基于MFCC 聲音特征信號(hào)提取的風(fēng)機(jī)葉片故障診斷

劉 冰，陳 堃，鄒 超，沈曙光，謝萬(wàn)順

（江蘇華電灌云風(fēng)力發(fā)電有限公司，江蘇連云港 222227）

0 引言

在能源短缺和“雙碳目標(biāo)”的背景下，能源結(jié)構(gòu)迎來(lái)重要調(diào)整，我國(guó)風(fēng)電并網(wǎng)裝機(jī)容量逐年上升，風(fēng)電建設(shè)規(guī)模日益增大。隨著風(fēng)機(jī)機(jī)組的激增，風(fēng)機(jī)核心部件的葉片監(jiān)測(cè)存在大量問(wèn)題與挑戰(zhàn)：定期進(jìn)行地毯式人工巡檢，耗時(shí)耗力；無(wú)人機(jī)易受惡劣天氣影響，巡檢困難；損傷葉片無(wú)法保證及時(shí)維護(hù)，會(huì)降低發(fā)電效率。因此，如何低成本、高效率進(jìn)行風(fēng)機(jī)運(yùn)維成為一大難題，有必要對(duì)葉片進(jìn)行健康監(jiān)測(cè)。

目前，文獻(xiàn)［1］提出了一種基于單臺(tái)風(fēng)機(jī)葉片聲紋之間相似度計(jì)算的葉片檢測(cè)，對(duì)單臺(tái)風(fēng)機(jī)的3 個(gè)葉片聲紋進(jìn)行有效切割之后，對(duì)葉片進(jìn)行語(yǔ)譜分析，隨后對(duì)葉片的語(yǔ)譜圖進(jìn)行相似度計(jì)算，當(dāng)某個(gè)葉片與其他葉片相似度較低時(shí)，則認(rèn)為該葉片存在異常；文獻(xiàn)［2］提出了一種通過(guò)經(jīng)驗(yàn)?zāi)B(tài)分解進(jìn)行氣動(dòng)音頻去噪和特征參數(shù)判斷葉片是否損傷，先對(duì)聲音信號(hào)進(jìn)行去噪，然后根據(jù)均值、小波包等特征參數(shù)進(jìn)行損傷判斷。

本文提出了一種基于聲音信號(hào)的風(fēng)機(jī)葉片故障監(jiān)測(cè)方法，通過(guò)傳聲器等采集設(shè)備采集風(fēng)場(chǎng)正在運(yùn)行風(fēng)機(jī)的聲音信號(hào)，并進(jìn)行對(duì)信號(hào)進(jìn)行濾波處理，提高聲音信號(hào)的信噪比，同時(shí)對(duì)信號(hào)進(jìn)行頻譜分析，并將提取出的信號(hào)特征進(jìn)行建模，設(shè)計(jì)風(fēng)機(jī)葉片故障分類器，對(duì)風(fēng)機(jī)的健康狀態(tài)進(jìn)行實(shí)時(shí)監(jiān)測(cè)。

1 整體思路

通過(guò)傳聲器等采集設(shè)備采集風(fēng)場(chǎng)正在運(yùn)行風(fēng)機(jī)的聲音信號(hào)，并進(jìn)行對(duì)信號(hào)進(jìn)行濾波處理，提高聲音信號(hào)的信噪比，同時(shí)對(duì)信號(hào)進(jìn)行頻譜分析，并將提取出的信號(hào)特征進(jìn)行建模，設(shè)計(jì)風(fēng)機(jī)葉片故障分類器，對(duì)風(fēng)機(jī)的健康狀態(tài)進(jìn)行實(shí)時(shí)監(jiān)測(cè)，降低風(fēng)場(chǎng)的運(yùn)維成本，提高風(fēng)場(chǎng)人員的利用率[3]。葉片聲音信號(hào)檢測(cè)流程如圖1 所示。

圖1 葉片聲音信號(hào)檢測(cè)流程

2 相關(guān)原理

2.1 數(shù)據(jù)分幀

風(fēng)機(jī)葉片旋轉(zhuǎn)的聲音信號(hào)是一個(gè)非平穩(wěn)信號(hào)，但頻率在短時(shí)范圍內(nèi)相對(duì)固定，具有短時(shí)平穩(wěn)特性，因此可以采用分幀的方式對(duì)信號(hào)進(jìn)行截取。結(jié)合風(fēng)機(jī)葉片旋轉(zhuǎn)規(guī)律進(jìn)行信號(hào)分幀，為保證聲音特征參數(shù)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(shù)據(jù)濾波

風(fēng)機(jī)葉片旋轉(zhuǎn)會(huì)產(chǎn)生氣動(dòng)噪聲并混入其他背景環(huán)境噪聲，為提高信號(hào)的質(zhì)量，需要去除聲音信號(hào)的噪聲特征，提高信號(hào)的信噪比。常見(jiàn)的濾波方式有經(jīng)典濾波器和現(xiàn)代濾波器，前者認(rèn)為聲音信號(hào)和去噪信號(hào)具有不同的頻寬，考慮到風(fēng)機(jī)現(xiàn)場(chǎng)工況的復(fù)雜性，采用后者進(jìn)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(jì)準(zhǔn)則。維納濾波器是線性濾波器，多適用于平穩(wěn)隨機(jī)過(guò)程，而考慮到噪聲的非定常性，卡爾曼濾波更適用于非平穩(wěn)隨機(jī)過(guò)程。

卡爾曼濾波是一種數(shù)據(jù)融合算法，可以很好地從帶有噪聲的數(shù)據(jù)中估計(jì)狀態(tài)，基本思想是利用前一時(shí)刻的估計(jì)值和當(dāng)前時(shí)刻的觀測(cè)值來(lái)更新?tīng)顟B(tài)變量的估計(jì)，求出當(dāng)前時(shí)刻的估計(jì)值。

2.3 頻譜分析

經(jīng)過(guò)濾波之后，去除部分噪聲數(shù)據(jù)，可以將聲音信號(hào)進(jìn)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(shù)）特征。MFCC 的實(shí)現(xiàn)步驟如下：

（1）利用周期圖法進(jìn)行功率譜估計(jì)。聲音信號(hào)會(huì)隨著時(shí)間而變化，通過(guò)傅里葉變換只能將其轉(zhuǎn)換到頻域，會(huì)失去時(shí)域信息，無(wú)法看出頻率分布隨時(shí)間變化規(guī)律。而短時(shí)傅里葉則是把一段長(zhǎng)信號(hào)分幀、加窗，再對(duì)每一幀做快速傅里葉變換，最后把每一幀的結(jié)果沿另一個(gè)維度堆疊起來(lái)，就得到了二維信號(hào)形式。變換過(guò)程如下：

先利用離散傅里葉變換把每一幀信號(hào)變換到時(shí)域：

其中，s（n）表示時(shí)域信號(hào)，si（n）是第i 幀的數(shù)據(jù)，Si（k）是第i幀的第k 個(gè)復(fù)數(shù)，h（n）是一個(gè)N 點(diǎn)的窗函數(shù)。

再計(jì)算功率譜Pi（k）=，其中Pi（k）為第i 幀的功率譜。

最后，經(jīng)過(guò)短時(shí)傅里葉變換之后得到一個(gè)復(fù)數(shù)，其實(shí)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(duì)功率譜用Mel 濾波器組進(jìn)行濾波。梅爾濾波器的長(zhǎng)度與功率譜相等，每個(gè)濾波器只有對(duì)于需要采集的頻率范圍非零、其余都是0。利用Mel 濾波器對(duì)功率譜的濾波過(guò)程，得到Filter Bank 特征。

（3）對(duì)log 后的Filter Bank 特征進(jìn)行離散余弦變換。對(duì)Filter Bank 特征取對(duì)數(shù)，得到相應(yīng)頻帶的對(duì)數(shù)功率譜，并進(jìn)行離散余弦變換，得到MFCC 特征即靜態(tài)特征，然后進(jìn)行一階和二階差分，得到動(dòng)態(tài)特征。

2.4 故障分類

葉片故障運(yùn)行的聲音信號(hào)和正常運(yùn)行的信號(hào)在頻譜特征上存在差異性。由于頻譜數(shù)據(jù)偏數(shù)值化，定義一個(gè)邏輯回歸分類器進(jìn)行風(fēng)機(jī)葉片故障分類模型，對(duì)風(fēng)機(jī)葉片是否故障進(jìn)行研判。

邏輯回歸是對(duì)數(shù)線性模型，經(jīng)過(guò)頻譜分析之后的聲音信號(hào)為特征樣本，葉片是否故障為標(biāo)簽樣本，包含“0”和“1”（其中“0”表示正常、“1”表示故障），建立二項(xiàng)邏輯回歸分類模型[5]。

模型參數(shù)應(yīng)用極大似然估計(jì)法求解，將求解問(wèn)題轉(zhuǎn)換為以對(duì)數(shù)似然函數(shù)為目標(biāo)函數(shù)的最優(yōu)化問(wèn)題，并利用梯度下降法進(jìn)行參數(shù)優(yōu)化[6]。

3 仿真實(shí)驗(yàn)

選用某風(fēng)場(chǎng)10 臺(tái)風(fēng)機(jī)為期一年的聲音信號(hào)數(shù)據(jù)進(jìn)行分析，首先對(duì)聲音信號(hào)進(jìn)行分幀處理，風(fēng)機(jī)葉片旋轉(zhuǎn)一周的時(shí)間周期為5 s，采樣率為44.1 kHz，并進(jìn)行時(shí)間長(zhǎng)度為1 s 的重復(fù)取幀，即每幀的采樣點(diǎn)數(shù)為2 205 000 個(gè)（圖2）。

圖2 每幀的采樣點(diǎn)數(shù)

對(duì)聲音信號(hào)進(jìn)行卡爾曼濾波，去除了一定的背景噪聲，并對(duì)濾波后的數(shù)據(jù)進(jìn)行頻譜分析，本文選用MFCC 特征提取[7]。風(fēng)機(jī)葉片呈有規(guī)律運(yùn)行，當(dāng)葉片存在異常時(shí)葉片聲音信號(hào)將出現(xiàn)異常（圖3）。

圖3 風(fēng)機(jī)故障葉片和非故障葉片的頻譜圖

上述過(guò)程是進(jìn)行特征提取，考慮到模型樣本基本是數(shù)值型，選用邏輯回歸為風(fēng)機(jī)葉片故障模型的分類器，并對(duì)模型進(jìn)行訓(xùn)練，混淆矩陣如圖4 所示。

圖4 混淆矩陣

對(duì)模型進(jìn)行評(píng)估和優(yōu)化，精準(zhǔn)率為94.8%，召回率為95.8%，并在現(xiàn)場(chǎng)進(jìn)行3 個(gè)月的實(shí)時(shí)驗(yàn)證，結(jié)果較符合風(fēng)機(jī)葉片的變化規(guī)律。

4 結(jié)論

當(dāng)葉片出現(xiàn)劃傷、開(kāi)裂等情況時(shí)，葉片聲音會(huì)在頻帶上表現(xiàn)出差異[8]，因此，首先對(duì)對(duì)數(shù)據(jù)進(jìn)行濾波處理，提高聲音信號(hào)的信噪比，然后對(duì)數(shù)據(jù)頻譜分析，將提取出的聲音特征進(jìn)行建模，設(shè)計(jì)風(fēng)機(jī)葉片故障分類器，最后結(jié)合歷史和現(xiàn)場(chǎng)數(shù)據(jù)，進(jìn)行了模型的評(píng)估和驗(yàn)證[9]。風(fēng)機(jī)葉片故障模型的建立，不僅降低風(fēng)場(chǎng)人員成本、提高運(yùn)維效率、保證風(fēng)機(jī)機(jī)組的健康運(yùn)行，還可以帶來(lái)可觀的經(jīng)濟(jì)效益。