基于卷积生成对抗网络的风电机组叶片故障音频监测方法技术

本申请涉及一种基于卷积生成对抗网络的风电机组叶片故障音频监测方法，包括将声音收集设备收集到的叶片转动的音频信号进行分割，对各组叶片功率谱矩阵使用主成分分析，构建生成对抗网络，使用深度卷积生成对抗网络结构对叶片的特征方阵轮流使用anoGAN进行训练；使用一组叶片数据训练好生成对抗模型之后，将剩余组叶片的特征方阵分别输入到异常检测器中，将输入的待测数据作为模型输出的第一部分，重新进行迭代训练，计算输入数据对原训练数据的拟合程度，取最后一次的模型损失作为拟合误差；遍历进行误差计算，得到表示每组叶片相对于剩余组叶片的差异大小。本申请效率高、成本低、无需人工作业，适用于风电机组的故障监测。

Wind turbine blade fault audio monitoring method based on convolution generation countermeasure network

【技术实现步骤摘要】
基于卷积生成对抗网络的风电机组叶片故障音频监测方法
本申请涉及一种基于卷积生成对抗网络的风电机组叶片故障音频监测方法，适用于风电机组故障监测的

技术介绍
风电机组长期运行在交变载荷的环境下，叶片极易发生裂纹、腐蚀等故障，不但降低叶片的使用寿命，而且影响风机对风能的捕获，所以做到叶片故障的早期诊断和预警对于风机的安全健康运行具有极大意义。目前对于风机叶片的故障监测采用的方法包括图像识别、热成像、激光检测、振动信号特征识别等。申请号为201910603546.9的中国专利提出了基于廓系数优化K-means聚类的效果的音频信号检测方法，将一段声音信号的故障帧和非故障帧进行区分，并将特征帧的样本标签在时域上刻画条形图，综合分析同类特征帧的周期特性来判断某台风机的叶片是否故障。这一方法通过聚类后簇的类别标签在时域上的条形图是否出现周期性特征来判断故障。二聚类对于在音频中表现特征较弱的故障难以精准检测，另外地对于是否存在周期性特征需要人工判断，难以实现自动化高效检测。申请号为CN201710641430.5的中国专利同样提出了采用声音采集装置通过音频进行故障诊断的方法，主要截取特征频率，并将将特征频率进行对比处理来诊断故障，这一方法类似于基于振动信号的故障诊断，但音频由于其与振动信号的不同传播方式，而且容易受到噪声干扰的特性，决定了分析方式的差异。如果单纯地对音频信号进行频域分析，难以达到使用同样方法对传统振动信号的检测精度，并且丢失了伴随叶片扫风的周期性特征。现有技术中急需一种效率高、成本低、无需人工作业的风电机组叶片故障的监测方法。
技术实现思路
本专利技术的目的是提供一种效率高、成本低、无需人工作业的风电机组叶片故障的监测方法。根据本申请的基于卷积生成对抗网络的风电机组叶片故障音频监测方法，包括以下步骤：(1)将声音收集设备收集到的叶片转动的音频信号进行分割，得到风机各支叶片扫风声音的起止时间点；(2)对各组叶片功率谱矩阵使用主成分分析，将单组叶片信号矩阵转换为使用主成分展示数据的特征，并将原始每段扫风信号降维至行列数相同的方阵；(3)构建生成对抗网络，使用深度卷积生成对抗网络结构对叶片的特征方阵轮流使用anoGAN进行训练，对每一组叶片的特征方阵，通过多次迭代对抗训练固定生成模型和判别模型的参数结构，将判别器的最后一层卷积层提取出作为特征提取器；(4)重新构造模型，以隐空间的噪声分布为模型输入，以生成器的输出和特征提取器的输出结合为模型输出作为异常检测器；(5)使用一组叶片数据训练好生成对抗模型之后，将剩余组叶片的特征方阵分别输入到异常检测器中，将输入的待测数据作为模型输出的第一部分，重新进行迭代训练，计算输入数据对原训练数据的拟合程度，取最后一次的模型损失作为拟合误差；(6)遍历进行误差计算，得到表示每组叶片相对于剩余组叶片的差异大小，将得到的差异的最大值作为最终的异常风险值。优选地，步骤(2)中还可以包括以下步骤：(2.1)对音频信号做短时傅里叶变换，得到转换后的时频谱矩阵；(2.2)根据读入音频时得到的采样频率和时长，计算和功率谱矩阵宽度的对应关系，将时间分割点转化为矩阵列的分割索引，得到各支叶片每段扫风信号的功率谱，拼接成为本段时间内各支叶片的总功率谱；(2.3)将每组叶片的时频域矩阵进行时间维度上的统一，提取时域上每支叶片功率矩阵的主成分；(2.4)对各组叶片功率谱矩阵使用主成分分析将表示时间-频率-能量信息的单组叶片信号矩阵转换为使用主成分展示数据的特征，并将原始每段扫风信号降维至行列数相同的方阵。优选地，步骤(6)中的差异大小是指进行相对异常分值计算，得到表示一组叶片相对于剩余组叶片的差异大小，将得到的各组相对异常分值中的最大值作为最终的异常风险值。优选地，风电机组共有三支叶片，分别为叶片a、叶片b和叶片c，步骤(6)中，遍历进行误差计算的方法为：以叶片a数据训练，叶片b和叶片c分别输入得到拟合误差La，b，La，c；以叶片b数据训练，叶片a和叶片c分别输入得到拟合误差Lb，a，Lb，c；以叶片c数据训练，叶片a和叶片b分别输入得到拟合误差Lc，a，Lc，b。根据本申请的基于卷积生成对抗网络的风电机组叶片故障音频监测方法，其是基于叶片扫风声音分割的后续检测，不需加装其他的信号采集装置例如激光、摄像机等，不需要使风机停机进行监测，不需要人工标注数据；充分考虑了音频信号的频域、时域及幅值特征，实现无监督的实时异常监测，全自动的检测，无需人工参与，能够对传统的信号处理、振动分析难以识别的微弱故障进行异常检测，无需专家知识和先验知识；无需明确故障类型，可以对大多数常见的外观气动性能出现故障的叶片进行诊断。附图说明图1为本申请的风电机组叶片故障音频监测方法的流程示意图。图2显示实施算例模式1中完整扫风的音频图。图3显示实施算例模式1中叶片1的音频图。图4显示实施算例模式1中叶片2的音频图。图5显示实施算例模式1中叶片3的音频图。图6显示实施算例模式2中完整扫风的音频图。图7显示实施算例模式3中完整扫风的音频图。图8显示实施算例模式3中叶片1的音频图。图9显示实施算例模式3中叶片2的音频图。图10显示实施算例模式3中叶片3的音频图。具体实施方式为使本申请的目的、技术方案和优点更加清楚明白，下文中将结合附图对本申请的实施例进行详细说明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。下面先对本申请中出现的技术术语进行解释和说明。短时傅里叶变换STFT(短时傅里叶变换)是和傅里叶变换相关的一种数学变换，用以确定时变信号其局部区域正弦波的频率与相位。它定义了一个非常有用的时间和频率分布类,其指定了任意信号随时间和频率变化的复数幅度。实际上,计算短时傅里叶变换的过程是把一个较长的时间信号分成相同长度的更短的段，在每个更短的段上计算傅里叶变换,即傅里叶频谱。STFT的数学表达如下：其中ω(n)是滑动窗口，强调一定时域范围内的频率信息。STFT的计算步骤如下：1.将输入信号分割为N个部分，每个部分取n个点，截取相应长度的信号序列，其中n取决于窗宽参数(WindowLength)；2.选定的窗函数(WindowType)然后与截取出的信号序列对应的点逐点相乘，得到的数即为加窗截取后的值；3.如果窗宽小于FFT长度，窗的两侧使用0进行填补操作；4.进行FFT计算；5.根据选定的步长得到滑窗的交叠大小(OverlapSize)，重复1-4步骤直到滑窗至信号末尾。因此经STFT处理后的音频信号具有时域和频域的局部化特性，可以借助其分析信号的时频特性。主成分分析主成分分析(PCA)是一种统计分析、简化数据集的方法。它利用正交变换来对一系列可能相本文档来自技高网...

【技术保护点】
1.一种基于卷积生成对抗网络的风电机组叶片故障音频监测方法，其特征在于，包括以下步骤：/n(1)将声音收集设备收集到的叶片转动的音频信号进行分割，得到风机各支叶片扫风声音的起止时间点；/n(2)对各组叶片功率谱矩阵使用主成分分析，将单组叶片信号矩阵转换为使用主成分展示数据的特征，并将原始每段扫风信号降维至行列数相同的方阵；/n(3)构建生成对抗网络，使用深度卷积生成对抗网络结构对叶片的特征方阵轮流使用anoGAN进行训练，对每一组叶片的特征方阵，通过多次迭代对抗训练固定生成模型和判别模型的参数结构，将判别器的最后一层卷积层提取出作为特征提取器；/n(4)重新构造模型，以隐空间的噪声分布为模型输入，以生成器的输出和特征提取器的输出结合为模型输出作为异常检测器；/n(5)使用一组叶片数据训练好生成对抗模型之后，将剩余组叶片的特征方阵分别输入到异常检测器中，将输入的待测数据作为模型输出的第一部分，重新进行迭代训练，计算输入数据对原训练数据的拟合程度，取最后一次的模型损失作为拟合误差；/n(6)遍历进行误差计算，得到表示每组叶片相对于剩余组叶片的差异大小，将得到的差异的最大值作为最终的异常风险值。/n...

【技术特征摘要】
1.一种基于卷积生成对抗网络的风电机组叶片故障音频监测方法，其特征在于，包括以下步骤：
(1)将声音收集设备收集到的叶片转动的音频信号进行分割，得到风机各支叶片扫风声音的起止时间点；
(2)对各组叶片功率谱矩阵使用主成分分析，将单组叶片信号矩阵转换为使用主成分展示数据的特征，并将原始每段扫风信号降维至行列数相同的方阵；
(3)构建生成对抗网络，使用深度卷积生成对抗网络结构对叶片的特征方阵轮流使用anoGAN进行训练，对每一组叶片的特征方阵，通过多次迭代对抗训练固定生成模型和判别模型的参数结构，将判别器的最后一层卷积层提取出作为特征提取器；
(4)重新构造模型，以隐空间的噪声分布为模型输入，以生成器的输出和特征提取器的输出结合为模型输出作为异常检测器；
(5)使用一组叶片数据训练好生成对抗模型之后，将剩余组叶片的特征方阵分别输入到异常检测器中，将输入的待测数据作为模型输出的第一部分，重新进行迭代训练，计算输入数据对原训练数据的拟合程度，取最后一次的模型损失作为拟合误差；
(6)遍历进行误差计算，得到表示每组叶片相对于剩余组叶片的差异大小，将得到的差异的最大值作为最终的异常风险值。


2.根据权利要求1所述的风电机组叶片故障音频监测方法，其特征在于，步骤(2)中包括以下步骤：
(2....

【专利技术属性】
技术研发人员：王旻轩，鲍亭文，金超，晋文静，
申请(专利权)人：北京天泽智云科技有限公司，
类型：发明
国别省市：北京;11