[发明专利]一种基于深度学习的风机叶片故障诊断方法

权利要求书

1.一种基于深度学习的风机叶片故障诊断方法，其特征在于：故障诊断方法包括以下步骤：

一、数据预处理，需要对采集的声音信号数据进行预处理，首先对数据进行分帧，以5s为风机叶片的旋转周期，进行1s的重复取帧，并对取帧之后的数据进行去躁处理，然后进行频谱计算，获得FBank特征，转换为相应频带的对数功率谱，并对频谱图进行封装，规范模型的输入。

二、特征提取，以预处理封装之后的频谱图为输入，引入卷积神经网络模型进行特征提取，经过一系列卷积和池化操作，捕获图片的边缘信息和纹理信息，并通过Dropout层防止过拟合，若叶片故障，则与正常叶片表现出差异性。

三、相似度计算，对经过特征提取的图片特征进行相似度计算，分别使用结构相似性、余弦距离、欧式距离三种方式进行分析比较，获取不同维度的相似度结果并进行综合分析，取结果较好的方式为最终相似度分析方案。

2.根据权利要求1所述的一种基于深度学习的风机叶片故障诊断方法，其特征在于：所述数据预处理：对风机叶片的声音信号进行故障诊断，需要进行数据预处理步骤，FBank特征保留了更多的原始信息，抑制了部分无法感知的冗余信息。

3.根据权利要求2所述的一种基于深度学习的风机叶片故障诊断方法，其特征在于：风机叶片旋转的声音信号采用分帧的方式对信号进行截取，结合风机叶片旋转规律进行信号分帧，为保证声音特征参数的平滑性，一般采用重叠取帧的方式，相邻帧之间存在重叠部分。

4.根据权利要求1所述的一种基于深度学习的风机叶片故障诊断方法，其特征在于：计算功率谱：将每个滤波频带里边的频谱进行叠加，得到最终的功率谱。

5.根据权利要求4所述的一种基于深度学习的风机叶片故障诊断方法，其特征在于：对功率谱用梅尔滤波器组进行滤波：计算每个滤波器里的能量，梅尔滤波器的长度与功率谱相等，每个滤波器只有对于需要采集的频率范围是非零，其余都是0，对每个滤波器的能量取log对梅尔滤波之后的数据取对数，得到频带相同的对数功率谱，经过频谱计算，也需要将数据进行封装处理，使用数据生成器对数据进行批次处理。

6.根据权利要求1所述的一种基于深度学习的风机叶片故障诊断方法，其特征在于：特征提取：频谱分析之后得到叶片声音信号的频谱图，选用卷积神经网络模型进行特征提取，提取频谱图中的纹理和边界特征，然后进行相似度计算，卷积神经网络模型结构有卷积层、池化层和Dropout层。

7.根据权利要求6所述的一种基于深度学习的风机叶片故障诊断方法，其特征在于：卷积层是定义多个卷积核，配置参数，进行滤波，从而实现稀疏交互和参数共享，获取图片的纹理和边界特征。

8.根据权利要求6所述的一种基于深度学习的风机叶片故障诊断方法，其特征在于：池化层是针对非重叠区域，这里使用均值池化，能够抑制由于领域大小受限造成的估计值方差增大的现象，也使图片具有平移不变性和旋转不变性。

9.根据权利要求1所述的一种基于深度学习的风机叶片故障诊断方法，其特征在于：Dropout层是在深度网络中以一定的概率随机地“丢弃”一部分神经元节点，进而减小神经网络规模，同时可以抑制过拟合，添加在卷积神经网络模型之后，增强泛化能力。

10.根据权利要求1所述的一种基于深度学习的风机叶片故障诊断方法，其特征在于：所述相似度计算是对经过特征提取的图片特征进行相似度计算，分别使用结构相似性、余弦距离、欧式距离三种方式进行分析比较，计算方式如下：

结构相似性是衡量两张图片的相似度指标，取值范围在[-1,1]，越接近于1，说明图片越相似。给定两张图片x和y，两张图片的结构相似性计算公式为：

余弦距离是用向量空间中两个向量夹角的余弦值来衡量两张图片的差异，余弦值越接近1，就表明夹角越接近0度，也叫“余弦相似性”，给定两张图片x和y，公式为：

欧氏距离是计算n维空间中两个点之间的直线距离，衡量两张图片在数值上的差异。计算公式为：

用以上三种方式从不同维度分析频谱图像的相似度，找出与其他相似度较低的图片进行故障分析，即故障叶片的频谱与正常叶片的频谱较大差异，进而对风机叶片的健康状态进行监测。