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

536 编辑：中冶有色技术网来源：浙江大学

2024-07-16 11:48:00

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。

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。

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个频点的信号可以表示为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Σx：2 H 1 1Σx＝(σ ΑA+Γ )M×N 2 2 H其中，Α∈C 为观测矩阵，N表示估计的点数，σ表示噪声的方差，Σy＝σI+ΑΓΑ为2观测信号的方差，I表示单位矩阵，Γ＝diag(γ)，γ和σ为稀疏贝叶斯学习算法中的超参数。

步骤22，对超参数γ和σ进行计算，超参数γ和σ可以表示为：其中，γn为超参数γ的第n个值，n＝1,...,N，μnl为后验均值μ第n行第l列的值，l＝+ H1,...,L，(Σx)nn为后验方差Σx第n行第n列的值；P＝AA 表示投影矩阵；Sy＝Y(k)Y (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θn上的估计。

3.根据权利要求2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3中，通过遍历角度θn，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Pe(θn)表示为：其中，K为总频点数。

4.根据权利要求3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3中，利用波束形成进行信号增强，波束形成的权向量可以表示为：其中， fk表示第k个频点对应的频率，c表示空T气中的声速，[xmymzm] 表示第m个阵元所在的坐标，m＝1,...,M。

5.根据权利要求4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，wd表长度为D的窗函数，D表示短时傅里叶变换的长度，ts为每个短时间的中心时间；对于计算功率谱Pf，功率谱的第k个频点Pf(k)，表示为：其中，S为短时傅里叶变换的快拍数。

6.根据权利要求5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6中，对功率谱Pf(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，因此可以用每段信号来表示在该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。

说明书：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技术领域[0001] 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[0002] 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。

[0003] 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[0004] 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。

[0005] 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：[0006] 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。[0007] 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。[0008] 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。[0009] 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。

[0010] 进一步地，所述步骤2包括以下子步骤：[0011] 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Σx：[0012][0013] Σx＝(σ?2ΑHA+Γ?1)?1[0014] 其中，Α∈CM×N为观测矩阵，N表示估计的点数，σ2表示噪声的方差，Σy＝σ2I+ΑΓH 2Α为观测信号的方差，I表示单位矩阵，Γ＝diag(γ)，γ和σ为稀疏贝叶斯学习算法中的超参数。

[0015] 步骤22，对超参数γ和σ2进行计算，超参数γ和σ2可以表示为：[0016][0017][0018] 其中，γn为超参数γ的第n个值，n＝1,...,N，μnl为后验均值μ第n行第l列的值，l+＝1,...,L，(Σx)nn为后验方差Σx第n行第n列的值；P＝AA 表示投影矩阵；I表示单位矩阵，HSy＝Y(k)Y(k)/L，且

[0019] 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θn上的估计。

[0020] 进一步地，所述步骤3中，通过遍历角度θn，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Pe(θn)表示为：[0021][0022] 其中，K为总频点数。[0023] 进一步地，所述步骤3中，利用波束形成进行信号增强，波束形成的权向量可以表示为：[0024][0025] 其中， fk表示第k个频点对应的频率，cT表示空气中的声速，[xmymzm]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：[0026][0027] 进一步地，所述步骤4中，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：[0028][0029] 其中，wd表长度为D的窗函数，D表示短时傅里叶变换的长度，ts为每个短时间的中心时间；[0030] 对于计算功率谱Pf，功率谱的第k个频点Pf(k)，表示为：[0031][0032] 其中，S为短时傅里叶变换的快拍数。[0033] 进一步地，所述步骤6中，对功率谱Pf(k)进行归一化，表示为：[0034][0035] 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，因此可以用每段信号来表示在该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。

[0036] 与现有的风机叶片故障检测技术相比，本发明的技术特色主要表现在：[0037] 1)本发明使用麦克风阵列对风机叶片声信号进行采集，消除了由传感器数量、布放位置等因素对检测结果造成的影响，省去了在叶片内部或表面安装传感器的成本；

[0038] 2)本发明采用SBL方法对采集到的风机叶片声信号进行估计，并利用DOA估计与波束形成方法，对信号进行增强，减少了噪声及干扰信号对最终检测结果的影响；[0039] 3)本发明利用风机叶片声信号的归一化功率谱进行故障检测，通过对归一化功率谱的计算，实现对故障叶片与正常叶片的区分，由于该特征清晰可分，避免了对检查人员专业要求过高，消耗较多人力的缺陷；[0040] 4)基于上述三个特点，本发明可以实现对风机叶片故障检测的功能，具有较好的实用价值。

附图说明[0041] 图1为本发明提供的基于SBL算法与功率谱分离的风机叶片故障检测方法总体流程图。

[0042] 图2为本发明提供的通过SBL算法进行信号估计步骤流程图。[0043] 图3为本发明提供的风机叶片信号增强步骤流程图。[0044] 图4为本发明提供的风机叶片归一化功率谱计算流程图。[0045] 图5为本发明实施例提供的故障风机叶片检测结果示意图。[0046] 图6为本发明实施例提供的正常风机叶片检测结果示意图。具体实施方式[0047] 本发明提供了一种基于SBL算法与功率谱分离的风力发电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，通过对增强信号的归一化功率谱的计算，实现风机叶片故障检测。

[0048] 为使本发明的上述目的、特征和优点能够更加通俗易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

[0049] 如图1所示，本发明提供的一种基于SBL算法与功率谱分离的风力发电机叶片故障检测方法，该方法包括以下步骤：

[0050] 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。

[0051] 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。[0052] 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。[0053] 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。

[0054] 在一个实施例中，采用矩形麦克风阵列置于大型风力发电机塔筒下方，以非接触式采集方式采集风机叶片声信号。

[0055] 参照图2为本发明提供的通过SBL算法进行信号估计步骤流程图。如图2所示，在步骤2中利用SBL算法对叶片辐射出的信号进行估计，具体包括以下子步骤：

[0056] 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Σx：[0057][0058] Σx＝(σ?2ΑHA+Γ?1)?1[0059] 其中，Α∈CM×N为观测矩阵，N表示估计的点数，若DOA估计为0?180°间隔1°的估计，2 2 H则N为180。σ表示噪声的方差，Σy＝σI+ΑΓΑ为观测信号的方差，I表示单位矩阵，Γ＝2diag(γ)，γ和σ为稀疏贝叶斯学习算法中的超参数。

[0060] 步骤22，对超参数γ和σ2进行计算，超参数γ和σ2可以表示为：[0061][0062][0063] 其中，γn为超参数γ的第n个值，n＝1,...,N，μnl为后验均值μ第n行第l列的值，l+＝1,...,L，(Σx)nn为后验方差Σx第n行第n列的值；P＝AA 表示投影矩阵；I表示单位矩阵，HSy＝Y(k)Y(k)/L，且

[0064] 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θn上的估计。

[0065] 参照图3为本发明提供的风机叶片信号增强步骤流程图。如图3所示，在步骤3中对信号进行DOA估计，利用波束形成进行信号增强，具体包括以下子步骤：

[0066] 步骤31，通过遍历角度θn，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Pe(θn)表示为：

[0067][0068] 其中K为总频点数。[0069] 步骤32，利用波束形成进行信号增强，波束形成的权向量可以表示为：[0070][0071] 其中 fk表示第k个频点对应的频率，c表T示空气中的声速，[xmymzm] 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：

[0072][0073] 参照图4为本发明提供的风机叶片故障特征提取及检测步骤流程图。如图4所示，在步骤4中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，具体包括以下子步骤：

[0074] 步骤41，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：[0075][0076] 其中，wd表长度为D的窗函数，D表示短时傅里叶变换的长度，ts为每个短时间的中心时间。

[0077] 步骤42，对于计算功率谱Pf，功率谱的第k个频点Pf(k)，表示为：[0078][0079] 其中，S为短时傅里叶变换的快拍数。[0080] 步骤43，对功率谱Pf(k)进行归一化，表示为：[0081][0082] 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。记三段信号归一化功率谱的分离度为：

[0083][0084] 其中K为总频点数，P01(k)、P02(k)以及P03(k)分别表示三段信号的归一化功率谱。若最终分离度大于设定的阈值Thre，则认为风机叶片存在故障。本例中阈值Thre设定为0.5。从归一化功率谱图上进行观察，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。

[0085] 参照图5和图6为本发明实施例提供的故障及正常风机叶片检测结果示意图。本实施例应用于崇明风电场的大型风力发电机叶片故障检测，具体步骤如前所示。如图5所示，在故障风机叶片的归一化功率谱上，可以观察到曲线发生分离，且分离度大于阈值，因此判断存在故障叶片，且从图上看出，仅有一条曲线出现分离，因为判断有一片叶片存在故障；而图6三条曲线重叠在一起，且分离度小于阈值，因此判断其为正常风机。本发明所述检测方法已在上海崇明与浙江磐安风电场进行测试，检测故障叶片的准确率在70％以上。本发明能够对风机叶片声信号进行采集，并进行故障检测。

[0086] 上述所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。