CN117789768A - 一种风机叶片异常声音监测方法、***、设备及介质 - Google Patents
一种风机叶片异常声音监测方法、***、设备及介质 Download PDFInfo
- Publication number
- CN117789768A CN117789768A CN202410019518.3A CN202410019518A CN117789768A CN 117789768 A CN117789768 A CN 117789768A CN 202410019518 A CN202410019518 A CN 202410019518A CN 117789768 A CN117789768 A CN 117789768A
- Authority
- CN
- China
- Prior art keywords
- fan blade
- sound
- blade
- signal
- real
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012544 monitoring process Methods 0.000 title claims abstract description 41
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 36
- 230000005236 sound signal Effects 0.000 claims abstract description 73
- 238000012545 processing Methods 0.000 claims abstract description 28
- 230000009467 reduction Effects 0.000 claims abstract description 18
- 238000010586 diagram Methods 0.000 claims abstract description 16
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 claims description 2
- 238000012806 monitoring device Methods 0.000 claims 1
- 238000013145 classification model Methods 0.000 description 13
- 238000012549 training Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000036541 health Effects 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 1
- 235000017491 Bambusa tulda Nutrition 0.000 description 1
- 241001330002 Bambuseae Species 0.000 description 1
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 1
- 239000011425 bamboo Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- KJONHKAYOJNZEC-UHFFFAOYSA-N nitrazepam Chemical compound C12=CC([N+](=O)[O-])=CC=C2NC(=O)CN=C1C1=CC=CC=C1 KJONHKAYOJNZEC-UHFFFAOYSA-N 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种风机叶片异常声音监测方法、***、设备及介质,通过采集风机叶片声音信号数据,对风机叶片声音信号进行降噪处理,得到降噪后的叶片声音信号Z(t),可视化处理降噪后的叶片声音信号Z(t),得到时序图,对风机叶片的状态进行监测分析;***、设备及介质用于实现一种风机叶片异常声音监测方法;本发明能够及时快速的检测到风机叶片异常声音信号,具有操作简单,检测效率高,时间成本和人力成本低的特点,同时,不破坏风机结构,不影响风机叶片的正常运行。
Description
技术领域
本发明属于风机叶片异常检测技术领域,尤其涉及一种风机叶片异常声音在线监测方法、***、设备及介质。
背景技术
随着风电行业的快速发展,风机的故障问题日益凸显,叶片是风电机组的重要组成部分之一,其健康状态将直接影响风电机组运行的安全性与可靠性,因此对风机叶片的运行状态进行检测具有重要意义。
现代的风机叶片监测方法采的技术包括振动分析、红外热成像、计算机视觉等。但这些方法存破坏叶片结构、设备成本昂贵,受环境因素制约等缺点,因此相关学者利用叶片的声音信号对叶片的健康状况进行监测。
公开号为CN115641871A的中国发明专利申请公开了一种基于声纹的风机叶片异常检测方法,提出了采集叶片的声音信号并刻画其梅尔声谱图,通过卷积神经网络提取信号的声纹特征,建立基于长短时记忆神经网络的叶片声纹捕捉模型,并根据特征分布计算各与特征之间的Fréchet距判断风机叶片是否发生异常。
公开号为CN116163894A的中国发明专利申请公开了一种风电场风机叶片状态检测方法、***及存储介质,提出了采集风机叶片运行时的声音数据并建立样本数据库,利用多尺度卷积神经网络并融合多尺度特征进行训练,得到分类模型,该采集到的声响度时频图导入模型中以判断出风机叶片状态。
公开号为CN116153333A的中国发明专利申请公开了一种基于气动噪声的风力机叶片故障诊断方法,提出了将风力机叶片声信号降噪后转换成图像数据,将图像数据输入至卷积神经网络模型中进行预训练并构建卷积神经网络模型,建立训练集,将待测风力机叶片气动噪声再转换成图像数后,输入卷积神经网络模,确定风力机叶片故障状态。
上述方法的基本思路都是提取叶片声音信号的特征,或者将信号转换为图像并提取特征后,构建训练集并利用神经网路构建分类模型,之后将待测信号输入到分类模型中实现叶片的故障监测,但以上方法存在以下几个缺点:
1、不同叶片的声音信号特征并不相同,根据现有训练集构建出的分类模型并不适用于全场或者其他场站的叶片监测。
2、不同叶片故障的声音信号并不相同,提取出的声学特征也存在差异,因此构建分类模型时需要采集各种类型故障的风机叶片声音信号才能保证分类模型的准确率,很难在实际应用中实现。
3、构建分类模型时,训练集越大分类模型越准确,实际应用中难以采集到足够多的故障特征,训练集不大导致分类模型不准确。
4、分类模型的分类准确率在80%~95%,存在误诊断的现象。
发明内容
为了克服上述现有技术中的缺点,本发明的目的在于提供一种风机叶片异常声音监测方法及***,利用局部均值分解LMD方法对声音信号进行降噪处理,通过降噪后的叶片声音信号的时序图能够及时对风机叶片进行监测;本发明具有判断速度快,操作简单,检测效率高,时间成本和人力成本低的特点,同时,不破坏风机结构,不影响风机叶片的正常运行。
为了实现上述发明目的,本发明的技术方案为:
一种风机叶片异常声音监测方法,包括以下步骤:
步骤1:设定声音采集频次和时长参数,采集风机叶片声音信号数据,包括叶片旋转时的声音信号X(t)和现场实时的风噪信号Y(t);
步骤2:基于局部均值分解LMD方法,对步骤1中采集的叶片旋转时的声音信号X(t)进行分解,得到k个调幅调频分量PF;
步骤3:基于步骤2中分解得到的k个调幅调频分量PF与现场实时风噪信号Y(t),计算二者的皮尔逊系数即得到k个实时风噪相似度;
步骤4:将步骤3得到的k个实时风噪相似度与设定阈值进行比较,当实时风噪相似度高于设定阈值时,对应的调幅调频分量PF作为风噪信号进行舍弃,当实时风噪相似度低于设定阈值时,将对应的调幅调频分量PF进行信号重构,得到降噪后的叶片声音信号Z(t);
步骤5:对步骤4中降噪后的叶片声音信号Z(t)进行可视化处理,得到时序图,对风机叶片状态进行监测分析。
所述步骤3中的k个调幅调频分量PF与现场实时风噪信号Y(t)的皮尔逊系数的计算公式为:
其中,cov为协方差,σ为标准差。
所述步骤4中设定阈值为0.7。
本发明还提供了一种风机叶片异常声音监测***,包括:
声音采集模块:用于采集叶片旋转时的声音信号X(t)和现场实时风噪信号Y(t);
信号处理模块:用于分解叶片旋转时的声音信号X(t),得到调幅调频分量PF;并且计算调幅调频分量PF和现场实时风噪信号Y(t)的实时风噪相似度,并将实时风噪相似度与设定阈值进行比较,得到降噪后的叶片声音信号Z(t);
数据传输模块:用于将信号处理模块中的降噪后的叶片声音信号Z(t)传输到异常声音检测模块;
异常声音检测模块:用于对降噪后的叶片声音信号Z(t)进行处理,得到时序图,根据时序图判断风机叶片是否发生异常。
所述声音采集模块采用VS1053音频解码芯片。
所述信号处理模块采用STM32F103ZET6芯片。
所述数据传输模块采用L768H-E18V通信模块。
所述声音采集模块外面裹有外壳,将该外壳安装在风机塔筒上。
本发明还提供了一种风机叶片异常声音监测设备,包括:
存储器:用于存储实现一种风机叶片异常声音监测方法的计算机程序;
处理器:用于执行所述计算机程序时一种风机叶片异常声音监测方法。
本发明还提供了一种计算机可读存储介质:所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时能够实现一种风机叶片异常声音监测方法。
相对于现有技术,本发明的有益效果在于:
1.本发明利用局部均值分解LMD方法对叶片旋转时的声音信号进行分解,局部均值分解LMD方法能够根据信号的包络特征自适应地将一个非线性、非平稳信号按频率递减的顺序逐级分离,与EMD、EEMD等分解方法相比,该分解方法十分适合风机叶片声音信号的分解,能够将现场实时风噪信号与叶片旋转时的声音信号进行很好的区分。
2.本发明通过计算各调频调幅分量与现场实时风噪信号的皮尔逊相关系数,将现场实时风噪信号的调频调幅分量进行舍弃并将剩余的调频调幅分量进行重构,能够得到较为纯净的叶片声音信号,消除风噪信号的影响。
3.本发明直接通过刻画降噪后的风机叶片声音信号时序图,并根据降噪后的风机叶片声音信号的周期性与波动性实现叶片监测,舍弃了其他技术方案中的提取特征以及利用机器学习或神经网络构建分类模型的步骤,监测方法更为简便,快捷,同时避免了分类模型中存在错误分类的缺陷,监测结果更加准确。
4.本发明利用风机叶片声音信号对叶片的异常情况进行识别,与基于振动、超声波、声发射信号的方法相比,本发明效率更高,成本更低,且无需停机便可以对叶片的异常情况进行监测。
附图说明
图1为本发明的一种风机叶片异常声音监测方法的流程图。
图2为故障叶片声音信号处理前的时序图。
图3为故障叶片声音信号处理后的时序图。
图4为正常叶片声音信号处理前的时序图。
图5为正常叶片声音信号处理后的时序图。
具体实施方式
下面结合附图和实施例详细说明本发明的技术方案。
如图1所示,一种风机叶片异常声音监测方法,包括以下步骤:
步骤1:设定声音采集频次和时长参数,采集风机叶片声音信号数据,包括叶片旋转时的声音信号X(t)和现场实时风噪信号Y(t),所述声音采集频次设为2min/次,所述声音时长设为15s;
步骤2:基于局部均值分解LMD方法,对步骤1中采集的叶片旋转时的声音信号X(t)进行分解,得到k个调幅调频分量PF,具体方法如下:
1)首先找到叶片旋转时的声音信号X(t)的所有极值点ni,包括极大值点和极小值点;计算两个相邻极值点的局部均值点mi,公式如下:
2)计算相邻两个极值点的局部包络ai,公式如下:
3)将局部均值点mi的所有点以折线形式连接并进行平滑处理,得到局部均值函数m11(t);
4)将局部包络ai的所有点以折线形式连接并进行平滑处理,得到局部包络估计函数a11(t);
5)将局部均值函数m11(t)从原始的叶片旋转时的声音信号X(t)中提取出来,记为零均值信号h11(t),公式如下:
h11(t)=X(t)-m11(t)
6)对零均值信号h11(t)进行解调,得到s11(t)公式如下:
7)重复上述步骤(1)~(6),直到a1(n+1)(t)=1,此时得到纯调频信号s1n(t);
8)将上述迭代得到的所有局部包络估计函数a11(t)相乘,得到包络信号a1(t),具体为:
a1(t)=a11(t)a12(t)a13(t)…a1n(t)
此时,提取出叶片旋转时的声音信号X(t)的第一个调幅调频分量PF1,具体公式为:
PF1=a1(t)s1n(t)
9)从原始的叶片旋转时的声音信号X(t)剪掉第一个调幅调频分量PF1,并将得到的信号重复上述步骤(1)~(8),直到得到的剩余信号为单调函数为止,此时叶片旋转时的声音信号X(t)被分解为k个PF分量和一个单调剩余信号uk(t),具体可以表示为:
步骤3:基于步骤2中分解得到的k个调幅调频分量PF与现场实时风噪信号Y(t),计算二者的皮尔逊系数即得到k个实时风噪相似度,具体公式为;
其中,cov为协方差,σ为标准差;
步骤4:设定阈值为0.7,将步骤3得到的k个实时风噪相似度与设定阈值进行比较,当实时风噪相似度高于阈值0.7时,对应的调频调幅分量PF作为风噪信号进行舍弃,当实时风噪相似度低于阈值0.7时,将对应的调频调幅分量PF相加进行信号重构,得到降噪后的叶片声音信号Z(t);
步骤5:对步骤4中降噪后的叶片声音信号Z(t)进行可视化处理,利用MATLAB中的audioread函数进行读取,得到时序图,通过观察降噪后叶片声音信号Z(t)的周期性,对风机叶片状态进行监测分析。
一种风机叶片异常声音监测***,包括:
声音采集模块:用于采集叶片旋转时的声音信号X(t)和现场实时风噪信号Y(t);
信号处理模块:用于分解叶片旋转时的声音信号X(t),得到调幅调频分量PF;并且计算调幅调频分量PF和现场实时风噪信号Y(t)的实时风噪相似度,并将实时风噪相似度与设定阈值进行比较,得到降噪后的叶片声音信号Z(t);
数据传输模块:用于将信号处理模块中的降噪后的叶片声音信号Z(t)传输到异常声音检测模块;
异常声音检测模块:用于对降噪后的叶片声音信号Z(t)进行处理,得到时序图,根据时序图判断风机叶片是否发生异常。
一种风机叶片异常声音监测设备,包括:
存储器:用于存储实现一种风机叶片异常声音监测方法的计算机程序;
处理器:用于执行所述计算机程序时实现一种风机叶片异常声音监测方法。
一种计算机可读存储介质:所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时能够实现一种风机叶片异常声音监测方法。
所述声音采集模块采用VS1053音频解码芯片采集风机叶片的声音数据。
所述信号处理模块采用STM32F103ZET6芯片,该芯片的工作温度为:-40℃~60℃,能够适应风机的工作环境。
所述数据传输模块采用L768H-E18V通信模块实现数据在线传输,该模块支持常规的TCP/IP通信协议并支持4G网络全通信。
本实施例所述声音采集模块外面裹有外壳,考虑到风机偏航的情况,将该外壳安装在距离地面3m处的风机塔筒上,保证能够实时采集到叶片旋转至最下方时风机叶片的声音信号。
图2为故障叶片声音信号处理前的时序图,图3为故障叶片声音信号处理后的时序图,通过图2和图3对比可知,处理前的故障叶片声音信号受到较强风噪的干扰,无法准确反应叶片实际的运行状态,处理后的故障叶片声音信号能够清晰的展现出风机的健康状况;
图4为正常叶片声音信号处理前的时序图,图5为正常叶片声音信号处理后的时序图。通过图4和图5对比可知,处理前的正常叶片声音信号受到较强风噪的干扰,无法准确反应叶片实际的运行状态,处理后的正常叶片声音信号能够清晰的展现出风机的健康状况。
通过图3和图5对比可知,故障叶片声音信号的时序图呈现出明显的波动变化,该波动变化趋势具有一定的周期性,而正常叶片声音信号的时序图则呈现出较为平稳的波动趋势,因此,通过在线监测处理后的叶片声音信号的时序图的波动变化实现了风机叶片健康状况的在线监测,及时发现故障叶片,降低突发事故造成的不必要的损失以及降低人为判断的工作量。
Claims (10)
1.一种风机叶片异常声音监测方法,其特征在于,包括以下步骤:
步骤1:设定声音采集频次和时长参数,采集风机叶片声音信号数据,包括叶片旋转时的声音信号X(t)和现场实时风噪信号Y(t);
步骤2:基于局部均值分解LMD方法,对步骤1中采集的叶片旋转时的声音信号X(t)进行分解,得到k个调幅调频分量PF;
步骤3:基于步骤2中分解得到的k个调幅调频分量PF与现场实时风噪信号Y(t),计算二者的皮尔逊系数即得到k个实时风噪相似度;
步骤4:将步骤3得到的k个实时风噪相似度与设定阈值进行比较,当实时风噪相似度高于设定阈值时,对应的调幅调频分量PF作为风噪信号进行舍弃,当实时风噪相似度低于设定阈值时,将对应的调幅调频分量PF进行信号重构,得到降噪后的叶片声音信号Z(t);
步骤5:对步骤4中降噪后的叶片声音信号Z(t)进行可视化处理,得到时序图,对风机叶片状态进行监测分析。
2.根据权利要求1所述的一种风机叶片异常声音监测方法,其特征在于:所述步骤3中的k个调幅调频分量PF与现场实时风噪信号Y(t)的皮尔逊系数的计算公式为:
其中,cov为协方差,σ为标准差。
3.根据权利要求1所述的一种风机叶片异常声音监测方法,其特征在于:所述步骤4中设定阈值为0.7。
4.一种风机叶片异常声音监测***,其特征在于,包括
声音采集模块:用于采集叶片旋转时的声音信号X(t)和现场实时风噪信号Y(t);
信号处理模块:用于分解叶片旋转时的声音信号X(t),得到调幅调频分量PF;并且计算调幅调频分量PF和现场实时风噪信号Y(t)的实时风噪相似度,并将实时风噪相似度与设定阈值进行比较,得到降噪后的叶片声音信号Z(t);
数据传输模块:用于将信号处理模块中的降噪后的叶片声音信号Z(t)传输到异常声音检测模块;
异常声音检测模块:用于对降噪后的叶片声音信号Z(t)进行处理,得到时序图,根据时序图判断风机叶片是否发生异常。
5.根据权利要求4所述的一种风机叶片异常声音监测***,其特征在于:所述声音采集模块采用VS1053音频解码芯片。
6.根据权利要求4所述的一种风机叶片异常声音监测***,其特征在于:所述信号处理模块采用STM32F103ZET6芯片。
7.根据权利要求4所述的一种风机叶片异常声音监测***,其特征在于:所述数据传输模块采用L768H-E18V通信模块。
8.根据权利要求4所述的一种风机叶片异常声音监测设备,其特征在于:所述声音采集模块外面裹有外壳,将该外壳安装在风机塔筒上。
9.一种风机叶片异常声音监测设备,其特征在于,包括:
存储器:用于存储实现所述权利要求1-3的一种风机叶片异常声音监测方法的计算机程序;
处理器:用于执行所述计算机程序时实现所述权利要求1-3的一种风机叶片异常声音监测方法。
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存储有计算机程序,所述计算机程序被处理器执行时能够实现权利要求1-3的一种风机叶片异常声音监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410019518.3A CN117789768A (zh) | 2024-01-05 | 2024-01-05 | 一种风机叶片异常声音监测方法、***、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410019518.3A CN117789768A (zh) | 2024-01-05 | 2024-01-05 | 一种风机叶片异常声音监测方法、***、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117789768A true CN117789768A (zh) | 2024-03-29 |
Family
ID=90398380
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410019518.3A Pending CN117789768A (zh) | 2024-01-05 | 2024-01-05 | 一种风机叶片异常声音监测方法、***、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117789768A (zh) |
-
2024
- 2024-01-05 CN CN202410019518.3A patent/CN117789768A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7199608B2 (ja) | 風力タービン翼を検査するための方法および装置、ならびにそれらの機器および記憶媒体 | |
Yu et al. | An adaptive sensitive frequency band selection method for empirical wavelet transform and its application in bearing fault diagnosis | |
Guo et al. | Faulty bearing signal recovery from large noise using a hybrid method based on spectral kurtosis and ensemble empirical mode decomposition | |
CN108489719B (zh) | 一种基于g-p奇异谱分解的旋转机械复合故障诊断方法 | |
CN107796611A (zh) | 一种用于检测风力发电机异常工作的报警*** | |
CN110160767B (zh) | 基于包络分析的冲击周期自动识别与提取方法及*** | |
Wang et al. | Weak fault detection for wind turbine bearing based on ACYCBD and IESB | |
CN115078912A (zh) | 车顶高压电缆接头异常实时检测方法、***及列车 | |
Zhang et al. | Variable spectral segmentation empirical wavelet transform for noisy signal processing | |
CN116593829B (zh) | 基于数据分析的输电线路隐患在线监测*** | |
CN105987809A (zh) | 基于随机共振的离心式压缩机半开式叶轮裂纹检测方法 | |
CN112782421B (zh) | 一种基于音频的转速识别方法 | |
CN111456915A (zh) | 风机机舱内部部件的故障诊断装置及方法 | |
CN117789768A (zh) | 一种风机叶片异常声音监测方法、***、设备及介质 | |
US20240052810A1 (en) | Blade fault diagnosis method, apparatus and system, and storage medium | |
CN110703080B (zh) | 一种gis尖刺放电诊断方法、放电程度识别方法及装置 | |
CN113436645A (zh) | 复杂噪声环境下的机电***故障在线监测声学处理方法 | |
Zhang et al. | Time-domain Sparsity based Bearing Fault Diagnosis Methods Using Pulse Signal-to-noise Ratio | |
CN117723303B (zh) | 一种风力发电机组轴承声学监测方法 | |
Altankhuyag et al. | Noise Signal Analysis for Fault Detection | |
CN117192310A (zh) | 一种高压套管局部放电的在线监测方法、***及介质 | |
McSwiggan et al. | Analysis of fixed-speed wind farm low-frequency power pulsations using a wavelet-prony method | |
CN117421587A (zh) | 基于典型相关系数的旋转类设备健康状态在线评估方法 | |
CN115688033A (zh) | 一种火电厂送风机故障诊断方法、***及电子设备 | |
Aburakhia et al. | Joint Instantaneous Amplitude-Frequency Analysis of Vibration Signals for Vibration-Based Condition Monitoring of Rolling Bearings |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |