一种基于声音周期性的叶片故障诊断方法技术

本发明专利技术提出一种基于声音周期性的叶片故障诊断方法，方法包括：首先将采集到的叶片的声音信号利用梅尔倒谱系数(Mel Frequency Cepstrum Coefficient，MFCC)法提取特征向量矩阵mfcc，并根据叶片的声音信号的周期性定义周期性的帧类别；然后采用K_means算法将所有帧信号聚成两类，并根据聚类结果建立周期性的帧类别的概率矩阵；最后根据概率矩阵确定最终的各帧信号的类别，通过类别编号时域上的条形图实现风机叶片的故障诊断。本发明专利技术可以实现叶片非接触式的在线监测诊断，所采用的声音信号易于获得，具有潜在的工程应用价值。

A blade fault diagnosis method based on the periodicity of sound

【技术实现步骤摘要】
一种基于声音周期性的叶片故障诊断方法
本专利技术涉及一种基于声音周期性的叶片故障诊断方法，在用无监督学习K_means算法进行叶片故障诊断时，考虑风力发电机叶片声音周期性的特点，可以提高故障诊断的精确性，本专利技术属于故障诊断

技术介绍
风电场叶片长期运行在恶劣的露天环境中，经常会出现开裂、表面脱落、磨蚀等故障，叶片的这些故障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。目前基于声音信号的叶片的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部分，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。实际中，由于叶片旋转一周具有周期性，采集叶片声音位置在叶轮迎风侧正下方，故而叶片的声音信号也具有周期性，而本专利技术在利用智能算法进行故障诊断的同时，充分考虑到了叶片声音这种周期性的特点，从而大大提高了故障诊断的精度。
技术实现思路
本专利技术旨在研究一种基于本文档来自技高网...

【技术保护点】
1.一种基于声音周期性的叶片故障诊断方法，其特征在于，所述的方法包括：/n步骤1.利用MFCC算法从待测信号中提取声音特征信息；/n步骤2.根据叶片的周期性划分周期性的帧类别，每个类别中包含着不同周期下具有周期性的帧信号；/n步骤3.基于K_means算法将所有的帧信号聚成两类，将每帧信号按照聚类的结果标记类别；/n步骤4.根据K_means算法的聚类结果建立周期性的帧类别的概率矩阵；/n步骤5.根据概率矩阵重新标记各帧信号的类别，并通过刻画帧类别标签的时域图来进行风机叶片的故障诊断。/n

【技术特征摘要】
1.一种基于声音周期性的叶片故障诊断方法，其特征在于，所述的方法包括：
步骤1.利用MFCC算法从待测信号中提取声音特征信息；
步骤2.根据叶片的周期性划分周期性的帧类别，每个类别中包含着不同周期下具有周期性的帧信号；
步骤3.基于K_means算法将所有的帧信号聚成两类，将每帧信号按照聚类的结果标记类别；
步骤4.根据K_means算法的聚类结果建立周期性的帧类别的概率矩阵；
步骤5.根据概率矩阵重新标记各帧信号的类别，并通过刻画帧类别标签的时域图来进行风机叶片的故障诊断。


2.如权利要求1所述的基于声音周期性的叶片故障诊断方法，其特征在于，所述步骤2中的所述帧类别特征为：根据实际情况，叶片旋转一周的时间为T，k代表第k帧信号，k的取值范围是[1,n]，n表示声音信号被分成的总的帧数；设置声音传感器的采样频率为fs，则叶片声音一个周期中被划分的帧数为N，N的计算公式如下：
N＝(T*fs-wlen+inc)/inc(1)
式中，wlen为初始设置的帧长，inc为帧移，q代表一个周期内的第q帧信号，则q的取值范围是[1,N...

【专利技术属性】
技术研发人员：徐超林，李剑，王禹晴，周德洋，
申请(专利权)人：天津市津能风电有限责任公司，
类型：发明
国别省市：天津;12