CN109139390B - 一种基于声信号特征库的风机桨叶故障识别方法 - Google Patents

Abstract

本发明公开了一种基于声信号特征库的风机桨叶故障识别方法，包括以下步骤：步骤1、采集一个风场所有风机正常运行时各自桨叶发出的声音信号，利用梅尔频率倒谱系数法将各台风机桨叶的声信号转化为待测样本的特征矩阵；步骤2、求取各待测样本的特征矩阵分别与正常状态特征库中对应位置的参考样本的特征矩阵的相关系数ρ₁，并设定ρ₁的初始阀值a，以此为判据判断所测样本是否故障；步骤3、待测样本经过步骤2判断是否故障，故障类型通过故障类型特征库来识别。通过计算待测样本与正常状态特征库、故障类型特征库中对应参考样本的相关系数的大小来判断是否故障，并指示故障的类型，并对相关系数的阀值不断修正，提高叶片故障检测的准确性。

Description

一种基于声信号特征库的风机桨叶故障识别方法

技术领域

本发明涉及风机桨叶故障识别方法，具体是一种基于声信号特征库的风机桨叶故障识别方法。

背景技术

进入21世纪以来，世界风电产业得到了迅速发展，而随着风电场投入使用数目越来越多，风机所暴露出来的故障问题直接影响了风电场的经济效益。风机的桨叶作为风机捕获风能的重要部件，长期运行在交变载荷和恶劣的环境中，经常会发生开裂、腐蚀等故障，如果不能在桨叶故障初期排除隐患，随着风机运行时间的增长，潜在的故障程度则会加深，造成维护成本加大，甚至会影响风机本身捕获风能的效率。及时检测出风机故障并做到早期维护修补，对于提高风机运行的安全性，保证良好的运行状态，降低维护成本具有重要意义。近年来，针对风机叶片故障诊断问题，发展了多种检测技术，如超声波、声发射、振动检测、热成像等。超声波检测主要适用于叶片出厂前的静态检测。申请号为201510115347.5的文献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，将分解并重构的裂纹故障特征信号与降噪后的待测信号做相关，根据设定的阀值来判断叶片是否故障；但是该方法是以某个单一的叶片故障作为判别故障参考依据，而风机叶片发生裂纹的部位及深浅程度具有不确定性，仅仅用单一故障信号通过和待测信号特征做相关，显然不具备普适性；且需要在叶片上安装传感器，可能破坏叶片的原有结构，且安装困难，容易受到机舱噪声等影响。

发明内容

针对现有技术的不足，本发明拟解决的技术问题是，提供一种基于声信号特征库的风机桨叶故障识别方法。

本发明解决所述技术问题的技术方案是，提供一种基于声信号特征库的风机桨叶故障识别方法，其特征在于该方法包括以下步骤：

步骤1、以风机正常运转一周的时间为采样时间，采集一个风场所有风机正常运行时各自桨叶发出的声音信号，经过带通滤波器去除风噪，利用梅尔频率倒谱系数法将各台风机桨叶的声信号转化为矩阵的形式，此矩阵的横轴为特征变量，纵轴为帧数，从而得到确定风速下的各台风机待测样本的特征矩阵；

步骤2、求取各待测样本的特征矩阵分别与正常状态特征库中对应位置的参考样本的特征矩阵的相关系数ρ₁，并设定ρ₁的初始阀值a，以此为判据判断所测样本是否故障；正常状态特征库存储有一个风场各台风机正常运行时声音特征矩阵；

当ρ₁>a时，表明此样本没有故障，用所测样本的特征矩阵替换正常状态特征库中对应位置的参考样本的特征矩阵并作为以后故障识别的依据；当ρ₁<a时，需人为设置检测次数并配合现场人员对故障进行人工识别，如果风机桨叶无故障，则用所测样本的特征矩阵替换正常状态特征库中对应位置的参考样本的特征矩阵并作为以后故障识别的依据，并对ρ₁的阀值进行修正；如果人工识别出桨叶有故障，则将所测样本的特征矩阵存储到故障类型特征库中指定的位置；

步骤3、待测样本经过步骤2判断是否故障，故障类型通过故障类型特征库来识别；故障类型特征库通过历史故障数据为待测样本提供参考依据；当故障类型特征库为空时，需要现场人员识别故障类型，并将此故障类型样本的特征矩阵存储到故障类型特征库中指定位置；当故障类型特征库中存储有故障类型样本的特征矩阵时，则求取待测样本的特征矩阵与故障类型特征库中故障类型样本的特征矩阵的相关系数ρ₂，并设定ρ₂的初始阀值b，以此为判据判断所测样本的故障是否是以前风场发生过的类似故障；

当ρ₂>b则指示故障类型，并用所测故障类型样本的特征矩阵替换故障类型特征库中对应的故障类型样本的特征矩阵并作为以后故障类型识别的依据；当ρ₂<b时，需要现场人员人工识别是否是以前风场发生过的类似故障，如果是，用所测故障类型样本的特征矩阵替换故障类型特征库中对应的故障类型样本的特征矩阵，通过ρ₂和b差值的绝对值是否满足精度要求来不断修正ρ₂的阀值，直到所得到的ρ₂的阀值能够判断出故障类型是否是故障类型特征库中已储存的；如果是新的故障类型，则将此故障类型样本的特征矩阵存储到故障类型特征库中指定位置作为以后故障类型识别的依据。

与现有技术相比，本发明有益效果在于：

(1)本发明利用传统梅尔频率倒谱系数法提取桨叶旋转的声音特征，建立无故障正常状态特征库来判断是否故障，建立故障类型特征库来识别故障类型，该方法相比于传统的通过声发射信号、振动信号等检测桨叶故障的方法更加简单，降低运维成本，而且不必在桨叶上安装额外的装置，是一种非接触式的检测方法。

(2)本方法能够建立不断学习、存储、更新并完善的特征库，同时又不断利用特征库进行桨叶故障识别。当风场中出现某一类故障时，即刻作为所有风机日后的故障参考特征并存储在特征库中，说明此方法使风机之间具有横向的学习能力；而随着时间的累积，特征库更加完善，该方法能够清晰地指示故障的类型，说明此方法通过存储历史数据，又具备时间纵向上的学习能力。

(3)正常状态特征库储存实时的无故障桨叶声信号特征，为判断下一次采集到的信号是否表征故障提供参考，正常状态特征库中各风机特征不断更新，去除了时间对桨叶的累积效应，具有实时性，最能够表述当前风机桨叶的状态；正常状态特征库储存了所有风机桨叶无故障时样本特征，在进行检测时，将每台风机采集到的待测信号分别与正常状态特征库中各自对应的样本做相关，排除了个体差异性对检测结果的影响，提高风机桨叶故障判断时的准确性。

(4)故障类型特征库为识别故障类型提供参考特征信息，随着实际桨叶故障发生的类别越多，故障类型特征库故障特征越完整，其中，对于同一类故障特征而言，故障类型特征库中对应位置所存储的是所有风机桨叶最近一次发生过类似故障的特征矩阵，如此尽可能的排除时间对于桨叶的累积效应，故障类型特征库将整个风场发生过的桨叶故障类型以特征矩阵的形式存储下来，随着故障类型特征库逐渐被完善，对于识别桨叶的故障类型的能力会越强，精度也会提高。

(5)通过计算待测样本与正常状态特征库、故障类型特征库中对应参考样本的相关系数的大小来判断是否故障，并指示故障的类型，并对相关系数的阀值不断修正，随着修正次数的增加，得到更合理的判断阀值，提高叶片故障检测的准确性，降低算法流程的复杂度。

具体实施方式

下面给出本发明的具体实施例。具体实施例仅用于进一步详细说明本发明，不限制本申请权利要求的保护范围。

本发明提供了一种基于声信号特征库的风机桨叶故障识别方法(简称方法)，其特征在于该方法包括以下步骤：

步骤1、以风机正常运转一周的时间为采样时间，考虑到故障发生的频率，以小时为间隔尺度，采集一个风场所有风机正常运行时各自桨叶发出的声音信号，经过带通滤波器去除风噪，利用可以表征声音特征的梅尔频率倒谱系数(MFCC)法将各台风机桨叶的声信号转化为矩阵的形式，此矩阵的横轴为特征变量，纵轴为帧数，从而得到某一确定风速下的各台风机待测样本的特征矩阵；

步骤2、求取各待测样本的特征矩阵分别与正常状态特征库中对应位置的参考样本的特征矩阵的相关系数ρ₁，并设定ρ₁的初始阀值a(0≤a≤1，本实施例中a＝0.95)，以此为判据判断所测样本是否故障；正常状态特征库存储有一个风场各台风机正常运行时声音特征矩阵；

当ρ₁>a时，表明此样本没有故障，用所测样本的特征矩阵替换正常状态特征库中对应位置的参考样本的特征矩阵并作为以后故障识别的依据；当ρ₁<a时，需人为设置检测次数(本实施例中小于25次)并配合现场人员对故障进行人工识别，如果风机桨叶无故障，则用所测样本的特征矩阵替换正常状态特征库中对应位置的参考样本的特征矩阵并作为以后故障识别的依据，并对ρ₁的阀值进行修正；如果人工识别出桨叶有故障，则将所测样本的特征矩阵存储到故障类型特征库中指定的位置；

步骤3、待测样本经过步骤2判断是否故障，故障类型通过故障类型特征库来识别；故障类型特征库通过历史故障数据为待测样本提供参考依据；当故障类型特征库为空时，需要现场人员识别故障类型，并将此故障类型样本的特征矩阵存储到故障类型特征库中指定位置；当故障类型特征库中存储有故障类型样本的特征矩阵时，则求取待测样本的特征矩阵与故障类型特征库中故障类型样本的特征矩阵的相关系数ρ₂，并设定ρ₂的初始阀值b(0≤b≤1，本实施例中b＝0.95)，以此为判据判断所测样本的故障是否是以前风场发生过的类似故障；

当ρ₂>b则指示故障类型，并用所测故障类型样本的特征矩阵替换故障类型特征库中对应的故障类型样本的特征矩阵并作为以后故障类型识别的依据；当ρ₂<b时，需要现场人员人工识别是否是以前风场发生过的类似故障，如果是，用所测故障类型样本的特征矩阵替换故障类型特征库中对应的故障类型样本的特征矩阵，通过ρ₂和b差值的绝对值是否满足精度要求(精度要求根据经验设定，本实施例是︱b-ρ₂︱≥0.01)来不断修正ρ₂的阀值，直到所得到的ρ₂的阀值能够判断出故障类型是否是故障类型特征库中已储存的；如果是新的故障类型，则将此故障类型样本的特征矩阵存储到故障类型特征库中指定位置作为以后故障类型识别的依据。

所述正常状态特征库的横轴是以一定风速差间隔的风速序列，风速取值范围为3m/s～25m/s，纵轴为一个风场所有风机的编号序列：风机1、风机2、风机3……风机n；采集某一个风场各台风机桨叶无故障时旋转发出的声信号，进行降噪处理，利用梅尔频率倒谱系数法将提取的各声信号作为特征信号存储到与正常状态特征库相应位置的子存储空间，完成正常状态特征库的初始化；由于时间的累积和外部复杂的环境情况，桨叶在正常情况下的特征也会发生变化，为了排除桨叶自身的影响，在每一次检测之后，正常状态特征库中的特征矩阵会被最新的特征矩阵代替，使得正常状态特征库能够实时反映桨叶最新的状态特征情况。

所述故障类型特征库为：根据桨叶的不同的部位，划分为一定数量的区域，并定义故障类型特征库的横轴为区域序列：区域1、区域2……区域n；以风机桨叶可能发生的故障类型序列为纵轴，如此将故障类型特征库划分出可以储存故障类型样本的特征矩阵的有限个子存储空间；同时，随着时间的积累，故障类型特征库不断地增添新的故障类型样本的特征矩阵，已有的特征矩阵不断被新的故障类型样本的特征矩阵代替；当故障类型特征库逐渐被完善，包含所检测风场风机桨叶故障信息越来越多，对于以后桨叶故障检测所给出的判断指示会更全面，对桨叶故障类型及位置定位更精准。

进一步，采用梅尔频率倒谱系数法建立待测样本特征矩阵的方法，包括以下步骤：

(1)对声音信号进行预加重处理，公式如下：

H(Z)＝1-μz^-1 (1)

式(1)中，μ为系数，取0.96；输入z为采集的声音信号；H(Z)为加重后的声音信号；

(2)分帧，加窗，快速傅里叶变换；

(3)设置梅尔滤波器组数；

(4)计算每个滤波器组输出的对数能量s(m)：

式(2)中，X_a(k)为每帧声信号快速傅里叶变换后的能量；N为帧数；H_m(k)为海明窗；

(5)经过离散变换(DCT)得到梅尔频率倒谱系数C(n)：

式(3)中，L阶指的是梅尔频率倒谱系数，通常取12-16；M为三角滤波器个数。

进一步，步骤2中相关系数ρ₁的求取方法是：

式(4)中，cov(X,Y)＝E(XY)-E(X)E(Y)；cov表示协方差；E表示期望；D表示方差；X为正常状态特征库中参考样本的特征矩阵中各行依次排成一行的数据集；Y为待测样本的特征矩阵中各行依次排成一行的数据集；ρ₁为X与Y所求的相关系数。

进一步，步骤2中修正ρ₁阀值的过程为：待测样本与参考样本的相关系数越大，表明待测样本的状态和参考样本的状态越相似，反之，二者的状态情况可能会有所不同，对相关系数设定初始阀值a为0.95，以一定的检测次数来不断修正阀值，ρ₁阀值的修正公式：

式(5)中，a为求得的下一次ρ₁的阀值；随着检测次数的增加，ρ₁的阀值不断地被修正，从而能够得到一个准确的ρ₁阀值来界定所测样本是否故障，提高故障判断的正确率。

进一步，步骤3中相关系数ρ₂的求取方法是：

式(6)中，cov(Z,Y)＝E(ZY)-E(Z)E(Y)；cov表示协方差；E表示期望；D表示方差；Z为故障类型特征库中参考样本的特征矩阵中各行依次排成一行的数据集；Y为待测样本的特征矩阵中各行依次排成一行的数据集；ρ₂为Z与Y所求的相关系数。

进一步，步骤3中修正ρ₂阀值的过程为：未知故障类型的故障类型样本与故障类型特征库中已有的故障类型样本相关系数越大，表明桨叶的故障类型与参考样本的故障类型相似，反之，所检测的故障可能为新的故障类型，设置ρ₂的初始阀值为0.95，以一定的精度要求不断地修正阀值，ρ₂阀值的修正公式：

式(7)中，b为求得的下一次ρ₂的阀值；不断修正ρ₂阀值需满足式(8)：

|b-ρ₂|≥0.01 (8)

当修正ρ₂阀值过程达到一定的精度要求后，能够得到准确的ρ₂阀值来界定待测样本故障是否是桨叶曾发生过的故障类型，从而能够更准确的指示出故障的类型。

本发明未述及之处适用于现有技术。

Claims (7)

1.一种基于声信号特征库的风机桨叶故障识别方法，其特征在于该方法包括以下步骤：

步骤1、以风机正常运转一周的时间为采样时间，采集一个风场所有风机正常运行时各自桨叶发出的声信号，经过带通滤波器去除风噪，利用梅尔频率倒谱系数法将各台风机桨叶的声信号转化为矩阵的形式，此矩阵的横轴为特征变量，纵轴为帧数，从而得到确定风速下的各台风机待测样本的特征矩阵；

步骤2、求取各待测样本的特征矩阵分别与正常状态特征库中对应位置的参考样本的特征矩阵的相关系数ρ₁，并设定ρ₁的初始阀值a，以此为判据判断所测样本是否故障；正常状态特征库存储有一个风场各台风机正常运行时声音特征矩阵；

当ρ₁>a时，表明此样本没有故障，用所测样本的特征矩阵替换正常状态特征库中对应位置的参考样本的特征矩阵并作为以后故障识别的依据；当ρ₁<a时，需人为设置检测次数并配合现场人员对故障进行人工识别，如果风机桨叶无故障，则用所测样本的特征矩阵替换正常状态特征库中对应位置的参考样本的特征矩阵并作为以后故障识别的依据，并对ρ₁的阀值进行修正；如果人工识别出桨叶有故障，则将所测样本的特征矩阵存储到故障类型特征库中指定的位置；

步骤3、待测样本经过步骤2判断是否故障，故障类型通过故障类型特征库来识别；故障类型特征库通过历史故障数据为待测样本提供参考依据；当故障类型特征库为空时，需要现场人员识别故障类型，并将此故障类型样本的特征矩阵存储到故障类型特征库中指定位置；当故障类型特征库中存储有故障类型样本的特征矩阵时，则求取待测样本的特征矩阵与故障类型特征库中故障类型样本的特征矩阵的相关系数ρ₂，并设定ρ₂的初始阀值b，以此为判据判断所测样本的故障是否是以前风场发生过的类似故障；

当ρ₂>b则指示故障类型，并用所测故障类型样本的特征矩阵替换故障类型特征库中对应的故障类型样本的特征矩阵并作为以后故障类型识别的依据；当ρ₂<b时，需要现场人员人工识别是否是以前风场发生过的类似故障，如果是，用所测故障类型样本的特征矩阵替换故障类型特征库中对应的故障类型样本的特征矩阵，通过ρ₂和b差值的绝对值是否满足精度要求来不断修正ρ₂的阀值，直到所得到的ρ₂的阀值能够判断出故障类型是否是故障类型特征库中已储存的；如果是新的故障类型，则将此故障类型样本的特征矩阵存储到故障类型特征库中指定位置作为以后故障类型识别的依据。

2.根据权利要求1所述的基于声信号特征库的风机桨叶故障识别方法，其特征在于所述正常状态特征库的横轴是以一定风速差间隔的风速序列，纵轴为一个风场所有风机的编号序列；采集一个风场各台风机桨叶无故障时旋转发出的声信号，进行降噪处理，利用梅尔频率倒谱系数法将提取的各声信号作为特征信号存储到与正常状态特征库相应位置的子存储空间，完成正常状态特征库的初始化；由于时间的累积和外部复杂的环境情况，桨叶在正常情况下的特征也会发生变化，为了排除桨叶自身的影响，在每一次检测之后，正常状态特征库中的特征矩阵会被最新的特征矩阵代替，使得正常状态特征库能够实时反映桨叶最新的状态特征情况。

3.根据权利要求1所述的基于声信号特征库的风机桨叶故障识别方法，其特征在于所述故障类型特征库为：根据桨叶的不同的部位，划分为一定数量的区域，并定义故障类型特征库的横轴为区域序列；以风机桨叶可能发生的故障类型序列为纵轴，如此将故障类型特征库划分出可以储存故障类型样本的特征矩阵的有限个子存储空间；同时，随着时间的积累，故障类型特征库不断地增添新的故障类型样本的特征矩阵，已有的特征矩阵不断被新的故障类型样本的特征矩阵代替；当故障类型特征库逐渐被完善，包含所检测风场风机桨叶故障信息越来越多，对于以后桨叶故障检测所给出的判断指示会更全面，对桨叶故障类型及位置定位更精准。

4.根据权利要求1所述的基于声信号特征库的风机桨叶故障识别方法，其特征在于步骤2中相关系数ρ₁的求取方法是：

式(4)中，cov(X,Y)＝E(XY)-E(X)E(Y)；cov表示协方差；E表示期望；D表示方差；X为正常状态特征库中参考样本的特征矩阵中各行依次排成一行的数据集；Y为待测样本的特征矩阵中各行依次排成一行的数据集；ρ₁为X与Y所求的相关系数。

5.根据权利要求1所述的基于声信号特征库的风机桨叶故障识别方法，其特征在于步骤2中修正ρ₁阀值的过程为：待测样本与参考样本的相关系数越大，表明待测样本的状态和参考样本的状态越相似，对相关系数设定初始阀值a为0.95，以一定的检测次数来不断修正阀值，ρ₁阀值的修正公式：

式(5)中，a为求得的下一次ρ₁的阀值；随着检测次数的增加，ρ₁的阀值不断地被修正，从而能够得到一个准确的ρ₁阀值来界定所测样本是否故障，提高故障判断的正确率。

6.根据权利要求1所述的基于声信号特征库的风机桨叶故障识别方法，其特征在于步骤3中相关系数ρ₂的求取方法是：

式(6)中，cov(Z,Y)＝E(ZY)-E(Z)E(Y)；cov表示协方差；E表示期望；D表示方差；Z为故障类型特征库中参考样本的特征矩阵中各行依次排成一行的数据集；Y为待测样本的特征矩阵中各行依次排成一行的数据集；ρ₂为Z与Y所求的相关系数。

7.根据权利要求1所述的基于声信号特征库的风机桨叶故障识别方法，其特征在于步骤3中修正ρ₂阀值的过程为：未知故障类型的故障类型样本与故障类型特征库中已有的故障类型样本相关系数越大，表明桨叶的故障类型与参考样本的故障类型相似，反之，所检测的故障可能为新的故障类型，设置ρ₂的初始阀值为0.95，以一定的精度要求不断地修正阀值，ρ₂阀值的修正公式：

式(7)中，b为求得的下一次ρ₂的阀值；不断修正ρ₂阀值需满足式(8)：

|b-ρ₂|≥0.01 (8)

当修正ρ₂阀值过程达到一定的精度要求后，能够得到准确的ρ₂阀值来界定待测样本故障是否是桨叶曾发生过的故障类型，从而能够更准确的指示出故障的类型。