[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

摘要

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。

主权项

1.一种基于优化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，所有样本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综合轮廓系数达到最大，簇团边界样本点被正确聚类；步骤3.将所有样本特征帧的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。