基于声音信号的风机叶片故障检测

新华电力发展投资有限公司 李 健 郭宏伟 王艳杰

随着风力发电的广泛应用，对风力发电机实现有效故障检测的需求也越来越迫切。本研究旨在探索一种便捷有效的风力发电机叶片故障检测方法。基于叶片旋转过程中所产生的声音信号对叶片进行故障诊断，采用离散傅里叶变换技术对声音信号进行处理，提取出声音信号的频域特征。基于这些特征，构建了多层感知机进行分类。试验结果表明，分类模型在小型风力发电机模型叶片故障检测方面的准确率超过98%。这一结果有望为未来风力发电机叶片的故障检测和维护提供有力支持。

1 风力发电背景概述

随着全球对清洁能源的需求越来越迫切，风力发电作为一种具有良好可再生性的清洁能源，正在得到越来越多广泛的关注。国际能源署报告显示，从2010年到2023年，风力发电在全球累计电力容量中所占比例从3.5%增长至11.4%；在风力发电、水力发电、光伏发电、生物能四种清洁能源中所占比例从13.7%增长至26.0%。国家统计局报告显示，2022年1至12月我国风力发电量6867.2亿kWh，于清洁能源占比27%左右，累计增速12.3%。与传统能源设备相比，风力发电具有多项优势，例如不会产生污染物、不会对环境造成负面影响、可再生性强等。近年来，各国政府和企业纷纷加大了对风力发电技术的研发和投资力度，推动了风力发电技术的不断发展和壮大。

风机叶片是风力发电机中最为关键的部件之一，其健康状况直接影响着风力发电机的工作效率、使用寿命和安全性。一旦叶片出现故障，将会对风力发电机的整体性能产生严重的影响，甚至可能引发安全事故[1]。据河北省张家口地区某风电场99台双馈式风电机组6年运行时间统计，风轮系统故障比例占总故障比例的27%，风机叶片系统故障所致停机时间占风电场各系统累计停机时间的26%。因此，采取有效的手段对风机叶片进行故障诊断和健康监测，对于提高风力发电机的可靠性和降低运营成本具有重要的意义。

随着技术的不断创新和进步，新兴技术在风机叶片故障诊断和健康监测中的研究逐渐增多。其中，使用光学传感器、超声波检测等技术对风机叶片进行故障检测是目前较为常见的应用手段。利用光学传感器，可以实时监测风机叶片的振动、应变和形变，从而及时发现和评估叶片的健康状况。利用超声波在叶片中传播产生的反射、折射、衍射等现象，可以检测风机叶片上的缺陷、裂纹和腐蚀等故障[2]。

总的来说，光学传感器、超声波检测等新兴技术的应用为风力发电机的安全运行提供了有力支持，但是其往往具有较高的技术门槛和设备成本，并且对风机环境要求较高，限制了在实际应用中的推广和普及。与新兴技术相比，声音作为叶片转动过程中最直观的数据来源蕴含着较多的信息。即使是叶片产生微小损伤，在叶片高速转动过程中，声音也会发生明显的变化。

综上所述，本研究基于声音信号研究风机叶片故障检测方法，该方法利用离散傅里叶变换提取声音信号的频域特征，并使用多层感知机进行分类。试验结果表明，该方法在小型风力发电机模型叶片数据中的分类准确率超过了98%，本研究为风力发电机叶片的健康监测和故障诊断提供了一种思路和方法，对于未来风力发电机叶片的维护和管理具有一定的参考价值。

2 数据准备

本研究使用小型风力发电机模型对叶片旋转所产生声音数据进行采集，风机模型高度为1m，叶片长度为60cm，声音采集的位置位于三片叶片延长线交点的正前方，以消除旋转周期对声音信号的影响。试验设计了四种不同场景：一是三片正常叶片；二是两片断裂叶片和一片正常叶片；三是两片磨损叶片和一片正常叶片；四是一片断裂叶片、一片磨损叶片和一片正常叶片。这些场景模拟了不同程度的叶片故障情况，旨在研究本文提出的方法对于不同类型叶片故障的检测能力。

在数据采集过程中，研究人员手动用力旋转叶片，每次旋转采集约14s的旋转声音。为了保证数据的准确性和可靠性，每种场景都重复采集约200次，并且声音采样率为44.1kHz，能够充分反映叶片旋转过程中的声音变化情况。

对于所有采集到的叶片声音数据，将其切分为长度为4096的片段，以便进行后续的处理和分析。为了避免数据出现类别不平衡问题，本研究取所有的正常叶片数据和故障叶片数据的三分之一作为待分析数据。通过这种数据处理方式，能够有效避免模型过于关注某特定类别样本而忽视其他类别样本，能够更好地反映模型的分类能力。

3 数据分析

分析流程：离散傅里叶变换-多层感知机分类。

3.1 离散傅里叶变换

由于原始声音信号在时域上受到时间因素的影响，直接使用时域信号进行分类效果不佳。在本研究中，使用傅里叶变换对风机叶片声音信号进行处理和分析，以提取频域特征。傅里叶变换是一种重要的信号处理方法，可以将时域信号转换为频域信号，进而实现对信号频率特征的提取和分析。其在信号处理、图像处理、音频处理等领域得到了广泛的应用。在傅里叶变换的基础上，离散傅里叶变换（DFT）是一种更加高效和灵活的频域分析方法。与传统的傅里叶变换相比，离散傅里叶变换可以对离散信号进行处理，适用于数字信号处理和计算机实现[3]。在本研究中，利用离散傅里叶变换对叶片声音信号进行处理，以提取其频域特征，为多层感知机模型的分类提供重要依据。

对于长度为N的实数序列x[n]，其DFT定义为：

其中，xn为输入序列中的第n个元素，Xk为输出序列中的第k个元素，N为输入序列的长度，j为虚数单位。该公式描述了将时域信号x转换为频域信号X的过程，即将输入序列x通过一组复指数基函数（）进行线性组合，得到输出序列X。

对于Xk=Re（Xk）+Im（Xk）j，其幅值|Xk|与相位φk定义为：

王积薪挥袖擦掉脸上的泪水，当即将三个少年带到棋室里，信誓旦旦，一定要将浑身棋艺倾囊相授，还要东方宇轩除了管理谷中事物之外，也应抽空过来弈棋，毕竟，这个谷中，只有他们两人才是唯二的弈棋高手。

其中，Re（Xk）表示Xk的实部，Im（Xk）表示Xk的虚部。

对幅值与相位信息进行拼接，每段数据形成4098长度的特征向量作为多层感知机的输入，使用多层感知机对其分类。

3.2 多层感知机分类

在本研究中，使用了多层感知机（MLP）对叶片声音信号进行分类和诊断。多层感知机是一种基于神经网络的机器学习模型，具有广泛的应用领域，包括图像处理、语音识别、自然语言处理等。多层感知机是一种前馈神经网络，由多个神经元组成，其中每个神经元都与前一层的所有神经元相连[4]。神经元通过传递信号和计算输出，完成信息的处理和传递。多层感知机的优点在于其可以学习和适应数据的非线性关系，能够识别和提取数据的抽象特征，并且具有较好的泛化能力，能够处理具有高度复杂性和非线性关系的数据。在本研究中，将多层感知机应用于叶片声音信号的分类和诊断任务，将离散傅里叶变换提取的频域特征作为输入数据，经过多层感知机进行训练和分类。

本研究所采用多层感知机包含输入层、隐藏层和输出层。输入层接收4098维特征向量。隐藏层包含256个神经元，并使用ReLU激活函数。输出层仅一个神经元，应用Sigmoid激活函数将输出限制在0至1之间。模型引入批量归一化（Batch normalization）以增强训练稳定性，采用二元交叉熵损失（BCELoss）作为损失函数，优化器为随机梯度下降（SGD）。

多层感知机的数学表示如下：

H=ReLU（W1x+b1）

W1∈R256×4098和b1∈R256分别表示输入层至隐藏层的权重矩阵和偏置向量。ReLU激活函数定义为：

ReLU（z）=max（0,z）

进行批量归一化操作：

hBN=BatchNorm（h）

批量归一化将隐藏层激活值规范化为均值0、方差1，并引入可学习的权重和偏置。将 hBN传递至输出层，计算预测值：

W2∈R1×256和b2∈R分别表示隐藏层至输出层的权重矩阵和偏置向量。σ为Sigmoid激活函数：

σ（z）=1/1+e-z

二元交叉熵损失作为损失函数，定义如下：

y∈0,1是真实标签，是预测标签，N是样本数量。模型采用随机梯度下降进行优化。

4 试验结果

为了评估所提出方法的性能，本研究对小型风力发电机模型叶片数据故障检测的准确率进行了验证。在数据集划分中，将80%的数据用于训练，20%的数据用于测试。经过反复的试验和调整，所提出的基于离散傅里叶变换与多层感知机的风机叶片故障诊断方法具有较高的准确性和稳定性。如图1、图2所示，在不同迭代次数下测试了准确率和损失函数的变化情况，结果表明，经过50次迭代训练后，模型对正常与故障叶片的分类准确率达到99%左右。相比直接将原始数据输入神经网络，基于傅里叶变换的方法具有更高的准确率和更快的收敛速度，证明了离散傅里叶变换和多层感知机在风机叶片故障诊断中的有效性和可行性。试验结果表明该方法基于声音数据能够实现有效的故障检测，能够降低故障检测成本，提高风力发电机的可靠性和使用寿命，有望为实际风电场的运营维护提供有力支持。

图1 学习曲线图

图2 ROC曲线图

在本研究中，笔者提出了一种基于离散傅里叶变换和多层感知机的风机叶片故障诊断方法。首先，通过对叶片声音信号进行离散傅里叶变换处理，成功地提取了频域特征。接下来，利用多层感知机对这些频域特征进行分类和诊断。经过试验验证，该方法在小型风力发电机模型叶片故障检测方面表现出较高的准确率，在50次迭代训练后，所提出的方法对正常与故障叶片的分类准确率达到了99%，相比直接将原始数据输入神经网络具有更高的准确率和更快的收敛速度。这证明了离散傅里叶变换和多层感知机在风机叶片故障诊断中的有效性和可行性，也证明了声音信号可以作为叶片故障诊断依据的潜力。

总体来说，本研究提出的基于离散傅里叶变换与多层感知机的风机叶片故障诊断方法，能够简便实现小型风机模型叶片的故障检测，有望为实际风电场的运营维护提供有力支持。在未来的研究中，可以进一步优化模型结构，尝试采用更复杂的神经网络以提高分类性能。此外，还可以考虑结合其他信号处理技术和特征提取方法，提高故障诊断的准确性和鲁棒性。本研究有望在风力发电行业实际应用中发挥积极作用。