[发明专利]一种基于深度学习的风机叶片故障诊断方法

说明书

本申请公开了一种基于深度学习的风机叶片故障诊断方法，包括数据预处理，需要对采集的声音信号数据进行预处理；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；相似度计算，对经过特征提取的图片特征进行相似度计算。本申请结构合理，采集风机的声音信号并进行实时监测，存在故障可立即报警，实时性高，对声音信号进行频谱分析，得到基于短时平稳的特征参数值，保留更多的原始声音特征，同时，减少了时域带来的冗余度，通过深度学习模型进行训练，自动化提取图片特征，采用多种相似度计算比对的方式，从不同维度分析频谱图像的相似度，提高了运维效率，降低了运维成本，为公司带来经济效益。

技术领域

本申请涉及叶片损伤监测领域，尤其是一种基于深度学习的风机叶片故障诊断方法。

背景技术

随着新能源板块的大热，风电市场的成长预期提升，其中，风机成本下降使得风电投资的收益率明显提高，但由其带来的运维成本也在日趋高昂，作为风机核心部件的叶片质量更是与发电效率息息相关。

对于叶片损伤监测，目前常见方法有：一、基于固有时间尺度分解的风机叶片气动音频信号故障诊断，将信号分解成若干旋转分量，计算时域信号能量，构造初步特征向量，再使用主成分分析进行降维，并通过SVM进行故障分类；二、基于深度学习的风机叶片结构损伤识别，通过ANSYS建立风机叶片的有限元模型，进行模态分析来确定结构的频率和振型变化特性，以及建立基于神经网络的风机叶片结构损伤模型，对风机叶片进行诊断。三是基于声纹的高泛化性风机叶片异常检测，依靠单台风机3个叶片声纹之间的参考和对比诊断出该风机叶片是否存在故障。因此，针对上述问题提出一种基于深度学习的风机叶片故障诊断方法。

发明内容

在本实施例中提供了一种基于深度学习的风机叶片故障诊断方法用于解决现有技术中的问题。

根据本申请的一个方面，提供了一种基于深度学习的风机叶片故障诊断方法，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。

优选的，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。

优选的，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。

优选的，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。

优选的，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。

优选的，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。