一种风机故障检测方法及系统

技术领域

本发明涉及电力系统技术领域，特别是涉及一种风机故障检测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

风机作为风力发电系统的核心组成部分，其正常运行对能源生产的稳定性至关重要。然而，由于风场环境、长时间运行和制造缺陷等因素，风机叶片可能面临各种故障，如磨损、裂纹、偏航等。风机叶片故障不仅会降低发电效率，还可能会导致设备损坏和维护成本的增加。因此，及早发现和诊断叶片故障对于确保风力发电系统的可靠性和长期运行至关重要。

传统的风机监测方法主要依赖于人工检测、模式识别等方法，这些方法虽然能够检测一些常见的故障，但对于叶片微小缺陷和早期故障的诊断能力相对有限，同时存在成本较高、面对新故障类型无法识别等问题。

在众多监测方式中，声音信号携带着丰富的信息，通过分析风机运行过程中产生的声音，可以更准确地识别叶片的异常状态，能够反映设备健康状况的特性。然而，目前基于声音的风机叶片故障检测技术主要依靠的方法是一些传统的信号处理技术，由于传统的信号处理技术主要是通过数学处理，应对单一、理想场景表现较好，但在环境更复杂的实际应用场景中，相比于结合深度学习的检测方法，传统的信号处理技术存在检测精确率较低、场景泛用性不够广泛等问题。

发明内容

为了解决上述问题，本发明提出了一种风机故障检测方法及系统，将声音信号转换为图模型进行故障检测，融合多通道声音信号的信息，提升准确率，同时实现端到端的检测。

为了实现上述目的，本发明采用如下技术方案：

第一方面，本发明提供一种风机故障检测方法，包括：

获取风机运行过程中的多通道声音信号序列，将多通道声音信号序列拼接成单通道混合序列，基于单通道混合序列与多通道声音信号序列构建数据源；

对数据源中的每个序列进行分割，对得到的每段子序列进行时频变换后，基于每个序列的新子序列构建子图；

将所有序列对应的子图进行融合，对得到的融合子图采用训练后的图网络模型进行故障检测。

作为可选择的实施方式，使用波束成形方法，将多通道声音信号序列拼接成单通道混合序列，将单通道混合序列与多通道声音信号序列进行并列后，得到包括N+1个一维数据序列的数据源，N为多通道声音信号序列的通道数。

作为可选择的实施方式，对每个序列进行等分，将每个序列转换为m段子序列，并对多段子序列进行归一化处理。

作为可选择的实施方式，以新子序列

作为可选择的实施方式，确定每个序列中所涉及的特征值所代表的点，以两个点之间的欧式距离衡量两个点的相似度，采用K近邻方法，将每个点k个最近的点之间添加边，以该边为子图的边，每个边的权重为两个点的欧式距离。

作为可选择的实施方式，将所有序列对应的子图进行拼接融合后，以融合子图中点的特征值构成的特征矩阵，不同点之间有无边和边的权重构成的连接矩阵为图网络模型的输入，从而得到有无故障的检测结果。

作为可选择的实施方式，通过在服务器端集成对风机健康状态的远程监控，实现风机图像、视频和声音信号的传送和显示，实现对不同叶片信号的变化趋势分析，实现对不同叶片信号的特征提取和周围环境状态的显示。

第二方面，本发明提供一种风机故障检测系统，包括：

预处理模块，被配置为获取风机运行过程中的多通道声音信号序列，将多通道声音信号序列拼接成单通道混合序列，基于单通道混合序列与多通道声音信号序列构建数据源；

子图构建模块，被配置为对数据源中的每个序列进行分割，对得到的每段子序列进行时频变换后，基于每个序列的新子序列构建子图；

故障检测模块，被配置为将所有序列对应的子图进行融合，对得到的融合子图采用训练后的图网络模型进行故障检测。

第三方面，本发明提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述的方法。

第四方面，本发明提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述的方法。

与现有技术相比，本发明的有益效果为：

本发明提出一种风机故障检测方法及系统，采用由多个麦克风组成麦克风阵列采集风机运行过程中的多通道声音信号，将多通道声音信号序列拼接成单通道混合序列后，在与多通道声音信号序列构成最终的数据源，从多个方向和维度捕捉声源，将灵敏度聚焦于特定方向，同时尽可能保留原有数据的信息，提高检测灵敏度和准确度，且相比于传统人工检测等方法降低检测成本。

本发明提出一种风机故障检测方法及系统，对数据源中的每个序列进行分割，由于不同通道得到的信号强度可能会存在差异，故对子序列进行通过归一化处理，有效地消除不同数据源采集到的数据强度差距，继而为了对序列特征的表达，对子序列进行时频变换，选取新子序列中间位置处的数值作为特征值，以该特征值所在点作为子图中的节点，以距离较近的点所构建边为子图的边，由此得到每个序列的子图，从而将声音信号转换为图模型进行故障检测，实现从多通道声信号到声信号诊断结果的检测，融合多通道声音信号的信息，提升准确率，同时实现端到端的检测，节省检测步骤，操作方便。

本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1为本发明实施例1提供的风机故障检测方法流程图。

具体实施方式

下面结合附图与实施例对本发明做进一步说明。

应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“包含”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

实施例1

本实施例提供一种风机故障检测方法，通过对风机运行过程中的声音信号进行实时监测和分析，快速识别叶片的各类故障，从而提高风力发电系统的可靠性和维护效率，同时实现对于风机的远程故障监测，提升监测的便捷程度。

如图1所示，具体包括：

获取风机运行过程中的多通道声音信号序列，将多通道声音信号序列拼接成单通道混合序列，基于单通道混合序列与多通道声音信号序列构建数据源；

对数据源中的每个序列进行分割，对得到的每段子序列进行傅里叶变换后，基于每个序列的新子序列构建子图；

将所有序列对应的子图进行融合，对得到的融合子图采用训练后的图网络模型进行故障检测。

因为风机布置的场地往往伴随着强风，易形成噪音，因此本实施例采用麦克风阵列采集风机运行过程中的多通道声音信号。麦克风阵列是由多个麦克风组成的集合，为声音捕捉提供了比传统单个麦克风更先进的手段，其主要优势在于强大的空间捕捉能力，通过多个麦克风的协同工作，能够从多个方向和维度捕捉声源，从而为声音源定位、背景噪音抑制和声场重建提供更为精确和高效的解决方案；此外，麦克风阵列利用其复杂的信号处理能力，能够对来自不同方向的声音进行分离和增强，为复杂噪声环境中的叶片转动声音分析和处理提供有力助力；同时，对于本实施例下述采用的故障检测算法，麦克风阵列比常规麦克风更适配，多通道数据信息融合更加准确。然后将获取的数据通过无线传播的方式，上传到云端，最后集成到平台之上。

在本实施例中，使用波束成形方法，将麦克风阵列采集的多通道声音信号序列拼接成单通道混合序列，将单通道混合序列与多通道声音信号序列进行并列后，得到N+1个一维数据序列，N为多通道声音信号序列的通道数。

波束成型算法的核心思想是通过对每个传感器的信号进行加权和相位调整，使其在特定方向上形成一个合成的波束，从而增强目标方向的信号，同时减弱其他方向的干扰：

通过调整权重和时间延迟，可以实现波束成型，将系统的灵敏度聚焦于特定方向，由此得到融合的单通道混合序列，与初始的N个通道数据序列一起作为数据源。

因为单通道混合序列与初始的N个通道序列是相同时长采集的数据，数据序列长度也是相同的，故将N+1个一维数据序列组合成一个数据源，对每个序列进行m等分，将每个序列变成m段子序列；

其中，本实施例中N取6。

由于不同通道得到的信号强度可能存在差异，所以要对不同数据源的数据进行归一化处理。对于同一个数据源的数据，与传统的归一化不同之处在于，本实施例的归一化是基于分割后得到的多段子序列进行的，通过归一化处理，有效地消除不同数据源采集到的数据强度差距，为拼接组成图网络做铺垫；

其中，x

归一化处理后，为了更能体现一个数据序列的特征，本实施例对数据序列进行傅里叶变换，将数据从时域数据转换为频域数据。与传统傅里叶变换不同的是，本实施例的傅里叶变换是基于分割后的子序列进行的傅里叶变换，对于每段子序列经傅里叶变换后得到的新子序列为：

若新子序列长度为l，则选取

具体的，包含相关联信息较多的的信号序列往往倾向于共享故障信息，而当两个信号序列包含的相关信息较多时，代表这两个序列的特征点之间往往相似。由此，本实施例以两个点之间的欧式距离作为衡量两个点相似度的标准，欧氏距离越近，两个点越相似。

则a、b两点间的欧式距离为：

其中，x

然后，使用K近邻方法，为距离较近的点构建边，每个边的权重即为两个点的距离；最后，以每个序列的新子序列的特征值所代表的点为子图的节点，以构建的边为子图的边，得到每个序列对应的子图。

其中K近邻是一种常见的对点进行分类的数学方法，具体流程包括：当选取一个点进行分类时，遍历计算它和其它所有点之间的距离，选取k个最近的点，可以认为这几个点是同一类，在本实施例中，找到k个最近点后，为这几个点之间添加边；同时，在该方法中，k的选值不同会对结果造成巨大影响，经过反复实验，k值取3时，有最好的效果。

同样的，其他序列也以相同的方式构建子图，本实施例以七个数据序列为例，则对应七个子图。

当对采集到的声音信号进行故障诊断时，需要将七个通道的数据进行融合后进行诊断，对应的在构建得到七个子图后，将七个子图进行融合；因为在前述步骤中已经考虑到不同通道的信号强度的差异而进行归一化处理，因此获得的七个子图可以直接进行拼接融合。

得到融合后的子图后，采用训练后的图网络模型，对转换为图的信号序列进行故障检测。本实施例采用的图网络模型为GNN，GNN是一种常用来进行分类的图神经网络模型，该模型的输入是图的点的特征矩阵、图的连接矩阵，输出为图的类别。在本实施例中，点的特征矩阵即为点的特征值，图的连接矩阵即为不同点之间有无边、边的权重而构建的矩阵，对于图的类别，分为有无故障两个类别，经过训练，该模型可以对声音信号转化成的图进行分类。

本实施例实现从多通道声信号到声信号的诊断结果的检测模型，融合多通道声音信号的信息，提升准确率，同时实现端到端的检测，节省检测步骤，操作较为方便。

由于风机的布置往往处于风力强劲的野外地区，同时风机本体也较为庞大，近距离的监测较为不便，因此实现风机的远程故障检测十分重要。本实施例利用树莓派，获取远距离的风机数据，在服务器端搭建服务平台实施对风机健康状态的远程监控。集成系统端的搭建主要基于Web技术，致力于实现了一系列功能，以全面监测和分析风机状态。具体包括：

(1)风机图像和视频传送和呈现功能：通过Web技术结合树莓派，系统能够实现风机图像和视频的实时传送和展示，使用户可以远程监视风机运行状态，及时获取图像和视频信息，从而更全面地了解实际工作情况。

(2)声音信号的实时呈现功能：通过Web界面，技术人员可以实时观看风机的声音信号，帮助检测潜在故障或异常情况，提高故障诊断的准确性。

(3)不同叶片信号趋势分析功能：针对不同叶片的传感器数据，提供趋势分析功能，允许用户查看叶片信号的变化趋势，有助于及时发现叶片的性能问题，为维护提供重要参考。

(4)不同叶片信号特征提取功能：通过提供对不同叶片信号的特征提取功能，并在系统界面完成展示，有助于深入了解每个叶片的性能差异，为优化风机运行提供数据支持。

(5)叶片周围环境状况显示功能：在Web界面上，展示叶片周围环境状况的数据，包括温度、风速、湿度、气压等参数，有助于综合考虑环境因素对风机运行的影响，为风机性能的合理评估提供全面信息。

(6)远程状态监测：通过Web技术，用户可以随时随地远程监测风机状态，提高系统实用性和便捷性，使用户能够在不同地点实时了解风机的运行情况。

(7)实时数据上传和界面呈现：实现风机数据的实时上传，确保用户能够获取最新的运行信息；同时，通过直观的Web界面，以图表、图像等形式清晰呈现数据，使用户能够直观地了解风机的性能指标和运行状况。

综合而言，基于Web技术的集成系统端的搭建不仅提供了远程监测和实时数据展示的功能，还通过各种分析工具，帮助用户更深入地了解风机运行的方方面面，为运维和管理提供了强大的支持。

实施例2

本实施例提供一种风机故障检测系统，包括：

预处理模块，被配置为获取风机运行过程中的多通道声音信号序列，将多通道声音信号序列拼接成单通道混合序列，基于单通道混合序列与多通道声音信号序列构建数据源；

子图构建模块，被配置为对数据源中的每个序列进行分割，对得到的每段子序列进行时频变换后，基于每个序列的新子序列构建子图；

故障检测模块，被配置为将所有序列对应的子图进行融合，对得到的融合子图采用训练后的图网络模型进行故障检测。

此处需要说明的是，上述模块对应于实施例1中所述的步骤，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。

在更多实施例中，还提供：

一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例1中所述的方法。为了简洁，在此不再赘述。

应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。

一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例1中所述的方法。

实施例1中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。

本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元及算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。