一种风机叶片异常检测方法及存储介质

技术领域

本发明涉及风机叶片检测技术领域。

背景技术

风能是一种典型的可再生清洁能源，近年来，世界风力发电设备装机量高速上升。风机中叶片作为风电能量转换的媒介，在发电过程中起着至关重要的作用。因此对风机叶片异常检测成为风电行业的一项重要课题。

一般来说，损伤产生的气动噪声与叶片正常状态下的气动噪声有明显区别，通过人耳能够分辨出两种状态。采用音频手段对风机叶片异常检测的方法，由于受限环境变化和风机叶片本身特性多变，都面对可泛化性低的问题。方法的可泛化性包括时间上的可泛化性(风机不同时间有转速，偏航方向，变桨角度的变化)和空间上的可泛化性(风场风机在安装空间中，有规格特性，新旧，物理环境的变化)。如果模型需要依靠大量的叶片数据集进行建模，容易陷入数据集收集不全面的陷阱。

现有技术中包括201911302163.4一种基于声音周期性的叶片故障诊断方法的技术方案，该方案提出一种基于声音周期性的叶片故障诊断方法，方法包括：首先将采集到的叶片的声音信号利用梅尔倒谱系数(Mel FrequencyCepstrum Coefficient，MFCC)法提取特征向量矩阵mfcc，并根据叶片的声音信号的周期性定义周期性的帧类别；然后采用K_means算法将所有帧信号聚成两类，并根据聚类结果建立周期性的帧类别的概率矩阵；最后根据概率矩阵确定最终的各帧信号的类别，通过类别编号时域上的条形图实现风机叶片的故障诊断。该现有技术的特征提取为梅尔倒谱系数，该现有技术采用K_means进行聚类识别正常和异常帧。采用K_means比较关键点的确定在K值中心点个数的确定，该方案异常数据球状分布在一个区间数理上只能表征一类异常，实际环境中，异常种类很多，聚类效果不会那么好。

另一些现有技术如201610665142.9风力发电机的叶片检测方法与装置的技术方案：本发明提供一种风力发电机的叶片检测方法与装置，该方法包括通过一麦克风取得风力发电机运转时的一运转声音；将该运转声音转换为一时频频谱；将该时频频谱对时间积分以产生一边际频谱；以及根据该边际频谱与一参考曲线，判断风力发电机的叶片是否有损伤。该专利采用边际频谱作为特征提取；本方案采用语谱图作为特征提取。该专利根据该边际频谱与一参考曲线，判断风力发电机的叶片是否有损伤。损伤的种类很多，该参考曲线依赖于大量的音频数据输入。仍然需要减少数据输入的改进方案。

发明内容

为此，需要提供一种不需要输入大量数据进行学习训练的叶片异常的检测方法。

为实现上述目的，发明人提供了一种风机叶片异常检测方法，包括如下步骤，收集同一工况下风机叶片的工作音频，根据工作音频处理获得第一频谱图，识别其中一叶片与其他叶片的频谱的相似度差异，从而识别异常叶片。

具体地，根据工作音频处理获得第一频谱图具体为，根据工作音频处理获得第一语谱图，并对第一语谱图进行切割，进行峰与峰之间的分割。

进一步地，还包括步骤，用分割的坐标将长矩阵切割成t个矩阵Ti(0≤i≤t-1),然后按照透明度p叠加矩阵值；

p＝3/t

T

还进行步骤，计算三个矩阵热图的相似度。

进一步地，还进行步骤，直方图均衡增强，

计算原图像的灰度直方图P(S

计算原始图像的累积直方图；

D

优选地，计算三个矩阵热图的相似度具体采用图片化的ssim值来计算相似度。

一种风机叶片异常检测存储介质，所述存储介质在被运行时执行包括如下步骤，根据收集到的同一工况下风机叶片的工作音频处理获得第一频谱图，识别其中一叶片与其他叶片的频谱的相似度差异，从而识别异常叶片。

具体地，根据工作音频处理获得第一频谱图具体为，根据工作音频处理获得第一语谱图，并对第一语谱图进行切割，进行峰与峰之间的分割。

进一步地，所述存储介质在被运行时还执行如下步骤，用分割的坐标将长矩阵切割成t个矩阵Ti(0≤i≤t-1),然后按照透明度p叠加矩阵值；

p＝3/t

T

还进行步骤，计算三个矩阵热图的相似度。

进一步地，还进行步骤，直方图均衡增强，

计算原图像的灰度直方图P(S

计算原始图像的累积直方图；

D

优选地，计算三个矩阵热图的相似度具体采用图片化的ssim值来计算相似度。

本方案采用相似度差异法，不需要比对复杂的声音模型库，无需采用机器学习等方案。本发明拥有如下优点：1、采用叶片之间的稳态差异进行异常正常区分，拥有非常好的泛化能力；2、不依赖输入的大数据样本，不需要提前训练，易于部署和工程实践。

附图说明

图1为本发明一实施方式所述的风机叶片异常检测方法流程图；

图2为本发明一实施方式所述的语谱图；

图3位本发明一实施方式所述的透明度叠加前后音频语谱图对比；

图4为本发明一实施方式所述直方图均衡增强算法的图像对比。

具体实施方式

为详细说明技术方案的技术内容、构造特征、所实现目的及效果，以下结合具体实施例并配合附图详予说明。

本文将介绍一种风机叶片异常检测方法，包括如下步骤，收集同一工况下风机叶片的工作音频，S100根据工作音频处理获得第一频谱图，S102识别其中一叶片与其他叶片的频谱的相似度差异，从而识别异常叶片。在一些简单的实施例中，可以通过形态边缘、强度统计，理想情况下也可采用方差分析、均值分析的方法，识别其中一叶片与其他叶片的频谱的相似度差异。通过常规的方法识别频谱图的差异性，再对应到具体的叶片中进行相关的识别。

而在一些优选的实施例中，还可以进行如下步骤，根据工作音频处理获得第一频谱图具体为，根据工作音频处理获得第一语谱图，并对第一语谱图进行切割，进行峰与峰之间的分割。所述语谱图为频谱图的一种，如图2所示。进一步地还进行步骤，S101用分割的坐标将长矩阵切割成t个矩阵Ti(0≤i≤t-1),然后按照透明度p叠加矩阵值；

p＝3/t

T

还进行步骤，计算三个矩阵热图的相似度。通过计算三个矩阵热图相似度的方法，提取出其中与其他叶片不同或偏离平均值较大的风机叶片的矩阵热图，从而确定破损叶片。

进一步地，在进行相似度识别之前还进行步骤，直方图均衡增强，计算原图像的灰度直方图P(S

计算原始图像的累积直方图；

D

优选的一些实施例中，计算三个矩阵热图的相似度具体采用图片化的ssim值来计算相似度。SSIM相似度：SSIM的全称为structural similarity index，即为结构相似性，是一种衡量两幅图像相似度的指标。结构相似度指数从图像组成的角度将结构信息定义为独立于亮度、对比度的反映场景中物体结构的属性，并将失真建模为亮度、对比度和结构三个不同因素的组合。用均值作为亮度的估计，标准差作为对比度的估计，协方差作为结构相似程度的度量。是一种非常常用的衡量两幅图片相似度的指标。

两张平均矩阵热图的输入是x和y，那么

SSIM(x,y)＝[l(x,y)]

α、β、γ是调整三种相似性重要程度的系数。其中l(x,y)是亮度比较，c(x,y)是对比度比较，s(x,y)是结构比较。u

三个特征矩阵热图两两代入x和y，比较三次，得到三个SSIM值，接着进行统计和判断异常。

SSIM值在连续一段时间内，如果相似度都一致，而且大于阈值k(0

通过上述方案，我们能够不需要比对复杂的声音模型库，无需采用机器学习等方案。本发明拥有如下优点：1、采用叶片之间的稳态差异进行异常正常区分，拥有非常好的泛化能力；2、不依赖输入的大数据样本，不需要提前训练，易于部署和工程实践。

一种风机叶片异常检测存储介质，所述存储介质在被运行时执行包括如下步骤，根据收集到的同一工况下风机叶片的工作音频处理获得第一频谱图，识别其中一叶片与其他叶片的频谱的相似度差异，从而识别异常叶片。

具体地，根据工作音频处理获得第一频谱图具体为，根据工作音频处理获得第一语谱图，并对第一语谱图进行切割，进行峰与峰之间的分割。

进一步地，所述存储介质在被运行时还执行如下步骤，用分割的坐标将长矩阵切割成t个矩阵Ti(0≤i≤t-1),然后按照透明度p叠加矩阵值；

p＝3/t

T

还进行步骤，计算三个矩阵热图的相似度。

进一步地，还进行步骤，直方图均衡增强，

计算原图像的灰度直方图P(S

计算原始图像的累积直方图；

D

优选地，计算三个矩阵热图的相似度具体采用图片化的ssim值来计算相似度。

需要说明的是，尽管在本文中已经对上述各实施例进行了描述，但并非因此限制本发明的专利保护范围。因此，基于本发明的创新理念，对本文所述实施例进行的变更和修改，或利用本发明说明书及附图内容所作的等效结构或等效流程变换，直接或间接地将以上技术方案运用在其他相关的技术领域，均包括在本发明的专利保护范围之内。