刘 冰，陈 堃，邹 超，沈曙光，谢万顺

（江苏华电灌云风力发电有限公司，江苏连云港 222227）

0 引言

在能源短缺和“双碳目标”的背景下，能源结构迎来重要调整，我国风电并网装机容量逐年上升，风电建设规模日益增大。随着风机机组的激增，风机核心部件的叶片监测存在大量问题与挑战：定期进行地毯式人工巡检，耗时耗力；无人机易受恶劣天气影响，巡检困难；损伤叶片无法保证及时维护，会降低发电效率。因此，如何低成本、高效率进行风机运维成为一大难题，有必要对叶片进行健康监测。

目前，文献［1］提出了一种基于单台风机叶片声纹之间相似度计算的叶片检测，对单台风机的3 个叶片声纹进行有效切割之后，对叶片进行语谱分析，随后对叶片的语谱图进行相似度计算，当某个叶片与其他叶片相似度较低时，则认为该叶片存在异常；文献［2］提出了一种通过经验模态分解进行气动音频去噪和特征参数判断叶片是否损伤，先对声音信号进行去噪，然后根据均值、小波包等特征参数进行损伤判断。

本文提出了一种基于声音信号的风机叶片故障监测方法，通过传声器等采集设备采集风场正在运行风机的声音信号，并进行对信号进行滤波处理，提高声音信号的信噪比，同时对信号进行频谱分析，并将提取出的信号特征进行建模，设计风机叶片故障分类器，对风机的健康状态进行实时监测。

1 整体思路

通过传声器等采集设备采集风场正在运行风机的声音信号，并进行对信号进行滤波处理，提高声音信号的信噪比，同时对信号进行频谱分析，并将提取出的信号特征进行建模，设计风机叶片故障分类器，对风机的健康状态进行实时监测，降低风场的运维成本，提高风场人员的利用率[3]。叶片声音信号检测流程如图1 所示。

图1 叶片声音信号检测流程

2 相关原理

2.1 数据分帧

风机叶片旋转的声音信号是一个非平稳信号，但频率在短时范围内相对固定，具有短时平稳特性，因此可以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]。

2.2 数据滤波

风机叶片旋转会产生气动噪声并混入其他背景环境噪声，为提高信号的质量，需要去除声音信号的噪声特征，提高信号的信噪比。常见的滤波方式有经典滤波器和现代滤波器，前者认为声音信号和去噪信号具有不同的频宽，考虑到风机现场工况的复杂性，采用后者进行分析。

其中，维纳滤波器、卡尔曼滤波器是最小均方差作为最佳估计准则。维纳滤波器是线性滤波器，多适用于平稳随机过程，而考虑到噪声的非定常性，卡尔曼滤波更适用于非平稳随机过程。

卡尔曼滤波是一种数据融合算法，可以很好地从带有噪声的数据中估计状态，基本思想是利用前一时刻的估计值和当前时刻的观测值来更新状态变量的估计，求出当前时刻的估计值。

2.3 频谱分析

经过滤波之后，去除部分噪声数据，可以将声音信号进行频谱分析、绘制功率谱图，提取MFCC（Mel Frequency Cepstrum Coefficient，Mel 频率倒谱系数）特征。MFCC 的实现步骤如下：

（1）利用周期图法进行功率谱估计。声音信号会随着时间而变化，通过傅里叶变换只能将其转换到频域，会失去时域信息，无法看出频率分布随时间变化规律。而短时傅里叶则是把一段长信号分帧、加窗，再对每一帧做快速傅里叶变换，最后把每一帧的结果沿另一个维度堆叠起来，就得到了二维信号形式。变换过程如下：

先利用离散傅里叶变换把每一帧信号变换到时域：

其中，s（n）表示时域信号，si（n）是第i 帧的数据，Si（k）是第i帧的第k 个复数，h（n）是一个N 点的窗函数。

再计算功率谱Pi（k）=，其中Pi（k）为第i 帧的功率谱。

最后，经过短时傅里叶变换之后得到一个复数，其实部代表频率的振幅、虚部代表频率的相位，即得到功率谱。

（2）对功率谱用Mel 滤波器组进行滤波。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非零、其余都是0。利用Mel 滤波器对功率谱的滤波过程，得到Filter Bank 特征。

（3）对log 后的Filter Bank 特征进行离散余弦变换。对Filter Bank 特征取对数，得到相应频带的对数功率谱，并进行离散余弦变换，得到MFCC 特征即静态特征，然后进行一阶和二阶差分，得到动态特征。

2.4 故障分类

叶片故障运行的声音信号和正常运行的信号在频谱特征上存在差异性。由于频谱数据偏数值化，定义一个逻辑回归分类器进行风机叶片故障分类模型，对风机叶片是否故障进行研判。

逻辑回归是对数线性模型，经过频谱分析之后的声音信号为特征样本，叶片是否故障为标签样本，包含“0”和“1”（其中“0”表示正常、“1”表示故障），建立二项逻辑回归分类模型[5]。

模型参数应用极大似然估计法求解，将求解问题转换为以对数似然函数为目标函数的最优化问题，并利用梯度下降法进行参数优化[6]。

3 仿真实验

选用某风场10 台风机为期一年的声音信号数据进行分析，首先对声音信号进行分帧处理，风机叶片旋转一周的时间周期为5 s，采样率为44.1 kHz，并进行时间长度为1 s 的重复取帧，即每帧的采样点数为2 205 000 个（图2）。

图2 每帧的采样点数

对声音信号进行卡尔曼滤波，去除了一定的背景噪声，并对滤波后的数据进行频谱分析，本文选用MFCC 特征提取[7]。风机叶片呈有规律运行，当叶片存在异常时叶片声音信号将出现异常（图3）。

图3 风机故障叶片和非故障叶片的频谱图

上述过程是进行特征提取，考虑到模型样本基本是数值型，选用逻辑回归为风机叶片故障模型的分类器，并对模型进行训练，混淆矩阵如图4 所示。

图4 混淆矩阵

对模型进行评估和优化，精准率为94.8%，召回率为95.8%，并在现场进行3 个月的实时验证，结果较符合风机叶片的变化规律。

4 结论

当叶片出现划伤、开裂等情况时，叶片声音会在频带上表现出差异[8]，因此，首先对对数据进行滤波处理，提高声音信号的信噪比，然后对数据频谱分析，将提取出的声音特征进行建模，设计风机叶片故障分类器，最后结合历史和现场数据，进行了模型的评估和验证[9]。风机叶片故障模型的建立，不仅降低风场人员成本、提高运维效率、保证风机机组的健康运行，还可以带来可观的经济效益。