鄒宜金，連應(yīng)華，黃新宇，劉培，王穎蕊

(福建華電可門發(fā)電有限公司 福州 350512)

當(dāng)前，風(fēng)力發(fā)電正以極快的速度發(fā)展，但由于風(fēng)電機組大多安裝在高山、荒野、海灘、海島等相對惡劣的環(huán)境中，容易出現(xiàn)故障，維修起來耗費大量人力物力。

在風(fēng)力發(fā)電機組中，葉片作為整個風(fēng)電機組最前端的捕風(fēng)機構(gòu)，造價約占整機的20%左右。從葉片本身看其復(fù)合材料結(jié)構(gòu)決定了其運行期間自身狀態(tài)的復(fù)雜性；從運行環(huán)境看，風(fēng)機葉片是整個機組暴露在外部環(huán)境中長期運行的最大部件，風(fēng)沙、鹽霧、紫外線、雷電等都會對葉片造成一定的損傷；從功能發(fā)揮上看，作為捕風(fēng)機構(gòu)的葉片在運行過程中要承受各種風(fēng)況施加的多變震、彎曲、扭轉(zhuǎn)的交替應(yīng)力變化[1]。在以上因素的影響下，隨著運行時間的推移將導(dǎo)致葉片發(fā)生破損、開裂乃至斷裂等質(zhì)量問題，這些問題無論從影響程度還是維修成本上都居高不下。由于葉片的維修和更換，相對其他設(shè)備更為復(fù)雜，耗時更長，所以葉片故障引起的停機時長，在機組總故障中的比例高達(dá)34%[2]，因此對風(fēng)電機組葉片工作狀況進(jìn)行異常檢測非常必要。有效的風(fēng)機葉片異常檢測能提高生產(chǎn)率，減少運維成本支出，增強作業(yè)安全性。

1 相關(guān)工作

在風(fēng)機故障檢測領(lǐng)域，已發(fā)展基于聲發(fā)射[3-4]、振動分析[5-7]、光纖光柵[8]、紅外熱成像[9]等多種原理的檢測技術(shù)?？紤]到實際情況，能符合檢測效率實時、非接觸式且便于安裝要求的有SCADA 數(shù)據(jù)分析和聲學(xué)檢測兩類方法。

SCADA 數(shù)據(jù)分析[10-11]是對SCADA 傳感器數(shù)據(jù)進(jìn)行分析，采用聚類或者趨勢預(yù)測對風(fēng)機葉片可能發(fā)生的異常進(jìn)行分類判定。此類方法傳感器數(shù)據(jù)匯總屬性數(shù)據(jù)維度過高，采樣頻率較低，相關(guān)屬性分析模糊，工況對數(shù)據(jù)影響大，模型準(zhǔn)確度受限。

聲學(xué)檢測方法主要實現(xiàn)手段有：

1)傳統(tǒng)數(shù)值統(tǒng)計分析，對波形進(jìn)行時域頻域分析，依賴其均方根值、峰值水平、峭度、斜度、波峰因數(shù)和其他數(shù)值特點進(jìn)行風(fēng)機葉片是否異常的判定。該方法是比較早期的研究方案，在實際運用中難以得到滿意的結(jié)果。

2)非線性和非穩(wěn)態(tài)的分析[12]，采用小波變換或者希爾伯特?黃變換得到故障特征頻率變化的特征。不過，輸入信號復(fù)雜度高，采用小波變換也沒有從根本上解決任意變頻的問題，沒有切合風(fēng)機是一個線性系統(tǒng)的非定常響應(yīng)問題。

3)普通機器學(xué)習(xí)采用分類方法、回歸方法、神經(jīng)網(wǎng)絡(luò)、支持向量機、決策樹、隨機森林等[13]。這需要大量故障風(fēng)機葉片的信號樣本，但實際中風(fēng)機葉片的故障類型、受損程度與部位不同都將導(dǎo)致葉片故障數(shù)據(jù)收集不全面，從而影響所建模型的準(zhǔn)確度。此類方法，如果換個場景和風(fēng)機，模型的準(zhǔn)確度會存在問題。

實際應(yīng)用中風(fēng)場位置不同、風(fēng)機類型各異、故障類型眾多、背景環(huán)境多變等因素復(fù)雜交錯。上述基于規(guī)則和特征的手段都面臨非線性表征能力弱，泛化能力不強，識別率不高的問題，所以無法滿足實際工程需要?；谏疃葘W(xué)習(xí)的方法，受限于數(shù)據(jù)采集的規(guī)模難以實現(xiàn)，和實現(xiàn)過程中易過擬合及調(diào)參難的通病，難以泛化，故障診斷的可遷移性存在問題。同時，信號復(fù)雜度高、數(shù)據(jù)不均衡、數(shù)據(jù)收集困難也是解決風(fēng)機故障監(jiān)測必須直面的問題。

2 方法的設(shè)計

2.1 模型思考和設(shè)計

通過項目研究，發(fā)現(xiàn)風(fēng)機實際運行中，由于葉片旋轉(zhuǎn)具有周期性，采集葉片聲音傳感器位置在葉輪迎風(fēng)側(cè)正下方，故葉片掃風(fēng)的聲音信號也具有周期性。所以，可以利用受損葉片和正常葉片的周期性和差異性特點進(jìn)行高效準(zhǔn)確的異常檢測。

區(qū)別于目前基于大量數(shù)據(jù)樣本的智能診斷算法，不需要采集大量的數(shù)據(jù)信息，不需要建立診斷識別的模型，僅依靠單臺風(fēng)機3 個葉片之間的參考和對比就可以診斷該臺風(fēng)機是否故障，操作流程簡單，診斷精度也較高；從算法角度，減少了計算量，提出基于聚類和中值收斂的周期性音頻切割方法，對聲紋進(jìn)行有效的切割，為增強聲紋變化的魯棒性問題提供基礎(chǔ)。

本文具體方法的設(shè)計如圖1 所示。

圖1 本方法實現(xiàn)示意圖

2.1.1 原始音頻預(yù)處理

聲音采集器工作在復(fù)雜的室外，采集到的音頻信號一般包含大量噪聲，如鳥叫、風(fēng)聲、人聲和其他風(fēng)機造成的噪聲等。目前，風(fēng)機的啟動條件一般為平均風(fēng)速不小于3.5m/s，聲音傳感器采集的信號必然包含風(fēng)噪，且相比其他背景噪聲，風(fēng)噪影響較大。風(fēng)噪的頻譜能量集中在350Hz 以下的低頻區(qū)域，需要濾波器將低頻的風(fēng)噪濾除。

2.1.2 計算音頻信號語譜圖

聲音信號的特征提取是核心步驟之一，提取到有效、可靠的特征能提高結(jié)果的準(zhǔn)確性和有效性，降低處理的復(fù)雜度。經(jīng)過實驗語譜圖能很好的表征風(fēng)機葉片的音頻特征。

2.1.3 語譜圖切割

對語譜圖峰圖和峰圖之間的間隔進(jìn)行識別，實現(xiàn)精準(zhǔn)的音頻分割，得到分割的坐標(biāo)。值得一提的是，雖然采用了聲紋分割聚類[14]這個名字，但是其含義不是傳統(tǒng)語音中的識別說話人數(shù)量和歸屬，是識別不同風(fēng)機葉片掃風(fēng)音頻和掃風(fēng)間隔音頻。

不采用實時轉(zhuǎn)速情況下，葉片周期的聲紋切割算法有以下兩種：

1)波峰波谷峰值計算。正常純凈掃風(fēng)音頻，可以使用該辦法，但是在實際風(fēng)場中，經(jīng)常有無規(guī)律間隔疊加能量的干擾，且風(fēng)機3 個葉片的功率強度軸也可能不同，導(dǎo)致相鄰葉片的波峰波谷有較大的震蕩區(qū)間，對峰值檢測的精度和準(zhǔn)度帶來挑戰(zhàn)。少識別的波峰，會導(dǎo)致錯周期切割，直接影響后續(xù)的疊加算法。

2)深度學(xué)習(xí)。采用一維卷積神經(jīng)網(wǎng)絡(luò)或者其他模型，標(biāo)注峰值區(qū)域進(jìn)行特征學(xué)習(xí)，需要大量采集數(shù)據(jù)，還需要手工標(biāo)注不少數(shù)據(jù)，模型也需要提前訓(xùn)練，工程實現(xiàn)較為冗雜。

本文采用聚類方法對中高維語譜圖矩陣進(jìn)行聚類，得到掃風(fēng)聲和安靜聲的標(biāo)簽序列，接著用中值收斂調(diào)整修正該標(biāo)簽序列，能精確得到安靜音頻到掃風(fēng)音頻階躍的坐標(biāo)點。這種設(shè)計不僅能無參數(shù)動態(tài)分割，還有較強的魯棒性和泛化性。

具體實現(xiàn)如下：

2)對語譜圖的中高維度進(jìn)行截取，將降維后的矩陣輸入K_means 兩類聚類算法。

3)得到聚類的0,1 標(biāo)簽序列。K_means 聚類后的效果不錯，得到掃風(fēng)聲和安靜聲的標(biāo)簽序列，能大體劃分出掃風(fēng)周期，不過由于信號復(fù)雜度高，K_means 聚類對異常值敏感，還是存在毛刺和缺失。需要對標(biāo)簽序列的毛刺和尖峰進(jìn)行過濾。

4)接著進(jìn)入收斂修正聚類標(biāo)簽操作，至此，可以得到分割點序列坐標(biāo)。

2.1.4 葉片平均語譜圖和均衡增強

透明度疊加，生成風(fēng)機每個葉片平均語譜圖。用分割的坐標(biāo)將長矩陣切割成t個矩陣Ti(0

Tcol1，Tcol2，Tcol3為葉片音頻的平均語譜圖畫像的矩陣表示，其疊加效果的熱圖如圖2 所示。

圖2 透明度疊加前后音頻語譜圖熱圖對比

風(fēng)力微弱情形下，語譜圖中有用數(shù)據(jù)的對比度會比較接近，采用直方圖均衡算法[15]進(jìn)行處理，通過這種方法，亮度可以更好地在直方圖上分布。文獻(xiàn)[16]提出了灰度直方圖均衡化算法。由于彩色RGB 圖片，有3 個通道，不能簡單為每個通道應(yīng)用灰度直方圖均衡化算法，然后組合起來。非線性直方圖均衡是非線性過程，均衡每個通道的做法會得到失真度非常大的結(jié)果。均衡涉及圖像的強度值，而不是顏色分量，因此，需要將RGB 格式轉(zhuǎn)為不干擾圖像顏色平衡，均衡亮度值的YCbCr 格式。在強度平面上執(zhí)行灰度直方圖均衡化操作，然后再把YCbCr 格式轉(zhuǎn)回RGB 格式。

2.1.5 相似度計算

(4) 模塊配置.根據(jù)具體需求結(jié)合配置規(guī)則庫,檢索出符合設(shè)計要求的模塊,并對模塊進(jìn)行組合、替換,完成設(shè)備模塊配置方案.配置規(guī)則庫的建立需要對企業(yè)長期積累的設(shè)計經(jīng)驗進(jìn)行歸納總計.

采用圖片化的SSIM(structural similarity)值來計算3 個特征矩陣熱圖圖片相似度。結(jié)構(gòu)相似性作為結(jié)構(gòu)相似性理論的實現(xiàn)，結(jié)構(gòu)相似度指數(shù)從圖像組成的角度將結(jié)構(gòu)信息定義為獨立于亮度、對比度的，反映場景中物體結(jié)構(gòu)的屬性，并將失真建模為亮度、對比度和結(jié)構(gòu)3 個不同因素的組合。采用均值作為亮度的估計，標(biāo)準(zhǔn)差作為對比度的估計，協(xié)方差作為結(jié)構(gòu)相似程度的度量。

文獻(xiàn)[17]提出了SSIM 值計算方法。3 個特征矩陣熱圖圖片兩者之間比較得到3 個SSIM 值，接著采用這3 個結(jié)果值進(jìn)行統(tǒng)計和判斷異常。

2.1.6 統(tǒng)計和告警

SSIM 值在連續(xù)6 分鐘內(nèi)，如果相似度都一致，而且大于閾值k(0

3 實驗與結(jié)果分析

3.1 輸入樣本構(gòu)造集

以山風(fēng)場和海風(fēng)場采集的故障和正常風(fēng)機葉片聲信號作為原始數(shù)據(jù)集，配置為單通道，44100 采樣率，采樣頻率區(qū)間為0～12kHz，選擇不同特性和背景風(fēng)機的聲信號作為原始數(shù)據(jù)集，如表1所示。

表1 原始數(shù)據(jù)集來源

圖3 是不同音頻頻譜圖表征。

圖3 不同風(fēng)機葉片掃風(fēng)音頻頻譜圖

第一組是正常葉片純凈掃風(fēng)音頻，第二組是疊加鳥鳴正常掃風(fēng)音頻，第三組是掃風(fēng)微弱音頻，第四組是疊加敲擊聲音頻，第五組是風(fēng)噪比較大的音頻。

對原始音頻進(jìn)行樣本重構(gòu)得到數(shù)據(jù)集。重構(gòu)方法主要有以下3 種：

1)由于風(fēng)機是包含轉(zhuǎn)速(3～17r/min)所以，采用拉伸和收縮處理得到不同轉(zhuǎn)速下音頻。

2)采用語音合成，對周期進(jìn)行中途變化或者疊加背景噪聲。

3)對音頻進(jìn)行軟件數(shù)據(jù)增強處理。

通過樣本重構(gòu)，共得到200 組2000min 的音頻樣本。其中，異常組占40 組，異常組占比20%。

3.2 模型結(jié)果分析

樣本輸入模型后，輸出結(jié)果如下：

異常識別的Recall 為0.975，Precision 為0.929，具體值如圖4 所示，該結(jié)果與參數(shù)選擇密切相關(guān)。

圖4 模型識別結(jié)果

3.3 參數(shù)選擇

3.3.1 聲紋切割算法的表現(xiàn)

聲紋切割算法的前提是聚類成功，由于聚類算法對異常值敏感，在音頻受到嚴(yán)重干擾，轉(zhuǎn)速過慢(伴隨聚類中心點貼近問題)和轉(zhuǎn)速過快(異常值敏感度加大)的音頻切割準(zhǔn)度下降。如圖5 所示，但在正常轉(zhuǎn)速情況下，切割算法的精度足夠。

圖5 切割算法在葉片不同轉(zhuǎn)速下的精度

3.3.2 相似度方法選擇

相似度方法有余弦相似度、均值哈希相似度、差值哈希相似度、感知哈希算法相似度、三直方圖相似度、單通道直方圖相似度及SSIM 結(jié)構(gòu)相似度。設(shè)一組標(biāo)簽為相似度高的語譜圖，與一組標(biāo)簽為相似度低的語譜圖，輸入不同相似度計算方法，其結(jié)果如圖6 所示。差值明顯的方法為比較適合的相似度方法。

圖6 不同相似度算法效果

SSIM 相似度方法在相似度高和相似度低情況下，有比較大的差值，能比較好地表征葉片頻譜圖相似度。

4 結(jié)束語

本方法的獨特性在于解決了聲音異常檢測的可行性和可泛化性。

1)異常檢測的可行性：拋棄了主流的尋找異常聲音特性和正常聲音特性的方法。重新歸納定義了異常的概念：某個葉片只要和其他兩個葉片聲音特性不一致就標(biāo)記異常。不依賴輸入的大數(shù)據(jù)樣本，不需要提前訓(xùn)練，易于部署和工程實踐，從聲音到圖像的轉(zhuǎn)變也使得異常檢測有可靠和成熟的量化標(biāo)準(zhǔn)。

2)異常檢測的可泛化性：能遷移，具有時間上和空間上的可泛化性。

研究工作的不足之處總結(jié)為以下兩點：

1)只對風(fēng)機葉片的異常檢測進(jìn)行檢測和提示，沒有進(jìn)行具體異常的分類，比如哨音明顯、葉片前緣異常、葉片后緣異常、葉片開裂等。

2)未進(jìn)行合適的風(fēng)機運行狀態(tài)識別，未識別導(dǎo)致變槳、偏航、關(guān)機過程、停機過程等風(fēng)機操作控制期間，識別失效的問題。