[发明专利]一种改进梅尔倒谱系数算法的叶片故障诊断方法

说明书

本发明公开一种改进梅尔倒谱系数算法的叶片故障诊断方法，本发明故障诊断方法首先利用梅尔倒谱系数算法获取信号特征矩阵，并利用SVD(奇异值分解)对特征矩阵做降噪处理，滤除了风噪声的特征信息，使得到的信号特征更加准确。在强风噪背景下该方法处理的故障信号同样呈现出明显的周期性，可以识别出强风噪下的故障风机。本发明故障诊断方法解决了传统的梅尔倒谱系数算法判断叶片是否故障方法无法识别强风噪下的故障风机的难题。

技术领域

本发明涉及故障诊断技术领域，具体是一种改进梅尔倒谱系数算法的叶片故障诊断方法，利用SVD(奇异值分解)算法对传统的MFCC算法进行了改进，将MFCC算法得到的特征矩阵进行了降噪处理，滤除了风噪声的特征信息，使得声信号的特征矩阵更加准确，实验证明在强风噪背景下该方法处理的故障信号呈现出明显的周期性，可以识别出强风噪下的故障风机。

背景技术

风电场长期运行在恶劣的露天环境中，叶片作为风机的重要部件经常会出现开裂、表面脱落、磨蚀等故障。这些故障一旦发生，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。因此对于叶片的故障能够及时发现是十分必要而且有意义的。

叶片的声音信号十分容易获取，因此利用声音信号对叶片进行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。但是这些方法都需要大量的历史数据作为支撑，并且无法实时的反映叶片的故障情况，没有实用的工程价值。有学者利用MFCC提取声音特征后，利用K-means聚类得到类别时序图，根据时序图的周期性进行故障诊断，但是该方法只能处理无风噪或者背景噪声比较小的情况，在强风噪下却无法实现。由于叶片声音容易受到外界噪声的干扰，因此需要对声音进行降噪处理，但是传统的小波或者小波包降噪方法对风噪的处理效果很差，SVD(奇异值分解)或者AMMG(自适应多尺度形态梯度算法)等降噪方法无法处理声音信号的上百个采样点，因此需要找到一个合适的降噪方法对声音信息进行处理。

发明内容

为解决现有技术的不足，本发明提出一种改进梅尔倒谱系数算法的叶片故障诊断方法，该方法首先将采集到的叶片声音信号做分帧处理并利用梅尔倒谱系数(MelFrequency Cepstrum Coefficient，MFCC)法获得信号的特征矩阵；然后将特征矩阵的每一列数据都转换为hankel矩阵并进行SVD(奇异值分解)；利用奇异谱算法保留有限个奇异值得到新的奇异值矩阵，利用新的奇异值矩阵重构得到新的hankel矩阵；之后利用新的hankel矩阵获取新的信号特征矩阵并进行K-means聚类；最后画出信号的类别时序图判断叶片是否故障。

本发明解决所述技术问题的技术方案是，设计一种改进梅尔倒谱系数算法的叶片故障诊断方法，其特征在于，该方法包括如下步骤：

步骤1：对叶片声音信号进行分帧处理获得m帧，其中m的计算公式如下：

m＝(l-wlen+inc)/inc

式中，l为声音信号长度，wlen为每帧信号长度，inc为后一帧对前一帧的位移量；

利用梅尔倒谱系数法求得每一帧的n个特征值，得到行数为m、列数为n的特征矩阵A_m×n，其中A_m×n的表达式为：

步骤2：将特征矩阵A_m×n的每一列数据进行提取得到n个数组h_i，将n个数组h_i分别构建成为n个hankel矩阵H_i；其中H_i的表达式为：