一种风机叶片异常声音监测方法、系统、设备及介质与流程

本发明属于风机叶片异常检测，尤其涉及一种风机叶片异常声音在线监测方法、系统、设备及介质。

背景技术：

1、随着风电行业的快速发展，风机的故障问题日益凸显，叶片是风电机组的重要组成部分之一，其健康状态将直接影响风电机组运行的安全性与可靠性，因此对风机叶片的运行状态进行检测具有重要意义。

2、现代的风机叶片监测方法采的技术包括振动分析、红外热成像、计算机视觉等。但这些方法存破坏叶片结构、设备成本昂贵，受环境因素制约等缺点，因此相关学者利用叶片的声音信号对叶片的健康状况进行监测。

3、公开号为cn115641871a的中国发明专利申请公开了一种基于声纹的风机叶片异常检测方法，提出了采集叶片的声音信号并刻画其梅尔声谱图，通过卷积神经网络提取信号的声纹特征，建立基于长短时记忆神经网络的叶片声纹捕捉模型，并根据特征分布计算各与特征之间的fréchet距判断风机叶片是否发生异常。

4、公开号为cn116163894a的中国发明专利申请公开了一种风电场风机叶片状态检测方法、系统及存储介质，提出了采集风机叶片运行时的声音数据并建立样本数据库，利用多尺度卷积神经网络并融合多尺度特征进行训练，得到分类模型，该采集到的声响度时频图导入模型中以判断出风机叶片状态。

5、公开号为cn116153333a的中国发明专利申请公开了一种基于气动噪声的风力机叶片故障诊断方法，提出了将风力机叶片声信号降噪后转换成图像数据,将图像数据输入至卷积神经网络模型中进行预训练并构建卷积神经网络模型,建立训练集，将待测风力机叶片气动噪声再转换成图像数后，输入卷积神经网络模，确定风力机叶片故障状态。

6、上述方法的基本思路都是提取叶片声音信号的特征，或者将信号转换为图像并提取特征后，构建训练集并利用神经网路构建分类模型，之后将待测信号输入到分类模型中实现叶片的故障监测，但以上方法存在以下几个缺点：

7、1、不同叶片的声音信号特征并不相同，根据现有训练集构建出的分类模型并不适用于全场或者其他场站的叶片监测。

8、2、不同叶片故障的声音信号并不相同，提取出的声学特征也存在差异，因此构建分类模型时需要采集各种类型故障的风机叶片声音信号才能保证分类模型的准确率，很难在实际应用中实现。

9、3、构建分类模型时，训练集越大分类模型越准确，实际应用中难以采集到足够多的故障特征，训练集不大导致分类模型不准确。

10、4、分类模型的分类准确率在80％～95％，存在误诊断的现象。

技术实现思路

1、为了克服上述现有技术中的缺点，本发明的目的在于提供一种风机叶片异常声音监测方法及系统，利用局部均值分解lmd方法对声音信号进行降噪处理，通过降噪后的叶片声音信号的时序图能够及时对风机叶片进行监测；本发明具有判断速度快，操作简单，检测效率高，时间成本和人力成本低的特点，同时，不破坏风机结构，不影响风机叶片的正常运行。

2、为了实现上述发明目的，本发明的技术方案为：

3、一种风机叶片异常声音监测方法，包括以下步骤：

4、步骤1：设定声音采集频次和时长参数，采集风机叶片声音信号数据，包括叶片旋转时的声音信号x(t)和现场实时的风噪信号y(t)；

5、步骤2：基于局部均值分解lmd方法，对步骤1中采集的叶片旋转时的声音信号x(t)进行分解，得到k个调幅调频分量pf；

6、步骤3：基于步骤2中分解得到的k个调幅调频分量pf与现场实时风噪信号y(t)，计算二者的皮尔逊系数即得到k个实时风噪相似度；

7、步骤4：将步骤3得到的k个实时风噪相似度与设定阈值进行比较，当实时风噪相似度高于设定阈值时，对应的调幅调频分量pf作为风噪信号进行舍弃，当实时风噪相似度低于设定阈值时，将对应的调幅调频分量pf进行信号重构，得到降噪后的叶片声音信号z(t)；

8、步骤5：对步骤4中降噪后的叶片声音信号z(t)进行可视化处理，得到时序图，对风机叶片状态进行监测分析。

9、所述步骤3中的k个调幅调频分量pf与现场实时风噪信号y(t)的皮尔逊系数的计算公式为：

10、

11、其中，cov为协方差，σ为标准差。

12、所述步骤4中设定阈值为0.7。

13、本发明还提供了一种风机叶片异常声音监测系统，包括：

14、声音采集模块：用于采集叶片旋转时的声音信号x(t)和现场实时风噪信号y(t)；

15、信号处理模块：用于分解叶片旋转时的声音信号x(t)，得到调幅调频分量pf；并且计算调幅调频分量pf和现场实时风噪信号y(t)的实时风噪相似度，并将实时风噪相似度与设定阈值进行比较，得到降噪后的叶片声音信号z(t)；

16、数据传输模块：用于将信号处理模块中的降噪后的叶片声音信号z(t)传输到异常声音检测模块；

17、异常声音检测模块：用于对降噪后的叶片声音信号z(t)进行处理，得到时序图，根据时序图判断风机叶片是否发生异常。

18、所述声音采集模块采用vs1053音频解码芯片。

19、所述信号处理模块采用stm32f103zet6芯片。

20、所述数据传输模块采用l768h-e18v通信模块。

21、所述声音采集模块外面裹有外壳，将该外壳安装在风机塔筒上。

22、本发明还提供了一种风机叶片异常声音监测设备，包括：

23、存储器：用于存储实现一种风机叶片异常声音监测方法的计算机程序；

24、处理器：用于执行所述计算机程序时一种风机叶片异常声音监测方法。

25、本发明还提供了一种计算机可读存储介质：所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时能够实现一种风机叶片异常声音监测方法。

26、相对于现有技术，本发明的有益效果在于：

27、1.本发明利用局部均值分解lmd方法对叶片旋转时的声音信号进行分解，局部均值分解lmd方法能够根据信号的包络特征自适应地将一个非线性、非平稳信号按频率递减的顺序逐级分离，与emd、eemd等分解方法相比，该分解方法十分适合风机叶片声音信号的分解，能够将现场实时风噪信号与叶片旋转时的声音信号进行很好的区分。

28、2.本发明通过计算各调频调幅分量与现场实时风噪信号的皮尔逊相关系数，将现场实时风噪信号的调频调幅分量进行舍弃并将剩余的调频调幅分量进行重构，能够得到较为纯净的叶片声音信号，消除风噪信号的影响。

29、3.本发明直接通过刻画降噪后的风机叶片声音信号时序图，并根据降噪后的风机叶片声音信号的周期性与波动性实现叶片监测，舍弃了其他技术方案中的提取特征以及利用机器学习或神经网络构建分类模型的步骤，监测方法更为简便，快捷，同时避免了分类模型中存在错误分类的缺陷，监测结果更加准确。

30、4.本发明利用风机叶片声音信号对叶片的异常情况进行识别，与基于振动、超声波、声发射信号的方法相比，本发明效率更高，成本更低，且无需停机便可以对叶片的异常情况进行监测。