基于MFCC 聲音特征信號提取的風機葉片故障診斷

劉 冰，陳 堃，鄒 超，沈曙光，謝萬順

（江蘇華電灌云風力發電有限公司，江蘇連云港 222227）

0 引言

在能源短缺和“雙碳目標”的背景下，能源結構迎來重要調整，我國風電并網裝機容量逐年上升，風電建設規模日益增大。隨著風機機組的激增，風機核心部件的葉片監測存在大量問題與挑戰：定期進行地毯式人工巡檢，耗時耗力；無人機易受惡劣天氣影響，巡檢困難；損傷葉片無法保證及時維護，會降低發電效率。因此，如何低成本、高效率進行風機運維成為一大難題，有必要對葉片進行健康監測。

目前，文獻［1］提出了一種基于單臺風機葉片聲紋之間相似度計算的葉片檢測，對單臺風機的3 個葉片聲紋進行有效切割之后，對葉片進行語譜分析，隨后對葉片的語譜圖進行相似度計算，當某個葉片與其他葉片相似度較低時，則認為該葉片存在異常；文獻［2］提出了一種通過經驗模態分解進行氣動音頻去噪和特征參數判斷葉片是否損傷，先對聲音信號進行去噪，然后根據均值、小波包等特征參數進行損傷判斷。

本文提出了一種基于聲音信號的風機葉片故障監測方法，通過傳聲器等采集設備采集風場正在運行風機的聲音信號，并進行對信號進行濾波處理，提高聲音信號的信噪比，同時對信號進行頻譜分析，并將提取出的信號特征進行建模，設計風機葉片故障分類器，對風機的健康狀態進行實時監測。

1 整體思路

通過傳聲器等采集設備采集風場正在運行風機的聲音信號，并進行對信號進行濾波處理，提高聲音信號的信噪比，同時對信號進行頻譜分析，并將提取出的信號特征進行建模，設計風機葉片故障分類器，對風機的健康狀態進行實時監測，降低風場的運維成本，提高風場人員的利用率[3]。葉片聲音信號檢測流程如圖1 所示。

圖1 葉片聲音信號檢測流程

2 相關原理

2.1 數據分幀

風機葉片旋轉的聲音信號是一個非平穩信號，但頻率在短時范圍內相對固定，具有短時平穩特性，因此可以采用分幀的方式對信號進行截取。結合風機葉片旋轉規律進行信號分幀，為保證聲音特征參數的平滑性，一般采用重疊取幀的方式，相鄰幀之間存在重疊部分[4]。

2.2 數據濾波

風機葉片旋轉會產生氣動噪聲并混入其他背景環境噪聲，為提高信號的質量，需要去除聲音信號的噪聲特征，提高信號的信噪比。常見的濾波方式有經典濾波器和現代濾波器，前者認為聲音信號和去噪信號具有不同的頻寬，考慮到風機現場工況的復雜性，采用后者進行分析。

其中，維納濾波器、卡爾曼濾波器是最小均方差作為最佳估計準則。維納濾波器是線性濾波器，多適用于平穩隨機過程，而考慮到噪聲的非定常性，卡爾曼濾波更適用于非平穩隨機過程。

卡爾曼濾波是一種數據融合算法，可以很好地從帶有噪聲的數據中估計狀態，基本思想是利用前一時刻的估計值和當前時刻的觀測值來更新狀態變量的估計，求出當前時刻的估計值。

2.3 頻譜分析

經過濾波之后，去除部分噪聲數據，可以將聲音信號進行頻譜分析、繪制功率譜圖，提取MFCC（Mel Frequency Cepstrum Coefficient，Mel 頻率倒譜系數）特征。MFCC 的實現步驟如下：

（1）利用周期圖法進行功率譜估計。聲音信號會隨著時間而變化，通過傅里葉變換只能將其轉換到頻域，會失去時域信息，無法看出頻率分布隨時間變化規律。而短時傅里葉則是把一段長信號分幀、加窗，再對每一幀做快速傅里葉變換，最后把每一幀的結果沿另一個維度堆疊起來，就得到了二維信號形式。變換過程如下：

先利用離散傅里葉變換把每一幀信號變換到時域：

其中，s（n）表示時域信號，si（n）是第i 幀的數據，Si（k）是第i幀的第k 個復數，h（n）是一個N 點的窗函數。

再計算功率譜Pi（k）=，其中Pi（k）為第i 幀的功率譜。

最后，經過短時傅里葉變換之后得到一個復數，其實部代表頻率的振幅、虛部代表頻率的相位，即得到功率譜。

（2）對功率譜用Mel 濾波器組進行濾波。梅爾濾波器的長度與功率譜相等，每個濾波器只有對于需要采集的頻率范圍非零、其余都是0。利用Mel 濾波器對功率譜的濾波過程，得到Filter Bank 特征。

（3）對log 后的Filter Bank 特征進行離散余弦變換。對Filter Bank 特征取對數，得到相應頻帶的對數功率譜，并進行離散余弦變換，得到MFCC 特征即靜態特征，然后進行一階和二階差分，得到動態特征。

2.4 故障分類

葉片故障運行的聲音信號和正常運行的信號在頻譜特征上存在差異性。由于頻譜數據偏數值化，定義一個邏輯回歸分類器進行風機葉片故障分類模型，對風機葉片是否故障進行研判。

邏輯回歸是對數線性模型，經過頻譜分析之后的聲音信號為特征樣本，葉片是否故障為標簽樣本，包含“0”和“1”（其中“0”表示正常、“1”表示故障），建立二項邏輯回歸分類模型[5]。

模型參數應用極大似然估計法求解，將求解問題轉換為以對數似然函數為目標函數的最優化問題，并利用梯度下降法進行參數優化[6]。

3 仿真實驗

選用某風場10 臺風機為期一年的聲音信號數據進行分析，首先對聲音信號進行分幀處理，風機葉片旋轉一周的時間周期為5 s，采樣率為44.1 kHz，并進行時間長度為1 s 的重復取幀，即每幀的采樣點數為2 205 000 個（圖2）。

圖2 每幀的采樣點數

對聲音信號進行卡爾曼濾波，去除了一定的背景噪聲，并對濾波后的數據進行頻譜分析，本文選用MFCC 特征提取[7]。風機葉片呈有規律運行，當葉片存在異常時葉片聲音信號將出現異常（圖3）。

圖3 風機故障葉片和非故障葉片的頻譜圖

上述過程是進行特征提取，考慮到模型樣本基本是數值型，選用邏輯回歸為風機葉片故障模型的分類器，并對模型進行訓練，混淆矩陣如圖4 所示。

圖4 混淆矩陣

對模型進行評估和優化，精準率為94.8%，召回率為95.8%，并在現場進行3 個月的實時驗證，結果較符合風機葉片的變化規律。

4 結論

當葉片出現劃傷、開裂等情況時，葉片聲音會在頻帶上表現出差異[8]，因此，首先對對數據進行濾波處理，提高聲音信號的信噪比，然后對數據頻譜分析，將提取出的聲音特征進行建模，設計風機葉片故障分類器，最后結合歷史和現場數據，進行了模型的評估和驗證[9]。風機葉片故障模型的建立，不僅降低風場人員成本、提高運維效率、保證風機機組的健康運行，還可以帶來可觀的經濟效益。