CN111306008A - 风机叶片的检测方法、装置、设备及存储介质 - Google Patents

Abstract

本申请公开了一种风机叶片的检测方法、装置、设备及存储介质，涉及应用程序领域。该方法包括：通过声音采集设备采集风机叶片扫风时的声音信号，生成声音信号对应的频谱图，并通过损伤识别模型对频谱图进行图像识别，从频谱图中识别出风机叶片的损伤识别结果。该方法实现了基于频谱图的对风机叶片的损伤类型的准确识别，无需人工巡检，节省了人力资源，且能够对风机叶片的健康状态进行实时监测。

Description

风机叶片的检测方法、装置、设备及存储介质

技术领域

本申请涉及应用程序领域，特别涉及一种风机叶片的检测方法、装置、设备及存储介质。

背景技术

为了响应世界环境组织的呼吁，我国致力于清洁能源的开发与使用，比如，技术成熟的风能发电。

风能发电需要依靠于风机，而风机叶片决定着风机的捕风能力和效率问题，因此，对风机叶片的状态监测具有重要的意义。传统的风机叶片的检测方法是人工巡检，由技术人员通过人眼观察和听力分辨对风机叶片定期巡检。

上述风机叶片的人工巡检方法的运维成本高，且无法对分机叶片的健康状态进行实时监测。

发明内容

本申请实施例提供了一种风机叶片的检测方法、装置、设备及存储介质，可以降低风机叶片的人工巡检方法的运维成本，还可以对分机叶片的健康状态进行实时监测。所述技术方案如下：

根据本申请的一方面，提供了一种风机叶片的检测方法，风机叶片是风力发电设备中的叶片，风力发电设备还包括设置有声音采集设备的塔筒，该方法包括：

通过声音采集设备采集风机叶片扫风时的声音信号，声音信号包括风机叶片扫风时位于叶片间的空气滑动所产生的声音信号；

根据声音信号生成频谱图；

通过损伤识别模型对频谱图进行图像识别，得到风机叶片的损伤识别结果；其中，损伤识别模型是由神经网络模型训练得到的。

根据本申请的另一方面，提供了一种风机叶片的检测装置，风机叶片是风力发电设备中的叶片，风力发电设备还包括设置有声音采集设备的塔筒，该方法包括：

采集模块，用于通过声音采集设备采集风机叶片扫风时的声音信号，声音信号包括风机叶片扫风时位于叶片间的空气滑动所产生的声音信号；

生成模块，用于根据声音信号生成频谱图；

识别模块，用于通过损伤识别模型对频谱图进行图像识别，得到风机叶片的损伤识别结果；其中，损伤识别模型是由神经网络模型训练得到的。

根据本申请的另一方面，提供了一种风力发电设备，该风力发电设备包括：

声音采集设备，与声音采集设备相连的存储器，以及与存储器相连的处理器；

其中，声音采集设备，被配置为采集风力发电设备的风机叶片扫风时的声音信号，并将声音信号存储至存储器中；

存储器，被配置为存储可执行指令、以及声音信号；

处理器，被配置为加载并执行存储器中存储的可执行指令以实现如上述一个方面及其可选实施例所述的风机叶片的检测方法。

根据本申请的另一方面，提供了一种计算机可读存储介质，上述计算机可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，上述至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现如上述一个方面及其可选实施例所述的风机叶片的检测方法。

本申请实施例提供的技术方案带来的有益效果至少包括：

该方法通过声音采集设备采集风机叶片扫风时的声音信号，生成声音信号对应的频谱图，并通过损伤识别模型对频谱图进行图像识别，从频谱图中识别出风机叶片的损伤识别结果，以实现基于频谱图的对风机叶片的损伤类型的准确识别，无需人工巡检，节省了人力资源，且能够对风机叶片的健康状态进行实时监测。其次，该方法是基于声音信号实现的风机叶片损伤识别，不依赖于任何风机运行数据，减小了检测风机叶片损伤时的机器运算量。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请一个示例性实施例提供的风力发电***的结构示意图；

图2是本申请一个示例性实施例提供的风机叶片的检测方法的流程图；

图3是本申请一个示例性实施例提供的声音信号的时域信号图；

图4是本申请一个示例性实施例提供的声音信号的频谱图；

图5是本申请一个示例性实施例提供的损伤类型的识别方法的流程图；

图6是本申请另一个示例性实施例提供的风机叶片的检测方法的流程图；

图7是本申请一个示例性实施例提供的风机叶片的检测装置的框图；

图8是本申请一个示例性实施例提供的服务器的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。

请参考图1，示出了本申请一个示例性实施例提供的风力发电***的结构示意图，该风力发电***包括了风力发电设备(即风机)120和风机叶片检测设备140。

风力发电设备120包括风机叶片122和塔筒124。风机叶片122用于扫风，从而使风力发电设备120将风能转换为电能，并将电能存储至储能设备中。塔筒124主要用于支撑风力发电设备的其他设备结构，比如，风机叶片122通过轮毂连接在塔筒124顶端。

风机叶片检测设备140包括声音采集设备142和后台服务器集群144。声音采集设备142设置在塔筒124上，示意性的，声音采集设备142设置在塔筒门上。可选地，声音采集设备142包括声音传感器或者麦克风。

声音采集设备142与后台服务器142之间通过有线或者无线网络连接；声音采集设备142用于采集风机叶片扫风时叶片间空气滑动产生的声音信号，并将声音信号传输至后台服务器集群144；后台服务器集群144用于存储声音信号，以及加载并执行可执行命令以实现本申请提供的风机叶片的检测方法。

需要说明的是，声音采集设备142上连接有处理盒子，该处理盒子中设置有处理器，该处理器能够实现对声音信号的压缩处理；声音采集设备142还通过有线或者无线网络与后台服务器集群连接。声音采集设备142通过处理盒子将采集得到的声音信号压缩处理后传输至后台服务器集群144。

可选地，后台服务器集群144上还配置有显示屏，用于显示风机叶片的损伤程度、以及损伤类型。

或者，后台服务器集群144上还配置有报警设备，当后台服务器集群144确定风机叶片受到损伤时，后台服务器集群144控制报警设备发出警报；可选地，后台服务器集群144可以根据风机叶片的损伤类型控制报警设备发出相应的警报，不同的风机叶片的损伤类型对应不同的警报。

请参考图2，示出了本申请一个示例性实施例提供的风机叶片的检测方法的流程图，该方法应用于图1所示的风力发电***中，该方法包括：

步骤201，通过声音采集设备采集风机叶片扫风时的声音信号。

上述声音信号包括风机叶片扫风时位于叶片间的空气滑动所产生的声音信号。示意性的，声音采集设备采集风机叶片扫风时的声音信号，将上述声音信号传输至处理盒子，由处理盒子对声音信号进行压缩处理，并通过处理盒子将处理后的声音信号传输至后台服务器。

后台服务器将声音信号存储至存储器中，当后台服务器执行风机叶片的检测方法时，后台服务器从存储器中获取上述风机叶片扫风时的声音信号。

步骤202，根据声音信号生成频谱图。

后台服务器对声音信号进行短时傅里叶变换，得到声音信号对应的频谱图；示意性的，绘制频谱图可以采用不同的颜色表示不同的声音振幅。

可选地，风力发电设备上可以包括m个风机叶片，每一个叶片对应有各自的频谱区域，后台服务器可以生成以风机叶片为单位的切分后的频谱图，m为正整数，示意性步骤如下：

1)调用信号分析算法从声音信号形成的时域信号图中提取信号包络线。

后台服务器从声音信号形成的时域信号图中提取信号包络线，其中，信号包络线是指与时域信号图中曲线族的每条线均有至少一点相切的一条曲线；将信号包络线中波谷所在的点在时域上的位置确定为切分点。

上述信号分析算法用于从声音信号的时域信号图中分析得到信号包络线。示意性的，上述信号分析算法可以包括转换函数，比如，可以包括希尔伯特(Hilbert)转换函数。可选地，后台服务器通过Hilbert转换函数从时域信号图中提取信号包络线。

2)将信号包络线中波谷所在的点在时域上的位置确定为切分点。

示意性的，如图3，后台服务器根据声音信号生成时域信号图31，并通过Hilbert转换函数从时域信号图31中提取得到信号包络线32，在信号包络线32上确定出每一个波谷所在的点33，点33在时域上的位置即为切分点。其中，在时域信号图上，相邻两个切分点之间指示的是一个风机叶片扫风时的时域信号图。

3)将声音信号转换为频谱图，按照切分点对频谱图进行切分，得到切分后的频谱图。

可选地，后台服务器通过短时傅里叶变换或者拉普拉斯变换将声音信号转换为频谱图，也就是说，后台服务器通过短时傅里叶变换或者拉普拉斯变换将声音信号的时域信号转换为频域信号，形成频谱图；在时间轴上按照切分点对频谱图进行切分，得到风机叶片的n个频谱区域，n为正整数。其中，在频谱图上，相邻的两个切分点之间的频谱区域指示的是一个风机叶片扫风时的频谱。

示意性的，如图4，频谱图41中的8条曲线分别是风机叶片在不同频段上的声音信号曲线，按照切分点切分为25个频谱区域。由于风机叶片包括三个风机叶片，上述25个频谱区域分别与三个风机叶片对应，连续的三个频谱区域对应三个不同的风机叶片，其中，第3m-2个频谱区域为风机叶片A的频谱区域，第3m-1个频谱区域为风机叶片B的频谱区域，第3m个频谱区域为风机叶片C的频谱区域，m为正整数。

步骤203，通过损伤识别模型对频谱图进行图像识别，得到风机叶片的损伤识别结果。

后台服务器中设置有损伤识别模型；后台服务器通过损伤识别模型对频谱图进行图像识别，从频谱图中识别出风机叶片的损伤类型。可选地，后台服务器通过损伤识别模型对切分后的频谱图进行图像识别，从切分后的频谱图中识别出风机叶片的损伤类型。

可选地，损伤识别结果包括风机叶片的损伤类型；损伤类型包括风机排水孔堵塞、叶片保护膜开裂、叶片前缘腐蚀、叶片根部断裂、叶片哨音、以及雷击损伤中的至少一种。

示意性的，如图5，示出了损伤识别模型对频谱图识别的流程图，后台服务器将频谱图51输入模型的卷积和池化层52，经过卷积、池化处理将频谱图映射至特征空间，得到频谱图的图像特征；将上述图像特征输入特征转换层53进行特征转换，得到转换后的图像特征；再次，将转换后的图像特征输入全连接层54，通过全连接层54对转换后的图像特征进行识别分类，得到特征分类结果；最终，由输出层55对特征分类结果进行归一化处理，得到损伤识别结果，该损伤识别结果包括风机叶片的损伤类型。

需要说明的是，上述损伤识别模型是由神经网络模型训练得到的，示意性的，上述损伤识别模型的训练过程如下：

1)获取频谱图样本。

上述频谱图样本是通过采集历史频谱图得到的频谱图集合，频谱图集合包括的不同历史频谱图上具有不同损伤类型对应的图像。上述频谱图样本中还对应标记有损伤位置与样本损伤类型。

2)将频谱图样本输入神经网络模型进行图像识别，得到损伤位置的识别损伤类型。

后台服务器将获取得到的频谱图样本输入神经网络模型中，由神经网络模型对频谱图样本进行图像识别，得到每一个损伤位置对应的识别损伤类型。

可选地，上述神经网络模型可以是长短期记忆模型、卷积神经网络模型、前馈神经网络模型等等，本实施例中对神经网络模型的种类不做限定。

3)根据识别损伤类型与样本损伤类型进行误差反向传播训练，训练神经网络模型对风机叶片的损伤类型的识别能力，得到损伤识别模型。

神经网络模型计算识别损伤类型与样本损伤类型之间的误差，进行误差反向传播，对自身的模型参数进行调整，从而训练神经网络模型对风机叶片的损伤类型的识别能力，最终得到损伤识别模型。

综上所述，本申请提供的风机叶片的检测方法，通过声音采集设备采集风机叶片扫风时的声音信号，生成声音信号对应的频谱图，并通过损伤识别模型对频谱图进行图像识别，从频谱图中识别出风机叶片的损伤识别结果，以实现基于频谱图的对风机叶片的损伤类型的准确识别，无需人工巡检，节省了人力资源，且能够对风机叶片的健康状态进行实时监测。其次，该方法是基于声音信号实现的风机叶片损伤识别，不依赖于任何风机运行数据，减小了检测风机叶片损伤时的机器运算量。

需要说明的是，本申请提供的风机叶片的检测方法则是为了能够在风机叶片转动的过程中即时发现风机叶片的损伤并确认损伤类型，因此，在风机叶片进行损伤类型识别之前，可以先行确定风机叶片是否存在损伤，示意性的，基于图2，步骤203可以包括步骤2031至步骤2032，如图6，步骤如下：

步骤2031，基于切分后的频谱图计算风机叶片扫风时的声谱差异因子。

上述声谱差异因子表示风机叶片的损伤程度，可选地，基于切分后的频谱图计算风机叶片扫风时的声谱差异因子。

可选地，切分后的频谱图包括切分后n个风机叶片的频谱区域，n为正整数；示意性的，后台服务器基于上述n个风机叶片的频谱区域计算声谱差异因子的示意性步骤如下：

1)提取n个频谱区域中的信号峰值。

2)根据n个频谱区域的信号峰值计算声音信号的时域因子和频域因子。

风力发电设备上设置有m个风机叶片；可选地，后台服务器计算声音信号的时域因子，首先，确定出每一个风机叶片对应的至少两个频谱区域的信号峰值中的中位数；其次，从m个风机叶片对应的m个中位数中确定出最大峰值和最小峰值；最终，将最大峰值与最小峰值的比值确定为时域因子。

示意性的，若m取值为3，后台服务器选取频谱图中某一个频段上的曲线计算时域因子，比如，选取图4所示的频谱图41中(-0.008)-(-0.006)这一频段上的曲线计算时域因子；又或者是声音信号在整个频段上的曲线(图中未示出)。风机叶片包括三个风机叶片，若选取的曲线中包括了25个频谱区域，后台服务器在每一个频谱区域中确定出一个信号峰值，共25个信号峰值，其中，9个信号峰值为风机叶片A在对应的第3m-2个频谱区域的信号峰值，8个信号峰值为风机叶片B在对应的第3m-1个频谱区域的信号峰值，8个信号峰值为风机叶片C在对应的第3m个频谱区域的信号峰值；后台服务器分别从风机叶片A、B、C的信号峰值中确定出对应的中位数a、b、c，从中位数a、b、c中确定出最大峰值和最小峰值，最终将最大峰值与最小峰值的比值确定为时域因子，比如最大峰值为a，最小峰值为c，则时域因子为a/c。

可选地，后台服务器计算声音信号的频域因子，首先，获取每相邻的m个频谱区域的信号峰值中的最大峰值，将最大峰值确定为候选峰值；其次，将至少两个候选峰值的中位数确定为频域因子；

或者，后台服务器计算切分后的频谱图中信号分布与理论分布之间的相对熵，即KL散度(Kullback-Leibler divergence)；其次，将KL散度确定为频域因子。

示意性的，如图4，后台服务器将25个频谱区域自左至右标记为1至25，分别获取相邻频谱区域1-3、2-4、3-5、……、23-25中对应的信号峰值中的最大值，共得到23个信号峰值，从上述23个信号峰值中确定出中位数，该中位数即为一个频域因子。

再有，后台服务器计算划分后的频谱图中信号分布与理论信号分布之间的KL散度，将KL散度确认为另一频域因子。

需要说明的是，上述频域因子用于表示声音信号在频域上的分布特征，本申请中提供了上述两种计算声音信号在频域上的分布特征的方法，但本申请中计算声音信号在频域上的分布特征的方法不限于上述提供的两种方法。

3)将时域因子与频域因子的加权平均值确定为声谱差异因子。

示意性的，后台服务器计算得到一个时域因子和两个频域因子，其次，计算一个时域因子和两个频域因子的加权平均值，并将上述加权平均值确定为声谱差异因子。

还需要说明的是，后台服务器还通过滤波器对声音信号进行滤波处理，得到滤波后的声音信号，并基于滤波后的声音信号生成频谱图，进而生成频谱差异因子。

步骤2032，判断声谱差异因子是否大于差异阈值。

后台服务器中设置有差异阈值，该差异阈值用于确定风机叶片是否存在损伤。当声谱差异因子大于差异阈值时，表示风机叶片存在损伤，执行步骤2033；当声谱差异因子小于等于差异阈值时，表示风机叶片不存在损伤，返回执行步骤201。

步骤2033，通过损伤识别模型对切分后的频谱图进行图像识别，得到风机叶片的损伤识别结果。

综上所述，本实施例提供的风机叶片的检测方法，在对风机叶片的损伤类型进行识别之前，首先通过声谱差异因子确定风机叶片是否存在损伤，当确定风机叶片确定损存在伤时，进行损伤类型的识别，提高了损伤识别模型识别出损伤类型的概率，避免了损伤识别模型对风机叶片的损伤类型的无效识别。

还需要说明的是，后台服务器中还可以设置有范围阈值，不同的范围阈值对应不同的损伤程度；当声谱差异因子大于差异阈值时，后台服务器根据声谱差异因子所属的范围阈值确定风机叶片的损伤程度。

示意性的，后台服务器中设置有第一范围阈值、第二范围阈值、以及第三范围阈值；当声谱差异因子属于第一范围阈值时，后台服务器确定风机叶片的损伤程度为轻；当声谱差异因子属于第二范围阈值时，后台服务器确定风机叶片的损伤程度为中；当声谱差异因子属于第三范围阈值时，后台服务器确定风机叶片的损伤程度为重。其中，范围阈值中取值均大于差异阈值。

后台服务器输出风机叶片的损伤类型的同时，还输出风机叶片的损伤程度。可选地，上述输出的损伤程度可以是由后台服务器根据设置的损伤程度等级确定出的，或者，也可以直接是声谱差异因子。

该方法可以使用户能够从输出的结果中，清楚明了的获知风机叶片的损伤程度以及损伤类型。

还需要说明的是，后台服务器在执行风机叶片的检测方法的过程中，声音采集设备每一次采集预设时长的声音信号，并对应生成一个文件对上述一段时长的声音信号进行存储，比如，每一个文件包括时长43秒(s)的声音信号；当后台服务器计算声谱差异因子时，后台服务器从一个文件中获取时长43s的声音信号。而上述每一个文件中存储的声音信号的信号质量不同，存在一些文件，这些文件中包括的整体信号质量差，影响声谱差异因子的结果，因此，在计算声谱差异因子的过程中后台服务器会首先判断声音信号的信号质量。

示意性的，在得到切分后的频谱图之后，后台服务器基于切分后的频谱图判断声音信号的信号质量的步骤如下：

(1)基于切分后的频谱图计算声音信号的信噪比。

声音采集设备是对风机叶片扫风时产生的原声音信号进行采集，在采集过程中，原声音信号中会混入原声音信号中原本不存在的额外信号，即噪声。信噪比(信噪比)即是指采集得到的原声音信号与噪声的比例。在完成频谱图的切分后，后台服务器基于切分后的频谱图计算声音信号的信噪比。

(2)判断信噪比是否大于信噪比阈值。

后台服务器中设置有信噪比阈值；后台服务器判断信噪比是否大于信噪比阈值；当信噪比大于信噪比阈值时，执行步骤(3)；当信噪比小于等于信噪比阈值时，执行步骤(4)，同时返回执行步骤201。

(3)根据切分后的频谱图计算风机叶片扫风时的声谱差异因子。

(4)确定声音采集设备故障。

在风力发电***中，是通过声音采集设备采集风机叶片扫风时的声音信号，而声音采集设备的通讯状况直接影响到采集的声音信号的质量，因此，后台服务器检测声音采集设备的通讯状况。示意性的，后台服务器通过采集的声音信号的信号质量来实时检测声音采集设备的通讯状况，比如，通过采集的声音信号的信噪比或者声音信号的有无来确定声音采集设备的通信状态，当有声音信号且声音信号质量高时，则表示声音采集设备处于健康状态；当无声音信号或者声音信号差，则表示声音采集设备处于不健康状态，需要进行维修，以保证获得的声音信号的质量，从而能够准确的确定出风机叶片的损伤情况。

以基于信噪比检测声音采集设备的健康状态为例，当信噪比小于等于信噪比阈值时，说明声音采集设备采集到的声音信号中存在大量的噪声，声音信号质量差，则可以确定声音采集设备出现故障；否则，表示声音采集设备处于健康状态。还需要说明的是，由于一次信噪比小于信噪比阈值存在随机性，因此，在连续i次重新获取声音信号后计算得到的信噪比确定小于信噪比阈值，则确定声音采集设备故障，i为正整数。

综上所述，本实施例提供的风机叶片的检测方法，还通过对声音信号的质量检测，确保用于计算声谱差异因子的声音信号是高质量的，从而确保计算得到的声音差异因子的正确性；其次，该方法还可以实时监测声音采集设备的健康状况，使用户在声音采集设备出现异常时可以即时知晓，从而进行维修。

还需要说明的是，后台服务器中还设置有警报***；当后台服务器识别得到风机叶片出现损伤时，后台服务器发出警报。或者，当后台服务器确定声音采集设备出现异常时，后台服务器发出警报。

可选地，不同的风机叶片的损伤类型对应不同的警报；后台服务器根据风机叶片的损伤类型发出对应的警报。

该方法还在识别出风机叶片或者声音采集设备出现损伤时，立即发出警报，警示用户及时安排维修，使设备能够及时得到修复，避免出现更大的损失。

请参考图7，示出了本申请一个示例性实施例提供的风机叶片的检测装置的框图，风机叶片是风力发电设备中的叶片，风力发电设备还包括设置有声音采集设备的塔筒；该装置通过软件、硬件或者二者的结合实现成为服务器的部分或者全部，该装置包括：

采集模块301，用于通过声音采集设备采集风机叶片扫风时的声音信号，声音信号包括风机叶片扫风时位于叶片间的空气滑动所产生的声音信号；

生成模块302，用于根据声音信号生成频谱图；

识别模块303，用于通过损伤识别模型对频谱图进行图像识别，得到风机叶片的损伤识别结果；其中，损伤识别模型是由神经网络模型训练得到的。

在一些实施例中，生成模块302，包括：

提取子模块3021，用于调用信号分析算法从声音信号形成的时域信号图中提取信号包络线；

确定子模块3022，用于将信号包络线中波谷所在的点在时域上的位置确定为切分点；

生成子模块3023，用于将声音信号转换为频谱图，按照切分点对频谱图进行切分，得到切分后的频谱图。

在一些实施例中，识别模块303，包括：

计算子模块3031，用于基于切分后的频谱图计算风机叶片扫风时的声谱差异因子，声谱差异因子表示风机叶片的损伤程度；

识别子模块3032，用于当声谱差异因子大于差异阈值时，通过损伤识别模型对切分后的频谱图进行图像识别，得到风机叶片的损伤识别结果。

在一些实施例中，切分后的频谱图包括切分后n个风机叶片的频谱区域，n为正整数；

计算子模块3032，用于提取n个频谱区域中的信号峰值；根据n个频谱区域的信号峰值计算声音信号的时域因子和频域因子；将时域因子与频域因子的加权平均值确定为声谱差异因子。

在一些实施例中，风力发电设备上设置有m个风机叶片，m为正整数；

计算子模块3032，用于确定出每一个风机叶片对应的至少两个频谱区域的信号峰值中的中位数；从m个风机叶片对应的m个中位数中确定出最大峰值和最小峰值；将最大峰值与最小峰值的比值确定为时域因子。

在一些实施例中，风力发电设备上设置有m个风机叶片，m为正整数；

计算子模块3032，用于获取每相邻的m个频谱区域的信号峰值中的最大峰值，将最大峰值确定为候选峰值，m为正整数；将至少两个候选峰值的中位数确定为频域因子；

或者，计算切分后的频谱图中信号分布与理论分布之间的相对熵，将相对熵确定为频域因子。

在一些实施例中，计算子模块3032，用于基于切分后的频谱图计算声音信号的信噪比；当信噪比大于信噪比阈值时，执行基于切分后的频谱图计算风机叶片扫风时的声谱差异因子的步骤；当信噪比小于信噪比阈值时，确定声音采集设备故障。

综上所述，本实施例提供的风机叶片的检测装置，通过声音采集设备采集风机叶片扫风时的声音信号，生成声音信号对应的频谱图，并通过损伤识别模型对频谱图进行图像识别，从频谱图中识别出风机叶片的损伤识别结果，以实现基于频谱图的对风机叶片的损伤类型的准确识别，无需人工巡检，节省了人力资源，且能够对风机叶片的健康状态进行实时监测。其次，该装置基于声音信号实现的风机叶片损伤识别，不依赖于任何风机运行数据，减小了检测风机叶片损伤时的机器运算量。

请参考图8，示出了本申请一个实施例提供的服务器的结构示意图。该服务器用于实施上述实施例中提供的风机叶片的检测方法。具体来讲：

所述服务器400包括CPU(Central Processing Unit，中央处理器)401、包括RAM(Random Access Memory，随机存取存储器)402和ROM(Read-Only Memory，只读存储器)403的***存储器404，以及连接***存储器404和中央处理单元401的***总线405。所述服务器400还包括帮助计算机内的各个器件之间传输信息的基本I/O(Input/Output，输入/输出)***406，和用于存储操作***413、应用程序414和其他程序模块415的大容量存储设备407。

所述基本输入/输出***406包括有用于显示信息的显示器408和用于用户输入信息的诸如鼠标、键盘之类的输入设备409。其中所述显示器408和输入设备409都通过连接到***总线405的输入输出控制器410连接到中央处理单元401。所述基本输入/输出***406还可以包括输入输出控制器410以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地，输入输出控制器410还提供输出到显示屏、打印机或其他类型的输出设备。

所述大容量存储设备407通过连接到***总线405的大容量存储控制器(未示出)连接到中央处理单元401。所述大容量存储设备407及其相关联的计算机可读介质为服务器400提供非易失性存储。也就是说，所述大容量存储设备407可以包括诸如硬盘或者CD-ROM(Compact Disc Read-Only Memory，只读光盘)驱动器之类的计算机可读介质(未示出)。

不失一般性，所述计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM(Erasable Programmable Read-Only Memory，可擦除可编程只读存储器)、EEPROM(Electrically Erasable Programmable Read-Only Memory，电可擦可编程只读存储器)、闪存(Flash Memory)或其他固态存储其技术，CD-ROM、DVD(Digital VersatileDisc，数字通用光盘)或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然，本领域技术人员可知所述计算机存储介质不局限于上述几种。上述的***存储器404和大容量存储设备407可以统称为存储器。

根据本申请的各种实施例，所述服务器400还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即服务器400可以通过连接在所述***总线405上的网络接口单元411连接到网络412，或者说，也可以使用网络接口单元411来连接到其他类型的网络或远程计算机***(未示出)。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本申请的可选实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种风机叶片的检测方法，其特征在于，所述风机叶片是风力发电设备中的叶片，所述风力发电设备还包括设置有声音采集设备的塔筒，所述方法包括：

通过所述声音采集设备采集所述风机叶片扫风时的声音信号，所述声音信号包括所述风机叶片扫风时位于叶片间的空气滑动所产生的声音信号；

根据所述声音信号生成频谱图；

通过损伤识别模型对所述频谱图进行图像识别，得到所述风机叶片的损伤识别结果；其中，所述损伤识别模型是由神经网络模型训练得到的。

2.根据权利要求1所述的方法，其特征在于，所述根据所述声音信号生成频谱图，包括：

调用信号分析算法从所述声音信号形成的时域信号图中提取信号包络线；

将所述信号包络线中波谷所在的点在时域上的位置确定为切分点；

将所述声音信号转换为所述频谱图，按照所述切分点对所述频谱图进行切分，得到切分后的频谱图。

3.根据权利要求2所述的方法，其特征在于，所述通过损伤识别模型对所述频谱图进行图像识别，得到所述风机叶片的损伤识别结果，包括：

基于所述切分后的频谱图计算所述风机叶片扫风时的声谱差异因子，所述声谱差异因子表示所述风机叶片的损伤程度；

当所述声谱差异因子大于差异阈值时，通过所述损伤识别模型对所述切分后的频谱图进行图像识别，得到所述风机叶片的所述损伤识别结果。

4.根据权利要求3所述的方法，其特征在于，所述切分后的频谱图包括切分后n个所述风机叶片的频谱区域，n为正整数；

所述基于切分后的所述频谱图计算所述风机叶片扫风时的声谱差异因子，包括：

提取n个所述频谱区域中的信号峰值；

根据n个所述频谱区域的信号峰值计算所述声音信号的时域因子和频域因子；

将所述时域因子与所述频域因子的加权平均值确定为所述声谱差异因子。

5.根据权利要求4所述的方法，其特征在于，所述风力发电设备上设置有m个所述风机叶片，m为正整数；

所述根据n个所述频谱区域的信号峰值计算所述声音信号的时域因子，包括：

确定出每一个所述风机叶片对应的至少两个所述频谱区域的信号峰值中的中位数；

从m个所述风机叶片对应的m个所述中位数中确定出最大峰值和最小峰值；

将所述最大峰值与所述最小峰值的比值确定为所述时域因子。

6.根据权利要求4所述的方法，其特征在于，所述风力发电设备上设置有m个所述风机叶片，m为正整数；

所述根据n个所述频谱区域的信号峰值计算所述声音信号的频域因子，包括：

获取每相邻的m个所述频谱区域的信号峰值中的最大峰值，将所述最大峰值确定为候选峰值，m为正整数；将至少两个所述候选峰值的中位数确定为所述频域因子；

或者，

计算切分后的所述频谱图中信号分布与理论分布之间的相对熵，将所述相对熵确定为所述频域因子。

7.根据权利要求3至6任一所述的方法，其特征在于，所述基于所述切分后的频谱图计算所述风机叶片扫风时的声谱差异因子，包括：

基于所述切分后的频谱图计算所述声音信号的信噪比；

当所述信噪比大于信噪比阈值时，执行所述基于所述切分后的频谱图计算所述风机叶片扫风时的声谱差异因子的步骤；

当所述信噪比小于所述信噪比阈值时，确定所述声音采集设备故障。

8.一种风机叶片的检测装置，其特征在于，所述风机叶片是风力发电设备中的叶片，所述风力发电设备还包括设置有声音采集设备的塔筒，所述方法包括：

采集模块，用于通过所述声音采集设备采集所述风机叶片扫风时的声音信号，所述声音信号包括所述风机叶片扫风时位于叶片间的空气滑动所产生的声音信号；

生成模块，用于根据所述声音信号生成频谱图；

识别模块，用于通过损伤识别模型对所述频谱图进行图像识别，得到所述风机叶片的损伤识别结果；其中，所述损伤识别模型是由神经网络模型训练得到的。

9.一种风力发电设备，其特征在于，所述风力发电设备包括：

声音采集设备，与所述声音采集设备相连的存储器，以及与所述存储器相连的处理器；

其中，所述声音采集设备，被配置为采集所述风力发电设备的风机叶片扫风时的声音信号，并将所述声音信号存储至所述存储器中；

所述存储器，被配置为存储可执行指令、以及所述声音信号；

所述处理器，被配置为加载并执行所述存储器中存储的所述可执行指令以实现如权利要求1至7任一所述的风机叶片的检测方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集；所述至少一条指令、所述至少一段程序、所述代码集或所述指令集由处理器加载并执行以实现如权利要求1至7任一所述的风机叶片的检测方法。

Images