[发明专利]基于稀疏贝叶斯学习与功率谱分离的风机叶片故障检测方法

权利要求书

1.一种基于稀疏贝叶斯学习与功率谱分离的风机叶片故障检测方法，其特征在于，包括以下步骤：

步骤1：利用麦克风阵列采集风机叶片辐射出的三段连续等长的声信号，每段声信号时长等于叶片旋转周期的1/3；

步骤2：利用稀疏贝叶斯学习算法对步骤1采集的三段声信号分别进行估计，具体包括以下子步骤：

步骤21，记观测信号，即M个阵元接收到的L帧信号为Y，第k个频点的信号表示为Y(k)；记希望进行估计的信号源，即风机叶片声信号为X(k)；计算后验均值μ和后验方差Σ_x：

Σ_x＝(σ^-2Α^HA+Γ^-1)^-1

其中，Α∈C^M×N为观测矩阵，N表示估计的点数，σ²表示噪声的方差，Σ_y＝σ²I+ΑΓΑ^H为观测信号的方差，I表示单位矩阵，Γ＝diag(γ)，γ和σ²为稀疏贝叶斯学习算法中的超参数；

步骤22，对超参数γ和σ²进行计算，超参数γ和σ²表示为：

其中，γ_n为超参数γ的第n个值，n＝1,…,N，μ_nl为后验均值μ第n行第l列的值，l＝1,...,L，(Σ_x)_nn为后验方差Σ_x第n行第n列的值；P＝AA⁺表示投影矩阵；S_y＝Y(k)Y^H(k)/L，且

步骤23，利用步骤22中的后验均值与后验方差不断迭代更新超参数，直至收敛，最后得到的后验均值即为信号源X(k)的第l帧在角度θ_n上的估计；

步骤3：对步骤2得到的估计信号进行DOA估计，利用波束形成进行信号增强，具体为：

通过遍历角度θ_n，找到使得总波束功率最大的角度即为DOA估计结果，总波束功率P_e(θ_n)表示为：

其中，K为总频点数；

利用波束形成进行信号增强，波束形成的权向量表示为：

其中，f_k表示第k个频点对应的频率，c表示空气中的声速，[x_m y_m z_m]^T表示第m个阵元所在的坐标，m＝1,...,M；则最终增强后的信号表示为：

步骤4：计算增强信号的功率谱，并对功率谱进行归一化，根据三段声信号的归一化功率谱是否分离，判断风力发电机叶片是否存在故障；

对于增强信号的第l帧对其进行短时傅里叶变换，表示如下：

其中，w_d表长度为D的窗函数，D表示短时傅里叶变换的长度，t_s为每个短时间的中心时间；

对于计算功率谱P_f，功率谱的第k个频点P_f(k)，表示为：

其中，S为短时傅里叶变换的快拍数。

2.根据权利要求1所述的基于稀疏贝叶斯学习与功率谱分离的风机叶片故障检测方法，其特征在于，所述步骤4中，对功率谱P_f(k)进行归一化，表示为：

由于采集的每段声信号时长与叶片旋转周期的1/3一致，且叶片转至下方时辐射出的声信号能量最大，因此用每段信号来表示在采集时间内转至下方的一个叶片；当三个叶片都正常时，辐射出的能量应该基本相同，当部分叶片存在故障，其能量则会大于正常叶片；因此若三段信号的归一化功率谱出现分离，则判断风机叶片故障；反之则为正常；若只有一段信号的归一化功率谱与其余两段出现分离，则认为一个叶片存在故障，若三段信号均出现分离，则认为有二至三个叶片存在故障。