[发明专利]一种基于改进原型聚类的叶片故障诊断方法

说明书

本发明提出一种基于改进原型聚类的叶片故障诊断方法，方法包括：首先将采集到的叶片的声音信号利用梅尔倒谱系数(Mel Frequency Cepstrum Coefficient，MFCC)法提取样本点，找到欧式距离最大两点；然后以这两点为参照点对样本点进行聚类得到不同集合；将不同集合取交集并计算交集样本的中心点，再将样本原型聚类为两类样本点并设置标签；刻画样本标签类别时序图以此诊断叶片是否发生故障。同时构建样本类别概率矩阵，并定义相应的评价指标来判断叶片故障的可信度。本发明对原型聚类的聚类方法进行了改进，使得样本的聚类更加准确，能够提高叶片故障诊断的准确性，而且本发明还建立了相应的评价指标，以此来判断叶片发生故障的可信度大小。

技术领域

本发明涉及一种基于改进原型聚类方法的叶片故障诊断方法及其评价指标，在对样本进行原型聚类时，对聚类中心的选取进行改进使得样本聚类更加准确，可以提高故障诊断的精确性，并定义评价指标以此判定叶片发生故障的可信度，本发明属于故障诊断技术领域。

背景技术

风电场叶片长期运行在恶劣的露天环境中，经常会出现开裂、表面脱落、磨蚀等故障，叶片的这些故障不但会影响风机捕获风能的效率，还会降低叶片的使用寿命，增加运维的成本。

目前基于声音信号的叶片的故障诊断具有潜在的应用价值，国内外研究中针对叶片的故障诊断步骤总体上分为两步，第一步是利用信号处理的理论算法从风机叶片的声音信号中提取特征信息，第二步则是利用神经网络、SVM、聚类等机器学习的智能算法将声音信号分类，实现叶片的故障诊断。在将声音信号进行分类时常用的方法有原型聚类方法等，但是原型聚类在选取聚类中心时是随机选取，计算缓慢而且最终的分类准确性不高，而本发明对原有的原型聚类方法进行改进，提高了分类准确性从而提高了故障诊断的精度，并建立了相应的评价指标来判断叶片发生故障的可信度。

发明内容

本发明旨在研究一种改进原型聚类的叶片故障诊断方法及其评价指标，首先利用MFCC法处理声音信号得到样本点，之后通过计算欧氏距离、计算皮尔逊系数、利用K_means方法进行聚类的方法对样本点进行处理并找到处理后的两个中心样本点，以得到的中心样本点作为聚类中心，利用K均值原型聚类法对样本点分类并设置标签，之后在时域上刻画样本类别标签时序图，根据周期性诊断风机叶片是否故障。根据聚类结果建立具有周期性的样本类别的概率矩阵，并建立相应的评价指标判断风机叶片发生故障的可信度。

本发明采用的技术方案是：

一种基于改进原型聚类的叶片故障诊断方法，该方法包括：

步骤1.获取叶片声音信号，利用MFCC法从待测叶片声音信号中提取特征向量矩阵，得到全部的S个样本点，分别计算S个样本点中任意两个样本点的欧氏距离，并找到欧氏距离最大的两个样本点，记为A1点和B1点；

步骤2.将欧氏距离最大两点作为参照点计算剩余S-2个样本点与A1点和B1点的皮尔逊系数，并利用K_means法对样本点进行聚类，与A1点相关性大的样本点聚为一类构成集合Mb，与A1点相关性小的样本点聚为一类构成集合Ms，与B1点相关性大样本点的聚为一类构成集合Nb，与B1点相关性小的样本点聚为一类构成集合Ns；

步骤3.将集合Mb与集合Ns取交集得到新的集合M，将集合Ms与集合Nb取交集得到新的集合N，分别将集合M和N中的样本点求和并取平均值，得到集合M和集合N中的中心样本点；

步骤4.以两个中心样本点作为聚类中心，利用K均值原型聚类法对步骤1得到的S个样本点分为两类并设置标签，刻画样本的类别标签时序图，根据时序图的周期性诊断叶片是否故障，如果时序图的类别有突变，则叶片可能发生故障。

一种叶片故障诊断可信度评价方法，该方法是：