基于倍頻程和支持向量機的風機葉片缺陷檢測算法

吳江波，周 強，蔣 輝，劉智英，夏侯智聰，張家樂，石浩然，朱明皓，姜文兵

（國家電投集團江西電力有限公司新能源發電分公司，江西 南昌 330096）

風力發電機組是在野外嚴酷的自然環境下自主運行的，天長日久可能會因為極端天氣、工作疲勞、葉片破損或其他因素的影響而使其發生損壞或工作故障。而風機葉片是風力發電機組的關鍵部分，其造價較高也容易出現各種故障，若不及時發現并采取措施就會造成葉片出現較大裂紋影響工作甚至斷裂脫落以至于造成更嚴重的事故。目前，許多風電場最常用的診斷方法是人工檢查，這種方法受到背景噪聲和操作人員經驗的強烈影響。葉片故障自動監測技術急需發展。

許多學者在此方面投入了大量研究，一些診斷技術包括聲發射(Acoustic Emission,AE)、振動分析、超聲波檢測圖像識別和光纖傳感等等都可以用于風機葉片的實時損傷檢測。這些方法推動無損檢測技術的進步，具有一定的使用價值和研究意義。然而，這些方法有些要求傳感器安裝在風機葉片上，改變葉片原有結構且傳感器安裝難度較大，有些需要停機檢查，耽誤風電場風機運行，影響經濟效益。

基于上述討論，本文提出一套遠程實時在線非接觸式風機葉片故障監測系統，重點研究在復雜背景噪聲下風機葉片故障信息的特征提取和基于此特征的故障識別算法。結合風電場實錄聲學數據，得到了較為滿意的結果，驗證了此方法的可行性。

1 算法描述

1.1 遠程實時在線非接觸式故障監測系統

有故障的風機葉片在運行時會發出有規律的嘯叫聲，區別于風機葉片掃風的聲音。經驗豐富的風場工作人員可以通過聽取風機運轉時的聲音來判斷此風機是否健康。該系統由聲音信號采集前端、光網絡、數據處理中心及系統軟件組成，能夠實現葉片健康診斷，可以廣泛應用于風力發電場。

聲信號采集前端采集到的聲音通過光網絡發送到數據處理中心，在數據處理中心對聲信號進行處理，通過特征提取得到特征向量后送入到支持向量機分類器中分類，同時在數據監控中心可以聽取原始聲信號，看到信號的特征圖與分類結果，工作人員可以對給出的故障信號進行再一次確認。

傳聲器選型首先應滿足頻率響應范圍20 Hz～20 kHz，靈敏度高，盡可能清晰的錄制現場聲信號。其次要能適應野外惡劣環境，承擔長期的戶外工作。考慮到風機設有轉向系統，會根據風向調轉風機葉片所對方位，本次設計中在風機周圍以圓形均勻放置3個前端采集設備，可以更好的采集不同方向下風機葉片運轉的聲音。

圖1 遠程實時在線非接觸式故障監測系統示意圖

1.2 算法總體設計

此設計基于倍頻程和支持向量機原理來監測風電機組的健康狀況，在風機發生故障時軟件會發出警報。算法有兩大主要部分：特征提取部分和故障識別部分。為了更好的提取訓練數據的特征，首先將數據進行預處理后采用1/6倍頻程對風機運行時風機葉片產生的聲學信號中的特征進行提取與分析，然后采用經典的支持向量機理論對進行了特征提取的聲音信號進行二分類（分為正常類與故障類）。

圖2 算法總體流程圖

1.3 聲信號的特征提取

平均來說，山地風場的風速大致在4～10 m/s之間，年平均風速為6 m/s。風速過低時，風機無法工作，所以風電機組葉片轉動必然伴隨著高風速，有較大的風噪。此外，采集到的聲信號還包括自然界背景噪聲，風機自身機械噪聲等等。但從風場實錄信號來看，相比于其它的噪聲，風機葉片掃風帶來的風噪對葉片故障聲信號的影響最為嚴重，且風噪大多集中在低頻段。而故障種類較多，其聲信號的頻譜從幾十Hz到幾十kHz均有分布，范圍較為廣泛，難以直接提取。因而預處理主要是采用巴特沃斯高通濾波器去除低頻風噪，對音頻數據做一個初步的去噪處理。

人耳可聽的聲頻范圍為20 Hz～20 kHz，且人耳對聲信號的靈敏度與其頻率并非線性關系，對低頻信號較為敏感。我國在1982年出臺的國家標準GB 3240-82《聲學測量中的常用頻率》中明確提出在一般聲學測量中應采用以恒定百分比增量為頻率間隔的等比頻率，其中頻率間隔可以選擇倍頻程或其分數。這也就是說，對聲音信號進行分析時，不需要詳細了解每一個頻率點上的能量情況。為了更加方便地分析觀察不同聲信號特征，把全頻帶按照某種關系分為一系列無重疊冗余的子頻帶，將每個子頻帶內的聲能量看做平均分布的，需要分析的是不同子頻帶上的聲能量。通常采用相對恒定帶寬比的方法來劃分頻帶，這種方法劃分出的頻帶稱為倍頻程頻帶。倍頻程段表示特定頻率范圍內的整體能量水平。其計算步驟大致分為以下兩步：

（1）劃分頻帶

每一個子頻帶都有自己的上限截止頻率、下限截止頻率和中心頻率，三者間關系如式（1）所示：

其中，n=1時稱作一倍頻程，n=1/6時則為1/6倍頻程。根據不同分析的需求，n值可以做出相應的調整，但如果想進行高精度分析，那么n應該取較小值。

（2）計算子頻帶功率譜

得到每一個子頻帶內的功率譜后再轉化為聲壓級。設為第j個頻帶的能量，f為聲信號的頻譜幅值，則功率譜的計算公式為：

然后，再轉化為聲壓級，轉化公式如下：

其中，Pref為參考聲壓，大氣中通常取2×10-5Pa。

1.4 SVM描述

統計學習理論的支持向量機(Support Vector Machine，SVM)方法能使結構風險最小化，具有易于推廣和訓練樣本需求少的特點，為解決非線性分類問題提供了新的方法。

設待分類的樣本集合為{xi，yi}。其中xi為m維向量，是待分類數據的特征向量。yi是數據對應標簽，yi∈{-1，+1}。引入非負松弛因子εi，將線性可分與不可分的情況一并考慮，當εi=0時表示為線性可分，其他情況則為線性不可分。分類超平面需滿足ωxi+b=0，這樣的超平面有許多，而我們需要找最優分類超平面，設其滿足以下約束條件：

式中ω為權向量，b為偏置項。此時分類間隔ρ=2/║ω║，當分類間隔最大時等價于║ω║2最小。符合公式（4）約束條件且滿足║ω║2/2最小的分類超平面稱為最優分類面,確定最優超平面的向量叫做支持向量[23]。

支持向量機通常又稱為基于核的方法，例如我們要學習的模型的數據(輸入空間)在同等維度上的特征空間是難以線性可分的。這時候，考慮到可以將數據映射到高維的特征空間，可能會在高維的特征空間內找到一個能夠劃分數據的超平面(數學上可證明：如果輸入空間維度有限，那么一定存在高維特征空間使樣本可分)。因此，通過引入核函數，可以將原始非線性關系轉換為高維特征空間中的線性關系。

我們給出線性可分的表達式：

在本次設計中我們選用高斯核，高斯核函數為：

其中σ為核函數帶寬，是SVM訓練時有重要影響的超參數。

那么映射后的表達式為：

2 實驗結果分析

采集江西風場100臺風機的聲音數據，其中有故障風機和正常風機。通過人工標注得到帶標簽的數據，將正常風機標注為0，異常風機標注為1。

現場聲音采集系統（采集頻率為44.1 kHz）將采集到的聲音信號發送到數據中心，采用上限截止頻率為22 kHz，下限截止頻率為0.2 kHz巴特沃斯高通濾波器，去除低頻風噪，對音頻數據做一個初步的去噪處理。

特征提取選用1/6倍頻程，處理之后。一段聲音信號形成一個64維的頻帶能量特征向量。得到頻帶能量后，為了后續更好分類，將特征向量做歸一化處理。

圖3 信號預處理流程圖

圖4 正常風機不同時間頻帶能量分布圖（T=10 s）

圖5 故障風機不同時間頻帶能量分布圖（T=10 s)

由圖4、圖5可以看出故障風機和正常風機聲音在頻帶能量的分布上有一定差異，正常風機聲音的頻帶能量主要分布在低頻，異常風機聲音的頻帶能量主要在高頻處，較正常風機來說頻帶能量更大，且頻帶能量值在高頻處存在明顯凸起。

最后得到的頻帶能量文件寫入txt文本文檔中(前66列代表頻帶能量，倒數第二列代表聲信號所屬類別，最后一列為聲信號文件名），方便讀取后送至支持向量機進行模型訓練與分類。

圖6 正常風機特征能量文件

在本次試驗中共讀取了特征樣本2 632個，其中有缺陷樣本181個。按照7∶3的比例隨機劃分訓練集和測試集，訓練集占比70%。

選用網格搜尋法自動尋參確定支持向量機的超參數，由于本試驗中缺陷樣本相較于正常樣本來說數量過少，所以網格搜尋法的搜尋標準設置為F1，F1分數可以更好地反映數據不平衡模型的訓練效果，F1值越接近于1，則模型分類效果更好。從sklearn.model_selection庫 中 調 用GridSearchCV(網格搜索法) 自動選擇最優的c,gamma值。設定好以上參數，再選擇高斯核做為核函數后正式開始SVM的訓練驗證過程。

圖7 訓練過程學習曲線

通過樣本訓練得到的學習曲線，可以看到隨著樣本數增多，測試集的分數不斷上升，最后和訓練集分數相差無幾。

圖8 測試集正確率

圖8中的識別結果包括聲音信號的預測標簽和真實標簽，這樣可以更清楚看到分類正確和分類有誤的樣本。把測試集樣本完成迭代后的預測分類結果進行統計并寫入文檔保存下來，方便查看預測情況。其中橫坐標表示實際類別，縱坐標表示模型預測類別。最后，保存訓練好的SVM模型。

3 結論

本文提出了將風機葉片掃風的聲信號經過倍頻程提取頻帶能量特征并結合SVM進行正常和故障風機分類。在預處理過程中采用巴特沃斯濾波器去除主要的干擾成分風噪，并利用1/6倍頻程得到頻帶能量信息組成的特征向量。之后，采用帶高斯核的SVM對非線性特征信號進行二分類。最后，通過試驗驗證了此法的可行性，此設計可以實現遠程實時在線風機狀態的監測，有較大工業實用使用價值。