基于倍頻程和支持向量機(jī)的風(fēng)機(jī)葉片缺陷檢測(cè)算法

吳江波，周 強(qiáng)，蔣 輝，劉智英，夏侯智聰，張家樂，石浩然，朱明皓，姜文兵

（國(guó)家電投集團(tuán)江西電力有限公司新能源發(fā)電分公司，江西 南昌 330096）

風(fēng)力發(fā)電機(jī)組是在野外嚴(yán)酷的自然環(huán)境下自主運(yùn)行的，天長(zhǎng)日久可能會(huì)因?yàn)闃O端天氣、工作疲勞、葉片破損或其他因素的影響而使其發(fā)生損壞或工作故障。而風(fēng)機(jī)葉片是風(fēng)力發(fā)電機(jī)組的關(guān)鍵部分，其造價(jià)較高也容易出現(xiàn)各種故障，若不及時(shí)發(fā)現(xiàn)并采取措施就會(huì)造成葉片出現(xiàn)較大裂紋影響工作甚至斷裂脫落以至于造成更嚴(yán)重的事故。目前，許多風(fēng)電場(chǎng)最常用的診斷方法是人工檢查，這種方法受到背景噪聲和操作人員經(jīng)驗(yàn)的強(qiáng)烈影響。葉片故障自動(dòng)監(jiān)測(cè)技術(shù)急需發(fā)展。

許多學(xué)者在此方面投入了大量研究，一些診斷技術(shù)包括聲發(fā)射(Acoustic Emission,AE)、振動(dòng)分析、超聲波檢測(cè)圖像識(shí)別和光纖傳感等等都可以用于風(fēng)機(jī)葉片的實(shí)時(shí)損傷檢測(cè)。這些方法推動(dòng)無損檢測(cè)技術(shù)的進(jìn)步，具有一定的使用價(jià)值和研究意義。然而，這些方法有些要求傳感器安裝在風(fēng)機(jī)葉片上，改變?nèi)~片原有結(jié)構(gòu)且傳感器安裝難度較大，有些需要停機(jī)檢查，耽誤風(fēng)電場(chǎng)風(fēng)機(jī)運(yùn)行，影響經(jīng)濟(jì)效益。

基于上述討論，本文提出一套遠(yuǎn)程實(shí)時(shí)在線非接觸式風(fēng)機(jī)葉片故障監(jiān)測(cè)系統(tǒng)，重點(diǎn)研究在復(fù)雜背景噪聲下風(fēng)機(jī)葉片故障信息的特征提取和基于此特征的故障識(shí)別算法。結(jié)合風(fēng)電場(chǎng)實(shí)錄聲學(xué)數(shù)據(jù)，得到了較為滿意的結(jié)果，驗(yàn)證了此方法的可行性。

1 算法描述

1.1 遠(yuǎn)程實(shí)時(shí)在線非接觸式故障監(jiān)測(cè)系統(tǒng)

有故障的風(fēng)機(jī)葉片在運(yùn)行時(shí)會(huì)發(fā)出有規(guī)律的嘯叫聲，區(qū)別于風(fēng)機(jī)葉片掃風(fēng)的聲音。經(jīng)驗(yàn)豐富的風(fēng)場(chǎng)工作人員可以通過聽取風(fēng)機(jī)運(yùn)轉(zhuǎn)時(shí)的聲音來判斷此風(fēng)機(jī)是否健康。該系統(tǒng)由聲音信號(hào)采集前端、光網(wǎng)絡(luò)、數(shù)據(jù)處理中心及系統(tǒng)軟件組成，能夠?qū)崿F(xiàn)葉片健康診斷，可以廣泛應(yīng)用于風(fēng)力發(fā)電場(chǎng)。

聲信號(hào)采集前端采集到的聲音通過光網(wǎng)絡(luò)發(fā)送到數(shù)據(jù)處理中心，在數(shù)據(jù)處理中心對(duì)聲信號(hào)進(jìn)行處理，通過特征提取得到特征向量后送入到支持向量機(jī)分類器中分類，同時(shí)在數(shù)據(jù)監(jiān)控中心可以聽取原始聲信號(hào)，看到信號(hào)的特征圖與分類結(jié)果，工作人員可以對(duì)給出的故障信號(hào)進(jìn)行再一次確認(rèn)。

傳聲器選型首先應(yīng)滿足頻率響應(yīng)范圍20 Hz～20 kHz，靈敏度高，盡可能清晰的錄制現(xiàn)場(chǎng)聲信號(hào)。其次要能適應(yīng)野外惡劣環(huán)境，承擔(dān)長(zhǎng)期的戶外工作。考慮到風(fēng)機(jī)設(shè)有轉(zhuǎn)向系統(tǒng)，會(huì)根據(jù)風(fēng)向調(diào)轉(zhuǎn)風(fēng)機(jī)葉片所對(duì)方位，本次設(shè)計(jì)中在風(fēng)機(jī)周圍以圓形均勻放置3個(gè)前端采集設(shè)備，可以更好的采集不同方向下風(fēng)機(jī)葉片運(yùn)轉(zhuǎn)的聲音。

圖1 遠(yuǎn)程實(shí)時(shí)在線非接觸式故障監(jiān)測(cè)系統(tǒng)示意圖

1.2 算法總體設(shè)計(jì)

此設(shè)計(jì)基于倍頻程和支持向量機(jī)原理來監(jiān)測(cè)風(fēng)電機(jī)組的健康狀況，在風(fēng)機(jī)發(fā)生故障時(shí)軟件會(huì)發(fā)出警報(bào)。算法有兩大主要部分：特征提取部分和故障識(shí)別部分。為了更好的提取訓(xùn)練數(shù)據(jù)的特征，首先將數(shù)據(jù)進(jìn)行預(yù)處理后采用1/6倍頻程對(duì)風(fēng)機(jī)運(yùn)行時(shí)風(fēng)機(jī)葉片產(chǎn)生的聲學(xué)信號(hào)中的特征進(jìn)行提取與分析，然后采用經(jīng)典的支持向量機(jī)理論對(duì)進(jìn)行了特征提取的聲音信號(hào)進(jìn)行二分類（分為正常類與故障類）。

圖2 算法總體流程圖

1.3 聲信號(hào)的特征提取

平均來說，山地風(fēng)場(chǎng)的風(fēng)速大致在4～10 m/s之間，年平均風(fēng)速為6 m/s。風(fēng)速過低時(shí)，風(fēng)機(jī)無法工作，所以風(fēng)電機(jī)組葉片轉(zhuǎn)動(dòng)必然伴隨著高風(fēng)速，有較大的風(fēng)噪。此外，采集到的聲信號(hào)還包括自然界背景噪聲，風(fēng)機(jī)自身機(jī)械噪聲等等。但從風(fēng)場(chǎng)實(shí)錄信號(hào)來看，相比于其它的噪聲，風(fēng)機(jī)葉片掃風(fēng)帶來的風(fēng)噪對(duì)葉片故障聲信號(hào)的影響最為嚴(yán)重，且風(fēng)噪大多集中在低頻段。而故障種類較多，其聲信號(hào)的頻譜從幾十Hz到幾十kHz均有分布，范圍較為廣泛，難以直接提取。因而預(yù)處理主要是采用巴特沃斯高通濾波器去除低頻風(fēng)噪，對(duì)音頻數(shù)據(jù)做一個(gè)初步的去噪處理。

人耳可聽的聲頻范圍為20 Hz～20 kHz，且人耳對(duì)聲信號(hào)的靈敏度與其頻率并非線性關(guān)系，對(duì)低頻信號(hào)較為敏感。我國(guó)在1982年出臺(tái)的國(guó)家標(biāo)準(zhǔn)GB 3240-82《聲學(xué)測(cè)量中的常用頻率》中明確提出在一般聲學(xué)測(cè)量中應(yīng)采用以恒定百分比增量為頻率間隔的等比頻率，其中頻率間隔可以選擇倍頻程或其分?jǐn)?shù)。這也就是說，對(duì)聲音信號(hào)進(jìn)行分析時(shí)，不需要詳細(xì)了解每一個(gè)頻率點(diǎn)上的能量情況。為了更加方便地分析觀察不同聲信號(hào)特征，把全頻帶按照某種關(guān)系分為一系列無重疊冗余的子頻帶，將每個(gè)子頻帶內(nèi)的聲能量看做平均分布的，需要分析的是不同子頻帶上的聲能量。通常采用相對(duì)恒定帶寬比的方法來劃分頻帶，這種方法劃分出的頻帶稱為倍頻程頻帶。倍頻程段表示特定頻率范圍內(nèi)的整體能量水平。其計(jì)算步驟大致分為以下兩步：

（1）劃分頻帶

每一個(gè)子頻帶都有自己的上限截止頻率、下限截止頻率和中心頻率，三者間關(guān)系如式（1）所示：

其中，n=1時(shí)稱作一倍頻程，n=1/6時(shí)則為1/6倍頻程。根據(jù)不同分析的需求，n值可以做出相應(yīng)的調(diào)整，但如果想進(jìn)行高精度分析，那么n應(yīng)該取較小值。

（2）計(jì)算子頻帶功率譜

得到每一個(gè)子頻帶內(nèi)的功率譜后再轉(zhuǎn)化為聲壓級(jí)。設(shè)為第j個(gè)頻帶的能量，f為聲信號(hào)的頻譜幅值，則功率譜的計(jì)算公式為：

然后，再轉(zhuǎn)化為聲壓級(jí)，轉(zhuǎn)化公式如下：

其中，Pref為參考聲壓，大氣中通常取2×10-5Pa。

1.4 SVM描述

統(tǒng)計(jì)學(xué)習(xí)理論的支持向量機(jī)(Support Vector Machine，SVM)方法能使結(jié)構(gòu)風(fēng)險(xiǎn)最小化，具有易于推廣和訓(xùn)練樣本需求少的特點(diǎn)，為解決非線性分類問題提供了新的方法。

設(shè)待分類的樣本集合為{xi，yi}。其中xi為m維向量，是待分類數(shù)據(jù)的特征向量。yi是數(shù)據(jù)對(duì)應(yīng)標(biāo)簽，yi∈{-1，+1}。引入非負(fù)松弛因子εi，將線性可分與不可分的情況一并考慮，當(dāng)εi=0時(shí)表示為線性可分，其他情況則為線性不可分。分類超平面需滿足ωxi+b=0，這樣的超平面有許多，而我們需要找最優(yōu)分類超平面，設(shè)其滿足以下約束條件：

式中ω為權(quán)向量，b為偏置項(xiàng)。此時(shí)分類間隔ρ=2/║ω║，當(dāng)分類間隔最大時(shí)等價(jià)于║ω║2最小。符合公式（4）約束條件且滿足║ω║2/2最小的分類超平面稱為最優(yōu)分類面,確定最優(yōu)超平面的向量叫做支持向量[23]。

支持向量機(jī)通常又稱為基于核的方法，例如我們要學(xué)習(xí)的模型的數(shù)據(jù)(輸入空間)在同等維度上的特征空間是難以線性可分的。這時(shí)候，考慮到可以將數(shù)據(jù)映射到高維的特征空間，可能會(huì)在高維的特征空間內(nèi)找到一個(gè)能夠劃分?jǐn)?shù)據(jù)的超平面(數(shù)學(xué)上可證明：如果輸入空間維度有限，那么一定存在高維特征空間使樣本可分)。因此，通過引入核函數(shù)，可以將原始非線性關(guān)系轉(zhuǎn)換為高維特征空間中的線性關(guān)系。

我們給出線性可分的表達(dá)式：

在本次設(shè)計(jì)中我們選用高斯核，高斯核函數(shù)為：

其中σ為核函數(shù)帶寬，是SVM訓(xùn)練時(shí)有重要影響的超參數(shù)。

那么映射后的表達(dá)式為：

2 實(shí)驗(yàn)結(jié)果分析

采集江西風(fēng)場(chǎng)100臺(tái)風(fēng)機(jī)的聲音數(shù)據(jù)，其中有故障風(fēng)機(jī)和正常風(fēng)機(jī)。通過人工標(biāo)注得到帶標(biāo)簽的數(shù)據(jù)，將正常風(fēng)機(jī)標(biāo)注為0，異常風(fēng)機(jī)標(biāo)注為1。

現(xiàn)場(chǎng)聲音采集系統(tǒng)（采集頻率為44.1 kHz）將采集到的聲音信號(hào)發(fā)送到數(shù)據(jù)中心，采用上限截止頻率為22 kHz，下限截止頻率為0.2 kHz巴特沃斯高通濾波器，去除低頻風(fēng)噪，對(duì)音頻數(shù)據(jù)做一個(gè)初步的去噪處理。

特征提取選用1/6倍頻程，處理之后。一段聲音信號(hào)形成一個(gè)64維的頻帶能量特征向量。得到頻帶能量后，為了后續(xù)更好分類，將特征向量做歸一化處理。

圖3 信號(hào)預(yù)處理流程圖

圖4 正常風(fēng)機(jī)不同時(shí)間頻帶能量分布圖（T=10 s）

圖5 故障風(fēng)機(jī)不同時(shí)間頻帶能量分布圖（T=10 s)

由圖4、圖5可以看出故障風(fēng)機(jī)和正常風(fēng)機(jī)聲音在頻帶能量的分布上有一定差異，正常風(fēng)機(jī)聲音的頻帶能量主要分布在低頻，異常風(fēng)機(jī)聲音的頻帶能量主要在高頻處，較正常風(fēng)機(jī)來說頻帶能量更大，且頻帶能量值在高頻處存在明顯凸起。

最后得到的頻帶能量文件寫入txt文本文檔中(前66列代表頻帶能量，倒數(shù)第二列代表聲信號(hào)所屬類別，最后一列為聲信號(hào)文件名），方便讀取后送至支持向量機(jī)進(jìn)行模型訓(xùn)練與分類。

圖6 正常風(fēng)機(jī)特征能量文件

在本次試驗(yàn)中共讀取了特征樣本2 632個(gè)，其中有缺陷樣本181個(gè)。按照7∶3的比例隨機(jī)劃分訓(xùn)練集和測(cè)試集，訓(xùn)練集占比70%。

選用網(wǎng)格搜尋法自動(dòng)尋參確定支持向量機(jī)的超參數(shù)，由于本試驗(yàn)中缺陷樣本相較于正常樣本來說數(shù)量過少，所以網(wǎng)格搜尋法的搜尋標(biāo)準(zhǔn)設(shè)置為F1，F(xiàn)1分?jǐn)?shù)可以更好地反映數(shù)據(jù)不平衡模型的訓(xùn)練效果，F(xiàn)1值越接近于1，則模型分類效果更好。從sklearn.model_selection庫(kù) 中 調(diào) 用GridSearchCV(網(wǎng)格搜索法) 自動(dòng)選擇最優(yōu)的c,gamma值。設(shè)定好以上參數(shù)，再選擇高斯核做為核函數(shù)后正式開始SVM的訓(xùn)練驗(yàn)證過程。

圖7 訓(xùn)練過程學(xué)習(xí)曲線

通過樣本訓(xùn)練得到的學(xué)習(xí)曲線，可以看到隨著樣本數(shù)增多，測(cè)試集的分?jǐn)?shù)不斷上升，最后和訓(xùn)練集分?jǐn)?shù)相差無幾。

圖8 測(cè)試集正確率

圖8中的識(shí)別結(jié)果包括聲音信號(hào)的預(yù)測(cè)標(biāo)簽和真實(shí)標(biāo)簽，這樣可以更清楚看到分類正確和分類有誤的樣本。把測(cè)試集樣本完成迭代后的預(yù)測(cè)分類結(jié)果進(jìn)行統(tǒng)計(jì)并寫入文檔保存下來，方便查看預(yù)測(cè)情況。其中橫坐標(biāo)表示實(shí)際類別，縱坐標(biāo)表示模型預(yù)測(cè)類別。最后，保存訓(xùn)練好的SVM模型。

3 結(jié)論

本文提出了將風(fēng)機(jī)葉片掃風(fēng)的聲信號(hào)經(jīng)過倍頻程提取頻帶能量特征并結(jié)合SVM進(jìn)行正常和故障風(fēng)機(jī)分類。在預(yù)處理過程中采用巴特沃斯濾波器去除主要的干擾成分風(fēng)噪，并利用1/6倍頻程得到頻帶能量信息組成的特征向量。之后，采用帶高斯核的SVM對(duì)非線性特征信號(hào)進(jìn)行二分類。最后，通過試驗(yàn)驗(yàn)證了此法的可行性，此設(shè)計(jì)可以實(shí)現(xiàn)遠(yuǎn)程實(shí)時(shí)在線風(fēng)機(jī)狀態(tài)的監(jiān)測(cè)，有較大工業(yè)實(shí)用使用價(jià)值。