基于語譜圖的風(fēng)電機組葉片故障診斷算法

基于語譜圖的風(fēng)電機組葉片故障診斷算法摘要伴隨著經(jīng)濟社會的不斷進步，化石能源的消耗越來越嚴重，人類不僅面臨嚴重的能源危機問題，并且化石能源的燃燒還對環(huán)境造成了嚴重的污染，可再生能源的開發(fā)成為人們逐漸去探索的方向。風(fēng)能作為一種資源潛力巨大、技術(shù)也較為成熟的可再生清潔能源，具有清潔安全、儲量巨大、利用方便等諸多優(yōu)點。隨著人們對風(fēng)能的越發(fā)重視，越來越多的國家在風(fēng)力發(fā)電領(lǐng)域投入越來越多的人力和資金,風(fēng)力發(fā)電技術(shù)也不斷發(fā)展并趨于成熟完善。在大型風(fēng)電機組中，風(fēng)機葉片作為其中轉(zhuǎn)化能量的關(guān)鍵部件，其運行的安全性和穩(wěn)定性極其重要。再加上風(fēng)電機組的運行環(huán)境大多位于高山或海島，自然環(huán)境相對較為惡劣，極易發(fā)生安全故障問題，從而影響到風(fēng)能的捕捉。因此本文提出了一種基于語譜圖的風(fēng)機葉片故障診斷算法，具體研究內(nèi)容及成果如下：(1)分析了傳感器拾取葉片運行聲信號中混有的以風(fēng)噪聲為主復(fù)雜干擾噪聲成分及其特點，在此基礎(chǔ)上利用譜減法對原始風(fēng)機葉片聲信號進行去噪處理，并對掃風(fēng)聲事件進行了提取工作，為后期特征提取奠定良好的數(shù)據(jù)基礎(chǔ)。(2)葉片表面發(fā)生損傷后產(chǎn)生的聲紋變化，在空氣中激發(fā)出人耳可分的異音變化，通過對風(fēng)機葉片運行聲信號時頻域特點分析，研究葉片聲信號的語譜圖刻畫方法，并提取了梅爾倒譜系數(shù)等特征參數(shù)作為聲紋特征，用于表征風(fēng)機葉片的運行狀態(tài)。(3)通過字典學(xué)習(xí)算法實現(xiàn)葉片故障識別模型構(gòu)建。對上述步驟提取的葉片聲紋特征進行分類處理，構(gòu)建出葉片運行聲信號樣本集。通過分析不同運行狀態(tài)下葉片的聲紋特征參數(shù)，最終構(gòu)建基于字典學(xué)習(xí)的葉片異音診斷模型，實現(xiàn)對葉片聲音信號的實時監(jiān)測和故障診斷。最終通過分類準(zhǔn)確率為評價指標(biāo)對生成結(jié)果進行評估。斷聲紋特征字典學(xué)習(xí)

[30]整理好后重構(gòu)。圖4-2展示了字典學(xué)習(xí)算法的流程圖：圖4-2字典學(xué)習(xí)算法流程4.3實驗結(jié)果分析4.3.1實驗數(shù)據(jù)集介紹實驗采用來自海子洼風(fēng)場和硝池子風(fēng)場兩個風(fēng)場的實測聲音數(shù)據(jù)進行模型效果的驗證。將第三章所得到的MFCC參數(shù)和LPCC參數(shù)分別作為訓(xùn)練樣本集進行字典學(xué)習(xí)算法的測試。每個樣本中包含2150組分割好的掃風(fēng)事件，其中正常運行狀況下的掃風(fēng)事件有1970組，故障狀況下的掃風(fēng)事件有180組。構(gòu)建標(biāo)簽對樣本事件進行樣本類別記錄工作，正常類記為0，累計故障類記為1。對所有的樣本進行隨機劃分，選擇樣本的70%作為訓(xùn)練集，剩下的30%作為測試集，對不同的特征參數(shù)指標(biāo)完成50次實驗驗證，通過不同識別特征的準(zhǔn)確率來完成對識別效果的評估。4.3.2實驗結(jié)果展示在對MFCC、LPCC以及二者融合進行的LPMFCC三種特征參數(shù)作為對葉片運行聲信號的特征代表做了故障識別后，本小節(jié)通過三種不同的機器學(xué)習(xí)準(zhǔn)確率指標(biāo)來完成對三種特征參數(shù)的識別效果評估。4.3.2.1準(zhǔn)確率評估準(zhǔn)確率作為平時最常用的評價模型好壞的指標(biāo)，可以最直觀的評價出三種參數(shù)對于葉片運行故障識別的準(zhǔn)確性。圖4-3給出了經(jīng)過多次試驗后三種特征參數(shù)下的故障識別準(zhǔn)確率。可以看出由于MFCC參數(shù)對于噪聲的抗干擾能力強于LPCC，因此在識別準(zhǔn)確率上是優(yōu)于LPCC的，二者在經(jīng)過融合判別后通過各自發(fā)揮的優(yōu)勢能將識別準(zhǔn)確率在提升一個檔次。綜合看下來不管哪種特征參數(shù)作為故障識別指標(biāo)都能達到較好的識別效果。圖4-3三種參數(shù)識別準(zhǔn)確率4.3.2.2精確率評估由于本次實驗的研究對象是對葉片的故障識別，因此在識別精確率上的效果尤為重要，精確率指標(biāo)可以體現(xiàn)在識別為無故障中的正確比例，從而可以一定程度上對風(fēng)險大小進行評估。圖4-4給出了三種特征參數(shù)下故障識別的精確率。可以看到與準(zhǔn)確率的結(jié)果大致類似，在精確率上有了整體的提升，MFCC的效果依然強于LPCC，且二者的配合使用對故障識別的精確率達到明顯提升。圖4-4三種參數(shù)識別精確率4.3.2.3F1分數(shù)評估在以上兩種評價指標(biāo)的基礎(chǔ)上，再通過更為精確的三級評價指標(biāo)F1分數(shù)對葉片故障識別的模型進行評估。F1分數(shù)對所有情況的識別準(zhǔn)確度和識別完整度做了一個綜合評估來對三種特征參數(shù)的識別效果進行評價。圖4-5給出在F1分數(shù)下三種參數(shù)的識別效果?？梢钥吹?，三種參數(shù)的F1分數(shù)與上面的準(zhǔn)確率和精確率相差不大，融合參數(shù)依然是三種情況下最好的參考指標(biāo)。圖4-5三種參數(shù)的F1分數(shù)4.4本章總結(jié)本章介紹了KSVD的基本理論并且通過實驗驗證了字典學(xué)習(xí)理論是可以應(yīng)用在風(fēng)機葉片的故障診斷中的。首先，介紹了KSVD的基本思想并介紹了基于稀疏分類的字典學(xué)習(xí)的基本方法和過程。然后利用第三章中提取的MFCC特征參數(shù)和LPCC特征參數(shù)以及二者融合后的特征參數(shù)對構(gòu)建了字典學(xué)習(xí)算法葉片故障分類器模型，并通過多次實驗評估了三種特征參數(shù)下故障分類器的故障識別準(zhǔn)確率、精確率和F1分數(shù)的評估，從多方面驗證了特征參數(shù)對于故障識別的效果。

第五章總結(jié)與展望5.1工作總結(jié)本文針對大型風(fēng)力發(fā)電機組葉片的故障檢測問題，提出了一種基于語譜圖的非接觸式故障診斷算法，對風(fēng)機葉片運行聲音信號的預(yù)處理、音頻特征參數(shù)提取及故障分類器設(shè)計等問題展開研究，具體研究內(nèi)容及成果如下：(1)由于葉片運行聲信號中背景噪聲的主要成分為穩(wěn)定的風(fēng)噪，因此采用了基于譜減法的去除噪聲預(yù)處理工作。譜減法通過對噪聲聲譜的估計，將原混合聲音譜與噪聲譜相減，并通過兩個參數(shù)實現(xiàn)對原始信號的去噪處理，從而獲得降噪后的聲音信號。實驗結(jié)果表明：該方法可以有效降低葉片運行時的背景噪聲，提高信噪比，使葉片運行時聲信號的周期性更加明顯。(2)針對聲信號的特征參數(shù)提取問題，通過對葉片雷擊前后后的信號時頻域特點進行分析，提梅爾倒譜系數(shù)以及GFCC故障特征。實驗結(jié)果表明：所提取的特征參數(shù)能夠有效的描述風(fēng)機葉片運行時的狀態(tài)變化。(3)針對故障分類識別問題，設(shè)計了基于字典學(xué)習(xí)算法的風(fēng)機葉片故障診斷模型。實驗結(jié)果表明：該模型對風(fēng)機葉片的故障可以達到較好的識別效果。綜上所述，本文的研究成果具有一定的理論意義和工程應(yīng)用價值。5.2展望通過此次對基于風(fēng)機葉片聲學(xué)信號的故障診斷問題的研究，本文已經(jīng)初步取得了一些研究成果，但由于時間精力以及其他客觀因素的制約，此次研究工作仍然存在一定不足：(1)在進行譜減法去噪時，默認對噪聲的估計是恒定值，過于理想化，在面對多元數(shù)據(jù)時可能會影響模型的準(zhǔn)確性。在后續(xù)的研究中可以考慮設(shè)計一種隨當(dāng)前聲信號信噪比自適應(yīng)的一種算法實現(xiàn)對原始聲信號的準(zhǔn)確去噪處理。(2)在故障識別算法中，嘗試的特征參數(shù)樣本有點過少，在以后應(yīng)該多嘗試一些其他的聲信號特征參數(shù)，或者將幾種特征參數(shù)混合來訓(xùn)練故障診斷模型。(3)在葉片運行聲信號的樣本收集中樣本數(shù)有點偏少，影響了分類算法訓(xùn)練的準(zhǔn)確性。可以在后續(xù)多尋找一些樣本訓(xùn)練，提高故障診斷的準(zhǔn)確率。

參考文獻杜萬里,沈小軍,李睿.風(fēng)電機組葉片檢測現(xiàn)狀與展望[J].科技展望,2015,25(02):98-99.李大鵬,張利群,趙巖松.紅外無損檢測中的裂紋特征提取和圖形重建方法研究[J].計算機測量與控制,2005(07):624-626+682.李小偉.基于光纖光柵傳感技術(shù)的風(fēng)機葉片檢測研究[D].南京航空航天大學(xué),2013.朱忠奎,陳再良,王傳洋.基于小波尺度圖重分配的軸承瞬態(tài)特征檢測與提取[J].數(shù)據(jù)采集與處理,2005(03):356-360.駱志高,趙俊麗,張保剛,邵應(yīng)清.金屬拉深件裂紋AE信號特征參數(shù)提取的實驗[J].機械設(shè)計與制造,2013(09):126-128.謝朝陽.聲發(fā)射信號處理方法分析[J].中國科技信息,2009(05):131-132.王志強.風(fēng)力機葉片在線狀態(tài)檢測與故障診斷研究[D].天津：天津工業(yè)大學(xué)，2013.師英.大型風(fēng)力機機械系統(tǒng)健康監(jiān)測技術(shù)研究[D].沈陽工業(yè)大學(xué),2011.梅元穎,徐玉秀,王志強.長度分形的風(fēng)力機葉片在線檢測與故障診斷[J].風(fēng)機技術(shù),2011(03):53-56.于建國,莊嚴.風(fēng)電葉片的雷擊損壞維修及防雷改造[C]//.第二屆中國風(fēng)電后市場專題研討會論文集.[出版者不詳],2015:76-81.郭莉莉,陳永紅.一種改進的譜減法語音增強算法[J].通信技術(shù),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).衣紅鋼,鞏憲鋒,王長松,白榮莉.基于三角濾波器的光纖光柵交叉敏感技術(shù)研究[J].傳感器與微系統(tǒng),2006(01):16-18.吳研.基于掩蔽效應(yīng)的主動噪聲控制算法研究[D].桂林電子科技大學(xué),2020.王民,孫廣,沈利榮,劉利.基于對數(shù)能量倒譜特征的端點檢測算法[J].計算機工程與應(yīng)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.姜仁輝.設(shè)計與實現(xiàn)基于支持向量機的水電故障分類器[D].吉林大學(xué),2008.繆卓蕓.基于稀疏表示理論的非線性信號分類問題研究[D].上海大學(xué),2021.R.GastaudandJ.L.Starck,“Dynamicrangecompression:Anewmethodbasedonwavelettransform,”inAstron.DataAnal.SoftwareSystemsConf.,Strasbourg,2003.谷瑞雪.Banach空間中非線性反問題的若干迭代正則化方法研究[D].哈爾濱工業(yè)大學(xué),2021.張培玲,趙可可.基于粒子群優(yōu)化匹配追蹤算法的電力線信道模型參數(shù)識別方法[