[发明专利]基于声学诊断的风机叶片远程听诊方法

权利要求书

1.一种基于声学诊断的风机叶片远程听诊方法，其特征在于，包括以下步骤：

步骤1，通过安装在风机塔底的噪音传感器采集风机叶片正常状态和叶片损伤状态下的声学信号作为原始数据集；

步骤2，将塔底远离机舱的机械噪声过滤掉风噪声后，提取出叶片的扫风声；

步骤3，根据叶片的扫风信号的周期性短时脉冲特性，设定短时脉冲时间阈值和初始能量阈值，利用滑动窗口计算每一帧的能量，以连续多帧能量大于初始能量阈值、且计算连续多帧时间小于短时脉冲时间阈值，作为有效的一个叶片脉冲周期，以连续三个叶片脉冲周期作为一个样本信号，并计算叶片的旋转周期，利用倍频程提取信号的能量比作为特征向量集；

步骤4，根据传感器的安装位置、叶片的故障程度等因素的不同，利用自适应方法提取特征向量集的主要特征量，以去除其中的冗余信息；

步骤5，将特征向量集划分为训练集和检验集，用机器学习常用网格搜索的调参方法检索最优的参数组合，确定模型参数建立基于SVDD算法故障监测模型；

步骤6，将检验集带入基于SVDD算法故障监测模型，得到测试样本精度；

步骤7，在基于SVDD算法故障监测模型发现异常后，将诊断结果发送至集控中心继而及时通知风场的维护人员前去检修。

2.根据权利要求1所述的基于声学诊断的风机叶片远程听诊方法，其特征在于，步骤2中采用巴特沃斯滤波器过滤掉风噪声，其平方幅频响应函数为：

其中，N为滤波器的阶数，Ω_c为3dB截止频率，Ω_u为上限截止频率，Ω_l为下限截止频率。

3.根据权利要求1所述的基于声学诊断的风机叶片远程听诊方法，其特征在于，步骤4中的自适应方法包括：

步骤41，构造输入样本矩阵，假设原始数据包含n个样本，每个样本有m个能量比特征，构造n行m列的原始特征矩阵X_m×n；

步骤42，零均值化特征矩阵的每一列，得到矩阵

步骤43，计算协方差矩阵，获得各维度的方差(主对角线上元素)与不同维度间的相关系数(非对角线上元素)，协方差矩阵的具体计算方法为：

步骤44，矩阵对角化：为了尽可能减小不同维度间的相关性，即让协方差矩阵中非对角线元素接近0，对协方差矩阵进行对角化处理，得到特征值矩阵Λ与特征向量矩阵P_m×m，对角化公式为P^TCP＝Λ；

步骤45，自适应提取主成分：特征值矩阵的主对角线元素即为各维度的新方差，并按从大到小排序，筛选累计贡献率大于阈值的前k(k＜m)个主成分，排列组成投影矩阵P′，对输入样本矩阵进行投影得到新的样本矩阵Y：Y＝XP′。

4.根据权利要求1所述的基于声学诊断的风机叶片远程听诊方法，其特征在于，所述步骤5所述的SVDD算法故障监测模型为：

其中，a表示超球面的球面中心坐标，R表示超球面的半径，z表示采集的叶片声信号的特征向量，a_i、a_j、x_i分别表示第i个拉格朗日系数、第j个拉格朗日系数和第i个支持向量，I为指示函数，此处的A指命题，若A为真时，则判定为正常信号，若A为假时，则判定为故障信号。

5.根据权利要求1所述的基于声学诊断的风机叶片远程听诊方法，其特征在于，传感器可安装在叶片的背风向的塔门附近。

6.根据权利要求1所述的基于声学诊断的风机叶片远程听诊方法，其特征在于，所述特征向量数据集进行划分的方式为70％作为训练集，30％作为检验集。

7.根据权利要求1所述的基于声学诊断的风机叶片远程听诊方法，其特征在于，所述步骤1中的声学信号传输至大数据分析平台。

8.根据权利要求1所述的基于声学诊断的风机叶片远程听诊方法，其特征在于，通过集成在工控机中的采集卡实现对声学信号的采集，源数据经过信号处理后，以三个连续的短时脉冲信号为一个样本周期。