习，能高效地处理数据，有效地解决计算效率低、实时性差等问题。因此，提高风电机组的故障检测效率和实时性。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对现有技术和实施例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的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的基于快速梯度提升机的风电机组故障检测方法的一个实施例的流程示意图；

图2为本发明提供的故障检测精度比较图；

图3为本发明提供的基于快速梯度提升机的风电机组故障检测方法的另一个实施例的流程示意图；

图4为本发明提供的基于快速梯度提升机的风电机组故障检测装置的一个实施例的结构示意图；

图5为本发明提供的基于快速梯度提升机的风电机组故障检测装置的另一个实施例的结构示意图；

图6为本发明提供的基于快速梯度提升机的风电机组故障检测装置的又一个实施例的结构示意图。

具体实施方式

本发明的核心是提供一种基于快速梯度提升机的风电机组故障检测方法及装置，通过最大信息系数相关分析方法，从状态特征集中选取目标状态特征，从而删选掉了状态特征集中的部分状态特征，减少了故障检测过程的时耗计算量及计算耗时，并且根据代价敏感快速梯度提升机得到故障检测模型，支持并行学习，能高效地处理数据，有效地解决计算效率低、实时性差等问题。因此，提高风电机组的故障检测效率和实时性。

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

如图1所示，本发明实施例提供一种基于快速梯度提升机的风电机组故障检测方法，包括：

101、获取风电机组的状态特征集，状态特征集包括至少一个状态特征；

本实施例中，在风电场中，一般都具有大量的风电机组，为了方便进行风电机组的调控和监视，使用数据采集与监视控制***(Supervisory Control And DataAcquisition，SCADA)，对风电机组进行数据采集以及监控，获得的SCADA数据包括了多种类型，通过专家经验对SCADA数据进行包括数据归一化和缺失值处理特征提取，从而得到高信息丰富度的且具备可解释性的状态特征，将数量众多的状态特征整理为状态特征集，例如，状态特征集中的状态特征具体包括了机舱振动方向、风速、转子转速、环境温度、机舱温度、桨距角、有功功率等等。

102、根据最大信息系数相关分析方法从状态特征集中选取目标状态特征；

本实施例中，针对不同的故障类型，需要使用的参数不同，因此需要利用最大信息系数相关分析方法，从状态特征集中选取出与检测的故障相关度达到条件的状态特征，作为目标状态特征。

103、根据代价敏感快速梯度提升机得到故障检测模型；

本实施例中，具体的执行步骤如下：

快速梯度提升机(LightGBM)算法是2017年提出的一种基于决策树算法的分布式梯度提升(Gradient Boosting Decision Tree，GBDT)框架。GBDT算法能处理离散化信息数据，但它在对损失函数优化时，只利用一阶导数信息，并且在训练第n颗树时，需用到第n-1颗树的残差，难以实现并行化操作。而XGBoost算法，引入二阶导数对损失函数进行泰勒展开、参数的L2正则化等来整体评估模型的复杂度，支持并行计算，提高算法精度，但其叶子生长方式是按层展开方式，将产生不必要的节点，导致过拟合，高占用率。LightGBM在前者的基础上，提出基于Hisgram的决策树算法，利用带深度限制的叶子生长策略，采用多线程优化，使得LightGBM具有低内存占用率，能处理大规模数据，更加高效，精度更高。若给定监督学习数据集

LightGBM的目的是找到一个映射关系

来逼近函数F(x)，使得损失函数Ψ(y,F(x))期望值最小化，具体公式如下：

LightGBM利用回归树

来逼近最终模型，最终模型的公式如下；

(1)、确定梯度提升机算法的损失函数；

回归树可用另一种形式来表示，即w_q(x),q∈{1，2，...，J},J代表叶子节点数量，q代表树的决策规则，w代表样本权重，损失函数L_t可表示为：

传统的LightGBM采用最速下降法，这种方法只考虑损失函数的梯度。而在LightGBM中使用牛顿法来快速逼近目标函数，化简式损失函数L_t后，可得：

(2)、计算得到损失函数的一阶损失函数和二阶损失函数；

其中，g_i、h_i分别代表一阶损失函数和二阶损失函数。即

用I_j来代表叶子j的样本集，为一阶损失函数g_i赋予第一代价敏感参数C₁，为二阶损失函数h_i赋予第二代价敏感参数C₂，第一代价敏感参数为任意固定取值，第二代价敏感参数根据网格搜索法获取得到，得到的新的一阶损失函数g_i′，和新的二阶损失函数h_i′。即

(3)、根据一阶损失函数、第一代价敏感参数、二阶损失函数和第二代价敏感参数，得到新的损失函数；

新的损失函数L_t′可化为如下：

给定树的结构q(x)，则每个叶子结点的最佳权重和L_K的极限值可通过二次规划得到：

增益计算公式为：

根据新的损失函数就能够得到基于代价敏感参数的快速LightGBM算法，快速LightGBM算法使用最大树深度来修剪树并避免过度拟合，采用多线程优化，提高效率、节省时间。

104、根据目标状态特征及故障检测模型，预测得到风电机组的故障检测结果。

本实施例中，通过故障检测模型对目标状态特征进行计算之后，就能得到风电机组的故障检测结果。从图2可知，GBDT、XGBoost、Cost-sensitive LightGBM算法的故障检测率分别为0.917、0.946、0.967。Cost-sensitive LightGBM算法即为本发明中的代价敏感快速梯度机的算法，Cost-sensitive LightGBM算法采用多线程优化，高效率，Cost-sensitive LightGBM算法性能最好。

本发明实施例中，通过最大信息系数相关分析方法，从状态特征集中选取目标状态特征，从而删选掉了状态特征集中的部分状态特征，减少了故障检测过程的时耗计算量及计算耗时，并且根据代价敏感快速梯度提升机得到故障检测模型，支持并行学习，能高效地处理数据，有效地解决计算效率低、实时性差等问题。因此，提高风电机组的故障检测效率和实时性。

在以上图1所示的实施例中，未具体描述如何根据最大信息系数相关分析方法进行目标状态特征选取，以及如何构建故障检测模型，下面通过实施例进行具体说明。

如图3所示，本发明实施例提供一种基于快速梯度提升机的风电机组故障检测方法，包括：

301、获取风电机组的状态特征集，状态特征集包括至少一个状态特征；

详情请参考步骤101。

302、计算得到故障的故障信息熵；

本实施例中，最大信息系数理论是用来衡量两个特征之间数值关联的强度。而本发明的实施例中需要解决的是风电机组的故障检测，那么需要关注的是故障与状态特征的相关强度系数，首先由于状态特征是进行处理后的SCADA数据，那么必然是离散形式的，将故障作为离散变量X，则故障信息熵的计算公式如下。

303、计算得到故障与状态特征的条件熵，条件熵表示状态特征发生时故障发生的条件概率分布；

本实施例中，条件熵指当状态特征(即随机变量Y)发生时，故障(即X)发生的条件概率分布，计算公式为：

H(X|Y)＝-∑_y∈YP(y)∑_x∈XP(x|y)log₂P(x|y)

304、将故障信息熵减去故障的条件概率分布，得到故障与状态特征的互信息；

本实施例中，将故障(X)的故障信息熵减去故障(X)发生的条件概率分布，可得到故障与状态特征(X，Y)的互信息，计算公式如下：

305、基于最大信息系数理论及互信息，计算得到故障与状态特征的相关强度系数；

本实施例中，对于故障与状态特征(X，Y)的最大信息系数的计算公式为：

其中|X|·|Y|表示网格数。参数B表示数据总量的0.6次方。最大信息系数的范围在0到1之间，值越接近于1，两个变量之间的相关性越强，反之越弱。因此，基于最大信息系数相关分析方法就能计算得到状态特征与风电机组的故障的相关强度系数，

306、根据特征选取规则，选取处于预置系数区间范围内的相关强度系数所对应的状态特征，作为目标状态特征；

本实施例中，设置特征选取规则，特征选取规则可以是预先设置了相关强度系数的预置系数区间，只要状态特征对应的相关强度系数处于预置系数区间范围内，那么就选取该状态特征作为目标状态特征。

307、根据代价敏感快速梯度提升机得到故障检测模型；

详情请参考步骤103。

308、根据目标状态特征及所述故障检测模型，预测得到风电机组的故障检测结果。

详情请参考步骤104。

本发明实施例中，对根据最大信息系数相关分析方法从状态特征集中选取目标状态特征进行了详细的说明，并且对根据代价敏感快速梯度提升机的故障检测模型构建进行了详细的说明，实现了状态特征集中目标状态特征的选取，及多线程优化的故障检测模型的构建。对于风电机组的故障检测效率和实时性有提升。

在以上的实施例中对故障检测方法进行了详细的说，下面通过实施例对应用该方法的风电机组故障检测装置进行详细的说明，具体如下：

如图4所示，本发明实施例提供一种基于快速梯度提升机的风电机组故障检测装置，包括：

数据获取模块401，用于获取风电机组的状态特征集，状态特征集包括至少一个状态特征；

特征选取模块402，用于根据最大信息系数相关分析方法从状态特征集中选取目标状态特征；

故障检测模型构建模块403，用于根据代价敏感快速梯度提升机得到故障检测模型；

故障预测模型404，用于根据目标状态特征及故障检测模型，预测得到风电机组的故障检测结果。

本发明实施例中，特征选取模块402通过最大信息系数相关分析方法，从数据获取模块401获取的风电机组的状态参数集中选取目标状态特征，从而删选掉了部分状态参数，减少了故障检测过程的时耗计算量及计算耗时，并且故障检测模型构建模块403根据代价敏感快速梯度提升机得到故障检测模型，支持并行学习，能高效地处理数据，有效地解决计算效率低、实时性差等问题。因此，提高风电机组的故障检测效率和实时性。

可选的，结合图4所示的实施例，如图5所示，本发明的一些实施例中，特征选取模块402包括：

相关强度计算单元501，用于通过最大信息系数相关分析方法，计算状态参数与风电机组的故障的相关强度系数；

故障检测模型特征选取单元502，还用于根据特征选取规则，选取处于预置系数区间范围内的相关强度系数所对应的状态特征，作为目标状态特征。

可选的，结合图5所示的实施例，本发明的一些实施例中，

相关强度计算单元501，还用于根据状态特征与风电机组的故障，计算得到风电机组的故障与状态特征的互信息；

相关强度计算单元501，还用于基于最大信息系数理论及互信息，计算得到故障与状态特征的相关强度系数。

可选的，结合图5所示的实施例，本发明的一些实施例中，

相关强度计算单元501，还用于计算得到故障的故障信息熵；

相关强度计算单元501，还用于计算得到故障与状态特征的条件熵，条件熵表示状态特征发生时故障发生的条件概率分布；

相关强度计算单元501，还用于将故障信息熵减去故障的条件概率分布，得到故障与状态特征的互信息。

在以上结合图5所描述的实施例中，对根据最大信息系数相关分析方法从状态特征集中选取目标状态特征进行了详细的说明，实现了状态特征集中目标状态特征的选取，减少了故障检测过程中的数据处理量。

可选的，结合图5所示的实施例，如图6所示，故障检测模型构建模块403包括：

确定单元601，用于确定梯度提升机算法的损失函数；

计算单元602，用于计算得到损失函数的一阶损失函数和二阶损失函数；

代价敏感参数赋予单元603，用于为一阶损失函数赋予第一代价敏感参数，为二阶损失函数赋予第二代价敏感参数，第一代价敏感参数为任意固定取值，第二代价敏感参数根据网格搜索法获取得到；

快速梯度提升机单元604，用于根据一阶损失函数、第一代价敏感参数、二阶损失函数和第二代价敏感参数，得到新的损失函数，根据新的损失函数得到代价敏感快速梯度提升机；

故障检测模型构建单元605，用于根据代价敏感快速梯度提升机的算法，得到故障检测模型。

本发明实施例中，对基于代价敏感参数的梯度提升机算法的故障检测模型构建进行了详细的说明，多线程优化的故障检测模型能够提高故障检测的效率，提高了实时性。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

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、物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、物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，并不排除在包括该要素的过程、方法、物品或者设备中还存在另外的相同要素。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其他实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种基于快速梯度提升机的风电机组故障检测方法，其特征在于，包括：

获取风电机组的状态特征集，所述状态特征集包括至少一个状态特征；

根据最大信息系数相关分析方法从所述状态特征集中选取目标状态特征；

根据代价敏感快速梯度提升机得到故障检测模型；

根据所述目标状态特征及所述故障检测模型，预测得到所述风电机组的故障检测结果；

所述根据代价敏感快速梯度提升机得到故障检测模型，包括：

确定梯度提升机算法的损失函数；

计算得到所述损失函数的一阶损失函数和二阶损失函数；

为所述一阶损失函数赋予第一代价敏感参数，为所述二阶损失函数赋予第二代价敏感参数，所述第一代价敏感参数为任意固定取值，所述第二代价敏感参数根据网格搜索法获取得到；

根据所述一阶损失函数、所述第一代价敏感参数、所述二阶损失函数和所述第二代价敏感参数，得到新的损失函数，根据所述新的损失函数得到代价敏感快速梯度提升机；

根据所述代价敏感快速梯度提升机的算法，得到故障检测模型。

2.根据权利要求1所述的方法，其特征在于，所述根据最大信息系数相关分析方法从所述状态特征集中选取目标状态特征，包括：

通过最大信息系数相关分析方法，计算所述状态特征与所述风电机组的故障的相关强度系数；

根据特征选取规则，选取处于预置系数区间范围内的相关强度系数所对应的状态特征，作为目标状态特征。

3.根据权利要求2所述的方法，其特征在于，所述通过最大信息系数相关分析方法，计算所述状态特征与所述风电机组的故障的相关强度系数，包括：

根据所述状态特征与所述风电机组的故障，计算得到所述故障与所述状态特征的互信息；

基于最大信息系数理论及所述互信息，计算得到所述故障与所述状态特征的相关强度系数。

4.根据权利要求3所述的方法，其特征在于，所述根据所述状态特征与所述风电机组的故障，计算得到所述故障与所述状态特征的互信息，包括：

计算得到所述故障的故障信息熵；

计算得到所述故障与所述状态特征条件熵，所述条件熵表示所述状态特征发生时所述故障发生的条件概率分布；

将所述故障信息熵减去所述故障的条件概率分布，得到所述故障与所述状态特征的互信息。

5.一种基于梯度提升机的风电机组故障检测装置，其特征在于，包括：

数据获取模块，用于获取风电机组的状态特征集，所述状态特征集包括至少一个状态特征；

特征选取模块，用于根据最大信息系数相关分析方法从所述状态特征集中选取目标状态特征；

故障检测模型构建模块，用于根据代价敏感快速梯度提升机得到故障检测模型；

故障预测模型，用于根据所述目标状态特征及所述故障检测模型，预测得到所述风电机组的故障检测结果；

所述故障检测模型构建模块包括：

确定单元，用于确定梯度提升机算法的损失函数；

计算单元，用于计算得到所述损失函数的一阶损失函数和二阶损失函数；

代价敏感参数赋予单元，用于为所述一阶损失函数赋予第一代价敏感参数，为所述二阶损失函数赋予第二代价敏感参数，所述第一代价敏感参数为任意固定取值，所述第二代价敏感参数根据网格搜索法获取得到；

快速梯度提升机算法单元，用于根据所述一阶损失函数、所述第一代价敏感参数、所述二阶损失函数和所述第二代价敏感参数，得到新的损失函数，根据所述新的损失函数得到代价敏感快速梯度提升机；

故障检测模型构建单元，用于根据所述代价敏感快速梯度提升机的算法，得到故障检测模型。

6.根据权利要求5所述的装置，其特征在于，所述特征选取模块包括：

相关强度计算单元，用于通过最大信息系数相关分析方法，计算所述状态特征与所述风电机组的故障的相关强度系数；

故障检测模型参数选取单元，用于根据特征选取规则，选取处于预置系数区间范围内的相关强度系数所对应的状态特征，作为目标状态特征。

7.根据权利要求6所述的装置，其特征在于，

所述相关强度计算单元，还用于根据所述状态特征与所述风电机组的故障，计算得到所述故障与所述状态特征的互信息；

所述相关强度计算单元，还用于基于最大信息系数理论及所述互信息，计算得到所述故障与所述状态特征的相关强度系数。

8.根据权利要求7所述的装置，其特征在于，

所述相关强度计算单元，还用于计算得到所述故障的故障信息熵；

所述相关强度计算单元，还用于计算得到所述故障与所述状态特征的条件熵，所述条件熵表示所述状态特征发生时所述故障发生的条件概率分布；

所述相关强度计算单元，还用于将所述故障信息熵减去所述故障的条件概率分布，得到所述故障与所述状态特征的互信息。

Images