基于改進MFCC算法的風力機葉片故障診斷方法

摘要：針對傳統(tǒng)聲信號特征處理方法無法有效提取葉片聲音特征、導致葉片故障診斷準確率低的問題，提出一種基于改進梅爾頻率倒譜系數（MFCC）算法的風力機葉片故障診斷方法。首先采用快速傅里葉變換（FFT）分析不同風速下葉片聲音信號和風噪的頻率特性，明確葉片聲音信號的頻率分布區(qū)域，將全頻段分為三部分；然后采用粒子群優(yōu)化算法（PSO）對梅爾（Mel）函數在不同頻段上的敏感度進行優(yōu)化，在迭代過程中將MFCC算法提取的葉片聲音特征進行聚類，以輪廓系數作為適應度函數；最后基于支持向量機（SVM）構建分類器，實現(xiàn)風力機葉片故障的準確識別。以華北某風電場的葉片聲音采集數據為算例，考察該算法在不同風速工況下的適應性，驗證該方法的有效性。

關鍵詞：風力機葉片；聲信號處理；故障診斷；特征提?。幻窢栴l率倒譜系數

中圖分類號：TK83文獻標志碼：A

0引言

葉片是風力發(fā)電機的重要部件之一，由于長期工作于復雜地理與氣象環(huán)境，極易發(fā)生開裂、腐蝕等故障。葉片故障初期不易被發(fā)現(xiàn)且極易造成安全事故1，因此對風力機葉片進行健康監(jiān)測是非常必要的。常見的葉片故障檢測手段包括基于振動信號2]、聲發(fā)射信號[3-4]、應變信號5等，一般需要在葉片上安裝傳感器，不僅成本高，而且可能對葉片造成損傷，帶來安全隱患。文獻[6]基于健康狀態(tài)風力機葉片的振動信息，采用數據增強的方法生成非健康數據，實現(xiàn)了葉片故障診斷。隨著圖像處理技術的發(fā)展，機器視覺被應用到風力機葉片故障的診斷中，文獻[7]利用無人機拍攝運行中的葉片圖像，利用神經網絡進行故障特征訓練，可診斷出葉片故障情況，但無人機獲取高清葉片圖像的難度較大，且易受天氣影響。

利用聲音信號對葉片進行故障診斷的關鍵是聲音信號的特征提取，即提取聲音信號中有價值的信息，剔除干擾信息。常用的聲音特征提取方法有線性預測倒譜系數（linearpredictioncepstrumcoefficient，LPCC）？、梅爾頻率倒譜系數（Mel frequency cepstrumcoefficient，MFCC）？以及伽瑪通頻率倒譜系數（Gammatone frequency cepstrumcoefficient，GFCC）[10]等。在信號特征的訓練識別中，常用的智能算法有人工神經網絡、隱馬爾可夫模型（hidden Markov model，HMM）112、支持向量機（support vector machine，SVM）13等。在現(xiàn)有基于聲學信號的診斷方法中，文獻[14]提出基于主成分分析（principalcomponentsanalysis，PCA）和支持向量數據描述（support vectordatadescription，SVDD）的風力機葉片故障診斷方法，可較好地診斷葉片是否有故障，但其良好的性能是建立在相對純凈的數據之上，當外界噪聲過大導致無法準確提取葉片聲音特征時，該方法的準確率會大打折扣；文獻[15]利用MFCC算法提取特征，然后用聚類的方法進行故障診斷，傳統(tǒng)MFCC算法通過模擬人耳的聽覺系統(tǒng)，可準確地從語言信號中提取特征信息，由于風力機葉片聲音信號和語音信號有較大差別，直接利用MFCC算法很難準確提取到有效的特征信號。盡管聲信號分類在自然語言處理和環(huán)境聲音處理方面得到了廣泛應用，但在風力機葉片故障診斷方面，由于風力機運行工況復雜多變，存在較多的環(huán)境噪聲，基于聲音信號進行葉片故障診斷仍存在技術瓶頸。

針對這些技術不足，本文提出一種基于改進MFCC算法的風力機葉片故障檢測方法。首先根據葉片聲信號特點對MFCC算法進行改進，使之更契合于葉片聲音信號且具有較強抗擾性；然后將提取的聲音特征進行K均值聚類（K-meansclusteringalgorithm，K-means）;最后，基于SVM構建分類器，實現(xiàn)葉片故障診斷。

1 MFCC特征提取方法

MFCC方法[16在求頻譜能量時利用Mel濾波器組濾除人耳不感興趣的頻率分量，由于人耳對不同頻率聲音的敏感度不同，因此在獲取聲音信息時會選擇性地忽略部分頻段，只關注特定頻段。人耳對頻率的感知是非線性的，將這個非線性頻率定義為Mel頻率，物理頻率與Mel頻率的轉換關系為：

式中：f——物理頻率，Hz。

梅爾頻率和物理頻率的關系如圖1所示。MFCC算法流程如圖2所示。聽覺實驗表明，人耳聽覺會側重某些特定頻段，而不是整個物理頻段，人耳對低頻段有更強的感知能力，對高頻段則感知力較差。即人耳相當于一個濾波器組，只讓感興趣的頻率信號通過。為了模擬這種特性，在設置Mel濾波器組時，低頻段密集放置，高頻段稀疏放置，如圖3所示。

每個帶通濾波器Hm（k）的傳遞函數為：

式中：m=1，2，…，M，其中M為濾波器數量；k——變換后能量譜第k個系數；f（m）——Mel帶通濾波器的中心頻率，Hz。

式中：ff——預設的濾波器組頻率區(qū)間中的最低頻率和最高頻率，Hz;N——采樣點數量；f——采樣頻率，Hz。

利用離散余弦變換（discrete cosine transform，DCT）計算得到梅爾頻率倒譜系數如式（5）所示，梅爾頻率倒譜系數構成了MFCC特征向量。

式中：S（m）——Mel濾波器組輸出的對數能量；n——Mel頻率倒譜系數的數量。

2 MFCC改進方法

采集到的風力機葉片聲音信號包括風噪和葉片掃風聲音，前者受風速影響較大，使得葉片掃風的聲音特征極易被淹沒。圖4、圖5分別為風噪信號和采集到的葉片聲音信號的頻譜，圖6為人語音信號頻譜。在圖4中，風噪信號主要分布在0～2 kHz的低頻段內，隨著頻率的增大信號幅值迅速衰減。圖5所采集的風力機葉片聲音信號包括低頻的風噪和葉片信號信息。由圖4、圖5可見，葉片聲音信號主要分布在中頻段，且低頻風噪信號幅值遠高于葉片聲信號幅值。因此，在提取風力機葉片故障特征時，應盡量減少低頻風噪影響，主要關注中頻段信息。

如圖6所示，人語音信號主要集中在低頻區(qū)域，傳統(tǒng)MFCC特征提取方法在模擬人耳聽覺特性時主要側重于提取低頻信號特征。由上述分析可知，采集到的葉片聲信號低頻段主要是風噪信號，用傳統(tǒng)MFCC特征提取算法進行葉片聲音信號特征提取時，將提取到大量、無用的風噪信號特征，葉片故障診斷準確率低。因此，在進行風力機葉片故障診斷時，應充分考慮葉片聲音信號頻譜分布特征，對MFCC算法進行針對性的改進，以確保特征信息提取的有效性。

為了提取更多的風力機葉片聲音特征，首先調整Mel濾波器的放置方式，使其在故障特征頻段內密集放置。由于風力機葉片故障類型多樣、程度不一，所以特征信號所在頻段可能會隨故障類型、葉片型號而變化，在此設定特征頻段為[a，b]（0lt;alt;blt;25000）。MFCC算法改進時，首先要根據葉片特征信息分布特點構造新的頻率尺度，將全頻段分為三部分，然后分別賦予不同的權重，以改變Mel函數在不同頻段上的敏感度，在此對應線性頻率與Mel頻率轉換的曲線斜率。即：分別對[0，a]、[a，b]和（b，25000]3個頻段賦予權重α、β、γ，0.5≤βlt;1且α+β+γ=1，權重越大放置濾波器的數量越多，則頻段（0，a）放置濾波器的數量為αM，頻段[a，b]放置濾波器的數量為βM，頻段（b，25000）放置濾波器的數量為γM，M表示濾波器總數，典型取值為α=0.1、β=0.7、y=0.2。

由此，改進的物理頻率與Mel頻率的轉換關系為：

一般0lt;alt;blt;25000。[a，b]為特征頻率區(qū)間，如給定初值a=2000、b=8000，物理頻率和Mel頻率轉換曲線如圖7所示，與之對應的Mel濾波器放置如圖8所示。

為了得到較優(yōu)的診斷模型，需要確定準確的故障信號頻率區(qū)間，在此利用PSO優(yōu)化算法對頻率區(qū)間數值a、b尋優(yōu)。在迭代優(yōu)化過程中，基于式（6）所示改進的Mel頻率和物理頻率的對應關系，利用MFCC算法對葉片聲音信號進行特征提取，得到特征矩陣；然后利用K-均值聚類算法對特征信息聚類，并將聚類的輪廓系數17]作為優(yōu)化的適應度函數。聚類輪廓系數越大說明聚類效果越好，故障信號與非故障信號區(qū)分越明顯。計算流程如圖9所示。

3實驗驗證

為了獲取能夠反映葉片真實狀態(tài)的聲音信號，選擇天津市某風電場作為試驗場地。將圖10所示聲音采集裝置固定在一只存在故障葉片的風力機塔筒上，自動采集聲音數據并發(fā)送至云服務器，每5分鐘采樣一次，采樣時間10s。

以風速為8 m/s運行工況為例，對風力機聲音信號的高靈敏度頻率區(qū)間進行優(yōu)化，迭代50次獲得最優(yōu)值為a=1375 Hz，b=5676 Hz。在迭代優(yōu)化過程中，聚類輪廓系數變化如圖11所示，最優(yōu)解對應聚類輪廓系數為0.823。

在提取信號特征時，幀長設置為2048個采樣點，幀移設為300個采樣點，每幀信號特征維數為12。故障樣本經過特征提取后，利用K-均值算法將樣本聚為兩類，故障樣本標簽為1，非故障樣本標簽為2;然后采用T-SNE對聚類結果進行可視化處理，傳統(tǒng)MFCC和改進MFCC信號特征聚類結果如圖12所示。由圖12a可知，傳統(tǒng)MFCC算法提取特征聚類后，兩類樣本邊界有重疊部分且存在個別樣本分類錯誤的現(xiàn)象，聚類輪廓系數為0.54。由圖12b可看出，改進后的MFCC算法的特征信號樣本被完全分為兩類，故障樣本和正常樣本特征區(qū)分度更高，聚類輪廓系數為0.823。對不同風速條件下的故障聲音信號進行測試，分別采用改進前后的MFCC算法對樣本進行特征提取，對應的聚類輪廓系數如表1所示。由表1可知，在不同風速下，改進后的MFCC算法對故障特征的提取效果均有較好改進。

將上述7、8、9、10 m/s風速的特征樣本作為訓練集對SVM進行訓練，構建分類器，然后采集不同風速下風力機葉片聲音信號進行測試，分別采用傳統(tǒng)MFCC算法和改進MFCC算法對測試樣本進行特征提取，進一步基于SVM分類器進行樣本分類，并計算故障識別的準確率，結果如圖13所示。通過比較可見，改進MFCC算法明顯優(yōu)于傳統(tǒng)MFCC算法。

4結論

本文將MFCC特征提取算法用于風力機葉片故障診斷中，并根據葉片聲音信號的頻率特點對傳統(tǒng)MFCC算法進行了改進，優(yōu)化了物理頻率和Mel頻率的轉換曲線，使之能夠準確提取包含在噪聲和葉片聲音信號中的故障特征。通過相關測試分析表明，風力機運行中葉片聲音中的風噪處于低頻段，葉片掃風聲音處于中頻段，改進后的MFCC算法可有效提取葉片聲音特征，結合SVM等分類器可實現(xiàn)基于聲音的葉片故障檢測。該方法屬于無監(jiān)督學習范疇，對于不同葉片長度和故障類型及位置均有一定適應性。

[參考文獻]

[1]SWENSON L，GAO L Y，HONG J R，etal.Anefficacious model for predicting icing-induced energy lossfor wind turbines[J].Applied energy，2022，305：117809.

[2]張霆.風力發(fā)電機葉片狀態(tài)監(jiān)測與故障診斷系統(tǒng)設計和實現(xiàn)[D].上海：上海電機學院，2016.

ZHANG T.Design and implementation of conditionmonitoring and bearing fault diagnosis system for windturbine blades[D].Shanghai：ShanghaiDianji University，2016.

[3]XU D，LIU PF，CHEN Z P.Damage mode identificationand singular signal detection of composite wind turbineblade using acoustic emission [J].omposite structures，2021，255：112954.

[4]XU D，LIU P F，CHEN Z P，etal.Achievingrobustdamage mode identification of adhesive composite jointsfor wind turbine blade using acoustic emission andmachine learning [J].Composite structures，2020，236：111840.

[5]KIM H I，HAN JH，BANG H J.Real-time deformedshape estimation of a wind turbine blade using distributedfiber Bragg grating sensors [J].Wind energy，2014，17（9）：1455-1467.

[6]SUN S L.WAN（T Y.YANG H X.et al.Conditionmonitoring of wind turbine blades based on self-supervisedhealth representation learning：a conducive technique toeffective and reliable utilization of wind energy [J].Applied energy，2022，313：118882.

[7]REDDY A，INDRAGANDHIV，RAVI L，etal.Detectionof Cracks and damage in wind turbine blades usingartificial intelligence-based image analytics[J].Measurement，2019，147：106823.

[8]楊婧.基于諧波結構的樂器音色特征提取方法研究[D].哈爾濱：哈爾濱工業(yè)大學，2018.

YANG J.Research on timbre feature extraction of musicalinstrument through harmonic structure[D].Harbin：HarbinInstitute of Technology，2018.

[9]SOARES BS，LUZ JS，DE MACêDO VF，etal.MFCC-based descriptor for bee queen presence detection[J].Expert systems with applications，2022，201：117104.

[10]BAWA P，KADYAN V.Noise robust in-domain childrenspeech enhancement for automatic Punjabi recognitionsystem under mismatched conditions[J].Appliedacoustics，2021，175：107810.

[11]覃光華.人工神經網絡技術及其應用[D].成都：四川大學，2003.

QIN G H.Artificial neural networks and its applications[D].Chengdu：Sichuan University，2003.

[12]楊志凌，姚治業(yè)，王瑞明.基于HMM的風電機組齒輪箱故障診斷研究[J].太陽能學報，2017，38（9）：2574-2581.

YANG Z L，YAO Z Y，WANG R M.Study on faultdiagnosis of gearbox based on HMM[J].Acta energiaesolarissinica，2017，38（9）：2574-2581.

[13]平源.基于支持向量機的聚類及文本分類研究[D].北京：北京郵電大學，2012.

PING Y.Research on clustering and text categorizationbased on support vector machine[D].Beijing：BeijingUniversity of Posts and Telecommunications，2012.

[14]鄭楠，于廣亮，劉娟楠，等.一種基于SVDD和PCA的風機故障診斷方法[J].自動化技術與應用，2019，38（11）：143-146.

ZHENG N，YU G L，LIU JN，etal.A fault diagnosismethod for fan based on SVDD and PCA[J].Techniques ofautomation and applications，2019，38（11）：143-146.

[15]WANG YX，TAN JX，QIN X L，etal.Windturbineblade fault diagnosis based on MFCC feature optimizationstrategy [J].IOP conference series：earthandenvironmental science，2021，675（1）：012074.

[16]王宇星.基于MFCC與原型聚類的風機葉片故障診斷研究[D].天津：河北工業(yè)大學，2020.

WANG Y X.Research on wind turbine blade fault diagno-sis based on MFCC and prototype clustering[D].Tianjin：Hebei University of Technology，2020.

[17]彭曉慶.基于K-Means與原型網絡的兩階段聚類算法及應用[D].太原：山西大學，2020.

PENG X Q.Two-stage clustering algorithm based onK-means and prototype network and its application [D].Taiyuan：Shanxi University，2020.

WIND TURBINE BLADE FAULT DIAGNOSIS METHOD BASED ONIMPROVED MFCC ALGORITHM

Zhang Jiaan1，Tian Jiahui2，Wang Tiecheng3，Deng Qiang2，Liang Tao2

（1.School of Electrical Engineering，Hebei University of Technology，Tianjin 300130，China;

2.School of Artificial Intelligence and Data Science，Hebei University of Technology，Tianjin 300130，China;

3.Experimental Training Center，Hebei University of Technology，Tianjin 300401，China）

Abstract：The traditional acoustic signal processing methods canot effectively extract the acoustic features of wind turbine blades andthe fault diagnosis accuracy is insufficient.Therefore，a fault feature extraction method based on improved Mel frequency cepstrumcoefficient（MFCC）algorithm is proposed.Fast Fourier transform is used to analyze the frequency characteristics of the acoustic signalfrom wind turbine blade and wind noise at different wind speeds，and the corresponding frequency distribution regions are obtained.Meanwhile，we divide the whole frequency band into three parts，and use particle swarm optimization（PSO）to optimize the sensitivityof Mel function in different frequency bands.In the iterative optimization process，the sound characteristics of turbine blades extractedby MFCC algorithm are clustered，and the Silhouette coefficient is taken as the fitness function.Taking the blade sound acquisition dataof a wind farm in North China as an example，the adaptability of the algorithm under different wind speeds is investigated，andaclasifier based on support vector machine（SVM）is constructed to achieve accurate identification of wind turbine blade faults，whichverifies the effectiveness of the method.

Keywords：wind turbine blades;acoustic signal processing;faultdiagnosis;featureextraction;Mel frequency cepstrum coefficient