基于特征嵌入深度学习的风电机组抗冲击噪声故障识别方法

本发明公开的基于特征嵌入深度学习的风电机组抗冲击噪声故障识别方法，包括对风电机组原始振动信号进行特征模态分解，筛选出最优模态分量并将其时域信号变换为包络谱；以最小包络熵为适应度函数利用麻雀搜索算法对特征模态分解的滤波器长度和分解模态数进行全局优化；提取时频域特征，构建多维时频域特征向量并输入联合故障识别模型，输出故障分类结果。本发明基于FMD与SSA‑MEE联合优化框架，突破传统包络解调方法对冲击噪声的敏感性限制，抑制了模态混叠，增强噪声鲁棒性。通过对振动信号进行特征模态分解，抑制早期冲击噪声影响，并提出CNN‑GRU‑Attention故障识别模型，极大提高了故障识别的准确率。