一种基于孪生网络的风机叶片异常检测方法及存储介质技术

本发明专利技术涉及一种基于孪生网络的风机叶片异常检测方法及存储介质，方法包括以下步骤：通过拾音器采集风机运行时的音频信号；计算得到音频信号的语谱图；通过分割算法对语谱图进行分割得到风机三个叶片相对应的叶片语谱图；将分割得到的叶片语谱图输入训练好的孪生网络进行相似度比对，当对比为异常时，则发出告警。通过采用孪生网络对音频语谱图进行特征提取，形成新的空间表示，不依赖于先验条件，区分度较好，同时引入孪生网络将语谱图输入映射到新的空间，形成新的空间表示，抗干扰能力强，易于工程化部署。于工程化部署。于工程化部署。

【技术实现步骤摘要】
一种基于孪生网络的风机叶片异常检测方法及存储介质


[0001]本申请涉及风机异常检测领域，具体涉及一种基于孪生网络的风机叶片异常检测方法及存储介质。

技术介绍

[0002]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(包括装置)、调向器(尾翼)、塔架、限速安全机构和储能装置等构件组成。风力发电机的工作原理比较简单，风轮在风力的作用下旋转，它把风的动能转变为风轮轴的机械能，发电机在风轮轴的带动下旋转发电。广义地说，风能也是太阳能，所以也可以说风力发电机，是一种以太阳为热源，以大气为工作介质的热能利用发电机。而现有的风力发电机的叶片异常检测通常是通过风力发电机运行时叶片产生的声音进行检测的。而现有的风力发电机的叶片异常检测方法中，如申请号为201610665142.9的一种风力发电机的叶片检测方法与装置，采用边际频谱作为特征提取，根据边际频谱与一参考曲线进行判断风力发电机的叶片是否由损伤，而参考曲线的选择依赖先验条件；或者如申请号为201911302163.4的一种基于声音周期性的叶片故障诊断方法，主要采用k
‑
means进行聚类识别正常和异常帧，实际场景中异常种类较多，对聚类效果影响较大。

技术实现思路

[0003]鉴于上述问题，本申请提供了一种基于孪生网络的风机叶片异常检测方法及存储介质，解决现有的风力发电机的叶片异常检测需要依赖于先验条件问题。
[0004]为实现上述目的，专利技术人提供了一种基于孪生网络的风机叶片异常检测方法，包括以下步骤：
[0005]通过拾音器采集风机运行时的音频信号；
[0006]计算得到音频信号的语谱图；
[0007]通过分割算法对语谱图进行分割得到风机三个叶片相对应的叶片语谱图；
[0008]将分割得到的叶片语谱图输入训练好的孪生网络进行相似度比对，当对比为异常时，则发出告警。
[0009]在一些实施例中，所述分割算法为k
‑
means聚类算法；
[0010]所述通过分割算法对语谱图进行分割得到风机三个叶片相对应的叶片语谱图具体包括以下步骤：
[0011]通过k
‑
means聚类算法的k值取2将语谱图聚为两类：扫风声标签及安静声标签；
[0012]根据扫风声标签及安静声标签分割语谱图分别得到三个叶片相对应的叶片语谱图。
[0013]在一些实施例中，所述孪生网络的训练方式如下：
[0014]采集预设时长内的风机运行时的音频训练数据；
[0015]通过分割算法对音频训练数据对应的语谱图进行切割后进行分类保存；
[0016]随机从各类数据中抽取样本，并两两一组批量生成训练数据；
[0017]将训练数据中两个样本均来自同一类则将标签设为1，反之标签设为0；
[0018]将生成的训练数据输入孪生网络中训练，得到将语谱图输入映射到新的空间，形成新的空间表示。
[0019]在一些实施例中，所述将分割得到的叶片语谱图输入训练好的孪生网络进行相似度比对，当对比为异常时，则发出告警具体包括：
[0020]分别收集风机正常运行时三个叶片的正常语谱图，输入孪生网络进行特征映射，将输出特征作为每个叶片的基准特征；
[0021]将分割得到的叶片语谱图输入孪生网络中进行特征映射；
[0022]将输出特征与基准特征进行相似度比对；
[0023]若持续一段时间内均超过阈值，则认为叶片异常发声并输出告警。
[0024]在一些实施例中，所述孪生网络的损失函数为对比损失函数。
[0025]在一些实施例中，所述孪生网络的骨干神经网络为残差网络Resnet
‑
50。
[0026]在一些实施例中，所述通过拾音器采集风机运行时的音频信号之后还包括：
[0027]对采集的音频数据进行滤波生成新的音频时间序列。
[0028]还提供了另一个技术方案，一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器运行时执行以下步骤：
[0029]通过拾音器采集风机运行时的音频信号；
[0030]计算得到音频信号的语谱图；
[0031]通过分割算法对语谱图进行分割得到风机三个叶片相对应的叶片语谱图；
[0032]将分割得到的叶片语谱图输入训练好的孪生网络进行相似度比对，当对比为异常时，则发出告警。
[0033]在一些实施例中，所述分割算法为k
‑
means聚类算法；
[0034]所述通过分割算法对语谱图进行分割得到风机三个叶片相对应的叶片语谱图具体包括以下步骤：
[0035]通过k
‑
means聚类算法的k值取2将语谱图聚为两类：扫风声标签及安静声标签；
[0036]根据扫风声标签及安静声标签分割语谱图分别得到三个叶片相对应的叶片语谱图。
[0037]在一些实施例中，所述将分割得到的叶片语谱图输入训练好的孪生网络进行相似度比对，当对比为异常时，则发出告警具体包括：
[0038]分别收集风机正常运行时三个叶片的正常语谱图，输入孪生网络进行特征映射，将输出特征作为每个叶片的基准特征；
[0039]将分割得到的叶片语谱图输入孪生网络中进行特征映射；
[0040]将输出特征与基准特征进行相似度比对；
[0041]若持续一段时间内均超过阈值，则认为叶片异常发声并输出告警。
[0042]区别于现有技术，上述技术方案，当需要对风力发电机的叶片进行检测时，通过拾音器进行采集风机运行时的音频信号，然后根据采集的音频信号进行计算得到语谱图，再通过分割算法对语谱图进行分割得到风力发电机的三个叶片相对应的叶片语谱图，然后将分割得到的叶片语谱图输入训练好的孪生网络中进行相似度比对，当比对为异常时，则发
出告警。通过采用孪生网络对音频语谱图进行特征提取，形成新的空间表示，不依赖于先验条件，区分度较好，同时引入孪生网络将语谱图输入映射到新的空间，形成新的空间表示，抗干扰能力强，易于工程化部署。
[0043]上述
技术实现思路
相关记载仅是本申请技术方案的概述，为了让本领域普通技术人员能够更清楚地了解本申请的技术方案，进而可以依据说明书的文字及附图记载的内容予以实施，并且为了让本申请的上述目的及其它目的、特征和优点能够更易于理解，以下结合本申请的具体实施方式及附图进行说明。
附图说明
[0044]附图仅用于示出本专利技术具体实施方式以及其他相关内容的原理、实现方式、应用、特点以及效果等，并不能认为是对本申请的限制。
[0045]在说明书附图中：
[0046]图1为具体实施方式所述基于孪生网络的风机叶片异常检测方法的一种流程示意图；
[0047]图2为具体实施方式所述语谱图的一种示意图；
[0048]图3为具体实施方式所述语谱图的一种分割示意图；
[0049]图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于孪生网络的风机叶片异常检测方法，其特征在于，包括以下步骤：通过拾音器采集风机运行时的音频信号；计算得到音频信号的语谱图；通过分割算法对语谱图进行分割得到风机三个叶片相对应的叶片语谱图；将分割得到的叶片语谱图输入训练好的孪生网络进行相似度比对，当对比为异常时，则发出告警。2.根据权利要求1所述的基于孪生网络的风机叶片异常检测方法，其特征在于，所述分割算法为k
‑
means聚类算法；所述通过分割算法对语谱图进行分割得到风机三个叶片相对应的叶片语谱图具体包括以下步骤：通过k
‑
means聚类算法的k值取2将语谱图聚为两类：扫风声标签及安静声标签；根据扫风声标签及安静声标签分割语谱图分别得到三个叶片相对应的叶片语谱图。3.根据权利要求1所述的基于孪生网络的风机叶片异常检测方法，其特征在于，所述孪生网络的训练方式如下：采集预设时长内的风机运行时的音频训练数据；通过分割算法对音频训练数据对应的语谱图进行切割后进行分类保存；随机从各类数据中抽取样本，并两两一组批量生成训练数据；将训练数据中两个样本均来自同一类则将标签设为1，反之标签设为0；将生成的训练数据输入孪生网络中训练，得到将语谱图输入映射到新的空间，形成新的空间表示。4.根据权利要求1所述的基于孪生网络的风机叶片异常检测方法，其特征在于，所述将分割得到的叶片语谱图输入训练好的孪生网络进行相似度比对，当对比为异常时，则发出告警具体包括：分别收集风机正常运行时三个叶片的正常语谱图，输入孪生网络进行特征映射，将输出特征作为每个叶片的基准特征；将分割得到的叶片语谱图输入孪生网络中进行特征映射；将输出特征与基准特征进行相似度比对；若持续一段时间内均超过阈值，则认为叶片异常发声并输出告警。5.根据权利要求1...

【专利技术属性】
技术研发人员：何领朝，石顺中，郑仁鑫，林军，
申请(专利权)人：福州数据技术研究院有限公司，
类型：发明
国别省市：