CN111397884B - 一种改进梅尔倒谱系数算法的叶片故障诊断方法 - Google Patents
一种改进梅尔倒谱系数算法的叶片故障诊断方法 Download PDFInfo
- Publication number
- CN111397884B CN111397884B CN202010307134.3A CN202010307134A CN111397884B CN 111397884 B CN111397884 B CN 111397884B CN 202010307134 A CN202010307134 A CN 202010307134A CN 111397884 B CN111397884 B CN 111397884B
- Authority
- CN
- China
- Prior art keywords
- matrix
- singular value
- formula
- singular
- blade
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000003745 diagnosis Methods 0.000 title claims abstract description 25
- 239000011159 matrix material Substances 0.000 claims description 49
- 238000012545 processing Methods 0.000 claims description 14
- 230000005236 sound signal Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000003064 k means clustering Methods 0.000 claims description 5
- 238000003491 array Methods 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000007796 conventional method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000000354 decomposition reaction Methods 0.000 description 4
- 238000005299 abrasion Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
Abstract
本发明公开一种改进梅尔倒谱系数算法的叶片故障诊断方法,本发明故障诊断方法首先利用梅尔倒谱系数算法获取信号特征矩阵,并利用SVD(奇异值分解)对特征矩阵做降噪处理,滤除了风噪声的特征信息,使得到的信号特征更加准确。在强风噪背景下该方法处理的故障信号同样呈现出明显的周期性,可以识别出强风噪下的故障风机。本发明故障诊断方法解决了传统的梅尔倒谱系数算法判断叶片是否故障方法无法识别强风噪下的故障风机的难题。
Description
技术领域
本发明涉及故障诊断技术领域,具体是一种改进梅尔倒谱系数算法的叶片故障诊断方法,利用SVD(奇异值分解)算法对传统的MFCC算法进行了改进,将MFCC算法得到的特征矩阵进行了降噪处理,滤除了风噪声的特征信息,使得声信号的特征矩阵更加准确,实验证明在强风噪背景下该方法处理的故障信号呈现出明显的周期性,可以识别出强风噪下的故障风机。
背景技术
风电场长期运行在恶劣的露天环境中,叶片作为风机的重要部件经常会出现开裂、表面脱落、磨蚀等故障。这些故障一旦发生,不但会影响风机捕获风能的效率,还会降低叶片的使用寿命,增加运维的成本。因此对于叶片的故障能够及时发现是十分必要而且有意义的。
叶片的声音信号十分容易获取,因此利用声音信号对叶片进行故障诊断具有潜在的应用价值,国内外研究中针对叶片的故障诊断步骤总体上分为两步,第一步是利用信号处理的理论算法从风机叶片的声音信号中提取特征信息,第二步则是利用神经网络、SVM、聚类等机器学习的智能算法将声音信号分类,实现叶片的故障诊断。但是这些方法都需要大量的历史数据作为支撑,并且无法实时的反映叶片的故障情况,没有实用的工程价值。有学者利用MFCC提取声音特征后,利用K-means聚类得到类别时序图,根据时序图的周期性进行故障诊断,但是该方法只能处理无风噪或者背景噪声比较小的情况,在强风噪下却无法实现。由于叶片声音容易受到外界噪声的干扰,因此需要对声音进行降噪处理,但是传统的小波或者小波包降噪方法对风噪的处理效果很差,SVD(奇异值分解)或者AMMG(自适应多尺度形态梯度算法)等降噪方法无法处理声音信号的上百个采样点,因此需要找到一个合适的降噪方法对声音信息进行处理。
发明内容
为解决现有技术的不足,本发明提出一种改进梅尔倒谱系数算法的叶片故障诊断方法,该方法首先将采集到的叶片声音信号做分帧处理并利用梅尔倒谱系数(MelFrequency Cepstrum Coefficient,MFCC)法获得信号的特征矩阵;然后将特征矩阵的每一列数据都转换为hankel矩阵并进行SVD(奇异值分解);利用奇异谱算法保留有限个奇异值得到新的奇异值矩阵,利用新的奇异值矩阵重构得到新的hankel矩阵;之后利用新的hankel矩阵获取新的信号特征矩阵并进行K-means聚类;最后画出信号的类别时序图判断叶片是否故障。
本发明解决所述技术问题的技术方案是,设计一种改进梅尔倒谱系数算法的叶片故障诊断方法,其特征在于,该方法包括如下步骤:
步骤1:对叶片声音信号进行分帧处理获得m帧,其中m的计算公式如下:
m=(l-wlen+inc)/inc
式中,l为声音信号长度,wlen为每帧信号长度,inc为后一帧对前一帧的位移量;
利用梅尔倒谱系数法求得每一帧的n个特征值,得到行数为m、列数为n的特征矩阵Am×n,其中Am×n的表达式为:
步骤2:将特征矩阵Am×n的每一列数据进行提取得到n个数组hi,将n个数组hi分别构建成为n个hankel矩阵Hi;其中Hi的表达式为:
步骤3:将n个hankel矩阵Hi分别进行SVD处理,得到正交矩阵Ui、Vi,以及奇异值矩阵Si,即:
Hi=Ui·Si·Vi T,i=1,2,3…n;
式中Si为奇异值递减的对角矩阵,即:
Si=[diag(s1,s2…,sq),0],i=1,2,3…n;
步骤4:分别计算n个奇异值矩阵Si的差分谱,寻找奇异值突变位置,其中奇异值差分谱计算公式为:
bj=sj-sj+1,j=1,2,…q-1;
式中bj为相邻两点奇异值差值,sj为奇异值大小;bj值最大点则为奇异值突变点,将前j个奇异值保留,得到新的奇异值矩阵S1i,其中S1i的表达式为:
S1i=[diag(s1,s2…,sj),0]
步骤5:对hankel矩阵Hi进行重构,矩阵重构公式为:
H1i=Ui·S1i·Vi T,i=1,2,3…n;
式中,H1i为重构后的hankel矩阵,Ui、Vi为步骤3中得到的正交矩阵,S1i为步骤4得到的新的奇异值矩阵;
步骤6:分别将H1i的第一行数据与最后一列数据进行提取获得n个数组h1i,将数组作为列向量组成新的特征矩阵A1m×n;其中A1m×n的表达式为:
A1m×n=(h11,h12…h1n)
步骤7:将特征矩阵A1m×n进行K-means聚类,将m帧信号聚为两类并画出信号的类别时序图,根据时序图的周期性判断叶片声音是否故障。
与现有技术相比,本发明的有益效果是:本发明首先利用梅尔倒谱系数算法获取信号特征矩阵,并利用SVD(奇异值分解)对特征矩阵做降噪处理,滤除了风噪声的特征信息,使得到的信号特征更加准确。在强风噪背景下该方法处理的故障信号同样呈现出明显的周期性,可以识别出强风噪下的故障风机。本发明故障诊断方法解决了传统的梅尔倒谱系数算法判断叶片是否故障方法无法识别强风噪下的故障风机的难题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述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为本发明故障诊断方法一种实施例的步骤流程图;
图2为低风噪下采用传统梅尔倒谱系数算法得到的类别标签时序图;
图3为低风噪下采用本发明故障诊断方法得到的类别标签时序图;
图4为强风噪下采用传统梅尔倒谱系数算法得到的类别标签时序图;
图5为强风噪下采用本发明故障诊断方法得到的类别标签时序图。
具体实施方式
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,所描述的实施例仅仅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。
本发明提供一种改进梅尔倒谱系数算法的叶片故障诊断方法(简称故障诊断方法,参见图1),该方法包括如下步骤:
步骤1:对叶片声音信号进行分帧处理获得m帧,其中m的计算公式如下:
m=(l-wlen+inc)/inc
式中,l为声音信号长度,wlen为每帧信号长度,inc为后一帧对前一帧的位移量。
利用梅尔倒谱系数(Mel Frequency Cepstral Coefficient,MFCC)法求得每一帧的n个特征值,得到行数为m、列数为n的特征矩阵Am×n,其中Am×n的表达式为:
步骤2:将特征矩阵Am×n的每一列数据进行提取得到n个数组hi(i=1,2,3…n),将n个数组hi分别构建成为n个hankel矩阵Hi(i=1,2,3…n)。其中Hi的表达式为:
步骤3:将n个hankel矩阵Hi(i=1,2,3…n)分别进行SVD(奇异值分解)处理,得到正交矩阵Ui(i=1,2,3…n)、Vi(i=1,2,3…n),以及奇异值矩阵Si,即:
Hi=Ui·Si·Vi T(i=1,2,3…n)
式中Si为奇异值递减的对角矩阵,即:
Si=[diag(s1,s2…,sq),0](i=1,2,3…n)
步骤4:分别计算n个奇异值矩阵Si的差分谱,寻找奇异值突变位置,其中奇异值差分谱计算公式为:
bj=sj-sj+1(j=1,2,…q-1)
式中bj为相邻两点奇异值差值,sj为奇异值大小。bj值最大点则为奇异值突变点,将前j个奇异值保留,得到新的奇异值矩阵S1i,其中S1i的表达式为:
S1i=[diag(s1,s2…,sj),0]
步骤5:对hankel矩阵Hi进行重构,矩阵重构公式为:
H1i=Ui·S1i·Vi T(i=1,2,3…n)
式中,H1i为重构后的hankel矩阵,Ui、Vi为步骤3中得到的正交矩阵,S1i为步骤4得到的新的奇异值矩阵。
步骤6:分别将H1i(i=1,2,3…n)的第一行数据与最后一列数据进行提取获得n个数组h1i(i=1,2,3…n),将数组作为列向量组成新的特征矩阵A1m×n。其中A1m×n的表达式为:
A1m×n=(h11,h12…h1n)
步骤7:将特征矩阵A1m×n进行K-means聚类,将m帧信号聚为两类并画出信号的类别时序图,根据时序图的周期性判断叶片声音是否故障。
采用传统传统梅尔倒谱系数算法和本发明故障诊断方法分别对低风噪背景下的故障风机声音和强风噪背景下的故障风机声音进行处理,结果如图2-5所示。图2和图3是分别采用两种方法对低风噪背景下的故障风机声音进行处理后得到的类别标签时序图。从两图可以看出,传统方法和本发明故障诊断方法得到的时序图都呈现出周期性,都可以判定该风机有故障,但是传统方法由于有风噪特征的影响,得到的时序图周期性较差,而本发明故障诊断方法得到的时序图周期性非常好,没有风噪的影响。
图4和图5是对强风噪背景下的故障风机声音进行处理后得到的类别标签时序图。从图4可以看出,由于强风噪的影响,传统方法的类别时序图完全没有周期性,无法识别出该风机为故障风机。而从图5可以看出,本发明故障诊断方法得到的类别时序图呈现出明显的周期性,可以识别出该风机为故障风机。
综上,无论在低风噪还是强风噪背景下,本发明故障诊断方法得到的类别时序图都能呈现出明显的周期性,都可以识别出故障风机。而传统方法只能在低风噪背景下识别出故障风机,而在强风噪背景下便失去其辨别能力。因此,本发明故障诊断方法与传统方法相比具有明显优势。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施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。
本发明未述及之处适用于现有技术。
Claims (1)
1.一种改进梅尔倒谱系数算法的叶片故障诊断方法,其特征在于,该方法包括如下步骤:
步骤1:对叶片声音信号进行分帧处理获得m帧,其中m的计算公式如下:
m=(l-wlen+inc)/inc
式中,l为声音信号长度,wlen为每帧信号长度,inc为后一帧对前一帧的位移量;
利用梅尔倒谱系数法求得每一帧的n个特征值,得到行数为m、列数为n的特征矩阵Am×n,其中Am×n的表达式为:
步骤2:将特征矩阵Am×n的每一列数据进行提取得到n个数组hi,将n个数组hi分别构建成为n个hankel矩阵Hi;其中Hi的表达式为:
步骤3:将n个hankel矩阵Hi分别进行SVD处理,得到正交矩阵Ui、Vi,以及奇异值矩阵Si,即:
Hi=Ui·Si·Vi T,i=1,2,3…n;
式中Si为奇异值递减的对角矩阵,即:
Si=[diag(s1,s2…,sq),0],i=1,2,3…n;
步骤4:分别计算n个奇异值矩阵Si的差分谱,寻找奇异值突变位置,其中奇异值差分谱计算公式为:
bj=sj-sj+1,j=1,2,…q-1;
式中bj为相邻两点奇异值差值,sj为奇异值大小;bj值最大点则为奇异值突变点,将前j个奇异值保留,得到新的奇异值矩阵S1i,其中S1i的表达式为:
S1i=[diag(s1,s2…,sj),0]
步骤5:对hankel矩阵Hi进行重构,矩阵重构公式为:
H1i=Ui·S1i·Vi T,i=1,2,3…n;
式中,H1i为重构后的hankel矩阵,Ui、Vi为步骤3中得到的正交矩阵,S1i为步骤4得到的新的奇异值矩阵;
步骤6:分别将H1i的第一行数据与最后一列数据进行提取获得n个数组h1i,将数组作为列向量组成新的特征矩阵A1m×n;其中A1m×n的表达式为:
A1m×n=(h11,h12…h1n)
步骤7:将特征矩阵A1m×n进行K-means聚类,将m帧信号聚为两类并画出信号的类别时序图,根据时序图的周期性判断叶片声音是否故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010307134.3A CN111397884B (zh) | 2020-04-17 | 2020-04-17 | 一种改进梅尔倒谱系数算法的叶片故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010307134.3A CN111397884B (zh) | 2020-04-17 | 2020-04-17 | 一种改进梅尔倒谱系数算法的叶片故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111397884A CN111397884A (zh) | 2020-07-10 |
CN111397884B true CN111397884B (zh) | 2022-02-08 |
Family
ID=71435339
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010307134.3A Expired - Fee Related CN111397884B (zh) | 2020-04-17 | 2020-04-17 | 一种改进梅尔倒谱系数算法的叶片故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111397884B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113270110A (zh) * | 2021-05-18 | 2021-08-17 | 上海应用技术大学 | 一种zpw-2000a轨道电路发送器、接收器故障诊断方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160097999A (ko) * | 2014-07-22 | 2016-08-18 | 광주과학기술원 | 위험 상황을 인식하는 음향 감시 방법 |
CN107945793A (zh) * | 2017-12-25 | 2018-04-20 | 广州势必可赢网络科技有限公司 | 一种语音激活检测方法及装置 |
CN109599120B (zh) * | 2018-12-25 | 2021-12-07 | 哈尔滨工程大学 | 一种基于大规模养殖场厂哺乳动物异常声音监测方法 |
CN110322896A (zh) * | 2019-06-26 | 2019-10-11 | 上海交通大学 | 一种基于卷积神经网络的变压器故障声音识别方法 |
CN110259648B (zh) * | 2019-07-05 | 2020-10-09 | 河北工业大学 | 一种基于优化K-means聚类的风机叶片故障诊断方法 |
-
2020
- 2020-04-17 CN CN202010307134.3A patent/CN111397884B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN111397884A (zh) | 2020-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109580215B (zh) | 一种基于深度生成对抗网络的风电传动系统故障诊断方法 | |
CN109740523B (zh) | 一种基于声学特征和神经网络的电力变压器故障诊断方法 | |
CN110109015B (zh) | 一种基于深度学习的异步电动机故障监测与诊断方法 | |
CN112036547B (zh) | 自动特征提取结合lstm的滚动轴承剩余寿命预测方法 | |
CN109102005A (zh) | 基于浅层模型知识迁移的小样本深度学习方法 | |
CN112200244B (zh) | 一种基于递阶对抗训练的航天发动机异常智能检测方法 | |
CN105841961A (zh) | 一种基于Morlet小波变换和卷积神经网络的轴承故障诊断方法 | |
CN112257530B (zh) | 基于盲信号分离和支持向量机的滚动轴承故障诊断方法 | |
CN111238814A (zh) | 一种基于短时希尔伯特变换的滚动轴承故障诊断方法 | |
CN105678343A (zh) | 基于自适应加权组稀疏表达的水电机组噪声异常诊断方法 | |
CN108827605A (zh) | 一种基于改进稀疏滤波的机械故障特征自动提取方法 | |
CN107909118A (zh) | 一种基于深度神经网络的配电网工况录波分类方法 | |
CN109100648A (zh) | 基于CNN-ARMA-Softmax的海流发电机叶轮缠绕故障融合诊断方法 | |
CN111397884B (zh) | 一种改进梅尔倒谱系数算法的叶片故障诊断方法 | |
CN112182912B (zh) | 基于概率描述与谱分析的制造装备主轴轴承健康评估方法 | |
CN109655266A (zh) | 一种基于avmd和谱相关分析的风电机组轴承故障诊断方法 | |
CN114993677A (zh) | 不平衡小样本数据的滚动轴承故障诊断方法及系统 | |
CN114897138A (zh) | 基于注意力机制和深度残差网络的系统故障诊断方法 | |
CN110929761A (zh) | 智能系统安全体系态势感知构架中采集样本的平衡方法 | |
CN114036977A (zh) | 基于二维图像编码特征的风机电能质量扰动监测方法 | |
CN113758709A (zh) | 结合边缘计算和深度学习的滚动轴承故障诊断方法及系统 | |
CN111289251A (zh) | 一种滚动轴承细粒度故障识别方法 | |
CN113821888B (zh) | 基于周期性冲击特征提取和回声状态网络的振动数据故障诊断方法 | |
CN114964783A (zh) | 基于vmd-ssa-lssvm的齿轮箱故障检测模型 | |
CN113758708A (zh) | 一种基于l1范数与组范数约束的滚动轴承信号的频域故障诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220208 |
|
CF01 | Termination of patent right due to non-payment of annual fee |