CN110985310A - 基于声传感器阵列的风力发电机叶片故障监测方法与设备 - Google Patents

Abstract

本发明涉及基于声传感器阵列的风力发电机叶片故障监测方法及设备，S1、部署采集阵列，将采集阵列固定安装于风力发电机的支撑杆底部；S2、对采集阵列拾取的叶片声音信号进行增强；并构建CNN故障判断模型；S3、对发生故障的叶片进行故障位置定位；S4、对强干扰方向进行抑制并返回步骤S3；S5、定位故障位置后，对发生故障的风力叶片进行定位。本发明通过采集阵列部署在风力发电机的底部，对风力叶片进行非接触式采集声音信号，从而可以有效降低部署和运维成本。

Description

基于声传感器阵列的风力发电机叶片故障监测方法与设备

技术领域

本发明涉及叶片故障监测领域，尤其涉及基于声传感器阵列的风力发电机叶片故障监测方法与设备。

背景技术

随着社会的发展，人们对环境污染也越来越重视，传统的基于化学能(煤炭、石油、天然气)的发电方式越来越受到限制，而核能发电又存在着前期投资巨大的问题，风力发电和太阳能发电越来越受到重视。风力发电是一种可再生的清洁能源，环境污染小，自动化程度高，易于实现远程控制，非常适合解决人口稀少、电网不易达到的地区的供电需求，因此风力发电具有重要的经济效益和社会效益。

叶片是风力发电机组(以下简称“风机”)的关键部件，风机发电的能量来自于风力推动叶片旋转时的做功，而叶片围绕着塔筒旋转过程中，尤其是从上方转到下方时，受力是改变的，并且旋转过程中受力交替变化，而风力状况又存在显著的不稳定性，这些因素会造成叶片受力不均，并形成振动，再加上叶片风吹日晒雨淋，材料老化、磨损，还可能对叶片带来物理损伤，这些都会严重影响整个风机的运转效率，因此对叶片工作状况的监测非常必要。

但一直以来，业界缺乏高效的叶片工作状况监测方案，近年来有人提出使用在叶片上加装传感器的方案，但这类方案存在着部署运维成本高、管理效率低等问题。

发明内容

本发明所要解决的技术问题在于提供基于声传感器阵列的风力发电机叶片故障监测方法与设备，以解决叶片工作状况监测中运维成本高、管理效率低的问题。

本发明通过以下技术手段实现解决上述技术问题的：

基于声传感器阵列的风力发电机叶片故障监测方法，包括风力发电机，所述风力发电机包括若干风力叶片，所述风力叶片围绕塔筒旋转，还包括以下步骤：

S1、部署采集阵列，将采集阵列固定安装于风力发电机的支撑杆底部；

S2、对采集阵列拾取的叶片声音信号进行增强；并构建CNN故障判断模型；

S3、对发生故障的叶片进行故障位置定位；

当故障噪声和正常工作噪声相比具有不同的频率成分、或故障噪声频率高于预设值A时、或故障噪声的能量高于正常工作噪声的能量时，执行步骤S31；

S31、确定故障区域，通过故障方位角确定故障位置；

当故障噪声低于预设值A时，执行步骤S32；

S32、利用CNN故障判断模型判断各个方向声源为是否为故障声源，并确定故障位置；如果某一方向声源能量超过门限值B，且判定为非故障声源，则认为该方向存在强干扰声源并执行步骤S4，否则直接执行S5；

S4、对强干扰方向进行抑制，并返回步骤S3；

S5、定位故障位置后，对发生故障的风力叶片进行定位。

通过采集阵列部署在风力发电机的底部，对风力叶片进行非接触式采集声音信号，从而可以有效降低部署和运维成本；同时叶片声音信号进行增强，可有效增大阵列的拾音距离以及对环境噪声的鲁棒性。

作为本发明进一步的方案：所述步骤S1包括，所述采集阵列与风力叶片旋转面处于同一平面中；同时风力叶片所在线段的中垂线经过采集阵列的中点时，使采集阵列平行于该风力叶片。

作为本发明进一步的方案：所述步骤S2包括；

将风力叶片按照n米为单位进行划分成m个区域，所述采集阵列到每一个区域确定一个方向，得到m个方向，对m个方向进行信号增强。

作为本发明进一步的方案：所述CNN故障判断模型包括依次串联的若干层卷积层、全连接网络，当时频分布图输入至第一层卷积层后，第一层卷积层进行特征提取，提取的特征输入下一层卷积层进行池化，依次经过若干层卷积层池化降低维度；最后一个卷积层进行池化后，将最终输出的多组二维提取特征拆分拼接成向量，并输入至全连接网络；经过全连接网络处理输出所需要的结果；

CNN故障判断模型的输出至少有4种状态，分别为正常、叶片开裂故障、大片磨损故障、其它未知故障，对应于全连接网络输出的四个节点，叶片开裂故障、大片磨损故障、其它未知故障共同组成故障状态；

利用CNN故障判断模型对目标方向区域拾取的风力叶片声音信号进行识别，当CNN故障判断模型模型输出的状态为故障状态时，则认为当前风力叶片存在故障，即该风力叶片声音信号为故障声源，如果输出为正常，则该风力叶片声音信号为非故障声源。

作为本发明进一步的方案：所述步骤S31包括，

将采集阵列接收信号对选定的m个方向分别进行增强去噪处理，得到m个区域的噪声；将增强得到的噪声与正常工作噪声统计结果进行比对，选出差异最大的作为疑似故障区域；将疑似故障区域的增强结果输入事先训练好的CNN故障判断模型进行进一步的验证；若判断为故障，则该区域即为故障区域；

确定故障区域后，随着风力叶片的转动，故障位置沿圆形轨迹变化，以采集阵列的中心引出两条射线，一条射线经过故障位置，另一条经过风力叶片旋转面的圆心处，此时形成的故障方位角，当故障方位角角度最大时，从而确定故障位置。

作为本发明进一步的方案：所述步骤S32包括；将每一个方向的增强结果输入至训练好的CNN故障判断模型，输出产生故障的概率；

若输出各个方向故障概率中的最大值大于阈值时，则认为存在故障，且故障概率最大的区域即认为是故障区域；

CNN故障判断模型模型输出的状态为故障状态时，则认为当前叶片存在故障，声音信号包括故障噪声和正常工作噪声。

如果某一方向声源能量超过门限值B，且判定为非故障声源，则认为该方向存在强干扰声源并执行步骤S4，否则直接执行S5。

作为本发明进一步的方案：所述对强干扰方向进行抑制为，采用波束陷零技术，对该方向的干扰声源进行抑制。

作为本发明进一步的方案：所述步骤S5包括；

S51、当故障方位角达到最大时，故障方位角与故障位置圆形轨迹相切；确定故障的风力叶片位置；

S52、通过记录两次以上故障的风力叶片经过该位置的时间间隔，计算出叶片旋转速度，从而预估出该故障叶片旋转到竖直向下的时刻，此时采集设备上面的故障指示灯会点亮，即故障指示灯点亮时，最下方的风力叶片即为故障的风力叶片。

作为本发明进一步的方案：还包括步骤S6以及步骤S7；

S6、对非正常状态声音数据进行归档，建立叶片故障类型数据库；

S7、对CNN故障判断模型进行模型增量训练；其中，增量训练有两种方式，即样本增量训练和输出类别增量学习；

样本增量训练：确保现有知识的情况下，通过CNN故障判断模型对新样本的增量学习来提取新知识，使用得到新样本，对CNN故障判断模型训练，实现更新；

输出类别增量学习：对CNN故障判断模型进行拷贝得到另一份模型，其中一份不进行任何修改，另一份将输出增加为原故障以及新故障，重新训练得到新模型，调整新模型的LOSS函数，得到：LOSS＝LOSS1+LOSS2；

其中，LOSS1指新类别检测；LOSS2指数据在旧模型和新模型上的输出差异。

基于所述的基于声传感器阵列的风力发电机叶片故障监测方法的监测设备，包括风力发电机，所述风力发电机包括若干风力叶片，所述风力叶片围绕塔筒旋转，还包括；

部署模块，用于部署采集阵列，将采集阵列固定安装于风力发电机的支撑杆底部；

增强模块，用于对采集阵列拾取的叶片声音信号进行增强，并构建CNN故障判断模型；

故障定位模块，用于对发生故障的叶片进行故障位置定位；

抑制模块，用于对强干扰方向进行抑制，抑制后再故障位置定位；

叶片定位模块，用于对发生故障的风力叶片进行定位。

本发明的优点在于：

1、通过采集阵列部署在风力发电机的底部，对风力叶片进行非接触式采集声音信号，从而可以有效降低部署和运维成本；同时叶片声音信号进行增强，可有效增大阵列的拾音距离以及对环境噪声的鲁棒性，CNN故障判断模型可以实现对叶片状况的准备识别、故障类型识别，从而使得运维工人无需到达现场即可远程得到发生故障的具体情况，提高了运维效率。

2、本发明通过故障方位角进行定位，克服传统方案中工人需要近距离检查故障位置的问题，快速定位故障叶片，方便进行检查，大大的降低了检修时长。

附图说明

图1为本发明实施例提供的采集阵列与风力发电机的位置示意图。

图2为本发明实施例提供风力叶片划分成若干区域示意图。

图3为本发明实施例提供的CNN故障判断模型的结构图。

图4为本发明实施例提供的故障方位角的示意图。

图5为本发明实施例提供的流程方框图。

图6为本发明实施例提供的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。

实施例1

如图1、图5，图1为本发明实施例提供的采集阵列与风力发电机的位置示意图；图5为本发明实施例提供的流程方框图；基于声传感器阵列的风力发电机叶片故障监测方法，包括风力发电机，所述风力发电机包括若干风力叶片，所述风力叶片围绕塔筒旋转，本实施例中为三个风力叶片，如图1中的风力叶片1、风力叶片2、风力叶片3，所述风力叶片1、风力叶片2、风力叶片3围绕塔筒旋转，还包括以下步骤：

S1、部署采集阵列，通过采集阵列拾取叶片声音信号；

如图1，将采集阵列通过螺栓固定安装于风力发电机的支撑杆底部，且与风力叶片旋转面处于同一平面中；如图1中A点位置，同时风力叶片所在线段的中垂线经过采集阵列的中点时，即经过A点，使采集阵列平行于该风力叶片。

进一步的，所述采集阵列高度在所述支撑杆的1/12-1/5之间，本实施例中，所述采集阵列高度优选为所述支撑杆的1/7；所述采集阵列为16麦线性阵列的拾音阵列。

当任意一个风力叶片转动到某一位置时，该风力叶片所在线段的中垂线会经过A点，若此时采集阵列所在直线与该风力叶片平行，则对该风力叶片具有最好的被测声源故障定位精度；因此在本实施例中采集阵列倾斜放置，与采集阵列所在的风力叶片旋转面中水平线有一定夹角∠1；风力叶片所在线段的中点设为点B，风力叶片旋转面的圆心点处设置为O点，所以∠1与∠BOA相同，因为三角形OBA为直角三角形，所以可以通过BO和AO的长度确定∠BOA的大小，从而布置好采集阵列。

其中，风力发电机工作时，风力叶片可近似地看作是直线，所以故障声源在某一时间间隔内内仅为一维分布，故本实施例采用与风力叶片旋转面处于同一平面的直线采集阵列进行采集定位；进一步的，本实施例中，故障声源的上限频率为16kHz，采集阵列的采样率可设定为32kHz，采集阵列上的各个传感器间距设为0.1m；而且风力叶片上的被测声源故障与采集阵列越接近垂直方向，定位精度越高。

S2、通过阵列信号处理技术对拾取的叶片声音信号进行增强；并构建CNN故障判断模型；

由于风力叶片在不断的旋转，且具有对称性，因此本实施例中，采集阵列仅对风力叶片旋转面中单侧区域的声源进行方向扫描，如图1中∠BAO所覆盖的角度范围。这样可以大大降低扫描范围，降低计算复杂度。而通过阵列信号处理技术为现有技术。

进一步的，所述步骤S2具体包括以下步骤；

为了满足定位精度需求，将风力叶片按照n米为单位进行划分成若干个区域；

如图2，图2为本发明实施例提供风力叶片划分成若干区域示意图；本实施例中，风力叶片的总长为60米，以2米为单位划分为30个区域，按照图1中采集阵列与第一叶片1的相对位置关系，划分出由阵列到扇叶的30个方向，每个方向都指向小区域的中心位置，确定好这30个方向后，采用波束成形技术将每一帧接收信号分别进行这30个方向的声音信号增强。

本实施例采用CNN(ConvolutionalNeuralNetworks，卷积神经网络)故障判断模型进行声音信号识别，以实现准确的风机叶片故障诊断；采用类似于图像识别的方法采用进行声音故障判断，首先对声音采样信号进行傅里叶变换，并将得到的声信号的时频分布图作为CNN故障判断模型的输入。

本发明中采用的CNN故障判断模型如图3所示，图3为本发明实施例提供的CNN故障判断模型的结构图；所述CNN故障判断模型包括依次串联的若干层卷积层、全连接网络，当时频分布图输入至第一层卷积层后，第一层卷积层进行特征提取，提取的特征输入下一层卷积层进行池化，依次经过若干层卷积层池化降低维度；最后一个卷积层进行池化后，将最终输出的多组二维提取特征拆分拼接成向量，并输入至全连接网络；经过全连接网络处理输出所需要的结果。

优选的，本实施例中，所述卷积层均包括卷积、激活、池化三个步骤，所述卷积层为四层，分别为第一卷积层、第二卷积层、第三卷积层、第四卷积层，其中，所述第一层卷积层卷积核16x16，数量64个，步长2，第一层卷积层的激活函数使用ReLu(RectifiedLinearUnit，线性整流函数)；第一层卷积层的池化使用2x2，步长2；第二层卷积层卷积核8x8，数量128个，步长2；第二层卷积层的激活函数同样使用ReLu；第二层卷积层的池化也使用2x2，步长2；第三层卷积层的卷积核4x4，数量128个，步长1；第三层卷积层的激活函数同样使用ReLu；第三层卷积层池化也使用2x2，步长2；第四层卷积层卷积核2x2，数量128个，步长1；第四层卷积层的激活函数同样是ReLu；第四层卷积层池化使用2x2，步长2；

全连接网络由依次串联的两层全连接层构成，且全连接层均使用2048个神经元；

其中卷积运算公式为：

其中，x_i,j表示参与卷积的输入时频分布图，c_i,j表示卷积核。

卷积核大小是由训练阶段的反向传播算法计算得到，本实施例中第一层卷积层的卷积核大小为16*16，第二层卷积层的卷积核大小为8*8，第三层为4*4，第四层为2*2；

CNN故障判断模型的输出至少有4种状态，分别为正常、叶片开裂故障、大片磨损故障、其它未知故障，对应于全连接网络输出的四个节点，叶片开裂故障、大片磨损故障、其它未知故障共同组成故障状态；

利用CNN故障判断模型对目标方向区域拾取的风力叶片声音信号进行识别，当CNN故障判断模型模型输出的状态为故障状态时，则认为当前风力叶片存在故障，即该风力叶片声音信号为故障声源，如果输出为正常，则该风力叶片声音信号为非故障声源。

步骤S3、利用增强后的叶片声音信号，对发生故障的叶片进行故障位置定位；所述叶片声音信号包括故障噪声和正常工作噪声；

当故障噪声和正常工作噪声相比具有不同的频率成分、或者故障噪声频率高于预设值A时，或故障噪声的能量高于正常工作噪声的能量时，执行步骤S31，

其中本实施例的预设值A是可以根据实际情况进行设定的，这个值并不是固定值，本实施例的预设值A优选为：正常工作噪声频率的两倍；

当故障噪声的频率低于该预设值A时(通常为故障噪声的频率与正常工作噪声的频率相重合或者相近，本实施例中的相近为低于正常工作噪声频率的两倍)，执行步骤S32；

S31、将采集阵列接收信号对选定的30个方向分别进行增强去噪处理，得到30个区域的噪声；将增强得到的噪声与正常工作噪声统计结果进行比对，选出差异最大的作为疑似故障区域；将疑似故障区域的增强结果输入事先训练好的CNN故障判断模型进行进一步的验证；若判断为故障，则该区域即为故障区域(即故障方向)。

其中，增强去噪处理为现有技术，此处不再进行详细说明。

但由于风力叶片在转动，且风力叶片的当前位置对采集阵列来说是未知的，因此虽然能够确定故障方向，但却无法确定故障在风力叶片上的位置，所以通过确定故障方位角的方法确定故障位置，具体如下：

如图4，随着风力叶片的转动，风力叶片上的故障位置沿圆形轨迹变化，以采集阵列的中心引出两条射线，一条射线经过故障位置，另一条经过风力叶片旋转面的圆心处，此时形成的故障方位角，如图中所示，点U为故障位置，O为风力叶片旋转面的圆心，A为采集阵列的中心点；M为采集阵列的一端，∠MAU为故障方位角，当故障方位角∠MAU达到最大时，即AU这条射线与故障位置圆形轨迹相切，此时叶片与故障方位角垂直，故可以在故障方位角达到最大时来确定故障位置；确定故障位置后执行步骤S5；

需要强调的是，故障方位角的大小不需要人工测量，采集阵列在检测到故障位置时自动记录故障方位角大小。

S32、在对每一个方位增强去噪处理时，并将每一个方向的增强结果输入至训练好的CNN故障判断模型，输出产生故障的概率；若输出各个方向故障概率中的最大值大于阈值时，则认为该方向存在故障，且故障概率最大的区域即认为是故障方向，再采用所述确定故障方位角的方法来确定故障在叶片上的位置。

优选的，本实施例中，所述阈值为50％。

如果某一方向声源能量超过门限值B，且判定为非故障声源，则认为该方向存在强干扰声源并执行步骤S4，否则直接执行S5；

需要说明的是，本实施例中的门限值B可以根据实际情况进行设定，优选的，本实施例中，门限值B为某一个方向接收到的声音能量高于背景噪声能量的5倍的数值；

S4、对强干扰方向进行抑制，并返回步骤S3；

本实施例中采用波束陷零技术，对该方向的干扰声源进行抑制，再返回步骤S3。

其中，对声音信号增强方式以及波束陷零技术为现有技术，此处不再详细进行描述。

S5、定位故障位置后，对发生故障的风力叶片进行定位；

如图4，图4为本发明实施例提供的故障方位角的示意图；风力发电机有三个风力叶片，需要确定故障是发生在哪一个风力叶片上。当故障方位角∠MAU达到最大时，故障方位角与故障位置圆形轨迹相切，可确定故障的风力叶片位置。记录两次故障的风力叶片经过该位置的时间间隔可以计算出叶片旋转速度，从而预估出该故障叶片旋转到竖直向下的时刻，此时采集设备上面的故障指示灯会点亮，即故障指示灯点亮时，最下方的风力叶片即为故障的风力叶片。

S6、对非正常状态声音数据进行归档，建立叶片故障类型数据库；

为了能够对叶片故障进行准确的诊断，还需要建立更加复杂和精确的叶片故障类型数据库；叶片故障类型数据库包含了叶片常见的故障种类、故障产生方位等关键信息。叶片故障类型数据库的建立需要基于采集到的叶片长期工作过程中的声音信号，并结合丰富的运维人员经验，对各种不同类型的叶片故障进行分类标注，以增加区分度并建立精确的故障类型描述关系。此外，对于不同的叶片故障，所具有的声音信号的特征不同，因此需要对各类故障音频信息进行记录和标注；尤其是当CNN故障判断模型输出为疑似未知故障类型时，将此次采集到的声音信号经人工确认后，标注为实际故障类型。

S7模型增量训练；

增量训练有两种方式，即样本增量训练(SIT)和输出类别增量学习(CIT)，其中，

样本增量训练：确保现有知识的情况下，通过CNN故障判断模型对新样本的增量学习来提取新知识，使用得到新样本，对CNN故障判断模型训练，实现更新。

输出类别增量学习：对CNN故障判断模型进行拷贝得到另一份模型，其中一份不进行任何修改，另一份在输出原故障的基础上增加新故障，重新训练得到新模型，同时考虑新模型在新的故障类别上的预测性能、原始故障类别在新模型和旧模型上的响应差异，所以调整新模型的LOSS函数，得到：LOSS＝LOSS1+LOSS2；

其中，LOSS1指新类别检测；LOSS2指数据在旧模型和新模型上的输出差异；LOSS2保证了旧模型和新模型上的输出相似，以达到新模型不会改变旧模型的预测效果。

实施例2

基于所述的基于声传感器阵列的风力发电机叶片故障监测方法的监测设备，包括风力发电机，所述风力发电机包括若干风力叶片，所述风力叶片围绕塔筒旋转，还包括；

部署模块，用于部署采集阵列；

还包括；所述采集阵列与风力叶片旋转面处于同一平面中；同时风力叶片所在线段的中垂线经过采集阵列的中点时，使采集阵列平行于该风力叶片；

增强模块，用于对采集阵列拾取的叶片声音信号进行增强，并构建CNN故障判断模型；

还包括；将风力叶片按照n米为单位进行划分成m个区域，所述采集阵列到每一个区域确定一个方向，得到m个方向，对m个方向进行信号增强；

所述CNN故障判断模型包括依次串联的若干层卷积层、全连接网络，当时频分布图输入至第一层卷积层后，第一层卷积层进行特征提取，提取的特征输入下一层卷积层进行池化，依次经过若干层卷积层池化降低维度；最后一个卷积层进行池化后，将最终输出的多组二维提取特征拆分拼接成向量，并输入至全连接网络；经过全连接网络处理输出所需要的结果；

CNN故障判断模型的输出至少有4种状态，分别为正常、叶片开裂故障、大片磨损故障、其它未知故障，对应于全连接网络输出的四个节点，叶片开裂故障、大片磨损故障、其它未知故障共同组成故障状态；

利用CNN故障判断模型对目标方向区域拾取的风力叶片声音信号进行识别，当CNN故障判断模型模型输出的状态为故障状态时，则该风力叶片声音信号为故障声源，如果输出为正常，则该风力叶片声音信号为非故障声源。

故障定位模块，用于对发生故障的叶片进行故障位置定位；

还包括；当故障噪声和正常工作噪声相比具有不同的频率成分、或故障噪声频率高于预设值A时、或故障噪声的能量高于正常工作噪声的能量时，将采集阵列接收信号对选定的m个方向分别进行增强去噪处理，得到m个区域的噪声；将增强得到的噪声与正常工作噪声统计结果进行比对，选出差异最大的作为疑似故障区域；将疑似故障区域的增强结果输入事先训练好的CNN故障判断模型进行进一步的验证；若判断为故障，则该区域即为故障区域；

故障区域确定后，以采集阵列的中心引出两条射线，一条射线经过故障位置，另一条经过风力叶片旋转面的圆心处，此时形成的故障方位角，当故障方位角角度最大时，从而确定故障位置；

当故障噪声低于预设值A时，将每一个方向的增强结果输入至训练好的CNN故障判断模型，输出产生故障的概率；若输出各个方向故障概率中的最大值大于阈值时，则认为存在故障，且故障概率最大的区域为故障故障区域；再通过故障方位角定位故障位置；

如果某一方向声源能量超过门限值B，且判定为非故障声源，则认为该方向存在强干扰声源则抑制模块工作，否则叶片定位模块工作；

抑制模块，用于对强干扰方向进行抑制，抑制后再故障位置定位；

叶片定位模块，用于对发生故障的风力叶片进行定位；还包括：

当故障方位角达到最大时，故障方位角与故障位置圆形轨迹相切；确定故障的风力叶片位置；

通过记录两次以上故障的风力叶片经过该位置的时间间隔，计算出叶片旋转速度，从而预估出该故障叶片旋转到竖直向下的时刻，此时采集设备上面的故障指示灯会点亮，即故障指示灯点亮时，最下方的风力叶片即为故障的风力叶片。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.基于声传感器阵列的风力发电机叶片故障监测方法，包括风力发电机，所述风力发电机包括若干风力叶片，所述风力叶片围绕塔筒旋转，其特征在于，还包括以下步骤：

S1、部署采集阵列，将采集阵列固定安装于风力发电机的支撑杆底部；

S2、对采集阵列拾取的叶片声音信号进行增强；并构建CNN故障判断模型；

S3、对发生故障的叶片进行故障位置定位；

当故障噪声和正常工作噪声相比具有不同的频率成分、或故障噪声频率高于预设值A时、或故障噪声的能量高于正常工作噪声的能量时，执行步骤S31；

S31、确定故障区域，再通过故障方位角来确定故障位置；

当故障噪声低于预设值A时，执行步骤S32；

S32、利用CNN故障判断模型判断各个方向声源为是否为故障声源，并确定故障位置；如果某一方向声源能量超过门限值B，且判定为非故障声源，则认为该方向存在强干扰声源并执行步骤S4，否则直接执行S5；

S4、对强干扰方向进行抑制并返回步骤S3；

S5、定位故障位置后，对发生故障的风力叶片进行定位。

2.根据权利要求1所述的基于声传感器阵列的风力发电机叶片故障监测方法，其特征在于，所述步骤S1包括，所述采集阵列与风力叶片旋转面处于同一平面中；同时风力叶片所在线段的中垂线经过采集阵列的中点时，使采集阵列平行于该风力叶片。

3.根据权利要求1所述的基于声传感器阵列的风力发电机叶片故障监测方法，其特征在于，所述对采集阵列拾取的叶片声音信号进行增强包括；

将风力叶片按照n米为单位进行划分成m个区域，所述采集阵列到每一个区域确定一个方向，得到m个方向，对m个方向进行信号增强。

4.根据权利要求3所述的基于声传感器阵列的风力发电机叶片故障监测方法，其特征在于，所述CNN故障判断模型包括依次串联的若干层卷积层、全连接网络，当时频分布图输入至第一层卷积层后，第一层卷积层进行特征提取，提取的特征输入下一层卷积层进行池化，依次经过若干层卷积层池化降低维度；最后一个卷积层进行池化后，将最终输出的多组二维提取特征拆分拼接成向量，并输入至全连接网络；经过全连接网络处理输出所需要的结果；

CNN故障判断模型的输出至少有4种状态，分别为正常、叶片开裂故障、大片磨损故障、其它未知故障，对应于全连接网络输出的四个节点，叶片开裂故障、大片磨损故障、其它未知故障共同组成故障状态；

利用CNN故障判断模型对目标方向区域拾取的风力叶片声音信号进行识别，当CNN故障判断模型模型输出的状态为故障状态时，则该风力叶片声音信号为故障声源，如果输出为正常，则该风力叶片声音信号为非故障声源。

5.根据权利要求1所述的基于声传感器阵列的风力发电机叶片故障监测方法，其特征在于，所述步骤S31包括，

将采集阵列接收信号对选定的m个方向分别进行增强去噪处理，得到m个区域的噪声；将增强得到的噪声与正常工作噪声统计结果进行比对，选出差异最大的作为疑似故障区域；将疑似故障区域的增强结果输入事先训练好的CNN故障判断模型进行进一步的验证；若判断为故障，则该区域即为故障区域；

故障区域确定后，以采集阵列的中心引出两条射线，一条射线经过故障位置，另一条经过风力叶片旋转面的圆心处，此时形成的故障方位角，当故障方位角角度最大时，从而确定故障位置。

6.根据权利要求5所述的基于声传感器阵列的风力发电机叶片故障监测方法，其特征在于，所述步骤S32包括；将每一个方向的增强结果输入至训练好的CNN故障判断模型，输出产生故障的概率；若输出各个方向故障概率中的最大值大于阈值时，则认为存在故障，且故障概率最大的区域为故障故障区域；再通过故障方位角定位故障位置；

如果某一方向声源能量超过门限值B，且判定为非故障声源，则认为该方向存在强干扰声源并执行步骤S4，否则直接执行S5。

7.根据权利要求6所述的基于声传感器阵列的风力发电机叶片故障监测方法，其特征在于，所述对强干扰方向进行抑制为；采用波束陷零技术，对该方向的干扰声源进行抑制。

8.根据权利要求6-7任一所述的基于声传感器阵列的风力发电机叶片故障监测方法，其特征在于，所述步骤S5包括；

S51、当故障方位角达到最大时，故障方位角与故障位置圆形轨迹相切；确定故障的风力叶片位置；

S52、通过记录两次以上故障的风力叶片经过该位置的时间间隔，计算出叶片旋转速度，从而预估出该故障叶片旋转到竖直向下的时刻，此时采集设备上面的故障指示灯会点亮，即故障指示灯点亮时，最下方的风力叶片即为故障的风力叶片。

9.根据权利要求1所述的基于声传感器阵列的风力发电机叶片故障监测方法，其特征在于，还包括步骤S6以及步骤S7；

S6、对非正常状态声音数据进行归档，建立叶片故障类型数据库；

S7、对CNN故障判断模型进行模型增量训练；其中，增量训练有两种方式，即样本增量训练和输出类别增量学习；

样本增量训练：通过CNN故障判断模型对新样本的增量学习来提取新知识，使用得到新样本，对CNN故障判断模型训练，实现更新；

输出类别增量学习：对CNN故障判断模型进行拷贝得到另一份模型，将拷贝后的模型在输出原故障的基础上增加新故障，重新训练得到新模型，调整新模型的LOSS函数，得到：LOSS＝LOSS1+LOSS2；

其中，LOSS1指新类别检测；LOSS2指数据在旧模型和新模型上的输出差异。

10.基于权利要求1-9任一所述的基于声传感器阵列的风力发电机叶片故障监测方法的监测设备，包括风力发电机，所述风力发电机包括若干风力叶片，所述风力叶片围绕塔筒旋转，其特征在于，还包括；

部署模块，用于部署采集阵列，将采集阵列固定安装于风力发电机的支撑杆底部；

增强模块，用于对采集阵列拾取的叶片声音信号进行增强，并构建CNN故障判断模型；

故障定位模块，用于对发生故障的叶片进行故障位置定位；

抑制模块，用于对强干扰方向进行抑制，抑制后再故障位置定位；

叶片定位模块，用于对发生故障的风力叶片进行定位。

Images