基于语谱图的风电机组叶片故障诊断算法

基于语谱图的风电机组叶片故障诊断算法摘要伴随着经济社会的不断进步，化石能源的消耗越来越严重，人类不仅面临严重的能源危机问题，并且化石能源的燃烧还对环境造成了严重的污染，可再生能源的开发成为人们逐渐去探索的方向。风能作为一种资源潜力巨大、技术也较为成熟的可再生清洁能源，具有清洁安全、储量巨大、利用方便等诸多优点。随着人们对风能的越发重视，越来越多的国家在风力发电领域投入越来越多的人力和资金,风力发电技术也不断发展并趋于成熟完善。在大型风电机组中，风机叶片作为其中转化能量的关键部件，其运行的安全性和稳定性极其重要。再加上风电机组的运行环境大多位于高山或海岛，自然环境相对较为恶劣，极易发生安全故障问题，从而影响到风能的捕捉。因此本文提出了一种基于语谱图的风机叶片故障诊断算法，具体研究内容及成果如下：(1)分析了传感器拾取叶片运行声信号中混有的以风噪声为主复杂干扰噪声成分及其特点，在此基础上利用谱减法对原始风机叶片声信号进行去噪处理，并对扫风声事件进行了提取工作，为后期特征提取奠定良好的数据基础。(2)叶片表面发生损伤后产生的声纹变化，在空气中激发出人耳可分的异音变化，通过对风机叶片运行声信号时频域特点分析，研究叶片声信号的语谱图刻画方法，并提取了梅尔倒谱系数等特征参数作为声纹特征，用于表征风机叶片的运行状态。(3)通过字典学习算法实现叶片故障识别模型构建。对上述步骤提取的叶片声纹特征进行分类处理，构建出叶片运行声信号样本集。通过分析不同运行状态下叶片的声纹特征参数，最终构建基于字典学习的叶片异音诊断模型，实现对叶片声音信号的实时监测和故障诊断。最终通过分类准确率为评价指标对生成结果进行评估。断声纹特征字典学习

[30]整理好后重构。图4-2展示了字典学习算法的流程图：图4-2字典学习算法流程4.3实验结果分析4.3.1实验数据集介绍实验采用来自海子洼风场和硝池子风场两个风场的实测声音数据进行模型效果的验证。将第三章所得到的MFCC参数和LPCC参数分别作为训练样本集进行字典学习算法的测试。每个样本中包含2150组分割好的扫风事件，其中正常运行状况下的扫风事件有1970组，故障状况下的扫风事件有180组。构建标签对样本事件进行样本类别记录工作，正常类记为0，累计故障类记为1。对所有的样本进行随机划分，选择样本的70%作为训练集，剩下的30%作为测试集，对不同的特征参数指标完成50次实验验证，通过不同识别特征的准确率来完成对识别效果的评估。4.3.2实验结果展示在对MFCC、LPCC以及二者融合进行的LPMFCC三种特征参数作为对叶片运行声信号的特征代表做了故障识别后，本小节通过三种不同的机器学习准确率指标来完成对三种特征参数的识别效果评估。4.3.2.1准确率评估准确率作为平时最常用的评价模型好坏的指标，可以最直观的评价出三种参数对于叶片运行故障识别的准确性。图4-3给出了经过多次试验后三种特征参数下的故障识别准确率。可以看出由于MFCC参数对于噪声的抗干扰能力强于LPCC，因此在识别准确率上是优于LPCC的，二者在经过融合判别后通过各自发挥的优势能将识别准确率在提升一个档次。综合看下来不管哪种特征参数作为故障识别指标都能达到较好的识别效果。图4-3三种参数识别准确率4.3.2.2精确率评估由于本次实验的研究对象是对叶片的故障识别，因此在识别精确率上的效果尤为重要，精确率指标可以体现在识别为无故障中的正确比例，从而可以一定程度上对风险大小进行评估。图4-4给出了三种特征参数下故障识别的精确率。可以看到与准确率的结果大致类似，在精确率上有了整体的提升，MFCC的效果依然强于LPCC，且二者的配合使用对故障识别的精确率达到明显提升。图4-4三种参数识别精确率4.3.2.3F1分数评估在以上两种评价指标的基础上，再通过更为精确的三级评价指标F1分数对叶片故障识别的模型进行评估。F1分数对所有情况的识别准确度和识别完整度做了一个综合评估来对三种特征参数的识别效果进行评价。图4-5给出在F1分数下三种参数的识别效果。可以看到，三种参数的F1分数与上面的准确率和精确率相差不大，融合参数依然是三种情况下最好的参考指标。图4-5三种参数的F1分数4.4本章总结本章介绍了KSVD的基本理论并且通过实验验证了字典学习理论是可以应用在风机叶片的故障诊断中的。首先，介绍了KSVD的基本思想并介绍了基于稀疏分类的字典学习的基本方法和过程。然后利用第三章中提取的MFCC特征参数和LPCC特征参数以及二者融合后的特征参数对构建了字典学习算法叶片故障分类器模型，并通过多次实验评估了三种特征参数下故障分类器的故障识别准确率、精确率和F1分数的评估，从多方面验证了特征参数对于故障识别的效果。

第五章总结与展望5.1工作总结本文针对大型风力发电机组叶片的故障检测问题，提出了一种基于语谱图的非接触式故障诊断算法，对风机叶片运行声音信号的预处理、音频特征参数提取及故障分类器设计等问题展开研究，具体研究内容及成果如下：(1)由于叶片运行声信号中背景噪声的主要成分为稳定的风噪，因此采用了基于谱减法的去除噪声预处理工作。谱减法通过对噪声声谱的估计，将原混合声音谱与噪声谱相减，并通过两个参数实现对原始信号的去噪处理，从而获得降噪后的声音信号。实验结果表明：该方法可以有效降低叶片运行时的背景噪声，提高信噪比，使叶片运行时声信号的周期性更加明显。(2)针对声信号的特征参数提取问题，通过对叶片雷击前后后的信号时频域特点进行分析，提梅尔倒谱系数以及GFCC故障特征。实验结果表明：所提取的特征参数能够有效的描述风机叶片运行时的状态变化。(3)针对故障分类识别问题，设计了基于字典学习算法的风机叶片故障诊断模型。实验结果表明：该模型对风机叶片的故障可以达到较好的识别效果。综上所述，本文的研究成果具有一定的理论意义和工程应用价值。5.2展望通过此次对基于风机叶片声学信号的故障诊断问题的研究，本文已经初步取得了一些研究成果，但由于时间精力以及其他客观因素的制约，此次研究工作仍然存在一定不足：(1)在进行谱减法去噪时，默认对噪声的估计是恒定值，过于理想化，在面对多元数据时可能会影响模型的准确性。在后续的研究中可以考虑设计一种随当前声信号信噪比自适应的一种算法实现对原始声信号的准确去噪处理。(2)在故障识别算法中，尝试的特征参数样本有点过少，在以后应该多尝试一些其他的声信号特征参数，或者将几种特征参数混合来训练故障诊断模型。(3)在叶片运行声信号的样本收集中样本数有点偏少，影响了分类算法训练的准确性。可以在后续多寻找一些样本训练，提高故障诊断的准确率。

参考文献杜万里,沈小军,李睿.风电机组叶片检测现状与展望[J].科技展望,2015,25(02):98-99.李大鹏,张利群,赵岩松.红外无损检测中的裂纹特征提取和图形重建方法研究[J].计算机测量与控制,2005(07):624-626+682.李小伟.基于光纤光栅传感技术的风机叶片检测研究[D].南京航空航天大学,2013.朱忠奎,陈再良,王传洋.基于小波尺度图重分配的轴承瞬态特征检测与提取[J].数据采集与处理,2005(03):356-360.骆志高,赵俊丽,张保刚,邵应清.金属拉深件裂纹AE信号特征参数提取的实验[J].机械设计与制造,2013(09):126-128.谢朝阳.声发射信号处理方法分析[J].中国科技信息,2009(05):131-132.王志强.风力机叶片在线状态检测与故障诊断研究[D].天津：天津工业大学，2013.师英.大型风力机机械系统健康监测技术研究[D].沈阳工业大学,2011.梅元颖,徐玉秀,王志强.长度分形的风力机叶片在线检测与故障诊断[J].风机技术,2011(03):53-56.于建国,庄严.风电叶片的雷击损坏维修及防雷改造[C]//.第二届中国风电后市场专题研讨会论文集.[出版者不详],2015:76-81.郭莉莉,陈永红.一种改进的谱减法语音增强算法[J].通信技术,2021,54(06):1350-1355.R.W.SchaferandL.R.Rabiner,"Digitalrepresentationsofspeechsignals,"inProceedingsoftheIEEE,vol.63,no.4,pp.662-677,April1975.RabinerLR,JuangBH.FundamentalsofSpeechRecognition.EnglewoodCliffs,NewJersy:Prentice-Hall;1993.J.W.Picone,"Signalmodelingtechniquesinspeechrecognition,"inProceedingsoftheIEEE,vol.81,no.9,pp.1215-1247,Sept.1993.MuqingDeng,TingtingMeng,JiuwenCao,ShiminWang,JingZhang,HuijieFan.HeartsoundclassificationbasedonimprovedMFCCfeaturesandconvolutionalrecurrentneuralnetworks[J].NeuralNetworks,2020,130.UpadhyayaPrashant,FarooqOmar,AbidiM.R..MelscaledM-bandwaveletfilterbankforspeechrecognition[J].InternationalJournalofSpeechTechnology,2018,21(4).衣红钢,巩宪锋,王长松,白荣莉.基于三角滤波器的光纤光栅交叉敏感技术研究[J].传感器与微系统,2006(01):16-18.吴研.基于掩蔽效应的主动噪声控制算法研究[D].桂林电子科技大学,2020.王民,孙广,沈利荣,刘利.基于对数能量倒谱特征的端点检测算法[J].计算机工程与应用,2014,50(16):198-201+215.C.Loeffler,A.LigtenbergandG.S.Moschytz,"Practicalfast1-DDCTalgorithmswith11multiplications,"InternationalConferenceonAcoustics,Speech,andSignalProcessing,,1989,pp.988-991vol.2.H.GuptaandD.Gupta,"LPCandLPCCmethodoffeatureextractioninSpeechRecognitionSystem,"20166thInternationalConference-CloudSystemandBigDataEngineering(Confluence),2016,pp.498-502.XinxingJing,JinlongMa,JingZhao,HaiyanYang,“SpeakerRecognitionBasedonPrincipalComponentAnalysisofLPCCandMFCC”,publishedin2014IEEE.M.G.Sumithra,A.K.Devika,“AStudyonFeatureExtractionTechniquesforTextIndependentSpeakerIdentification”,2012InternationalConferenceonComputerCommunicationandInformatics(ICCCI-2012),Jan.10–12,2012,Coimbatore,india.姜仁辉.设计与实现基于支持向量机的水电故障分类器[D].吉林大学,2008.缪卓芸.基于稀疏表示理论的非线性信号分类问题研究[D].上海大学,2021.R.GastaudandJ.L.Starck,“Dynamicrangecompression:Anewmethodbasedonwavelettransform,”inAstron.DataAnal.SoftwareSystemsConf.,Strasbourg,2003.谷瑞雪.Banach空间中非线性反问题的若干迭代正则化方法研究[D].哈尔滨工业大学,2021.张培玲,赵可可.基于粒子群优化匹配追踪算法的电力线信道模型参数识别方法[