新華電力發(fā)展投資有限公司 李 健 郭宏偉 王艷杰

隨著風(fēng)力發(fā)電的廣泛應(yīng)用，對(duì)風(fēng)力發(fā)電機(jī)實(shí)現(xiàn)有效故障檢測(cè)的需求也越來(lái)越迫切。本研究旨在探索一種便捷有效的風(fēng)力發(fā)電機(jī)葉片故障檢測(cè)方法?；谌~片旋轉(zhuǎn)過(guò)程中所產(chǎn)生的聲音信號(hào)對(duì)葉片進(jìn)行故障診斷，采用離散傅里葉變換技術(shù)對(duì)聲音信號(hào)進(jìn)行處理，提取出聲音信號(hào)的頻域特征?；谶@些特征，構(gòu)建了多層感知機(jī)進(jìn)行分類(lèi)。試驗(yàn)結(jié)果表明，分類(lèi)模型在小型風(fēng)力發(fā)電機(jī)模型葉片故障檢測(cè)方面的準(zhǔn)確率超過(guò)98%。這一結(jié)果有望為未來(lái)風(fēng)力發(fā)電機(jī)葉片的故障檢測(cè)和維護(hù)提供有力支持。

1 風(fēng)力發(fā)電背景概述

隨著全球?qū)η鍧嵞茉吹男枨笤絹?lái)越迫切，風(fēng)力發(fā)電作為一種具有良好可再生性的清潔能源，正在得到越來(lái)越多廣泛的關(guān)注。國(guó)際能源署報(bào)告顯示，從2010年到2023年，風(fēng)力發(fā)電在全球累計(jì)電力容量中所占比例從3.5%增長(zhǎng)至11.4%；在風(fēng)力發(fā)電、水力發(fā)電、光伏發(fā)電、生物能四種清潔能源中所占比例從13.7%增長(zhǎng)至26.0%。國(guó)家統(tǒng)計(jì)局報(bào)告顯示，2022年1至12月我國(guó)風(fēng)力發(fā)電量6867.2億kWh，于清潔能源占比27%左右，累計(jì)增速12.3%。與傳統(tǒng)能源設(shè)備相比，風(fēng)力發(fā)電具有多項(xiàng)優(yōu)勢(shì)，例如不會(huì)產(chǎn)生污染物、不會(huì)對(duì)環(huán)境造成負(fù)面影響、可再生性強(qiáng)等。近年來(lái)，各國(guó)政府和企業(yè)紛紛加大了對(duì)風(fēng)力發(fā)電技術(shù)的研發(fā)和投資力度，推動(dòng)了風(fēng)力發(fā)電技術(shù)的不斷發(fā)展和壯大。

風(fēng)機(jī)葉片是風(fēng)力發(fā)電機(jī)中最為關(guān)鍵的部件之一，其健康狀況直接影響著風(fēng)力發(fā)電機(jī)的工作效率、使用壽命和安全性。一旦葉片出現(xiàn)故障，將會(huì)對(duì)風(fēng)力發(fā)電機(jī)的整體性能產(chǎn)生嚴(yán)重的影響，甚至可能引發(fā)安全事故[1]。據(jù)河北省張家口地區(qū)某風(fēng)電場(chǎng)99臺(tái)雙饋式風(fēng)電機(jī)組6年運(yùn)行時(shí)間統(tǒng)計(jì)，風(fēng)輪系統(tǒng)故障比例占總故障比例的27%，風(fēng)機(jī)葉片系統(tǒng)故障所致停機(jī)時(shí)間占風(fēng)電場(chǎng)各系統(tǒng)累計(jì)停機(jī)時(shí)間的26%。因此，采取有效的手段對(duì)風(fēng)機(jī)葉片進(jìn)行故障診斷和健康監(jiān)測(cè)，對(duì)于提高風(fēng)力發(fā)電機(jī)的可靠性和降低運(yùn)營(yíng)成本具有重要的意義。

隨著技術(shù)的不斷創(chuàng)新和進(jìn)步，新興技術(shù)在風(fēng)機(jī)葉片故障診斷和健康監(jiān)測(cè)中的研究逐漸增多。其中，使用光學(xué)傳感器、超聲波檢測(cè)等技術(shù)對(duì)風(fēng)機(jī)葉片進(jìn)行故障檢測(cè)是目前較為常見(jiàn)的應(yīng)用手段。利用光學(xué)傳感器，可以實(shí)時(shí)監(jiān)測(cè)風(fēng)機(jī)葉片的振動(dòng)、應(yīng)變和形變，從而及時(shí)發(fā)現(xiàn)和評(píng)估葉片的健康狀況。利用超聲波在葉片中傳播產(chǎn)生的反射、折射、衍射等現(xiàn)象，可以檢測(cè)風(fēng)機(jī)葉片上的缺陷、裂紋和腐蝕等故障[2]。

總的來(lái)說(shuō)，光學(xué)傳感器、超聲波檢測(cè)等新興技術(shù)的應(yīng)用為風(fēng)力發(fā)電機(jī)的安全運(yùn)行提供了有力支持，但是其往往具有較高的技術(shù)門(mén)檻和設(shè)備成本，并且對(duì)風(fēng)機(jī)環(huán)境要求較高，限制了在實(shí)際應(yīng)用中的推廣和普及。與新興技術(shù)相比，聲音作為葉片轉(zhuǎn)動(dòng)過(guò)程中最直觀的數(shù)據(jù)來(lái)源蘊(yùn)含著較多的信息。即使是葉片產(chǎn)生微小損傷，在葉片高速轉(zhuǎn)動(dòng)過(guò)程中，聲音也會(huì)發(fā)生明顯的變化。

綜上所述，本研究基于聲音信號(hào)研究風(fēng)機(jī)葉片故障檢測(cè)方法，該方法利用離散傅里葉變換提取聲音信號(hào)的頻域特征，并使用多層感知機(jī)進(jìn)行分類(lèi)。試驗(yàn)結(jié)果表明，該方法在小型風(fēng)力發(fā)電機(jī)模型葉片數(shù)據(jù)中的分類(lèi)準(zhǔn)確率超過(guò)了98%，本研究為風(fēng)力發(fā)電機(jī)葉片的健康監(jiān)測(cè)和故障診斷提供了一種思路和方法，對(duì)于未來(lái)風(fēng)力發(fā)電機(jī)葉片的維護(hù)和管理具有一定的參考價(jià)值。

2 數(shù)據(jù)準(zhǔn)備

本研究使用小型風(fēng)力發(fā)電機(jī)模型對(duì)葉片旋轉(zhuǎn)所產(chǎn)生聲音數(shù)據(jù)進(jìn)行采集，風(fēng)機(jī)模型高度為1m，葉片長(zhǎng)度為60cm，聲音采集的位置位于三片葉片延長(zhǎng)線交點(diǎn)的正前方，以消除旋轉(zhuǎn)周期對(duì)聲音信號(hào)的影響。試驗(yàn)設(shè)計(jì)了四種不同場(chǎng)景：一是三片正常葉片；二是兩片斷裂葉片和一片正常葉片；三是兩片磨損葉片和一片正常葉片；四是一片斷裂葉片、一片磨損葉片和一片正常葉片。這些場(chǎng)景模擬了不同程度的葉片故障情況，旨在研究本文提出的方法對(duì)于不同類(lèi)型葉片故障的檢測(cè)能力。

在數(shù)據(jù)采集過(guò)程中，研究人員手動(dòng)用力旋轉(zhuǎn)葉片，每次旋轉(zhuǎn)采集約14s的旋轉(zhuǎn)聲音。為了保證數(shù)據(jù)的準(zhǔn)確性和可靠性，每種場(chǎng)景都重復(fù)采集約200次，并且聲音采樣率為44.1kHz，能夠充分反映葉片旋轉(zhuǎn)過(guò)程中的聲音變化情況。

對(duì)于所有采集到的葉片聲音數(shù)據(jù)，將其切分為長(zhǎng)度為4096的片段，以便進(jìn)行后續(xù)的處理和分析。為了避免數(shù)據(jù)出現(xiàn)類(lèi)別不平衡問(wèn)題，本研究取所有的正常葉片數(shù)據(jù)和故障葉片數(shù)據(jù)的三分之一作為待分析數(shù)據(jù)。通過(guò)這種數(shù)據(jù)處理方式，能夠有效避免模型過(guò)于關(guān)注某特定類(lèi)別樣本而忽視其他類(lèi)別樣本，能夠更好地反映模型的分類(lèi)能力。

3 數(shù)據(jù)分析

分析流程：離散傅里葉變換-多層感知機(jī)分類(lèi)。

3.1 離散傅里葉變換

由于原始聲音信號(hào)在時(shí)域上受到時(shí)間因素的影響，直接使用時(shí)域信號(hào)進(jìn)行分類(lèi)效果不佳。在本研究中，使用傅里葉變換對(duì)風(fēng)機(jī)葉片聲音信號(hào)進(jìn)行處理和分析，以提取頻域特征。傅里葉變換是一種重要的信號(hào)處理方法，可以將時(shí)域信號(hào)轉(zhuǎn)換為頻域信號(hào)，進(jìn)而實(shí)現(xiàn)對(duì)信號(hào)頻率特征的提取和分析。其在信號(hào)處理、圖像處理、音頻處理等領(lǐng)域得到了廣泛的應(yīng)用。在傅里葉變換的基礎(chǔ)上，離散傅里葉變換（DFT）是一種更加高效和靈活的頻域分析方法。與傳統(tǒng)的傅里葉變換相比，離散傅里葉變換可以對(duì)離散信號(hào)進(jìn)行處理，適用于數(shù)字信號(hào)處理和計(jì)算機(jī)實(shí)現(xiàn)[3]。在本研究中，利用離散傅里葉變換對(duì)葉片聲音信號(hào)進(jìn)行處理，以提取其頻域特征，為多層感知機(jī)模型的分類(lèi)提供重要依據(jù)。

對(duì)于長(zhǎng)度為N的實(shí)數(shù)序列x[n]，其DFT定義為：

其中，xn為輸入序列中的第n個(gè)元素，Xk為輸出序列中的第k個(gè)元素，N為輸入序列的長(zhǎng)度，j為虛數(shù)單位。該公式描述了將時(shí)域信號(hào)x轉(zhuǎn)換為頻域信號(hào)X的過(guò)程，即將輸入序列x通過(guò)一組復(fù)指數(shù)基函數(shù)（）進(jìn)行線性組合，得到輸出序列X。

對(duì)于Xk=Re（Xk）+Im（Xk）j，其幅值|Xk|與相位φk定義為：

王積薪揮袖擦掉臉上的淚水，當(dāng)即將三個(gè)少年帶到棋室里，信誓旦旦，一定要將渾身棋藝傾囊相授，還要東方宇軒除了管理谷中事物之外，也應(yīng)抽空過(guò)來(lái)弈棋，畢竟，這個(gè)谷中，只有他們兩人才是唯二的弈棋高手。

其中，Re（Xk）表示Xk的實(shí)部，Im（Xk）表示Xk的虛部。

對(duì)幅值與相位信息進(jìn)行拼接，每段數(shù)據(jù)形成4098長(zhǎng)度的特征向量作為多層感知機(jī)的輸入，使用多層感知機(jī)對(duì)其分類(lèi)。

3.2 多層感知機(jī)分類(lèi)

在本研究中，使用了多層感知機(jī)（MLP）對(duì)葉片聲音信號(hào)進(jìn)行分類(lèi)和診斷。多層感知機(jī)是一種基于神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)模型，具有廣泛的應(yīng)用領(lǐng)域，包括圖像處理、語(yǔ)音識(shí)別、自然語(yǔ)言處理等。多層感知機(jī)是一種前饋神經(jīng)網(wǎng)絡(luò)，由多個(gè)神經(jīng)元組成，其中每個(gè)神經(jīng)元都與前一層的所有神經(jīng)元相連[4]。神經(jīng)元通過(guò)傳遞信號(hào)和計(jì)算輸出，完成信息的處理和傳遞。多層感知機(jī)的優(yōu)點(diǎn)在于其可以學(xué)習(xí)和適應(yīng)數(shù)據(jù)的非線性關(guān)系，能夠識(shí)別和提取數(shù)據(jù)的抽象特征，并且具有較好的泛化能力，能夠處理具有高度復(fù)雜性和非線性關(guān)系的數(shù)據(jù)。在本研究中，將多層感知機(jī)應(yīng)用于葉片聲音信號(hào)的分類(lèi)和診斷任務(wù)，將離散傅里葉變換提取的頻域特征作為輸入數(shù)據(jù)，經(jīng)過(guò)多層感知機(jī)進(jìn)行訓(xùn)練和分類(lèi)。

本研究所采用多層感知機(jī)包含輸入層、隱藏層和輸出層。輸入層接收4098維特征向量。隱藏層包含256個(gè)神經(jīng)元，并使用ReLU激活函數(shù)。輸出層僅一個(gè)神經(jīng)元，應(yīng)用Sigmoid激活函數(shù)將輸出限制在0至1之間。模型引入批量歸一化（Batch normalization）以增強(qiáng)訓(xùn)練穩(wěn)定性，采用二元交叉熵?fù)p失（BCELoss）作為損失函數(shù)，優(yōu)化器為隨機(jī)梯度下降（SGD）。

多層感知機(jī)的數(shù)學(xué)表示如下：

H=ReLU（W1x+b1）

W1∈R256×4098和b1∈R256分別表示輸入層至隱藏層的權(quán)重矩陣和偏置向量。ReLU激活函數(shù)定義為：

ReLU（z）=max（0,z）

進(jìn)行批量歸一化操作：

hBN=BatchNorm（h）

批量歸一化將隱藏層激活值規(guī)范化為均值0、方差1，并引入可學(xué)習(xí)的權(quán)重和偏置。將 hBN傳遞至輸出層，計(jì)算預(yù)測(cè)值：

W2∈R1×256和b2∈R分別表示隱藏層至輸出層的權(quán)重矩陣和偏置向量。σ為Sigmoid激活函數(shù)：

σ（z）=1/1+e-z

二元交叉熵?fù)p失作為損失函數(shù)，定義如下：

y∈0,1是真實(shí)標(biāo)簽，是預(yù)測(cè)標(biāo)簽，N是樣本數(shù)量。模型采用隨機(jī)梯度下降進(jìn)行優(yōu)化。

4 試驗(yàn)結(jié)果

為了評(píng)估所提出方法的性能，本研究對(duì)小型風(fēng)力發(fā)電機(jī)模型葉片數(shù)據(jù)故障檢測(cè)的準(zhǔn)確率進(jìn)行了驗(yàn)證。在數(shù)據(jù)集劃分中，將80%的數(shù)據(jù)用于訓(xùn)練，20%的數(shù)據(jù)用于測(cè)試。經(jīng)過(guò)反復(fù)的試驗(yàn)和調(diào)整，所提出的基于離散傅里葉變換與多層感知機(jī)的風(fēng)機(jī)葉片故障診斷方法具有較高的準(zhǔn)確性和穩(wěn)定性。如圖1、圖2所示，在不同迭代次數(shù)下測(cè)試了準(zhǔn)確率和損失函數(shù)的變化情況，結(jié)果表明，經(jīng)過(guò)50次迭代訓(xùn)練后，模型對(duì)正常與故障葉片的分類(lèi)準(zhǔn)確率達(dá)到99%左右。相比直接將原始數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)，基于傅里葉變換的方法具有更高的準(zhǔn)確率和更快的收斂速度，證明了離散傅里葉變換和多層感知機(jī)在風(fēng)機(jī)葉片故障診斷中的有效性和可行性。試驗(yàn)結(jié)果表明該方法基于聲音數(shù)據(jù)能夠?qū)崿F(xiàn)有效的故障檢測(cè)，能夠降低故障檢測(cè)成本，提高風(fēng)力發(fā)電機(jī)的可靠性和使用壽命，有望為實(shí)際風(fēng)電場(chǎng)的運(yùn)營(yíng)維護(hù)提供有力支持。

圖1 學(xué)習(xí)曲線圖

圖2 ROC曲線圖

在本研究中，筆者提出了一種基于離散傅里葉變換和多層感知機(jī)的風(fēng)機(jī)葉片故障診斷方法。首先，通過(guò)對(duì)葉片聲音信號(hào)進(jìn)行離散傅里葉變換處理，成功地提取了頻域特征。接下來(lái)，利用多層感知機(jī)對(duì)這些頻域特征進(jìn)行分類(lèi)和診斷。經(jīng)過(guò)試驗(yàn)驗(yàn)證，該方法在小型風(fēng)力發(fā)電機(jī)模型葉片故障檢測(cè)方面表現(xiàn)出較高的準(zhǔn)確率，在50次迭代訓(xùn)練后，所提出的方法對(duì)正常與故障葉片的分類(lèi)準(zhǔn)確率達(dá)到了99%，相比直接將原始數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)具有更高的準(zhǔn)確率和更快的收斂速度。這證明了離散傅里葉變換和多層感知機(jī)在風(fēng)機(jī)葉片故障診斷中的有效性和可行性，也證明了聲音信號(hào)可以作為葉片故障診斷依據(jù)的潛力。

總體來(lái)說(shuō)，本研究提出的基于離散傅里葉變換與多層感知機(jī)的風(fēng)機(jī)葉片故障診斷方法，能夠簡(jiǎn)便實(shí)現(xiàn)小型風(fēng)機(jī)模型葉片的故障檢測(cè)，有望為實(shí)際風(fēng)電場(chǎng)的運(yùn)營(yíng)維護(hù)提供有力支持。在未來(lái)的研究中，可以進(jìn)一步優(yōu)化模型結(jié)構(gòu)，嘗試采用更復(fù)雜的神經(jīng)網(wǎng)絡(luò)以提高分類(lèi)性能。此外，還可以考慮結(jié)合其他信號(hào)處理技術(shù)和特征提取方法，提高故障診斷的準(zhǔn)確性和魯棒性。本研究有望在風(fēng)力發(fā)電行業(yè)實(shí)際應(yīng)用中發(fā)揮積極作用。