基于音頻數(shù)據(jù)的風電機組葉片異常狀態(tài)檢測技術研究

胡凱凱，陳亞楠，陳 剛，舒 暉，李籽圓

（中車株洲電力機車研究所有限公司，湖南 株洲 412001）

0 引言

隨著物聯(lián)網(wǎng)、大數(shù)據(jù)以及人工智能技術的快速發(fā)展，在風電整機產(chǎn)品嚴重同質化的今天，各大整機廠都在陸續(xù)推出其產(chǎn)品智能化、數(shù)字化整體解決方案，覆蓋從風電場開發(fā)、設計、建設到運維的產(chǎn)品全生命周期過程[1]。基于音頻數(shù)據(jù)對風電機組的異常狀態(tài)進行監(jiān)測就是其中一個落地應用的探索方向。華北電力大學和南京航空航天大學等高校、遠景科技集團和新疆金風科技股份有限公司等風電機組整機廠家以及國內語音識別龍頭廠家科大訊飛股份有限公司均開展過相關技術的研究和應用[2]，取得了一定的成果；但受限于成本壓力，該方案整體上仍處于科研樣機試裝階段。風電機組被安裝在戶外，風沙、鹽霧等惡劣環(huán)境易導致葉片出現(xiàn)損傷[3]。目前，判斷葉片是否損傷主要依據(jù)運維人員的巡檢結果，其效率低，且容易漏檢，由此造成葉片損傷的進一步擴大，影響風電機組的發(fā)電量和運行安全。因此，使用技術手段監(jiān)測葉片損傷情況，實現(xiàn)葉片異常狀態(tài)的早期診斷，這成為解決該問題的一個重要途徑。為此，本文利用葉片損傷后其氣動音頻信號會發(fā)生變化這一特點，設計了基于音頻數(shù)據(jù)的風電機組異常狀態(tài)監(jiān)測系統(tǒng)，并形成一套初步可行的基于風電機組音頻數(shù)據(jù)的風電機組葉片異常狀態(tài)檢測方法。下面將對該方法的系統(tǒng)架構、樣本收集、數(shù)據(jù)探索、特征工程、模型訓練與驗證、風電機組工況識別和異常模式的探索情況進行全面的介紹。

1 系統(tǒng)架構

基于音頻數(shù)據(jù)的風電機組異常狀態(tài)監(jiān)測系統(tǒng)的主要功能是采集風電機組運行過程中發(fā)出的聲音，對聲音數(shù)據(jù)進行特征分析、模式識別，判斷機組（部件）是否存在異?；驌p傷情況，結合業(yè)務規(guī)則發(fā)出報警，為機組運行維護提供決策支持[4-5]。

1.1 總體設計

系統(tǒng)主要由3部分組成：聲音采集子系統(tǒng)、 狀態(tài)分析與異常診斷子系統(tǒng)、 集成與人機交互子系統(tǒng)。以下分硬件與軟件兩部分進行總體設計描述[6-7]。

1.1.1 硬件部分

系統(tǒng)的主要硬件由傳聲器、采集器和智能終端組成，三者均被安裝在風電機組設備上，系統(tǒng)構成簡圖如圖1所示。傳聲器和采集器用于將機組的運行聲音轉換為數(shù)字量信號；智能終端作為邊緣計算單元，其主要作用為采集聲音信號和機組可編程邏輯控制器（programmable logic controller, PLC）的狀態(tài)相關數(shù)據(jù)、運行狀態(tài)分析與異常診斷程序、存儲并向上位機服務器發(fā)送數(shù)據(jù)。

圖1 基于音頻數(shù)據(jù)的風電機組異常狀態(tài)監(jiān)測系統(tǒng)硬件構成簡圖Fig.1 Hardware composition diagram of wind turbine abnormal condition monitoring system based on audio data

本設計采用一種最簡化的配置部署方案——在單臺風電機組上，基于葉片掃塔聲音對葉片結構健康和相關異常情況做單點監(jiān)測，其需要配置傳聲器、采集器和智能終端各一套。傳聲器被安裝于塔底的塔筒外壁，采集器與智能終端被安裝于塔底塔筒內[8]。

在風電場進行批量部署時，各機組智能終端的數(shù)據(jù)經(jīng)由風電場網(wǎng)絡匯集到風電場中控室的服務器，通過安全隔離裝置，再發(fā)送給云端服務器。

1.1.2 軟件部分

系統(tǒng)軟件的主要結構與數(shù)據(jù)流向如圖2所示。

圖2 軟件模塊與數(shù)據(jù)流向Fig.2 Software modules and data flow

風電機組運行數(shù)據(jù)（wind turbine operating data，WTOD）監(jiān)控與觸發(fā)采集模塊，其負責接入機組PLC 運行數(shù)據(jù)并對機組運行狀態(tài)進行監(jiān)測。一旦滿足機組聲音采集條件，則觸發(fā)聲音采集程序，對固定時長的機組聲音信號和同時期機組葉片運行相關測點的PLC 運行數(shù)據(jù)進行采集[9]，并將所采集的數(shù)據(jù)分別存入本地的文件系統(tǒng)和數(shù)據(jù)庫。

狀態(tài)分析與異常診斷模塊，其負責讀取所采集的機組聲音數(shù)據(jù)，進行特征分析、狀態(tài)識別與異常模式診斷，輸出診斷結果并將其存入到本地的Result（結果）數(shù)據(jù)庫中。

人機交互模塊，其不僅具備診斷結果與運行數(shù)據(jù)查詢、錄音回放、聲音數(shù)據(jù)的聲譜圖可視化等功能，還提供聲音采集、異常診斷等程序的基礎配置功能，可實現(xiàn)對全場機組聲音異常的集中監(jiān)測。

2 數(shù)據(jù)采集與處理

在一臺風電機組上部署了本文所設計的聲音采集子系統(tǒng)進行音頻數(shù)據(jù)采集，策略為每隔1 h采樣一次，每次采樣時間為30 s。整個試驗期間共采集了6 877個音頻數(shù)據(jù)，并對這些音頻數(shù)據(jù)進行處理。

2.1 樣本收集

為滿足機器學習算法對樣本數(shù)量的要求，并且為了區(qū)分不同背景（工況）下的風電機組運行狀態(tài)，本文收集一段時間樣本，利用人耳對樣本進行人為選擇和貼標簽。

為保證塔筒底部變流器處于正常工作溫度范圍內，本文中的風電機組在塔筒門外底部設計了冷卻風扇。通過對這些音頻數(shù)據(jù)的分析發(fā)現(xiàn)，塔筒門外底部冷卻風扇工作與否對風電機組葉片工況的識別具有較大影響，因此將音頻分為“冷卻風扇未工作、風電機組未工作”“冷卻風扇未工作、風電機組工作”“冷卻風扇工作、風電機組未工作”及“冷卻風扇工作、風電機組工作”4種工況類型，并通過多分類的機器學習模型進行分類識別。

2.2 濾波

本文根據(jù)聲譜圖發(fā)現(xiàn)的規(guī)律，對風電機組工作狀態(tài)下的音頻進行濾波分析；通過采用多種濾波工具進行對比研究，最終找到最為合適的濾波工具。

2.2.1 傅里葉變換

風扇未工作時，風電機組的背景聲中沒有強干擾，掃塔聲中夾雜著環(huán)境噪聲。圖3示出某個音頻數(shù)據(jù)的波形圖，圖4示出該音頻數(shù)據(jù)的傅里葉變換頻譜圖，圖中示出將橫軸映射到20 000 Hz范圍內、中間點個數(shù)為音頻采樣點長度一半的結果?？梢钥闯觯h(huán)境噪聲對掃塔聲的影響很小，掃塔的周期性特征非常明顯；同樣，頻譜圖中高頻部分示出了頻率的規(guī)律，低頻部分夾雜著環(huán)境噪聲頻率，但從總體上而言，對掃塔頻率無明顯影響。因此，對于“冷卻風扇未工作、風電機組工作”的狀態(tài)，無須進行音頻濾波。

圖3 冷卻風扇未工作時音頻數(shù)據(jù)波形Fig.3 Audio data waveforms when cooling fan is not working

圖4 冷卻風扇未工作傅里葉變換頻譜Fig.4 Fourier transform spectrum when cooling fan is not working

風扇工作時，其噪聲對風電機組的掃塔聲造成了強干擾，因此圖5中的波形呈現(xiàn)出雜亂無章、較多毛刺的狀態(tài)，掃塔聲被淹沒在風扇噪音內。

圖5 冷卻風扇工作時音頻數(shù)據(jù)波形Fig.5 Audio data waveforms when cooling fan is working

圖6示出“冷卻風扇工作”掃搭聲音頻數(shù)據(jù)傅里葉變換頻譜?？梢钥闯?，高頻部分的幅值信息被低頻部分的幅值信息所淹沒，使得高頻部分的特征不明顯。由于風扇噪聲主要集中在低頻部分，因此有必要對低頻部分進行高通濾波，以挖掘高頻部分的特征。

圖6 冷卻風扇工作時音頻數(shù)據(jù)傅里葉變換頻譜Fig.6 Fourier transform spectrum of audio data when the cooling fan is working

濾除頻率低于 1 kHz 的音頻信號，得到如圖7 所示的頻譜圖?？梢钥闯觯皖l部分被濾除后（并未將所有背景噪聲濾除），高頻部分的特征呈現(xiàn)明顯的周期性，表明濾波效果明顯。

圖7 濾波之后的音頻數(shù)據(jù)傅里葉變換頻譜Fig.7 Fourier transform spectrum of audio data after filtering

濾波之后的音頻數(shù)據(jù)波形圖與聲譜圖分別如圖8和圖9所示?？梢钥闯觯纛l波形雖然具有較多毛刺，但較為明顯地呈現(xiàn)出掃塔周期性特征，從聲譜圖（圖9）上也可以看出類似規(guī)律。

圖8 濾波之后的音頻數(shù)據(jù)波形Fig.8 Audio data waveforms after filtering

圖9 濾波之后的聲譜Fig.9 Sonogram after filtering

2.2.2 其他濾波工具研究及結果

本文還對小波變換、數(shù)字濾波、前后向濾波、局域多項式最小二乘濾波、橢圓濾波以及Chebyshev 濾波等工具進行了研究。采用數(shù)字濾波、前后向濾波、橢圓濾波與Chebyshev I型濾波之后的聲譜圖與傅里葉變換后的聲譜圖（圖9）類似，這說明這幾種濾波工具濾波效果相當。根據(jù)“奧卡姆剃刀”原則，本文選擇最常用、最易理解的傅里葉變換作為冷卻風扇工作時的濾波工具。

3 數(shù)據(jù)探索

基于所采集的音頻數(shù)據(jù)進行時域、頻域上的可視化探索[10-11]，從而充分了解數(shù)據(jù)、了解業(yè)務，同時對重要因子的確定、特征工程的支持、模型的選取和調整等后續(xù)深度挖掘工作有著重要的影響。

3.1 音頻波形圖

為了觀察每種音頻文件中數(shù)據(jù)的形態(tài)，繪制了時序波形曲線。圖10示出“冷卻風扇未工作”工況下風電機組時的音頻波形?？梢钥闯?，在無外界強干擾的情況下，可以通過波形圖很好地展示出風電機組是否處于工作狀態(tài)。

圖10 冷卻風扇未工作時音頻數(shù)據(jù)波形Fig.10 Audio data waveform when cooling fan is not working

圖11示出“冷卻風扇工作”工況下風電機組的音頻數(shù)據(jù)波形?？梢钥闯?，冷卻風扇工作時所產(chǎn)生的噪聲對風電機組葉片掃塔音造成了強干擾，波形中毛刺較多，一般情況下，葉片掃塔音雖淹沒在音頻波形內，但可看出其周期性的規(guī)律（圖中紅色框部分）。

圖11 冷卻風扇工作時音頻數(shù)據(jù)波形Fig.11 Audio data waveforms when cooling fan is working

3.2 聲譜圖

通過波形圖可以較為清晰地看出不同工況下的音頻特征，而不同工況的基本頻率信息可以通過聲譜圖展示。

圖12示出“冷卻風扇未工作”工況下風電機組的音頻聲譜圖。可以看出，在無外界強干擾的情況下，通過聲譜圖中的周期性能量特征（葉片掃塔聲）可以區(qū)分風電機組是否工作，也可識別出風電機組工作時音頻頻率大約集中在1～4 kHz之間。

圖12 冷卻風扇未工作時風電機組音頻聲譜圖Fig.12 Sonogram of wind turbine audio data when cooling fan is not working

圖13示出“冷卻風扇工作”工況下風電機組的音頻聲譜圖?？梢钥闯?，冷卻風扇工作時所產(chǎn)生的噪聲頻率集中在 0～2 kHz左右。0～1 kHz之間聲譜圖顏色較深，顯示能量較大；1～2 kHz之間聲譜圖顏色較淺，顯示能量較小。這為后續(xù)濾波設計提供了思路，即可以濾去1 kHz以下的音頻部分，從而使得葉片掃塔聲相對清晰。風電機組工作狀態(tài)下，掃塔的聲音頻率主要集中在 1～4 kHz 之間，周期性特征明顯；從聲譜圖中還可以看出，能量有增強的特征（可能是嘯叫引起的）。

圖13 冷卻風扇工作時風電機組音頻聲譜圖Fig.13 Sonogram of wind turbine audio data when cooling fan is working

4 特征工程

為了從風電機組音頻數(shù)據(jù)中識別出2.1節(jié)中4種不同運行工況，本節(jié)基于時域和頻域的特征構建、特征選擇等特征工程的方法，從音頻數(shù)據(jù)中提取出能夠進行工況識別的特征。

4.1 特征構建

為了識別不同運行狀態(tài)類型的風電機組音頻，需要構建分類模型。從圖3～圖9 可以看出，不同類型的音頻之間具有較為明顯的特征區(qū)別，因此可從時域和頻域兩個角度出發(fā)提取特征并構建分類模型。

4.1.1 時域特征

時域特征主要通過對每一個數(shù)據(jù)文件中的波形數(shù)據(jù)進行統(tǒng)計描述而得到。其統(tǒng)計指標包括最大值、最小值、極差、均值、方均根差、方差、偏斜度及峭度。

4.1.2 頻域特征

頻域特征提取的內容包括短時過零率、光譜質心、光譜衰減、頻域方均根、梅爾頻率倒譜系數(shù)、色度頻率以及其他一些頻域特征（如P階頻譜帶寬、光譜平坦度等）。其中，短時過零率用于衡量每幀信號內通過零點的次數(shù)；光譜質心是頻譜的一階矩陣；光譜衰減用于度量信號的形狀；頻域方均根是在頻域中對信號進行分幀，然后計算每一幀的方均根值；梅爾頻率倒譜系數(shù)用于描述頻譜包絡的整體形狀；色度頻率表示音頻的色度。

通過Librosa庫提取這些頻域特征并進行分幀處理，默認512字節(jié)為一幀；之后再進一步計算均值、總和、中位數(shù)、 25%分位數(shù)、 75%分位數(shù)、最大值及最小值等時域特征，一共得到1 365個特征。

4.2 特征選擇

在特征構建過程中，產(chǎn)生了1 365個特征，其中必然存在對模型貢獻度為零的特征（即冗余特征），因此需要對這些特征加以篩選。

通過構建多分類邏輯回歸模型（有監(jiān)督學習），利用eli5工具庫提取分類模型的特征權重。根據(jù)權重不為0要求來篩選特征，得到264個特征，用這264個特征重新構建分類模型。

測量點名稱中相關字符的含義如表1所示。

表1 測量點名稱中字符含義表Tab. 1 Meaning of characters in measuring point name

測量點命名規(guī)則如表2所示。

表2 測量點命名規(guī)則Tab. 2 Naming rules of measuring points

用于重新構建分類模型的264個具體特征如圖14所示。

圖14 特征選擇后的特征Fig.14 Features after feature selection

5 多分類模型的訓練與驗證

通過音頻進行風機葉片異常模式的探索主要是以風機發(fā)電（即風機工作）過程的音頻數(shù)據(jù)為主要依據(jù)。因此，從現(xiàn)有數(shù)據(jù)中找出風機工作時的數(shù)據(jù)進行后續(xù)分析顯得尤為重要。其一方面是需要找到可供分析的數(shù)據(jù)；另一方面，也為了避免分析不需要關注的數(shù)據(jù)。

將數(shù)據(jù)樣本和工況標簽劃分為訓練集和驗證集，訓練多分類模型，并驗證模型的準確度。本項目可以通過人耳區(qū)分音頻，確定每一個音頻的標簽，因此可以構建有監(jiān)督學習的模型，從而更加準確地識別音頻數(shù)據(jù)對應的不同工況。

5.1 數(shù)據(jù)劃分與標簽

數(shù)據(jù)劃分，是指訓練數(shù)據(jù)和驗證數(shù)據(jù)的劃分，關系到模型訓練與泛化的基礎。為了盡量涵蓋不同時間段的音頻數(shù)據(jù)，采樣隨機混合劃分的方式，訓練集與驗證集的數(shù)據(jù)比例為3∶1。數(shù)據(jù)劃分與標簽情況如表3所示。

表3 數(shù)據(jù)劃分與標簽Tab. 3 Data partitioning and tagging

5.2 算法選擇

考慮到有4種工況（表3），分類模型的構建主要采用多分類邏輯回歸模型。模型超參數(shù)設置如下：

5.3 模型訓練結果

5.3.1 訓練結果

通過計算，訓練數(shù)據(jù)的精度（accuracy）、混淆矩陣和分類結果如圖15所示?？梢钥闯?，精度結果為0.992，具有很高的準確率。

圖15 模型訓練結果Fig.15 Training results of model

5.3.2 驗證結果

通過計算，驗證數(shù)據(jù)的精度（accuracy）、混淆矩陣和分類結果如圖16所示?？梢钥闯?，該多分類模型的泛化性能較好。

圖16 驗證結果Fig.16 Validation results

多分類結果的受試者操作曲線 (receiver operating characteristic，ROC）如圖17所示。可以看出，ROC曲線下包圍的面積 (area under curve，AUC)值均為 1。AUC越接近1，說明模型的預測能力越強。

圖17 ROC曲線Fig.17 ROC curves

6 葉片異常檢測模型探索

風機葉片異常模式的探索是音頻數(shù)據(jù)用于葉片檢測最重要的價值體現(xiàn)。通過對音頻數(shù)據(jù)的挖掘分析，盡可能簡便有效地識別葉片可能出現(xiàn)的異常情況，為日常運維檢修提供智能化幫助。由于當前音頻數(shù)據(jù)主要是通過一臺機組收集得到，異常模式樣本較少，因此本文僅對“嘯叫”進行探索分析。葉片嘯叫可能的原因有排水孔堵塞、結構松動、葉片開裂等。圖18示出該機組某段音頻的聲譜。圖中，紅框中能量較強，屬于比較明顯的嘯叫，而且集中于某一個葉片，可能為排水孔堵塞。因此嘗試探索葉片嘯叫這一異常模式。

圖18 某風電機組音頻聲譜圖Fig.18 Audio spectrogram of a wind turbine

值得注意的是，嘯叫的發(fā)生伴隨著多普勒效應，葉片掃塔的過程中音調由雄渾變?yōu)槔w細，因為嘯叫發(fā)生時，聲譜圖中該時段的能量較強。為了計算短時能量，提高幀長度，嘗試以1 s時段的采樣點（共44 100個）為一幀來計算每一幀的短時能量數(shù)值，具體如圖19和圖20所示?？梢钥闯?，發(fā)生嘯叫的時段，其音頻的短時能量數(shù)值較高，時間點相對一致。但該方法目前還存在一定的不足和局限性，其主要原因是背景噪聲的不確定、風電機組轉速的不同會導致掃塔聲的強弱不同，故計算出來的短時能量數(shù)值不同，無法確定一個統(tǒng)一的閾值進行判斷。

圖19 不同轉速下風電機組音頻聲譜圖Fig.19 Audio spectrogram of wind turbine at different rotational speeds

圖20 不同轉速下風電機組音頻短時能量數(shù)值圖Fig.20 Numerical chart of wind turbine audio short-time energy at different rotational speeds

圖21示出不同轉速下葉片嘯叫的聲譜圖。可以看出，不同轉速下嘯叫對應的頻率范圍有所差異，而且嘯叫發(fā)生時其能量大小也不一樣。因此，可通過模型生成聲譜圖，由人工判斷是否發(fā)生嘯叫，以便判斷是否有排水孔堵塞（嘯叫）的異常情況發(fā)生。

圖21 不同轉速下葉片嘯叫的聲譜圖Fig.21 Sonogram of blade howling at different rotational speeds

7 結語

本文通過在某機型一臺新吊裝的風電機組安裝拾音器、設計檢測系統(tǒng)、分析挖掘收集的風電機組音頻數(shù)據(jù)，初步形成一套可行的基于風電機組音頻數(shù)據(jù)的異常狀態(tài)檢測方法。其可以識別葉片是否損傷、冷卻風扇是否工作等工況，以排除冷卻風扇運行對于葉片異常檢測的干擾；可以實現(xiàn)葉片嘯叫的異常檢測。由于本文中的實踐只涉及一臺機組，且該機組葉片狀態(tài)較為良好，樣本數(shù)量少，本文能夠探索到的異常狀態(tài)有限。因此，后續(xù)考慮有針對性地選擇一些高齡風電機組實施本文中的方案，以完善和拓展文中所提的狀態(tài)監(jiān)測方法。