The invention discloses a fault identification method for fan blades based on acoustic signal feature library, which includes the following steps: 1. Acquisition of sound signals emitted by each blade of a fan in a wind field when the fan is in normal operation, and transformation of sound signals of each fan blade into characteristic matrices of the samples to be measured by using Meier frequency cepstrum coefficient method; 2. Obtaining characteristic matrices of each sample to be measured; The correlation coefficients of the characteristic matrix of the reference sample corresponding to the position in the normal state feature library are respectively P 1, and the initial threshold a of P 1 is set as a criterion to judge whether the sample is faulty; Step 3, the sample to be tested is judged whether the fault is faulty through Step 2, and the fault type is identified by the fault type feature library. By calculating the correlation coefficients of the samples to be tested with the normal state feature library and the fault type feature library, the fault can be judged, and the fault type can be indicated. The threshold of the correlation coefficients can be revised continuously to improve the accuracy of blade fault detection.
【技术实现步骤摘要】
一种基于声信号特征库的风机桨叶故障识别方法
本专利技术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。
技术介绍
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。
技术实现思路
针对现有技术的不足,本专利技术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。本专利技术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 ...
【技术保护点】
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
【技术特征摘要】
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。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...
【专利技术属性】
技术研发人员:张家安,王宇星,李志军,王华君,
申请(专利权)人:河北工业大学,
类型:发明
国别省市:天津,12
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。