[发明专利]风机叶片扫风声音信号中异常哨声轮廓的提取及识别方法

说明书

本申请涉及一种风机叶片扫风声音信号中异常哨声轮廓的提取及识别方法，通过对原始扫风声音信号的时域‑频域转换、对时频谱矩阵的能量特征提取及滤波、对时域片段滤波后特征的异常定位以及对哨声轮廓的异常检测来实现。本方法针对叶片扫风音频中可能存在的异常哨声形态提出了针对性的预处理和特征提取、模式识别和异常检测的方法，可以准确识别高频异常哨声的出现。

技术领域

本申请涉及一种风机叶片扫风声音信号中异常哨声轮廓的提取及识别方法，适用于风机故障检测的技术领域。

背景技术

风电叶片是风机捕获风能的核心部件，需要长期可靠地运行在极其恶劣的户外环境下，难免会遭受雷击、排水孔堵塞等损伤或故障。叶片在旋转过程中会因排水孔堵塞或雷击破孔产生异常的哨音。研究叶片哨音的典型特征，有助于识别叶片排水孔堵塞或雷击破孔等失效模式，对于叶片损伤进行监测，进而开发在线智能监测系统，改善运维效率有十分重要的意义。

为了保持叶片内外气压平衡及确保叶片内部冷凝水及时排出，叶片设计人员在叶尖特定位置设计了排水孔，设计时通过形状和方位的优化巧妙地规避了排水孔引发的哨音问题。然而，当叶片运行在脏污环境或由于叶身内部散落的胶粒导致排水孔被部分堵塞，改变了排水孔的原有形状，边缘的光洁程度也发生变化时，就会在叶片旋转时产生持续的哨音。同时，运行在高雷暴区的风机，也会因为遭受雷击产生破损或孔洞。这些孔洞本身也会引发叶片旋转过程中的哨音产生。哨音的产生是边缘音原理与管定律同时作用的结果。当叶片旋转导致气流流向雷击孔或被部分堵塞的排水孔时，气流到达孔洞对面的边缘后，一分为二，部分流散到孔洞外，其余部分则进入叶片腔体内，这个过程就会产生哨音。叶片腔体的长度决定哨音的频率高低；孔洞所在位置腔体的粗细与能量大小成反比。当孔洞边缘不光滑时，气流冲击粗糙边缘时形成了含有多种频率成分的空气漩涡，孔洞大小不同也会影响气流的强弱差异，最终反应在哨音能量水平上。

专利申请号为CN201810190754.6的专利申请提出了一种基于深度学习的风机叶片故障智能识别方法，能够自动对无人机拍摄的风机视频进行故障识别定位。具体的操作为利用已标注的风机视频帧构建深度学习网络模型；对待检测的风机视频进行帧抓取，识别出故障帧图片；压缩后的故障帧图片输入目标检测网络，获取故障区域样本，并进一步输入深度学习回归网络模型，计算风机叶片故障区域面积。这种方法首先需要大量的视频图像样本并进行人工标注，属于数据标签依赖型方法，在训练和检测时消耗的资源都比较大；此外在进行在线检测时，需要利用无人机或其他装置进行拍摄，并要求风机处于停机状态，周围光源条件较好，因此执行效率较低。

申请号为CN201910603546.9的专利申请提出了基于廓系数优化K-means聚类的效果的音频信号检测方法，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。这一方法通过聚类后簇的类别标签在时域上的条形图是否出现周期性特征来判断故障。二聚类对于在音频中表现特征较弱的故障难以精准检测，对于是否存在周期性特征需要人工判断，难以实现自动化高效检测。另外，申请号为CN201710641430.5的专利同样提出了采用声音采集装置通过音频进行故障诊断的方法，主要截取特征频率，并将特征频率进行对比处理来诊断故障，这一方法等同于振动分析，但音频由于采集精度不如振动信号，而且容易受到噪声干扰，单纯地对音频信号进行频域分析，丢失了伴随叶片扫风的周期性特征。

申请号为CN201510436845.X的专利提出了使用叶片振动信号在时域图中判断周期性冲击的存在进而判断故障的方法，当频率图中会出现叶片特征频率，则说明该叶片出现故障。这类检测方法首先要明确各类异常的特征频率，并且在频域图中需要人工进行判断，同样难以达到自动化高效检测的目的。同样使用叶片摆幅、振动分析方法的类似专利还有申请号为CN201410469897.2，CN201710112804.4，CN201611103177.X的专利等，其中申请号为CN201710112804.4，CN201611103177.X的专利使用激光检测方法解决传感器安装困难的方法，但是成本较高。