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(jī)組大多安裝在高山、荒野、海灘、海島等相對(duì)惡劣的環(huán)境中，容易出現(xiàn)故障，維修起來(lái)耗費(fèi)大量人力物力。

在風(fēng)力發(fā)電機(jī)組中，葉片作為整個(gè)風(fēng)電機(jī)組最前端的捕風(fēng)機(jī)構(gòu)，造價(jià)約占整機(jī)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(yùn)行期間自身狀態(tài)的復(fù)雜性；從運(yùn)行環(huán)境看，風(fēng)機(jī)葉片是整個(gè)機(jī)組暴露在外部環(huán)境中長(zhǎng)期運(yùn)行的最大部件，風(fēng)沙、鹽霧、紫外線、雷電等都會(huì)對(duì)葉片造成一定的損傷；從功能發(fā)揮上看，作為捕風(fēng)機(jī)構(gòu)的葉片在運(yùn)行過(guò)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(yùn)行時(shí)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(wèn)題，這些問(wèn)題無(wú)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(duì)其他設(shè)備更為復(fù)雜，耗時(shí)更長(zhǎng)，所以葉片故障引起的停機(jī)時(shí)長(zhǎng)，在機(jī)組總故障中的比例高達(dá)34%[2]，因此對(duì)風(fēng)電機(jī)組葉片工作狀況進(jìn)行異常檢測(cè)非常必要。有效的風(fēng)機(jī)葉片異常檢測(cè)能提高生產(chǎn)率，減少運(yùn)維成本支出，增強(qiáng)作業(yè)安全性。

1 相關(guān)工作

在風(fēng)機(jī)故障檢測(cè)領(lǐng)域，已發(fā)展基于聲發(fā)射[3-4]、振動(dòng)分析[5-7]、光纖光柵[8]、紅外熱成像[9]等多種原理的檢測(cè)技術(shù)?？紤]到實(shí)際情況，能符合檢測(cè)效率實(shí)時(shí)、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(cè)兩類方法。

SCADA 數(shù)據(jù)分析[10-11]是對(duì)SCADA 傳感器數(shù)據(jù)進(jìn)行分析，采用聚類或者趨勢(shì)預(yù)測(cè)對(duì)風(fēng)機(jī)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(guò)高，采樣頻率較低，相關(guān)屬性分析模糊，工況對(duì)數(shù)據(jù)影響大，模型準(zhǔn)確度受限。

聲學(xué)檢測(cè)方法主要實(shí)現(xiàn)手段有：

1)傳統(tǒng)數(shù)值統(tǒng)計(jì)分析，對(duì)波形進(jìn)行時(shí)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(diǎn)進(jìn)行風(fēng)機(jī)葉片是否異常的判定。該方法是比較早期的研究方案，在實(shí)際運(yùn)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(guò)，輸入信號(hào)復(fù)雜度高，采用小波變換也沒(méi)有從根本上解決任意變頻的問(wèn)題，沒(méi)有切合風(fēng)機(jī)是一個(gè)線性系統(tǒng)的非定常響應(yīng)問(wèn)題。

3)普通機(jī)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(jī)、決策樹、隨機(jī)森林等[13]。這需要大量故障風(fēng)機(jī)葉片的信號(hào)樣本，但實(shí)際中風(fēng)機(jī)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(gè)場(chǎng)景和風(fēng)機(jī)，模型的準(zhǔn)確度會(huì)存在問(wèn)題。

實(shí)際應(yīng)用中風(fēng)場(chǎng)位置不同、風(fēng)機(jī)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(cuò)。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(qiáng)，識(shí)別率不高的問(wèn)題，所以無(wú)法滿足實(shí)際工程需要。基于深度學(xué)習(xí)的方法，受限于數(shù)據(jù)采集的規(guī)模難以實(shí)現(xiàn)，和實(shí)現(xiàn)過(guò)程中易過(guò)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(wèn)題。同時(shí)，信號(hào)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(jī)故障監(jiān)測(cè)必須直面的問(wèn)題。

2 方法的設(shè)計(jì)

2.1 模型思考和設(shè)計(jì)

通過(guò)項(xiàng)目研究，發(fā)現(xiàn)風(fēng)機(jī)實(shí)際運(yùn)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(hào)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(diǎn)進(jìn)行高效準(zhǔn)確的異常檢測(cè)。

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(shí)別的模型，僅依靠單臺(tái)風(fēng)機(jī)3 個(gè)葉片之間的參考和對(duì)比就可以診斷該臺(tái)風(fēng)機(jī)是否故障，操作流程簡(jiǎn)單，診斷精度也較高；從算法角度，減少了計(jì)算量，提出基于聚類和中值收斂的周期性音頻切割方法，對(duì)聲紋進(jìn)行有效的切割，為增強(qiáng)聲紋變化的魯棒性問(wèn)題提供基礎(chǔ)。

本文具體方法的設(shè)計(jì)如圖1 所示。

圖1 本方法實(shí)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(hào)一般包含大量噪聲，如鳥叫、風(fēng)聲、人聲和其他風(fēng)機(jī)造成的噪聲等。目前，風(fēng)機(jī)的啟動(dòng)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(hào)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(jì)算音頻信號(hào)語(yǔ)譜圖

聲音信號(hào)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(guò)實(shí)驗(yàn)語(yǔ)譜圖能很好的表征風(fēng)機(jī)葉片的音頻特征。

2.1.3 語(yǔ)譜圖切割

對(duì)語(yǔ)譜圖峰圖和峰圖之間的間隔進(jìn)行識(shí)別，實(shí)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(gè)名字，但是其含義不是傳統(tǒng)語(yǔ)音中的識(shí)別說(shuō)話人數(shù)量和歸屬，是識(shí)別不同風(fēng)機(jī)葉片掃風(fēng)音頻和掃風(fēng)間隔音頻。

不采用實(shí)時(shí)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(jì)算。正常純凈掃風(fēng)音頻，可以使用該辦法，但是在實(shí)際風(fēng)場(chǎng)中，經(jīng)常有無(wú)規(guī)律間隔疊加能量的干擾，且風(fēng)機(jī)3 個(gè)葉片的功率強(qiáng)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(duì)峰值檢測(cè)的精度和準(zhǔn)度帶來(lái)挑戰(zhàn)。少識(shí)別的波峰，會(huì)導(dǎo)致錯(cuò)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(shí)現(xiàn)較為冗雜。

本文采用聚類方法對(duì)中高維語(yǔ)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(diǎn)。這種設(shè)計(jì)不僅能無(wú)參數(shù)動(dòng)態(tài)分割，還有較強(qiáng)的魯棒性和泛化性。

具體實(shí)現(xiàn)如下：

2)對(duì)語(yǔ)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(cuò)，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(guò)由于信號(hào)復(fù)雜度高，K_means 聚類對(duì)異常值敏感，還是存在毛刺和缺失。需要對(duì)標(biāo)簽序列的毛刺和尖峰進(jìn)行過(guò)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(diǎn)序列坐標(biāo)。

2.1.4 葉片平均語(yǔ)譜圖和均衡增強(qiáng)

透明度疊加，生成風(fēng)機(jī)每個(gè)葉片平均語(yǔ)譜圖。用分割的坐標(biāo)將長(zhǎng)矩陣切割成t個(gè)矩陣Ti(0

Tcol1，Tcol2，Tcol3為葉片音頻的平均語(yǔ)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(yǔ)譜圖熱圖對(duì)比

風(fēng)力微弱情形下，語(yǔ)譜圖中有用數(shù)據(jù)的對(duì)比度會(huì)比較接近，采用直方圖均衡算法[15]進(jìn)行處理，通過(guò)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(gè)通道，不能簡(jiǎn)單為每個(gè)通道應(yīng)用灰度直方圖均衡化算法，然后組合起來(lái)。非線性直方圖均衡是非線性過(guò)程，均衡每個(gè)通道的做法會(huì)得到失真度非常大的結(jié)果。均衡涉及圖像的強(qiáng)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(qiáng)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(jì)算

(4) 模塊配置.根據(jù)具體需求結(jié)合配置規(guī)則庫(kù),檢索出符合設(shè)計(jì)要求的模塊,并對(duì)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(kù)的建立需要對(duì)企業(yè)長(zhǎng)期積累的設(shè)計(jì)經(jīng)驗(yàn)進(jìn)行歸納總計(jì).

采用圖片化的SSIM(structural similarity)值來(lái)計(jì)算3 個(gè)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(shí)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(dú)立于亮度、對(duì)比度的，反映場(chǎng)景中物體結(jié)構(gòu)的屬性，并將失真建模為亮度、對(duì)比度和結(jié)構(gòu)3 個(gè)不同因素的組合。采用均值作為亮度的估計(jì)，標(biāo)準(zhǔn)差作為對(duì)比度的估計(jì)，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(jì)算方法。3 個(gè)特征矩陣熱圖圖片兩者之間比較得到3 個(gè)SSIM 值，接著采用這3 個(gè)結(jié)果值進(jìn)行統(tǒng)計(jì)和判斷異常。

2.1.6 統(tǒng)計(jì)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(shí)驗(yàn)與結(jié)果分析

3.1 輸入樣本構(gòu)造集

以山風(fēng)場(chǎng)和海風(fēng)場(chǎng)采集的故障和正常風(fēng)機(jī)葉片聲信號(hào)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(jī)的聲信號(hào)作為原始數(shù)據(jù)集，如表1所示。

表1 原始數(shù)據(jù)集來(lái)源

圖3 是不同音頻頻譜圖表征。

圖3 不同風(fēng)機(jī)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(duì)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(jī)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(yǔ)音合成，對(duì)周期進(jìn)行中途變化或者疊加背景噪聲。

3)對(duì)音頻進(jìn)行軟件數(shù)據(jù)增強(qiáng)處理。

通過(guò)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(shí)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(shí)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(duì)異常值敏感，在音頻受到嚴(yán)重干擾，轉(zhuǎn)速過(guò)慢(伴隨聚類中心點(diǎn)貼近問(wèn)題)和轉(zhuǎn)速過(guò)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(yǔ)譜圖，與一組標(biāo)簽為相似度低的語(yǔ)譜圖，輸入不同相似度計(jì)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(yǔ)

本方法的獨(dú)特性在于解決了聲音異常檢測(cè)的可行性和可泛化性。

1)異常檢測(cè)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(gè)葉片只要和其他兩個(gè)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(shí)踐，從聲音到圖像的轉(zhuǎn)變也使得異常檢測(cè)有可靠和成熟的量化標(biāo)準(zhǔn)。

2)異常檢測(cè)的可泛化性：能遷移，具有時(shí)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(diǎn)：

1)只對(duì)風(fēng)機(jī)葉片的異常檢測(cè)進(jìn)行檢測(cè)和提示，沒(méi)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(jī)運(yùn)行狀態(tài)識(shí)別，未識(shí)別導(dǎo)致變槳、偏航、關(guān)機(jī)過(guò)程、停機(jī)過(guò)程等風(fēng)機(jī)操作控制期間，識(shí)別失效的問(wèn)題。