风机叶片声信号特征提取与故障检测研究

风机叶片声信号特征提取与故障检测研
究
摘要：风能作为清洁能源，风电在近几年实现高速发展，风力发电机容量快
速增加、装机规模不断扩大。

但伴随着风电行业的快速发展，风机的故障问题日
益凸显，因此对风电机组的各部分进行状态监测和故障诊断是十分必要的。

叶片
长期工作在复杂的露天环境中，很容易发生故障，造成人员安全事故和巨大的经
济损失。

因此对风机叶片的故障状态进行检测具有重要意义。

本文主要分析风机
叶片声信号特征提取与故障检测研究。

关键词：风机叶片；故障检测；声信号；MFCC；SVM
引言
目前大多数学者主要通过获取叶片的振动、声发射，超声波等信号进行故障
检测，另外还有学者通过红外成像和机器视觉等图像处理技术检测叶片故障状态。

但是在获取叶片的振动信号和声发射信号时需要安装相应的传感器，成本高且安
装难度较大；超声波信号需要与表面接触且信号处理复杂，不利于叶片故障状态
的及时检测；图像检测方法会受到环境的制约，且检测方法较为复杂。

1、叶片故障声学检测基本原理
首先，消除复杂环境中的背景噪声，提高信噪比。

风扇叶片在地形环境下工作，探测声音信号经常受到各种背景噪声的影响，如随机载荷、风速、雨水、叶
片周围的随机噪声，由于叶片早期故障能量低，容易隐藏在背景噪声中，所以目
前风扇启动条件通常不低于平均速度是必要的此外，由于高频信号分量衰减快，
刀片式麦克风部署位置偏远，实际传感器采集的高频信号分量能量很低，不利于
故障判断，可以对高频信号分量进行滤波。

在“摘要”部分，选择要预处理原始
音频信号的pass-band滤波器。

然后提取叶片的声学特性。

麦克风采集的音频信
号在健康叶片的正常工作状态下主要由叶片扫描。

然而，随着风扇叶片寿命的延
长，可能会出现周期性的异常噪声，因此故障叶片工作时的声音信号频谱不可避
免地随正常工作状态而周期性变化。

因此，只需提取反映叶片健康状况信息的光
谱特征，即可消除风扇叶片的故障。

音频信号频谱的变化可以用多种方式来表示。

能够结合信号频率和算法来表示高频和低频，可以选择频谱特性，以便准确描述
音频信号的频谱变化。

2、基于声发射信号传播特性的有限元法
有限元方法的基本概念是将对象分割为有限的单位，单位和单位以某种方式
相连，而彼此相连的点称为节点。

使用有限元方法求解时，字段函数节点的值被
视为未知数量，在每个单元中假设近似插值函数来表示每个单元中字段函数的分
布规律，然后创建一个受限单元方法方程来使用求解未知节点有限元法将连续物
体的有限自由问题转化为离散单元的有限自由问题。

由于条件不同，所使用的有
限元方法和求解过程也会不同。

本文采用ANSYS软件的LS-DYNA模块计算风力架
的有限元，对风力架的某个位置应用冲击载荷，该冲击载荷用于模拟产生的声发
射信号，并对风力架中声发射信号的传播过程进行动态计算和求解。

弹性动力学
振动响应的分辨方法主要有冲击谱、光谱和时域法。

根据求解方法，时域法可分
为状态空间法、模态叠加法和直接积分法。

中心差分法是一种直接集成方法，广
泛用于动态计算，是LS-DYNA模块的主要算法。

构建叶片的三维模型后，将冲击
载荷应用于某个位置，并对叶片结构中声发射信号的传播进行动态响应分析，即
在声发射信号随时通过叶片结构节点时获得节点的位移、速度和加速度。

3、声信号的采集与预处理
3.1叶片声信号采集方法
本研究自主设计并研发了声音采集装置，可实现叶片声音的在线采集与传输。

采集装置主要由主控芯片、音频采集芯片、通信模块以及供电系统组成。

装置的主控芯片为STM32F103ZET6芯片，该芯片是512k字节闪存的微控制器，可在零下40摄氏度到零上60摄氏度下正常工作，十分适合风机所处的工作
环境。

装置使用VS1053芯片对声音数据进行采集，采集频率最高可达16kHz。

芯
片通过SPI总线与主控芯片进行通信，可以实现高速率的数据传输，能将采集到
的音频数据发给中控芯片。

装置采用L768H-E18V通信模块实现数据的4G网络在线传输。

该模块支持移动、联通、电信的4G网络全通信，数据传输速度快，可以达到50Mbps和150Mbps。

装置采用光伏发电与蓄电池组合的方式对装置进行供电，太阳能发电板采用单晶50W的光伏发电板，蓄电池选用安全性较高、输出稳定的胶体蓄电池。

实地考察过程中发现，在叶片的正下方采集到的声音信号效果最好。

考虑到风机在运行时随风向偏航的情况，为保证装置能够一直采集叶片正下方的声音，研究将实验装置安装到风机的塔筒上，距离地面3m左右。

同时为了保证采集到的信号的质量，避免遗漏重要信息，装置的采样频率设置为最大的16kHz。

3.2叶片声信号预处理
由于叶片工作在复杂的露天环境中，录取的信号除了叶片声音信号外，还会受到随机性极强的风噪声的影响，导致无法诊断叶片的故障状态，因此需要对录取的信号做降噪预处理。

为消除随机风噪的影响，实验分别提取了18s故障叶片声音与试验场地的18s随机风噪声，并刻画两种声音的视频图进行对比分析。

通过分析两种声音的特性可知，随机风噪的频率范围集中在500Hz以下，为低频噪声；而故障叶片的声信号与风噪频率相比为高频信号。

由于两种声音存在明显的频率差异，因此利用滤波器对声信号进行处理。

实验选择巴特沃斯高通滤波器，并设置截止频率为500Hz，滤除掉低频的随机风噪。

3.3空气叶片故障定位
用于解决风车故障的时间越来越多，用于在项目中放置延迟。

时间调整算法通过放置在不同位置的声发射传感器检测波形信号，并根据波形信息中的各种参数生成传感器位置、信号传输速度、信号发送时间等参数，如b .单个信号到达时间、信号在结构中传输的速度、声发射传感器之间的几何关系等，对风车中误差的准确定位，在工程中采用了较多的线和面方向。

电缆管理至少需要两个声发射传感器，承载面位置至少需要三个声发射传感器。

如果在风力发电机上设置坐标系，则可以使用直线的位置来确定图纸上的误差坐标。

错误在图纸上的确切位置需要二维曲面定位。

3.4缺陷可通过特征信号加以补充
上部膜上的粘结剂可以通过层压和薄膜表面信号来识别，顶部的粘结剂误差在叶片外壳和层压板界面附近，当界面波下突然增大或有多个反馈时，将闸门放在此界面波上。

结合适用于图b的c屏幕截图，可以确定故障、故障区域大小以及是否可以检测到故障。

还可以通过阻挡层和载波面信号（如果有）来确定较低的抓痕误差。

如果表面波不明确，则可以通过膜层粗略估计表面波的位置，从而可以确定和确定底层服装故障的位置。

通过结合b扫描和c扫描的叶片壳体楔体和方形振幅变化，可以确定曲面的屈曲和曲面误差。

如果表面连接不正确，则楔体和叶片外壳表面的振幅会增加，同时层压板叠层和层压板界面仍然可见（图c 中也显示了该信号），并且表面连接的变化也会改善b和c扫描。

当叶片表面出现缺陷时，叶片设计呈双波形，叶片设计简单消失，c图像中的这个位置没有信号。

更改曲面连接不会更改b和c图像以确定其是否为曲面错误。

结束语
针对现有方法在检测叶片故障时的局限性，本文提出一种基于声学特征与BAS-SVM的叶片故障状态检测方法。

实验自主设计叶片声音信号获取装置，并在线采集叶片声音信号。

通过对叶片声信号的特性进行分析，将信号进行降噪，消除风噪影响。

提取降噪信号的MFCC特征，并对故障样本和正常样本的12维特征进行对比，选取区分度高的特征作为每帧信号的特征向量。

参考文献：
［1］卓振宇，张宁，谢小荣，等.高比例可再生能源电力系统关键技术及发展挑战[J].电力系统自动化，2021,45(9):171-191.
［2］张鹏林，杨超，董拴涛，等.基于Lamb波的风电叶片复合材料声发射源定位研究[J].中国测试，2019,45(7):140-146.
［3］王鹏.基于超声导波方法的风机叶片覆冰检测[D].哈尔滨：哈尔滨工业大学，2016.
［4］赵春溢，郭洪涛，郭涛，等.一种风机叶片图像采集及缺陷检测系统[J].红外技术，2020,42(12):1203-1210.
［5］杜金尧.风力机叶片缺陷的红外热像检测技术研究[D].沈阳：沈阳工业大学，2020.。