CN115163426A - 基于ai听诊的风机故障检测方法及系统、风机安全系统 - Google Patents

Abstract

本申请涉及基于AI听诊的风机故障检测方法及系统、风机安全系统，采集风机叶片运行过程中的第三声音信号，并对第三声音信号数模转换及降噪处理，得到声音信号C，提取声音信号C的实际特征，并与标准特征参照对比，计算第一相似度；在第一相似度小于等于第一预设值的情况下，实际特征与故障特征集中的任意一者参照对比，并分别计算第二相似度，对第二相似度按照降序排列，取前M个与第二相似度对应的故障特征，得到与之对应的故障类型或者M个故障类型的组合；检测到故障后，报警并提供故障诊断意见和维修方案。上述方案能够利用AI听诊结合深度学习技术对实时采集的工作噪声进行声学特征提取及比对，以实时检测叶片是否出现故障。

Description

基于AI听诊的风机故障检测方法及系统、风机安全系统

技术领域

本申请涉及风机故障检测技术领域，特别是涉及基于AI听诊的风机故障检测方法及系统、风机安全系统。

背景技术

风力发电机是将风能转换为机械功，机械功带动转子旋转，最终输出交流电的电力设备。风力发电机一般有风轮、发电机、调向器、塔架、限速安全机构和储能装置等构件组成。

随着能源危机和环境问题的日益严重，风电装备由此得到了迅猛发展。在风电迅猛发展的同时，风力发电机高额的运行维护成本影响了风场的经济效益。风场一般地处偏远、环境恶劣，并且机舱位于70m至90m以上的高空，给机组的维护维修工作造成了困难，增加了机组的运行维护成本。并且高额的运行维护费用增加了风场的运营成本，降低了风电的经济效益。

风机叶片是风力发电机组核心部件之一，是进行能量转换的关键设备，其状态对整机的性能和发电质量有直接的影响。由于长期运行于变负载及恶劣的环境下导致其故障频发，因此对叶片进行状态监测，对于确保风电机组的效率和提高机组安全可靠性具有非常重要的作用。

传统的叶片损伤、故障的检测手段是使用望远镜观察和利用绳索垂降进行人工检测，存在检测效率低，工人劳动强度大；高空作业，检测成本高，安全性低，检测时间长，停机发电量损失大等缺点。而现有的一种检测方案是使用无人机高空巡检风机叶片表面缺陷，将无人机拍摄所得的风机叶片表面原始图像回传后，通过人工识别风机叶片表面是否有缺陷，但是这种方法依然需要人工识别缺陷无法做到产生实时的检测结果，同时，这种方法仅能周期性的检测叶片是否出现故障，在检测前，叶片可能故障运行了较长时间，无法实时检测叶片是否出现故障。

发明内容

基于此，有必要针对现有风机叶片检测仍处于较低水平的人工操作，效率较低，检测成本高，以及无法实时检测等现状，提供基于AI听诊的风机故障检测方法及系统、风机安全系统，能够利用AI听诊结合深度学习技术对实时采集的工作噪声进行声学特征提取及比对，以实时检测叶片是否出现故障，防患于未然，能以最低的成本达到最好的检测效果，进而为风电机组叶片结构的安全运营提供具有极高性价比的技术支持，极大地降低了风场的生产风险，提高了风场的生产效能，解决现有风机叶片检测仍处于较低水平的人工操作，效率较低，检测成本高，以及无法实时检测的问题。

基于AI听诊的风机故障检测方法，包括：

采集风机叶片无故障运行过程中的第一声音信号，并对所述第一声音信号数模转换及降噪处理，得到声音信号A，提取所述声音信号A的特征，得到标准特征；分别采集风机叶片在N个不同故障类型下运行过程中的第二声音信号，并对N个所述第二声音信号数模转换及降噪处理，得到N个声音信号B，分别提取N个所述声音信号B的故障特征，得到故障特征集合，其中N大于等于50；

采集风机叶片运行过程中的第三声音信号，并对所述第三声音信号数模转换及降噪处理，得到声音信号C，提取所述声音信号C的实际特征，并与所述标准特征参照对比，计算第一相似度；

在所述第一相似度小于等于第一预设值的情况下，所述实际特征与所述故障特征集中的任意一者参照对比，并分别计算第二相似度，得到N个所述第二相似度，对所述第二相似度按照降序排列，取前M个与所述第二相似度对应的所述故障特征，得到与之对应的故障类型或者M个故障类型的组合，其中M小于等于5；

检测到故障后，报警并提供故障诊断意见和维修方案。

优选地，上述基于AI听诊的风机故障检测方法中，所述声音信号A的特征、所述声音信号B的故障特征、所述声音信号C的实际特征均包括时域波形图、频谱图、声纹图和频带能量比。

优选地，上述基于AI听诊的风机故障检测方法中，所述计算所述第一相似度、所述分别计算第二相似度均分别使用结构相似性、余弦距离、欧式距离三种方式进行分析比较，获取三个的相似度结果，取三个相似度中最大的为最终相似度。

优选地，上述基于AI听诊的风机故障检测方法中，所述检测到故障后，报警并提供故障诊断意见和维修方案步骤后，还包括：

现场人工确认故障类型，并标记于所述声音信号C的实际特征；

存入所述故障特征集合。

优选地，上述基于AI听诊的风机故障检测方法中，所述检测到故障后，报警并提供故障诊断意见和维修方案步骤后，还包括：

定期生成运行报告。

优选地，上述基于AI听诊的风机故障检测方法中，所述对所述第一声音信号数模转换及降噪处理、所述对N个所述第二声音信号数模转换及降噪处理、所述对所述第三声音信号数模转换及降噪处理中，均包括通过巴特沃斯滤波器的滤波处理步骤，所述巴特沃斯滤波器的阶数取30至50，下限截止频率为50Hz 至200Hz，上限截止频率为10kHz至15kHz，其平方幅频响应函数为：

其中，

N为滤波器的阶数，Ωc为3dB截止频率，Ωu为上限截止频率，Ωl为下限截止频率。

基于AI听诊的风机故障检测系统，包括信号采集模组、信号处理模组、特征提取模组、相似度计算模组、判断模组、故障确定模组和报警模组，其中，所述信号采集模组用于采集风机叶片无故障运行过程中的第一声音信号、用于分别采集风机叶片在N个不同故障类型下运行过程中的第二声音信号以及用于采集采集风机叶片运行过程中的第三声音信号，所述信号处理模组用于对所述第一声音信号数模转换及降噪处理、对N个所述第二声音信号数模转换及降噪处理以及用于对所述第三声音信号数模转换及降噪处理，所述特征提取模组用于提取所述声音信号A的特征、用于分别提取N个所述声音信号B的故障特征以及用于提取所述声音信号C的实际特征，所述相似度计算模组用于第一相似度及用于计算第二相似度，所述判断模组用于判断所述第一相似度是否小于等于第一预设值，所述故障确定模组用于对所述第二相似度按照降序排列，取前 M个与所述第二相似度对应的所述故障特征，得到与之对应的故障类型或者M 个故障类型的组合，所述报警模组用于检测到故障后，报警并提供故障诊断意见和维修方案。

优选地，上述基于AI听诊的风机故障检测系统中，所述特征提取模组包括时域波形图提取单元、频谱图提取单元、声纹图提取单元和频带能量比提取单元，所述相似度计算模组包括结构相似性计算单元、余弦距离计算单元、欧式距离计算单元。

优选地，上述基于AI听诊的风机故障检测系统中，还包括报告生成模组，所述报告生成模组用于定期生成运行报告。

风机安全系统，包括红外在线测温模块、行为环境分析模块、设备远程巡检模块和上述的基于AI听诊的风机故障检测系统，所述红外在线测温模块用以针对现阶段每次巡检需要进行测温的设备和元器件等；所述行为环境分析模块用以支持实现风机塔基周围人员徘徊、聚集和入侵分析，预防外来人员的偷窃破坏行为；所述设备远程巡检模块用以结合视频能力、音频能力和测温能力对场站内的电气设备按计划进行人工以及智能巡检。

本申请采用的技术方案能够达到以下有益效果：

本申请实施例公开的基于AI听诊的风机故障检测方法及系统、风机安全系统中，通过采集风机叶片运行过程中的第三声音信号，将第三声音信号的实际特征首先与标准特征参照对比，计算第一相似度，判断此时风机叶片是否出现故障，在出现故障的情况下，需要进一步检测风机叶片出现的故障类型，故将实际特征与故障特征集中的任意一者参照对比，计算实际特征与故障特征集中的每个故障特征之间的相似度，得到N个第二相似度，对第二相似度按照降序排列，取前M个与第二相似度对应的故障特征，得到与之对应的故障类型或者 M个故障类型的组合，检测到故障后，报警并提供故障诊断意见和维修方案，从而完成风机叶片的故障检测，可以连续不断地采集第三声音信号，并进行相应的检测，从而能够实时检测叶片是否出现故障，防患于未然，故障检测过程中无需人工参与，能以最低的成本达到最好的检测效果，进而为风电机组叶片结构的安全运营提供具有极高性价比的技术支持，极大地降低了风场的生产风险，提高了风场的生产效能，解决现有风机叶片检测仍处于较低水平的人工操作，效率较低，检测成本高，以及无法实时检测的问题。

同时，实际特征首先与标准特征参照对比，计算第一相似度，由于标准特征的数据量较少，此时计算第一相似度的处理难度较小，只有在第一相似度小于等于第一预设值的情况下，才将实际特征与故障特征集中的任意一者参照对比，并分别计算第二相似度，由于故障特征集的数据量较多，因此计算第二相似度的处理难度较大，所以，只有在第一相似度小于等于第一预设值的情况下，才将实际特征与故障特征集中的任意一者参照对比，能够有效降低数据的处理难度。

附图说明

图1为本申请实施例公开的基于AI听诊的风机故障检测方法的示意图；

图2为本申请实施例公开的基于AI听诊的风机故障检测系统的示意图；

图3为本申请实施例公开的风机安全系统的示意图。

具体实施方式

为了便于理解本申请，下面将参照相关附图对本申请进行更全面的描述。附图中给出了本申请的较佳实施方式。但是，本申请可以以许多不同的形式来实现，并不限于本文所描述的实施方式。相反地，提供这些实施方式的目的是使对本申请的公开内容理解的更加透彻全面。

需要说明的是，当元件被称为“设置于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”、“顶部”、“底部”、“底端”、“顶端”以及类似的表述只是为了说明的目的，并不表示是唯一的实施方式。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施方式的目的，不是旨在于限制本申请。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。

请参考图1，本申请实施例公开基于AI听诊的风机故障检测方法，包括以下步骤：

采集风机叶片无故障运行过程中的第一声音信号，可以通过拾音声呐或声阵列传感器采集风机叶片无故障运行过程中的第一声音信号，第一声音信号为无故障的风机叶片正常运行过程中的声音信号，然后对第一声音信号数模转换及降噪处理，得到声音信号A，提取声音信号A的特征，得到标准特征，常见的声音特征有时域特征、频域特征、时频域特征，具体可细分为波形、能量、声纹、主频、短时能量、过零率、相关性等。可以针对现有的局放数据进行相应分析，寻找局放声音的特征。得到的标准特征对应风机叶片无故障，也就是说，如果风机叶片运行过程中产生的声音特征与标准特征相同或基本相似，说明此时风机叶片无故障，如果风机叶片运行过程中产生的声音特征与标准特征不同，说明此时风机叶片出现故障。

分别采集风机叶片在N个不同故障类型下运行过程中的第二声音信号，所采集的第二声音信号为N个，N个第二声音信号一一对应N个不同故障类型，可以通过拾音声呐或声阵列传感器采集风机叶片在N个不同故障类型下运行过程中的第二声音信号，第二声音信号为出现故障的风机叶片时运行中的声音信号，然后对N个第二声音信号数模转换及降噪处理，得到N个声音信号B，分别提取N个声音信号B的故障特征，得到故障特征集合，其中N大于等于50。得到的故障特征集合对应风机叶片出现故障，也就是说，如果风机叶片运行过程中产生的声音特征与故障特征集中的任意一个或多个故障特征相同或基本相似，说明此时风机叶片出现故障，且风机叶片出现的故障类型为与任意一个或多个故障特征对应的一个或多个故障类型。故障特征集通过大量数据神经网络训练得到，集成了较多的故障类型。

采集风机叶片运行过程中的第三声音信号，可以通过拾音声呐或声阵列传感器采集风机叶片运行过程中的第三声音信号，具体地，可以将拾音声呐或声阵列传感器设置在风机主轴的轴承座上。第三声音信号为风机叶片在现场实际运行过程中的声音信号，然后对第三声音信号数模转换及降噪处理，得到声音信号C，提取声音信号C的实际特征，并与标准特征参照对比，计算第一相似度，也就是计算实际特征与标准特征之间的相似度。

在第一相似度大于第一预设值的情况下，也就是实际特征与标准特征相同或基本相似，说明此时风机叶片无故障。在第一相似度小于等于第一预设值的情况下，也就是实际特征与标准特征不同，说明此时风机叶片出现了故障，此时仅检测出风机叶片出现了故障，但无法获取风机叶片出现的故障类型，因此，需要进一步检测风机叶片出现的故障类型，故将实际特征与故障特征集中的任意一者参照对比，并分别计算第二相似度，计算实际特征与故障特征集中的每个故障特征之间的相似度，得到N个第二相似度，对第二相似度按照降序排列，也就是从大到小排序，取前M个与第二相似度对应的故障特征，得到与之对应的故障类型或者M个故障类型的组合，其中M小于等于5，说明此时风机叶片出现了上述故障。

或者，取N个第二相似度中大于第二预设值的故障特征，得到与之对应的故障类型或者M个故障类型的组合，说明此时风机叶片出现了上述故障。第一预设值和二预设值可以为50％、60％或者70％，本申请对第一预设值和二预设值的大小均不做限制。

检测到故障后，报警并提供故障诊断意见和维修方案，供检修人员参考。

本申请实施例公开的基于AI听诊的风机故障检测方法中，通过采集风机叶片运行过程中的第三声音信号，将第三声音信号的实际特征首先与标准特征参照对比，计算第一相似度，判断此时风机叶片是否出现故障，在出现故障的情况下，需要进一步检测风机叶片出现的故障类型，故将实际特征与故障特征集中的任意一者参照对比，计算实际特征与故障特征集中的每个故障特征之间的相似度，得到N个第二相似度，对第二相似度按照降序排列，取前M个与第二相似度对应的故障特征，得到与之对应的故障类型或者M个故障类型的组合，检测到故障后，报警并提供故障诊断意见和维修方案，从而完成风机叶片的故障检测，可以连续不断地采集第三声音信号，并进行相应的检测，从而能够实时检测叶片是否出现故障，防患于未然，故障检测过程中无需人工参与，能以最低的成本达到最好的检测效果，进而为风电机组叶片结构的安全运营提供具有极高性价比的技术支持，极大地降低了风场的生产风险，提高了风场的生产效能，解决现有风机叶片检测仍处于较低水平的人工操作，效率较低，检测成本高，以及无法实时检测的问题。

同时，实际特征首先与标准特征参照对比，计算第一相似度，由于标准特征的数据量较少，此时计算第一相似度的处理难度较小，只有在第一相似度小于等于第一预设值的情况下，才将实际特征与故障特征集中的任意一者参照对比，并分别计算第二相似度，由于故障特征集的数据量较多，因此计算第二相似度的处理难度较大，所以，只有在第一相似度小于等于第一预设值的情况下，才将实际特征与故障特征集中的任意一者参照对比，能够有效降低数据的处理难度。

如上文所述，提取声音信号A的特征，得到标准特征，分别提取N个声音信号B的故障特征，得到故障特征集合，提取声音信号C的实际特征，可选地，声音信号A的特征、声音信号B的故障特征、声音信号C的实际特征均可以包括时域波形图、频谱图、声纹图和频带能量比。通过大量实验，发现风机叶片运行过程中所采集声音信号的特征基本体现在时域波形图、频谱图、声纹图和频带能量比中，因此通过提取声音信号A、声音信号B、声音信号C中的时域波形图、频谱图、声纹图和频带能量比，能够较为全面地体现风机叶片运行过程中所采集声音信号的特征，从而能够较为准确区分特征之间的不同，便于计算相似度，进而便于得到风机叶片出现的故障类型，提高风机故障检测方法准确性和高效性。

可以针对现有的局放数据进行相应分析，寻找局放声音的特征，针对局放声音数据，主要分析声音的时域波形、频谱、声纹、频带能量比几种特征。从信号的频谱图及声纹图可以看出，10kHz至30kHz范围内有明显的信号，既有可听声频段，也有超声频段，频带范围较宽。一般情况下，环境中的超声干扰很少，可以判断该信号为超声信号。为此，我们主要针对10kHz至30kHz范围内的信号进行详细特征分析。

作为优选，计算第一相似度、分别计算第二相似度均分别使用结构相似性、余弦距离、欧式距离三种方式进行分析比较，获取三个的相似度结果，取三个相似度中最大的为最终相似度，也就是说，通过三种方式计算的三个结果中，取最大的一个为第一相似度或第二相似度的值，上述三种相似度的计算结果准确性高，能够提高故障检测的准确性。

作为优选，步骤检测到故障后，报警并提供故障诊断意见和维修方案之后，本申请公开的风机故障检测方法还可以包括：

现场人工确认故障类型，并标记于声音信号C的实际特征；

存入故障特征集合。

在检测到故障后，报警并提供故障诊断意见和维修方案之后，现场工作人员需要对风机叶片进行维修，确定所报警的故障类型与现场实际的故障类型是否相符，在相符的情况下标记于声音信号C的实际特征，然后存入故障特征集合，下次出现与声音信号C的实际特征相似的声音信号时，可以直接判断处何种故障类型，在不相符的情况下，将实际故障类型也标记于声音信号C的实际特征，然后存入故障特征集合，下次出现与声音信号C的实际特征相似的声音信号时，可以直接判断处何种故障类型，从而使得风机故障检测方法具备AI学习能力，以使故障特征集合中的数据增大，提高风机故障检测方法所报警的故障类型更为精准。

如上文所述，需要对采集的声音信号进行数模转换及降噪处理，进一步地，对第一声音信号数模转换及降噪处理、对N个第二声音信号数模转换及降噪处理、对第三声音信号数模转换及降噪处理中，均包括通过巴特沃斯滤波器的滤波处理步骤，巴特沃斯滤波器的阶数取30至50，下限截止频率为50Hz至200Hz，上限截止频率为10kHz至15kHz，其平方幅频响应函数为：

其中，

N为滤波器的阶数，Ωc为3dB截止频率，Ωu为上限截止频率，Ω_l为下限截止频率。

对第一声音信号、第二声音信号以及第三声音信号进行滤波处理，降低第一声音信号、第二声音信号以及第三声音信号中的干扰信号，对于故障类型的判断准确性有着较大的提升，防止第一声音信号、第二声音信号以及第三声音信号中的干扰信号影响检测结果。

作为优选，步骤检测到故障后，报警并提供故障诊断意见和维修方案之后，

本申请公开的风机故障检测方法还可以包括：

定期生成运行报告，方便运维人员了解设备运行情况，为风机叶片的研发改进提供参考。

请参考图2，本申请实施例还公开基于AI听诊的风机故障检测系统，包括信号采集模组、信号处理模组、特征提取模组、相似度计算模组、判断模组、故障确定模组和报警模组，其中，信号采集模组用于采集风机叶片无故障运行过程中的第一声音信号、用于分别采集风机叶片在N个不同故障类型下运行过程中的第二声音信号以及用于采集采集风机叶片运行过程中的第三声音信号，信号处理模组用于对第一声音信号数模转换及降噪处理、对N个第二声音信号数模转换及降噪处理以及用于对第三声音信号数模转换及降噪处理，特征提取模组用于提取声音信号A的特征、用于分别提取N个声音信号B的故障特征以及用于提取声音信号C的实际特征，相似度计算模组用于第一相似度及用于计算第二相似度，判断模组用于判断第一相似度是否小于等于第一预设值，故障确定模组用于对第二相似度按照降序排列，取前M个与第二相似度对应的故障特征，得到与之对应的故障类型或者M个故障类型的组合，报警模组用于检测到故障后，报警并提供故障诊断意见和维修方案。

本申请实施例公开的基于AI听诊的风机故障检测系统中，信号采集模组可以连续不断地采集第三声音信号，并进行相应的检测，从而能够实时检测叶片是否出现故障，防患于未然，故障检测过程中无需人工参与，能以最低的成本达到最好的检测效果，进而为风电机组叶片结构的安全运营提供具有极高性价比的技术支持，极大地降低了风场的生产风险，提高了风场的生产效能，解决现有风机叶片检测仍处于较低水平的人工操作，效率较低，检测成本高，以及无法实时检测的问题。

同时，实际特征首先与标准特征参照对比，计算第一相似度，由于标准特征的数据量较少，此时计算第一相似度的处理难度较小，只有在第一相似度小于等于第一预设值的情况下，才将实际特征与故障特征集中的任意一者参照对比，并分别计算第二相似度，由于故障特征集的数据量较多，因此计算第二相似度的处理难度较大，所以，只有在第一相似度小于等于第一预设值的情况下，才将实际特征与故障特征集中的任意一者参照对比，能够有效降低相似度计算模组的处理难度。

作为优选，特征提取模组可以包括时域波形图提取单元、频谱图提取单元、声纹图提取单元和频带能量比提取单元，通过大量实验，发现风机叶片运行过程中所采集声音信号的特征基本体现在时域波形图、频谱图、声纹图和频带能量比中，因此通过提取声音信号A、声音信号B、声音信号C中的时域波形图、频谱图、声纹图和频带能量比，能够较为全面地体现风机叶片运行过程中所采集声音信号的特征，从而能够较为准确区分特征之间的不同，便于计算相似度，进而便于得到风机叶片出现的故障类型，提高风机故障检测方法准确性和高效性。

相似度计算模组可以包括结构相似性计算单元、余弦距离计算单元、欧式距离计算单元。上述三种相似度的计算单元准确性高，能够提高故障检测的准确性。

作为优选，本申请公开的风机故障检测系统还可以包括报告生成模组，报告生成模组用于定期生成运行报告，方便运维人员了解设备运行情况，为风机叶片的研发改进提供参考。

请参考图3，本申请实施例还公开风机安全系统，包括红外在线测温模块、行为环境分析模块、设备远程巡检模块和上文任意实施例所述的基于AI听诊的风机故障检测系统，红外在线测温模块用以针对现阶段每次巡检需要进行测温的设备和元器件等；行为环境分析模块用以支持实现风机塔基周围人员徘徊、聚集和入侵分析，预防外来人员的偷窃破坏行为；设备远程巡检模块用以结合视频能力、音频能力和测温能力对场站内的电气设备按计划进行人工以及智能巡检。

需要说明的是，设备远程巡检模块包括线上智能巡查单元、线上人工巡查单元和线下人工巡查。

其中，线上智能巡查单元针对特定场景(箱变、变频柜、机舱定子/转子配电柜和机舱柜等)，配合智能算法前端、热成像前端、听诊前端等智能设备所采集到的数据进行智能分析，及时产生报警数据，最终人工进行确认的一套线上智能巡查流程。

同时，线上人工巡查单元可以通过集控中心大屏、电脑PC上的平台客户端以及手机端进行自动抓图、录像回放、报警事件查询以及巡检记录查询等手段进行线上人工巡检。

并且，线下人工巡查可根据风机巡检卡所涉及的巡检内容，下发巡检任务，巡检员通过手持单兵设备，收到巡检任务，在巡检现场，高效记录巡检结果数据，同时可以对现场进行拍照和录像等操作，丰富巡检记录内容，当出现异常无法定性时，还能及时寻求驻地专家支持诊断。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.基于AI听诊的风机故障检测方法，其特征在于，包括：

采集风机叶片无故障运行过程中的第一声音信号，并对所述第一声音信号数模转换及降噪处理，得到声音信号A，提取所述声音信号A的特征，得到标准特征；分别采集风机叶片在N个不同故障类型下运行过程中的第二声音信号，并对N个所述第二声音信号数模转换及降噪处理，得到N个声音信号B，分别提取N个所述声音信号B的故障特征，得到故障特征集合，其中N大于等于50；

采集风机叶片运行过程中的第三声音信号，并对所述第三声音信号数模转换及降噪处理，得到声音信号C，提取所述声音信号C的实际特征，并与所述标准特征参照对比，计算第一相似度；

在所述第一相似度小于等于第一预设值的情况下，所述实际特征与所述故障特征集中的任意一者参照对比，并分别计算第二相似度，得到N个所述第二相似度，对所述第二相似度按照降序排列，取前M个与所述第二相似度对应的所述故障特征，得到与之对应的故障类型或者M个故障类型的组合，其中M小于等于5；

检测到故障后，报警并提供故障诊断意见和维修方案。

2.根据权利要求1所述的基于AI听诊的风机故障检测方法，其特征在于，所述声音信号A的特征、所述声音信号B的故障特征、所述声音信号C的实际特征均包括时域波形图、频谱图、声纹图和频带能量比。

3.根据权利要求1所述的基于AI听诊的风机故障检测方法，其特征在于，所述计算所述第一相似度、所述分别计算第二相似度均分别使用结构相似性、余弦距离、欧式距离三种方式进行分析比较，获取三个的相似度结果，取三个相似度中最大的为最终相似度。

4.根据权利要求1所述的基于AI听诊的风机故障检测方法，其特征在于，所述检测到故障后，报警并提供故障诊断意见和维修方案步骤后，还包括：

现场人工确认故障类型，并标记于所述声音信号C的实际特征；

存入所述故障特征集合。

5.根据权利要求1所述的基于AI听诊的风机故障检测方法，其特征在于，所述检测到故障后，报警并提供故障诊断意见和维修方案步骤后，还包括：

定期生成运行报告。

6.根据权利要求1所述的基于AI听诊的风机故障检测方法，其特征在于，所述对所述第一声音信号数模转换及降噪处理、所述对N个所述第二声音信号数模转换及降噪处理、所述对所述第三声音信号数模转换及降噪处理中，均包括通过巴特沃斯滤波器的滤波处理步骤，所述巴特沃斯滤波器的阶数取30至50，下限截止频率为50Hz至200Hz，上限截止频率为10kHz至15kHz，其平方幅频响应函数为：

其中，

N为滤波器的阶数，Ωc为3dB截止频率，Ωu为上限截止频率，Ω_l为下限截止频率。

7.基于AI听诊的风机故障检测系统，其特征在于，包括信号采集模组、信号处理模组、特征提取模组、相似度计算模组、判断模组、故障确定模组和报警模组，其中，所述信号采集模组用于采集风机叶片无故障运行过程中的第一声音信号、用于分别采集风机叶片在N个不同故障类型下运行过程中的第二声音信号以及用于采集采集风机叶片运行过程中的第三声音信号，所述信号处理模组用于对所述第一声音信号数模转换及降噪处理、对N个所述第二声音信号数模转换及降噪处理以及用于对所述第三声音信号数模转换及降噪处理，所述特征提取模组用于提取所述声音信号A的特征、用于分别提取N个所述声音信号B的故障特征以及用于提取所述声音信号C的实际特征，所述相似度计算模组用于第一相似度及用于计算第二相似度，所述判断模组用于判断所述第一相似度是否小于等于第一预设值，所述故障确定模组用于对所述第二相似度按照降序排列，取前M个与所述第二相似度对应的所述故障特征，得到与之对应的故障类型或者M个故障类型的组合，所述报警模组用于检测到故障后，报警并提供故障诊断意见和维修方案。

8.根据权利要求7所述的基于AI听诊的风机故障检测系统，其特征在于，所述特征提取模组包括时域波形图提取单元、频谱图提取单元、声纹图提取单元和频带能量比提取单元，所述相似度计算模组包括结构相似性计算单元、余弦距离计算单元、欧式距离计算单元。

9.根据权利要求7所述的基于AI听诊的风机故障检测系统，其特征在于，还包括报告生成模组，所述报告生成模组用于定期生成运行报告。

10.风机安全系统，其特征在于，包括红外在线测温模块、行为环境分析模块、设备远程巡检模块和权利要求7至9中任一项所述的基于AI听诊的风机故障检测系统，所述红外在线测温模块用以针对现阶段每次巡检需要进行测温的设备和元器件等；所述行为环境分析模块用以支持实现风机塔基周围人员徘徊、聚集和入侵分析，预防外来人员的偷窃破坏行为；所述设备远程巡检模块用以结合视频能力、音频能力和测温能力对场站内的电气设备按计划进行人工以及智能巡检。

Images