CN104677623A - 一种风力发电机叶片故障在位声学诊断方法及监测系统 - Google Patents

Abstract

本发明公开了一种风力发电机叶片故障在位声学诊断方法及监测系统，以叶片受损伤产生裂纹后会在运转过程发出准周期性的异响或哨声为依据，首先对含有异响或哨声的运行叶片声信号进行滤波降噪，从降噪后的声信号时频谱图中提出了特征形态时频曲线；由特征形态时频曲线的拟合多项式重构叶片异响或哨声的特征信号，将特征信号与降噪后的叶片声信号做相关，根据相关系数峰值确定叶片故障声信号报警阈值并判断叶片故障发生及周期。本发明为风力发电机叶片在线监测提供了一种简单高效、低成本与非接触的在位故障诊断方法，给予风力发电机叶片正常运行及维护指导性意见。

Description

一种风力发电机叶片故障在位声学诊断方法及监测系统

技术领域

本发明属于风力发电机叶片故障诊断技术，特别涉及一种风力发电机叶片故障在位声学诊断方法及监测系统。

背景技术

风力发电机叶片是吸收风能并提供机组运转的重要部件，其成本约占风力发电机总成本15％-20％。全天候运行叶片所遭受的恶劣环境和复杂气候条件极易造成冲击或疲劳性损伤和破坏。近30年来的全球风电机组事故统计分析表明，叶片故障所占数量最多且有逐年增加趋势。叶片故障多发于盛风期，停机维修不仅带来巨大经济损失，同时叶片断裂也是引起风电机组其他设备故障的重要因素。叶片定期维护修理及出现异常情况后停机检查，都不能满足风力发电厂实际需要，尤其是构成叶片主体复合材料内部损伤具有隐蔽性，易导致其整体结构突然崩溃性破坏发生，造成严重财产损失和安全威胁。

近十年来，我国风电产业经历了爆发式增长，然而状态监测与故障识别技术严重落后，风电机组缺少配套状态监测装置，凸显了风电机组状态监测和故障识别的重要性。国家能源局发布《风力发电科技发展“十二五”专项规划》中指出叶片等关键零部件在线监测与故障诊断是发展重点方向。风力发电机叶片由多种材料构成其空心整体结构，在复杂变工况下运行(变桨和偏航运动)，不同叶片制造标准不统一，这些都给风力发电机叶片状态监测与故障诊断带来巨大困难与挑战性。现有叶片状态监测技术大部分是依赖接触式应变测量以及兰姆波测量，需要提前将传感器贴于叶片表面或埋入内部，监测中传感器数量和布置对测量结果影响较大，诊断效果不够稳定。

发明内容

本发明的目的在于解决现有风力发电机叶片故障诊断技术中存在的难题，提供一种风力发电机叶片故障的在位声学诊断方法，所述方法包括以下步骤：

S100、采集叶片声信号：在含有异响或哨声的风力发电机叶片附近安装传声器，采集叶片的声信号；

S200、滤波降噪：对所述的叶片声信号进行滤波降噪，将降噪后的声信号进行短时傅里叶变换得到其时频谱图；

S300、计算叶片故障标准声信号：定义所述时频谱图中的峰值曲线为特征形态时频曲线，利用多项式拟合原理对特征形态时频曲线进行拟合获得重构特征信号，定义所述重构特征信号为判断叶片故障的标准声信号；

S400、判断叶片是否发生故障：计算降噪后的叶片声信号与叶片故障标准声信号的相关系数，若相关系数大于阈值即表示信号包含叶片故障标准声信号的特征，认为叶片发生故障，预警并且建议对叶片进行检查。

附图说明

图1为本发明实施例的实际测试方案示意图；

图2中(a)为本发明风电机叶片声信号在维纳滤波前的时频谱图、(b)为本发明风电机叶片声信号在维纳滤波后的时频谱图；

图3初步降噪声信号经过该高通滤波器后的时频谱图；

图4中(a)为本发明特征形态峰值曲线与拟合多项式曲线，(b)为本发明标准声信号的时频谱图；

图5中(a)为本发明风力发电机叶片声信号的故障出现周期，(b)本发明标准声信号与风力发电机叶片声信号的相关系数曲线及峰值点。

具体实施方式

下面给出本发明的一个具体实施案例，结合附图能更清楚、深入地理解本发明的目的、技术方案及优点。所提出的实施案例仅用来阐述与解释本发明的详细方法过程，并不能限制本发明的适用范围。

在一个实施例中，提出的一种基于特征形态时频曲线的风力发电机叶片故障在位声学诊断方法，该方法从强背景风噪声信号中分离出风力发电机叶片故障信息，降低噪声信号干扰，同时从声信号时频分析出发，聚焦和凸显声信号中的故障特征，实现对风机叶片故障的诊断。

具体步骤如下：

步骤1：在风力发电机叶片附近安装传声器，通过传声器对叶片运行时声音进行采集与监测，获得叶片的声信号；

如图1所述：在风力发电机塔筒门外部上方，应用传声器支架安装并固定传声器于指定位置，传声器的话筒面须朝向叶片位置，传声器测量获取的声信号由声信号数采设备采集与存储，并通过声信号处理模块进行分析。该风力发电机叶片监测系统包括传声器、传声器支架、声信号数采设备及声信号处理模块，在声信号数采设备的采样频率设置时，最好将采样频率设定为传声器测量最高频率的两倍。

更为具体的，所述风力发电机叶片监测系统包括通用便携式电脑一台，国产Econ AVANTMI-7008数据采集仪一套，声望声电MPA 201传声器一只，声探头支架一个，由于声音信号频率较高，声探头测量频率范围为：20-20000Hz，因此采样频率设置为：48000Hz。

优选的，所述步骤1具体包括：将传声器采集的叶片声信号记为s(n)，n＝0，1，...，N-1，其中n为时间序列，N为时间序列长度，叶片声信号的采集与监测条件必须满足以下内容：

1)叶片声信号的采集与监测方法适用于三叶水平轴式风力发电机的叶片运行声信号s(n)监测和故障诊断；

2)为保证从采集声信号s(n)中获取故障信息，需要在安装传声器时将传声器接收信号的部位朝向叶片位置，可将传声器安装于风力发电机外部塔筒门上方，也可以安装于机舱外部，安装位置需要综合考虑风场风力发电机结构特征、设备布置合理性与简便性等因素；

3)叶片运行速度需要相对稳定并且能够达到激励出叶片故障哨声的水平；

4)采集的声信号s(n)时间长度范围N最好选择在3T_rad≤N≤6T_rad之间，其中T_rad为叶片的旋转周期，时间长度选择在三倍T_rad以上确保能从信号中提取出有效的故障特征，同时，时间也不宜过长，因为风力发电机在运行时风速是变化的，T_rad随时间变化，并且考虑到监测要求，取值过长会影响计算效率。

步骤2：对采集的声信号使用维纳滤波处理进行初步降噪，再将初步降噪信号进行短时傅里叶变换得到其时频谱图。其中，采集声信号维纳滤波处理进行降噪前后的时频图分别如图2(a)和图2(b)所示，信号处理详细步骤如下：

步骤2.1)使用维纳滤波处理采集的声信号s(n)，得到初步降噪信号其中维纳滤波器的频响函数表示如下：

$H\left(k\right)=\frac{E\left[{\left|S\left(k\right)\right|}^2\right]}{E\left[{\left|S\left(k\right)\right|}^2\right]+{\mathrm{\λ}}_d\left(k\right)}---\left(1\right)$

其中k＝0，1，...，N-1，S(k)为声信号频谱，λ_d(k)为第k个频带点的噪声功率谱，则降噪后信号频谱估算值公式为：

$\hat{S}\left(k\right)=H\left(k\right)S\left(k\right)---\left(1\right)$

通过将信号进行傅里叶逆变换，就可以获得降噪信号

步骤2.2)对初步降噪信号进行短时傅里叶变换得到其时频谱图，其短时傅里叶变换的时频表示S(n_tΔ_t，m_fΔ_f)公式为：

$S(n_t{\mathrm{\Δ}}_t,m_f{\mathrm{\Δ}}_f)=\underset{l=n_t-Q}{\overset{n_t+Q}{\mathrm{\Σ}}}\hat{s}\left(l{\mathrm{\Δ}}_t\right)g^{*}\left((n_t-l){\mathrm{\Δ}}_t\right)e^{-j2\mathrm{\π}{m}_{f}l{\mathrm{\Δ}}_t{\mathrm{\Δ}}_f}{\mathrm{\Δ}}_t---\left(1\right)$

其中n_t和m_f分别表示时域和频域离散的序列取值，Δ_t和Δ_f为短时傅里叶变换的时宽与频带宽，g(n_w)，n_w＝0，1，...，B-1表示窗函数，B为窗函数窗长，g^*(n_w)表示窗函数g(n_w)共轭，当降噪信号长度＞B，

在降噪信号的短时傅里叶变换中可以选取不同窗函数进行计算，然而根据海森堡不确定性原理，时频分析的时间与频率有如下关系：

${\mathrm{\Δ}}_t{\mathrm{\Δ}}_f\≥\frac{1}{4\mathrm{\π}}---\left(1\right)$

上式当且仅当选取高斯窗函数时等号成立，即高斯窗函数具有最优时窗表达，因此，优选高斯窗函数进行短时傅里叶变换，其时域表达式为：

$g\left(n_w\right)=\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}{e}^{\frac{-{[n_w-(B-1)/2]}^2}{2{[\mathrm{\σ}(B-1)/2]}^2}}---\left(1\right)$

其中σ为高斯窗宽度系数，长度取值n_w＝0，1，...，B-1。

步骤3：当叶片发出异响或哨声时，其时频谱图中，在叶片旋转周期的时间间隔上会出现形态相似且连续变化的峰值曲线，将具有这种形态特征的峰值曲线定义为叶片故障的特征形态时频曲线，利用最高项不高于五次的多项式对一个特征形态时频曲线拟合，获得时频表示与特征形态时频曲线相同的重构特征信号。其中，叶片声信号的特征形态峰值曲线及其拟合多项式曲线如图4(a)所示，应用该拟合多项式计算得到的重构特征信号时频谱图如图4(b)所示。

所述步骤3中特征形态时频曲线的定义与提取方法的详细子步骤如下：

步骤3.1)在所述降噪信号的短时傅里叶时频谱图，图2(b)中，寻找以叶片旋转周期为时间间隔，形态相似且连续变化的峰值曲线，本实施例中，风力发电机叶片旋转周期T_rad约为6s/rad，图2(b)峰值曲线基本按照6s时间等间隔分布，定义该峰值曲线为所述风力发电机叶片的特征形态时频曲线。

从图2(b)中还能发现，尽管经过维纳滤波处理以后，降噪信号的短时傅里叶时频谱图低频段(低于1000Hz以下部分)还有一部分高能量信号存在，而风噪声能量集中在300Hz以下，这是由于部分风噪声未能消除而造成的。为了更进一步对信号后续处理更加准确，在特征形态时频曲线拟合前，设计一个高通滤波器对降噪信号进一步滤波消除信号的残留风噪。其设计参数为：采样频率44100Hz，阻带最小衰减50，通带频率1250Hz，截止频率1000Hz，经过高通滤波器滤波后信号的时频谱图如图3所示。

步骤3.2)设特征形态时频曲线的拟合多项式表达为：

$f\left(t_i\right)=a_0+a_1{t}_i+a_2{t}_i^2+...+a_K{t}_i^K---\left(2\right)$

其中K，0≤K≤4为拟合多项式的最高阶次，t_i为特征形态时频曲线的时间取值点，f(t_i)为特征形态时频曲线的频率取值点，a₀，...，a_N是拟合多项式的系数。本实施例中应用最高项为三次多项式对特征形态时频曲线进行拟合，即K＝3，则本实施例中拟合多项式表达为：

$f\left(t_i\right)=a_0+a_1{t}_i+a_2{t}_i^2+a_3{t}_i^3---\left(2\right)$

步骤3.3)在一个特征形态时频曲线上均匀的选取10～15个点，依据最小二乘原理，应用所述拟合多项式对该特征形态时频曲线重构，求解得到多项式的系数a₀、a₁、a₂和a₃，由此获得时频表示与特征形态时频曲线相同的重构特征信号y(m)，m＝0，1，...，M-1。其中，本实施例中，在特征形态时频曲线上选取了12个拟合点，得到的三次拟合多项式曲线见图4(a)粗实线，由于时频谱图上的曲线能够表述信号瞬时频率f(t_i)随时间变化的函数，将瞬时频率沿时间积分即可获得信号相位φ(t_i)，应用该三次拟合多项式表达式能重构一扫频余弦信号，其相位表述及信号表达式分别为：

$\mathrm{\θ}\left(t_i\right)=a_0{t}_i+\frac{a_1}{2}{t}_i^2+\frac{a_2}{3}{t}_i^3+\frac{a_3}{4}{t}_i^4---\left(2\right)$

将上述扫频余弦信号记为重构特征信号y(m)，其时频谱图如图4(b)所示。

步骤4：以重构特征信号作为判断叶片故障的标准声信号，计算降噪后的信号与标准声信号的相关系数，若相关系数大于0.2即表示信号包含标准声信号的特征，认为叶片发生故障，预警并且建议对叶片进行检查。其中相关系数阈值的选取依据叶片声信号与叶片故障标准声信号的互相关函数计算得到的相关系数绝对值来确定，相关系数绝对值范围在[0，1]之间，若相关系数曲线在时间轴上的峰值时刻与叶片旋转周期一致，则认为叶片声信号中包含有故障，经过发明人对多种叶片故障情况下声信号的处理分析发现将阈值设定为0.2比较合理，不会出现漏判或误判情况。

其中，降噪后声信号故障声出现周期见图5(a)，标准声信号与风力发电机叶片声信号的相关系数曲线及峰值点见图5(b)。

所述步骤4中计算降噪后信号与标准声信号y(m)的相关系数，n与m记为降噪后信号和标准声信号y(m)的时间序列，N与M分别为相应信号的长度，其相关系数计算公式如下：

$R_{\mathrm{sy}}\left(k\right)=\underset{l=0}{\overset{L-1}{\mathrm{\Σ}}}{s}_w(l+k)y*\left(l\right),k=\mathrm{0,1,2},...,L-1---\left(2\right)$

其中k是相关系数的时间序列，L表示相关系数的长度且L＝N+M-1，计算相关系数时需要对两信号序列和y(m)补零使其长度为L＝N+M-1，即：

$\begin{array}{cc}\hat{s}\left(l\right)=\left\{\begin{array}{cc}\hat{s}\left(l\right)& l=\mathrm{0,1},...,N-1\\ 0& l=N,N+1,...,L-1\end{array}\right.& y\left(l\right)=\left\{\begin{array}{cc}y\left(l\right)& l=\mathrm{0,1},...,M-1\\ 0& l=M,M+1,...,L-1\end{array}\right.\end{array}---\left(3\right)$

计算得到的相关系数R_sy序列中若有大于0.2的值，即表示降噪后信号包含标准声信号y(m)的特征，认为叶片发生故障，预警并且建议对叶片进行检查。

在本实施例中，判定风力发电机叶片的依据是，当相关系数中有大于0.2以上数值出现就判定风力发电机叶片有故障，并且根据相关系数的峰值点位置判断出故障声信号出现的时刻，峰值点位置的差值即为故障声信号出现的周期。

在另外一个实施例中

如图1所示的风力发电机，其叶片发生破损，运转时出现明显哨叫，利用传声器测量声信号，声信号数采设备采集与存储并传入声信号处理模块进行分析，得到风力发电机叶片运行的声信号s(n)。

利用维纳滤波器声信号s(n)进行滤波，得到初始降噪声信号并应用基于高斯窗的短时傅里叶变换计算声信号的时频谱图，滤波前后的时频谱图对比见图2(a)和(b)，其对比说明维纳滤波能有效滤除背景风噪，凸显出故障声信号的时频特征。

依据该风力发电机叶片旋转周期T_rad≈6.0s/rad，观察降噪声信号的时频谱图，寻找符合叶片旋转周期的时间间隔出现的形态相似且连续变化的峰值曲线，作为该声信号的特征形态峰值曲线；为了后续故障信号分析处理，优选地，本实施例中设计了基于凯泽尔窗FIR高通滤波器进一步对噪声信号进行滤波滤波后的时频谱图见图3(b)，滤波后低频风噪声得到了明显地抑制。

应用最高阶为三次多项式对提取的声信号特征形态时频曲线进行拟合，记为f(t_i)，如图4(a)所示，由此计算得到重构特征信号，其时频分布，如图4(b)，对比特征形态时频曲线，重构特征信号较好地提取了声信号的故障特征。

将重构特征信号作为诊断叶片声信号中故障的标准声信号y(m)，与降噪后声信号做相关分析计算，计算结果如图5(b)，依据判定准则，结果中有大于0.2的数值出现，表明该声信号包含有故障特征信息，即认为该风力发电机叶片产生故障，与实际情况相符；同时计算结果峰值的出现周期与声信号的时频谱图特征形态时频曲线的出现周期非常一致，都为三次且对应出现时间基本相同，该故障信号出现周期与旋转周期一致，与实际情况相符。

本发明提出一种风力发电机叶片故障在位声学诊断方法及监测系统，其优点在于：

(1)有效地对风力发电机叶片声信号的背景风噪进行降低与消除。

(2)更全面利用风力发电机叶片声信号包含的有用信息，从声信号的时频谱图中提取能代表叶片故障的相应特征，避免对叶片故障的误判。

(3)依据该方法对风力发电机叶片故障的诊断结果，能够及时了解叶片运行状况，同时给予叶片检查与修护指导性意见，从而节约风场维护与管理成本。

以上对本发明进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (9)

1.一种风力发电机叶片故障在位声学诊断方法，其特征在于：所述方法包括以下步骤：

S100、采集叶片声信号：在含有异响或哨声的风力发电机叶片附近安装传声器，采集叶片的声信号；

S200、滤波降噪：对所述的叶片声信号进行滤波降噪，将降噪后的声信号进行短时傅里叶变换得到其时频谱图；

S300、计算叶片故障标准声信号：定义所述时频谱图中的峰值曲线为特征形态时频曲线，利用多项式拟合原理对特征形态时频曲线进行拟合获得重构特征信号，定义所述重构特征信号为判断叶片故障的标准声信号；

S400、判断叶片是否发生故障：计算降噪后的叶片声信号与叶片故障标准声信号的相关系数，若相关系数大于阈值即表示信号包含叶片故障标准声信号的特征，认为叶片发生故障，预警并且建议对叶片进行检查。

2.根据权利要求1所述的诊断方法，其特征在于，优选的，所述步骤S100中安装传感器包括将传声器安装于风力发电机外部塔筒门上方或安装于机舱外部，在安装传声器时将所述传声器接收信号的部位朝向叶片位置。

3.根据权利要求1所述的诊断方法，其特征在于，所述步骤S100中采集叶片的声信号时保证所述采集到的叶片声信号的长度在三个到六个叶片的旋转周期之间。

4.根据权利要求1所述的诊断方法，其特征在于，所述步骤S200中对叶片声信号进行滤波降噪采用维纳滤波原理进行。

5.根据权利要求1所述的诊断方法，其特征在于，所述步骤S300中特征形态时频曲线的具体定义包括在所述降噪信号的时频谱图中，以叶片旋转周期为时间间隔，将数个形态相似且连续变化的峰值曲线。

6.根据权利要求5所述的诊断方法，其特征在于，所述步骤S300中重构特征信号包括在特征形态时频曲线上均匀选取10～15个点，依据最小二乘法原理，利用多项式拟合原理对该特征形态时频曲线进行拟合，求解多项式的系数来得到的。

7.根据权利要求1所述的诊断方法，其特征在于，所述步骤S400中相关系数计算公式如下：

$R_{\mathrm{sy}}\left(k\right)=\underset{l=0}{\overset{L-1}{\mathrm{\Σ}}}\hat{s}(l+k)y*\left(l\right),k=\mathrm{0,1,2},...,L-1---\left(2\right)$

其中：R_sy(k)表示相关系数，表示滤波降噪信号，其中n为时间序列，N为时间序列长度；y*(m)，m＝0，1，2，...，M-1表示重构特征信号，其中m为时间序列，M为时间序列长度；k是相关系数的时间序列，L表示相关系数的长度且L＝N+M-1。

8.根据权利要求7所述的诊断方法，其特征在于，所述步骤S400中所述阈值为0.2。

9.一种风力发电机叶片故障监测系统，其特征在于：所述检测系统包括传声器、传声器支架、声信号数采设备及声信号处理模块；

所述传声器安装在传声器支架并放置在风力发电机叶片周围，感知和监测风力发电机叶片运行的声信号；

所述传声器支架放置于风力发电机叶片的周围，作用为固定所述传声器于指定安装位置，便于传声器采集叶片运行的声信号；

所述声信号数采设备接收并存储从传声器到叶片运行的声信号，并将声信号传输到声信号处理模块；

所述声信号处理模块从所述声信号数采设备中获取叶片运行的声信号并对声信号进行分析，从而诊断叶片的故障并给出预警判断。