一种基于声信号特征库的风机桨叶故障识别方法技术

本发明专利技术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。

A Fault Recognition Method for Wind Turbine Blades Based on Acoustic Signal Feature Library

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，本专利技术有益效果在于：(1)本专利技术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专利技术的具体实施例。具体实施例仅用于进一步详细说明本专利技术，不限制本申请权利要求的保护范围。本专利技术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&本文档来自技高网...

【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