一种基于声音信号处理的风电机舱监测方法及系统技术方案

本发明专利技术公开了一种基于声音信号处理的风电机舱监测方法及系统，属于风力发电技术领域。首先采集机舱内的声音信号；然后对采集到的声音信号进行预处理，提取特征参数；最后根据提取的特征参数绘制声音频谱图，根据声音信号在不同频率上的能量分布情况，将声音频谱图中的异常特征与故障特征库进行对比，确定故障的类型。本发明专利技术能够同时监测多个部件的状态，提高监测效率；声音信号监测为非接触式监测，音频设备相对简单、稳定性较高，不需要接触设备进行监测，可透过障碍物进行监测；声音信号可以反映机舱大部件的运动状态、摩擦状态和故障类型，能够更加准确地判断故障，保证风机的安全稳定运行。安全稳定运行。安全稳定运行。

【技术实现步骤摘要】
一种基于声音信号处理的风电机舱监测方法及系统


[0001]本专利技术属于风力发电
，具体涉及一种基于声音信号处理的风电机舱监测方法及系统。

技术介绍

[0002]随着风能的广泛利用，风电机组机舱大部件的监测变得至关重要。在风电机组运行过程中，机舱内部各个部件的状态会发生变化，如风机主轴承、齿轮箱、发电机等，这些变化会导致机组的性能下降，甚至引发安全事故。因此，开发一种有效的监测方法和手段对于提高风电机组的性能、延长机舱大部件的使用寿命至关重要。
[0003]为了确保机舱大部件的正常运行和提高系统的可靠性，常规监测方法主要包括振动监测、温度监测、润滑油分析、故障诊断等。其中振动信号应用较为广泛，但振动信号受到外界干扰的影响较大，很难准确判断机舱大部件的状态。尤其是对于一些隐蔽故障或早期故障的检测能力有限，往往需要停机检修才能发现问题，给维护带来不便和成本增加。

技术实现思路

[0004]为了解决上述现有技术中存在的缺陷，本专利技术的目的在于提供一种基于声音信号处理的风电机舱监测方法及系统，提供更加全面和准确的状态诊断信息，从而更加准确地判断故障类型，保证风机的安全稳定运行。
[0005]本专利技术是通过以下技术方案来实现：
[0006]本专利技术公开的一种基于声音信号处理的风电机舱监测方法，包括：
[0007]S1：采集机舱内的声音信号；
[0008]S2：对S1采集到的声音信号进行预处理，提取特征参数；
[0009]S3：根据S2提取的特征参数绘制声音频谱图，根据声音信号在不同频率上的能量分布情况，将声音频谱图中的异常特征与故障特征库进行对比，确定故障的类型。
[0010]优选地，S1中，声音信号通过频率响应在20～20kHz范围内的若干声纹监测传感器采集。
[0011]进一步优选地，声纹监测传感器的数量为5个，其中2个对称设在主轴两侧的机舱内壁上，其中2个对称设在齿轮箱两侧的机舱内壁上，其中1个设在发电机所在位置的机舱内壁上。
[0012]优选地，S2中，所述预处理包括采用数字滤波器对混响信号进行滤波，减少在不同频率上的能量分布，实现去混响的效果，去混响可表示为下式：
[0013]y(n)＝x(n)
‑
a
×
y(n
‑
M)
[0014]式中，y(n)表示输出信号，x(n)表示输入信号，a表示滤波器的增益系数，M表示滤波器的延迟长度。
[0015]优选地，S2中，所述特征参数提取是对预处理后的声音信号进行预加重、分帧、加窗、傅里叶变换、梅尔滤波器组、取对数和离散余弦变换后，得到梅尔频率倒谱系数特征向
量；采用拉普拉斯分数对计算得到的梅尔频率倒谱系数特征向量进行降维，得到降维后的梅尔频率倒谱系数特征向量，用于描述声音信号在梅尔频率域的频谱特征。
[0016]进一步优选地，预加重是对原始声音信号中的高频信号成分进行强化，减少低频信号成分的影响，计算式如下：
[0017]y(n)＝x(n)
‑
α
×
x(n
‑
1)
[0018]式中，x(n)为原始声音信号，y(n)为预加重后的声音信号，α为预加重系数；
[0019]分帧是将预加重后的声音信号分成若干帧，每帧长度为20
‑
40ms；
[0020]加窗是对每帧信号进行窗函数处理，消除边界效应；窗函数的计算式如下：
[0021]w(n)＝0.54
‑
0.46
×
cos(2πn/(N
‑
1))
[0022]式中，N为窗口长度，n为窗口中的样本点位置；
[0023]傅里叶变换是对每帧信号进行快速傅里叶变换，得到频谱；
[0024]梅尔滤波器组是将频率轴上的信号按照梅尔刻度映射到梅尔频率轴上，并使用一组梅尔滤波器对其进行滤波；梅尔滤波器组的计算式如下：
[0025][0026]式中，k为频率轴上的点，m为梅尔刻度，使用函数f将梅尔刻度转换为频率轴上的频率，其表达式为：
[0027][0028]式中，m为梅尔刻度，f为对应的频率；
[0029]离散余弦变换的计算式如下：
[0030][0031]式中，Y(n)为第n个样本点的梅尔滤波器输出结果，C_i为第i个MFCC系数。
[0032]进一步优选地，所述采用拉普拉斯分数对计算得到的梅尔频率倒谱系数特征向量进行降维，具体为：对于n维的梅尔频率倒谱系数系数特征向量矩阵X，其中每一列表示一个梅尔频率倒谱系数系数特征向量，即X＝[x
1 x2…
x
m
]，其中m表示MFCC系数特征向量的个数；降维的步骤包括：
[0033]1)计算MFCC系数特征向量矩阵X的协方差矩阵C：
[0034][0035]2)对协方差矩阵C进行特征值分解，得到特征值和对应的特征向量；将特征值从大到小排序，选取前k个特征值所对应的特征向量，组成新的特征向量矩阵V
k
其中k表示降维后的维度；
[0036]3)对新的特征向量矩阵V
k
进行归一化处理，即将每个特征向量除以其模长，得到归一化后的特征向量矩阵U
k
；
[0037]4)构建邻接矩阵A和度数矩阵D，采用k近邻法来构建邻接矩阵A，即对于每个特征向量，在其k个最近邻的特征向量之间建立一条边；
[0038]度数矩阵D的定义如下：
[0039][0040]5)计算拉普拉斯分数矩阵S；拉普拉斯分数矩阵的定义如下：
[0041]S＝(I
‑
D
‑
1/2
AD
‑
1/2
)
α
[0042]式中，α是一个可调参数，取值为2；
[0043]在计算拉普拉斯分数矩阵之前，将邻接矩阵A和度数矩阵D进行对称归一化处理：
[0044][0045][0046]计算拉普拉斯分数矩阵S；
[0047]6)将归一化后的特征向量矩阵U
k
乘以拉普拉斯分数矩阵S，得到降维后的特征向量矩阵Y
k
：
[0048]Y
k
＝U
k
S。
[0049]进一步优选地，S3中，绘制的声音频谱图中，横轴为采集声音信号的时间段，纵轴为梅尔频率倒谱系数特征向量的倒谱系数索引，声音频谱图上颜色深浅表示梅尔频率倒谱系数的强度。
[0050]优选地，还包括S4：确定故障的类型后，通过人机交互终端界面进行显示，识别机舱主要部件存在异常告警的风机，进而给出相应的检修建议，指导运维人员进行登塔排查检修工作。
[0051]本专利技术公开的基于声音信号处理的风电机舱监测系统，包括：
[0052]本专利技术公开的一种基于声音信号处理的风电机舱监测系统，包括：
[0053]若干本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于声音信号处理的风电机舱监测方法，其特征在于，包括：S1：采集机舱内的声音信号；S2：对S1采集到的声音信号进行预处理，提取特征参数；S3：根据S2提取的特征参数绘制声音频谱图，根据声音信号在不同频率上的能量分布情况，将声音频谱图中的异常特征与故障特征库进行对比，确定故障的类型。2.如权利要求1所述的基于声音信号处理的风电机舱监测方法，其特征在于，S1中，声音信号通过频率响应在20～20kHz范围内的若干声纹监测传感器采集。3.如权利要求2所述的基于声音信号处理的风电机舱监测方法，其特征在于，声纹监测传感器的数量为5个，其中2个对称设在主轴两侧的机舱内壁上，其中2个对称设在齿轮箱两侧的机舱内壁上，其中1个设在发电机所在位置的机舱内壁上。4.如权利要求1所述的基于声音信号处理的风电机舱监测方法，其特征在于，S2中，所述预处理包括采用数字滤波器对混响信号进行滤波，减少在不同频率上的能量分布，实现去混响的效果，去混响可表示为下式：y(n)＝x(n)
‑
a
×
y(n
‑
M)式中，y(n)表示输出信号，x(n)表示输入信号，a表示滤波器的增益系数，M表示滤波器的延迟长度。5.如权利要求1所述的基于声音信号处理的风电机舱监测方法，其特征在于，S2中，所述特征参数提取是对预处理后的声音信号进行预加重、分帧、加窗、傅里叶变换、梅尔滤波器组、取对数和离散余弦变换后，得到梅尔频率倒谱系数特征向量；采用拉普拉斯分数对计算得到的梅尔频率倒谱系数特征向量进行降维，得到降维后的梅尔频率倒谱系数特征向量，用于描述声音信号在梅尔频率域的频谱特征。6.如权利要求5所述的基于声音信号处理的风电机舱监测方法，其特征在于，预加重是对原始声音信号中的高频信号成分进行强化，减少低频信号成分的影响，计算式如下：y(n)＝x(n)
‑
α
×
x(n
‑
1)式中，x(n)为原始声音信号，y(n)为预加重后的声音信号，α为预加重系数；分帧是将预加重后的声音信号分成若干帧，每帧长度为20
‑
40ms；加窗是对每帧信号进行窗函数处理，消除边界效应；窗函数的计算式如下：w(n)＝0.54
‑
0.46
×
cos(2πn/(N
‑
1))式中，N为窗口长度，n为窗口中的样本点位置；傅里叶变换是对每帧信号进行快速傅里叶变换，得到频谱；梅尔滤波器组是将频率轴上的信号按照梅尔刻度映射到梅尔频率轴上，并使用一组梅尔滤波器对其进行滤波；梅尔滤波器组的计算式如下：
式中，k为频率轴上的点，m为梅尔刻度，使用函数f将梅尔刻度转换为频率轴上的频率，其表达式为：式中，m为梅尔刻度，f为对应的频率；离散余弦变换的计算式如下：式中，Y(n)为第n...

【专利技术属性】
技术研发人员：张庆，刘兴伟，沙德生，周利鹏，安留明，范磊，李芊，石永利，刘潇波，巴特尔，张鑫赟，宋佳琛，马斌，
申请(专利权)人：中国华能集团清洁能源技术研究院有限公司，
类型：发明
国别省市：