[发明专利]一种基于优化K-means聚类的风机叶片故障诊断方法

说明书

本发明提出一种基于优化K‑means聚类的风机叶片故障诊断方法，该方法通过对某一风机故障帧和非故障帧的频域对比来确定该台风机的故障频率带。该方法基于廓系数优化K‑means聚类的效果，将一段声音信号的故障帧和非故障帧进行区分，并将特征帧的样本标签在时域上刻画条形图，综合分析同类特征帧的周期特性来判断某台风机的叶片是否故障。本申请无需大量样本，而且不必在桨叶上安装额外的装置，可以任意采集某台风机几个旋转周期的声音信号，通过本发明提出的方法进行诊断既可以判断该台风机叶片是否该故障，又可以确定故障的频率带的具体数值，对于单台风机的叶片故障诊断具有普适性。

技术领域

本发明属于风机故障识别技术领域，具体涉及一种基于优化K-means聚类的风机叶片故障诊断方法。

背景技术

风机长期运行在交变载荷的恶劣环境下，叶片极易发生裂纹、腐蚀等故障，不但降低叶片的使用寿命，而且影响风机对风能的捕获，所以做到叶片的故障的早期诊断和维修对于风机的安全健康运行具有极大意义。目前对于风机叶片的故障诊断主流做法是采集风机的声发射、振动等信号建立基于大量风机样本的故障预测模型，如文献(范思遐,吴斌,李友钊.一种基于K均值聚类分析的风机退化模态识别[J].机械设计与制造,2018,No.330(08):207-209+213.)利用小波包提取风机齿轮箱特征后再用K-means建立预测模型；文献2(叶永恩,王欣,黄浩.基于密度峰值优化初始中心K-means算法在风力发电系统的故障诊断分析[J].新型工业化,2017(10):17-23.)]优化初始的聚类中心来优化聚类效果，上述均是利用K-means当做分类器来建立针对不同样本类的预测模型，这需要大量的故障风机叶片的信号样本，实际中风机叶片的故障类型、程度与部位的不同都将导致叶片故障数据集收集不够全面，从而影响所建模型的准确度。

发明内容

针对现有技术的不足，本发明旨在研究一种基于优化K-means聚类的风机叶片故障诊断方法，该方法基于廓系数优化K-means聚类的效果，将一段声音信号的故障帧和非故障帧进行区分，并将特征帧的样本标签在时域上刻画条形图，综合分析同类特征帧的周期特性来判断某台风机的叶片是否故障。

本发明采用的技术方案是：

一种基于优化K-means聚类的风机叶片故障诊断方法，该方法包括以下步骤：

步骤1.针对单台风机的一段声音信号，采用能够表征声音特征的梅尔频率倒谱系数法(Mel Frequency Cepstrum Coefficient，MFCC)将该段声音信号分成M个样本特征帧；

步骤2.利用K-means聚类算法对M个样本特征帧进行二聚类处理，所有特征帧经过聚类后会被分成两个簇，通过轮廓系数对最后聚类效果进行优化，使二聚类结果最优，此时整体样本数据的轮廓系数达到最大，簇团边界样本点被正确聚类；

步骤3.将所有特征帧的以两个簇的类别标签在时域上画出条形图，观察条形图是否具有周期性，如果具有明显的周期性特征，则判断风机叶片为故障，否则为非故障；

步骤4.通过步骤3后，如果风机叶片被判定为故障，则两类特征帧中分别任意取一帧信号，并做快速傅里叶变换，在频域上通过对比两帧信号的振幅差别，找到两帧信号振幅具有明显差别的频率区域为叶片故障的频率带，并以频率带中振幅相对较大的帧信号所属类别为故障帧类别，以频率带中振幅相对较小的帧信号所属类别为非故障帧类别。

步骤2中轮廓系数的计算公式为：

其中a(i)是样本i的簇内不相似度，i为帧信号，b(i)为样本i的簇间不相似度，

定义S为N个样本聚类效果的综合度量，N≤M，S的计算公式为式(2)：