[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

说明书

本发明公开了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。该方法首先利用麦克风阵列采集三段连续等长的风机叶片辐射出的声信号，利用稀疏贝叶斯学习算法对三段声信号分别估计其源信号，对估计信号进行DOA估计，利用波束形成进行信号增强，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。本发明提供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，能够大幅度去除采集信号中的噪声，对风力发电机叶片故障进行准确的判断。

技术领域

本发明属于空间信号处理领域，具体涉及一种基于稀疏贝叶斯学习(SBL算法)与功率谱分离的风力发电机叶片故障检测方法。

背景技术

随着可再生资源越来越受到重视，风力发电机作为风力发电的重要组件，其重要性也日益凸显。由于风力发电机往往建造于山峰或是海岸边等环境较为恶劣的偏远地区，极端的湿度因素以及多变的天气环境因素，导致风力发电机极易出现损坏。而风力发电机的叶片由于直接暴露在室外，更容易出现故障。随着能源需求的不断扩大，与能源平均成本成正比的风机尺寸，例如塔高以及叶片尺寸等也在不断增大，这使得风机尤其是叶片部分发生故障的概率大大提高的同时，维护成本与停机时间也明显增加。风机叶片的故障可能会导致叶片旋转状态的失衡，进而影响本台风机甚至临近风机的正常工作。因此及时发现叶片故障并进行维护，从而降低维修成本，是十分必要的。

目前常用的检测方式主要包括振动分析、应力测试、声发射检测与视觉检查等。振动分析、应力测试与声发射检测方法都利用了传感器接收并分别传输振动信号、应力数据以及声发射信号，通过对这些信号数据的分析处理，对风机叶片故障与否进行判断。这类方法依托于传感器，受传感器放置位置、数量等因素的影响，且采集到的信号数据较为繁杂，容易对最终判断造成干扰。而视觉检查，作为较早期的检测方法，依赖于检查人员的故障判断经验，通过检查人员的直接观察来判断风机叶片是否存在故障。这类方法对检查人员要求较高，需要检查人员具备一定的专业素养与经验，耗费人力较多，且仅能观察到叶片表面出现的破损故障。因此，本发明提出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，能够有效提取叶片辐射的声信号，通过特征分析，实现故障风机叶片与正常风机叶片的判断。

发明内容

针对现有技术存在的问题，本发明提出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，利用麦克风阵列采集风机叶片的声信号，利用SBL算法进行信号估计，同时通过波束形成方法进行信号增强，通过计算增强信号的归一化功率谱，实现对风机叶片的故障检测。

本发明是通过以下技术方案来实现的：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，该方法包括以下步骤：

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。

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。

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。

进一步地，所述步骤2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个频点的信号可表示为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