一种基于声音特征的风力发电机叶片缺陷远程监测系统

技术领域

本发明属于风力发电机叶片缺陷监测与机器学习领域，更具体地，涉及一种基于小波声音特征分析和支持向量机(SVM)的风力发电机叶片缺陷远程监测系统。

背景技术

目前，我国风机叶片维护方式主要为定期巡检，即通过专业人员定期去风力发电机处进行检查。然而风力发电机分布范围广，所处位置环境一般较为偏远恶劣，因此巡检效率低，人员风险高，同时难以实时、全面地获取风机叶片的健康状态信息。

近年来，国内外风电装备厂商、风机运行商和高校科研人员等越来越关注风机叶片的健康监测问题，发展了若干种风机叶片故障监测方法，如基于振动、声发射、光纤光栅、超声波、红外热成像等技术的叶片故障检测方法，取得了较理想的效果，但与此同时，这些故障检测方法也带来了一些新的问题。

振动检测与声发射检测需要在叶片上打孔安装传感器，不但会破坏叶片原有结构，而且传感器的安装与后期维护较为困难，在风机运行过程中由于发动机传动链等设备振动的影响，会产生很大的噪声，信号难以处理。

光纤光栅检测需要在叶片制造时在材料内部埋设光纤光栅传感器，制造难度大，同时传感器数量及位置都对监测结果有很大影响，而且在长时间运行后传感器可能出现失效、损坏等情况，难以维护。

超声波检测是利用材料及其缺陷的声学性能差异，通过对超声波传播波形反射情况和穿透时间的能量变化来检验材料内部缺陷的无损检测方法，受检测人员主观影响较大，同时因风机叶片不同部位的差异性，在对叶片整体进行探伤时需要布置不同频率的超声波探头，且检测周期较长，更适合于出厂前的静态检测。

红外热成像检测对于比较深的损伤位置的检测灵敏度不高，且受环境因素的影响较大，对叶片进行实时健康检测有一定困难。

总体而言，现有的针对风力发电机叶片缺陷进行检测的方法，存在检测设备不易安装维护、稳定性差、实时性低等缺陷。

发明内容

针对现有技术的缺陷和改进需求，本发明提供了一种基于小波声音特征分析和支持向量机的风力发电机叶片缺陷远程监测系统，其目的在于，解决现有的风力发电机叶片缺陷检测方法中存在的检测设备不易安装维护、稳定性差、实时性低的技术问题。

为实现上述目的，本发明提供了一种基于声音特征的风力发电机叶片缺陷远程监测系统，包括：三个成120°环绕风机塔筒布置的传声器、数据采集与通信模块、塔基交换机、光网络和风场中心服务器；

三个传声器分别连接于数据采集与通信模块，数据采集与通信模块连接于塔基交换机，塔基交换机和服务器均接入光网络；

三个传声器以非接触的方式采集风力发电机叶片运行时产生的声信号，并传送给数据采集与通信模块，数据采集与通信模块按照UDP网络协议以数据包的形式经过塔基交换机及光网络将声音信号传输到服务器；

服务器包括：

声信号接收模块，用于接收由声信号发送模块发送的数据包，并重组得到完整的声信号；

声信号处理模块，用于提取声信号接收模块重组得到的声信号的声音特征，并输入至已训练好的叶片状态预测模型，由叶片状态预测模型输出风力发电机叶片的健康状态；

其中，叶片状态预测模型为支持向量机模型，叶片的健康状态用于指示叶片是否存在缺陷。

本发明利用三个成120°环绕风机塔筒布置的传声器实时采集风力发电机运行产生的声音信号，使得风力发电机在任意偏转角度下都能准确地采集声信号；在采集到声音信号的基础上，进一步提取出声音特征，利用支持向量机模型计算相应的叶片状态信息，能够充分利用损伤叶片会导致气动音频信号发生变化这一特性，准确监测风力发电机的叶片是否存在缺陷，并且具有较好的稳定性，计算速度快，实时性好。同时，由于传声器以非接触的方式采集声信号，无需与叶片接触，安装与维护不会影响风力发电机的运行，有效解决了现有监测方法中存在的设备不易安装维护的问题总体而言，本发明所提供的基于小波声音特征分析和支持向量机的风力发电机叶片缺陷远程监测系统，能够有效解决现有的风力发电机叶片缺陷检测方法中存在的检测设备不易安装维护、稳定性差、实时性低的技术问题。

进一步地，声信号处理模块提取声信号接收模块重组得到的声信号的声音特征的方式包括：

将声信号转换为频谱数据，利用小波包分解法得到频谱数据中各频带的能量；

将各频带的能量进行归一化操作，得到声音特征。

小波包分析可以将频带部分多层次划分，对多频率分析中没有细分的高频部分进行进一步分解，而且这种分解既无冗余，也无疏漏，对包含大量中、高频信息的信号能够进行更好的时频局部化分析；本发明利用小波包分解法能够准确提取出声信号的特征，有效保证叶片状态监测的准确性。

进一步地，叶片状态预测模型的训练方式包括：

收集叶片状态已知的风力发电机叶片运行时产生的声信号，采用小波分析提取声音特征，由声音特征及对应的叶片状态为训练样本，得到训练数据集，将训练数据集划分为训练集和测试集；

建立支持向量机模型，用于根据声音特征预测叶片状态；利用训练集和测试集分别对支持向量机模型进行训练和测试，在训练和测试结束后，将神经网络模型作为叶片状态预测模型。

本发明利用叶片状态已知的风力发电机叶片运行时产生的声信号构建训练集和测试集，对所建立的神经网络模型进行训练，能够使得训练得到的模型能够准确地根据声信号的声音特征预测出对应的叶片状态。

进一步地，叶片状态预测模型的训练方式还包括：经过预设时间间隔后，对叶片状态预测模型进行重新训练。

本发明经过一段时间后，对模型进行重新训练，能够自适应风力发电机运行环境的变化，使得模型不断优化，降低叶片状态预测的误差。

进一步地，声信号发送模块在数据包中以3声道的形式同时传输3个传声器采集到的声信号。

本发明的声信号发送模块在数据包中以3声道的形式同时传输3个传声器采集到的声信号，便于服务器接收到该数据包后提取完整的声信号。

进一步地，服务器，还用于在声信号采集未发送数据包时，向声信号采集发送启动配置数据包；启动配置数据包中记录的信息包括传声器的IP地址和MAC地址，以及服务器的IP地址和端口；

声信号采集，还用于监听接收服务器段发送的启动配置数据包，在接收到启动配置数据包时，将其自身所包含的传声器的IP地址和MAC地址与启动配置数据包中的传声器的IP地址和MAC地址进行匹配，并在匹配成功的情况下依据服务器的IP地址和端口对数据包的发送目的地进行配置，配置完成后，开始采集声音信号并发送至服务器。

本发明中，服务器在声信号采集端未发送数据包时，会向声信号采集端下发启动配置数据包，启动相应的传声器开始采集风力发电机叶片运行时的声信号，保证了对风力发电机叶片状态的实时监测。

进一步地，数据包中还包括时序码和状态码；时序码用于记录数据包中声音信号的采样时刻，状态码用于指示风力发电机是否处于运行状态。

UDP(User Datagram Protocol)协议无连接，实时性高，可以多对一；本发明使用UDP协议实现声音采集端和服务器的通信，能够便于同时对多台风力发电机的叶片状态进行监测，并保证监测的实时性。

UDP协议不保证数据包一定到达，也不保证数据包顺序到达，本发明通过在数据包中加入用于记录声信号采样时刻的时序码，保证了服务器接收到数据包后，能够根据时序码进行排序和重组，得到原始的声信号。

本发明还在数据包中加入用于指示风力发电机是否处于运行状态的状态码，使得服务器接收到数据包后，能够判断其中的声信号是否为风力发电机运行产生的声信号，从而预测出有效的声信号，保证了后续利用神经网络模型进行叶片状态预测的准确性。

进一步地，声信号接收模块还用于将重组得到的声信号以音频文件的形式进行存储，且存储位置与声信号处理模块预测出的叶片状态相对应。

本发明在服务器根据预测结果对音频文件进行分类存储，能够便于用户调取音频文件，进行二次判断。

进一步地，服务器还包括：

交互模块，用于对声信号处理模块预测出的叶片状态进行可视化显示，和/或提供音频文件获取接口；

音频文件获取接口被触发时，服务器会返回最新存储的音频文件。

本发明在服务器，通过交互模块实时显示风力发电机叶片状态的预测结果，能够将叶片状态直观地呈现给用户，从而在叶片出现缺陷时，及时采取相应的措施，保证风力发电机的正常运行；本发明还在服务器通过交互模块提供了可获取最新存储的音频文件的结构，能够便于用户调取音频文件，进行二次判断。

总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：

(1)本发明利用三个成120°环绕风机塔筒布置的传声器以非接触的方式实时采集风力发电机运行产生的声音信号，并进一步提取出声音特征，利用支持向量机模型计算相应的叶片状态信息，能够充分利用损伤叶片会导致气动音频信号发生变化这一特性，准确监测风力发电机的叶片是否存在缺陷，并且具有较好的稳定性，计算速度快，实时性好，能够有效解决现有的风力发电机叶片缺陷检测方法中存在的检测设备不易安装维护、稳定性差、实时性低的技术问题。

(2)本发明利用小波包分解法能够准确提取出声信号的特征，有效保证叶片状态监测的准确性。

(3)本发明经过预设时间间隔后，对模型进行重新训练，能够自适应风力发电机运行环境的变化，使得模型不断优化，降低叶片状态预测的误差。

(4)本发明中，服务器在声信号采集端未发送数据包时，会向声信号采集端下发启动配置数据包，启动相应的传声器开始采集风力发电机叶片运行时的声信号，保证了对风力发电机叶片状态的实时监测。

(5)本发明的声信号采集端和服务器通过UDP协议通信，并相应在数据包中加入时序码和状态码，能够同时对多台风力发电机的叶片状态进行实时监测，并且保证了服务器能够准确地利用接收到的数据包重组得到完整的声信号，并准确筛选出有效的声信号。

(6)本发明的服务器还提供了交互模块，能够将叶片状态直观地呈现给用户，从而在叶片出现缺陷时，及时采取相应的措施，保证风力发电机的正常运行；并且便于用户调取音频文件，进行二次判断。

附图说明

图1为本发明实施例提供的基于声音特征的风力发电机叶片缺陷远程监测系统示意图；

图2为本发明实施例提供的声信号采集模块中，传声器的安装示意图；

图3为本发明实施例提供的声信号采集端上传的数据包格式；

图4为本发明实施例提供的声信号接收模块对接收到的数据包进行处理的流程图；

图5为本发明实施例提供的声信号处理模块提取声信号的声音特征的流程图；

图6为本发明实施例提供的叶片状态预测模型的训练流程图；

图7为本发明实施例提供的服务器下发的启动配置数据包格式。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

在本发明中，本发明及附图中的术语“第一”、“第二”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

为了解决现有的风力发电机叶片缺陷检测方法中存在的检测设备不易安装维护、稳定性差、实时性低的技术问题，本发明提供了一种基于声音特征的风力发电机叶片缺陷远程监测系统，其整体思路在于：利用损伤叶片会导致气动音频信号发生变化这一特性，通过非接触式的方式实时采集风力发电机运行中产生的声音信号，并采用小波分析提取出声音特征数据，进一步利用支持向量机模型预测叶片是否存在缺陷，由此实现叶片缺陷的远程非接触式实时监测。

本发明提供的基于小波声音特征分析和支持向量机的风力发电机叶片缺陷远程监测系统，如图1所示，包括：三个成120°环绕风机塔筒布置的传声器、数据采集与通信模块、塔基交换机、光网络和风场中心服务器；

三个传声器分别连接于数据采集与通信模块，数据采集与通信模块连接于塔基交换机，塔基交换机和服务器均接入光网络；

三个传声器以非接触的方式采集风力发电机叶片运行时产生的声信号，并传送给数据采集与通信模块，数据采集与通信模块按照UDP网络协议以数据包的形式经过塔基交换机及光网络将声音信号传输到服务器；

服务器包括：声信号接收模块和声信号处理模块。

本实施例中，三个传声器以非接触的方式采集风力发电机叶片运行时产生的声信号，并传送给数据采集与通信模块，数据采集与通信模块按照UDP网络协议以数据包的形式经过塔基交换机及光网络将声音信号传输到服务器；

本实施例中，三个传声器的布置方式具体如图2所示，在风力发电机下方呈圆环形均匀设置，每两个传声器之间间隔120°，并对准风机叶片处，以保证风机叶片偏转至任意方向时仍处于传声器的采集范围内，传声器采集声音数据的采样率为44.1KHz，采样周期为22.667us，数据分辨率为16bit；

作为一种优选的实施方式，本实施例中，与3个传声器相对应地，数据采集与通信模块按照UDP网络协议上传至服务器的数据包中，以3声道的形式同时传输3个传声器采集到的声信号；

由于UDP协议不保证数据包一定到达，也不保证数据包顺序到达，本实施例中，数据包中还包括时序码和状态码；时序码用于记录数据包中声音信号的采样时刻，状态码用于指示风力发电机是否处于运行状态，保证了服务器接收到数据包后，能够根据时序码进行排序和重组，得到原始的声信号，并预测出有效的声信号；

图3所示为本实施例采用的数据包的一种格式，其中，每个数据包共有244组采样数据，每组间隔22.67us，总采样时间位5531us，每组采样数据中同时包含3个传声器的采样数据，即声道为3，数据包中还记录了时序码和状态码；时序码每包加一，用于记录采样时刻，及区分是否丢包；下方为状态码每bit代表含义，帮助服务器判断是否需要保留此数据；

应当说明的是，图3所示仅为本发明一种可选的数据包格式，不应理解为对本发明的唯一限定。

本实施例中，声信号接收模块，用于接收由声信号发送模块发送的数据包，并重组得到完整的声信号；

作为一种可选的实施方式，本实施例中，声信号接收模块对接收到的数据包进行处理的流程如图4所示，首先进行初始化，读取记录每个传声器的IP及MAC地址，并为其创建一个缓冲区、数据传输标志信息表示是否接收到对应传声器采集的数据，随后开启一个数据发送线程循环为每个传声器下发配置数据包直至接收到所有传声器采集的数据；

为声信号接收模块监听对应端口，当接收到数据包后，获取数据包来源IP判断传声器编号，如果为首次接收到该传声器数据，则创建两个子线程，其中一个线程功能为重组数据包，另一线程功能为存储音频文件；随后将数据包拆分为时序码、状态码与声信号数据，根据状态码更改风机状态标志位，并按时序顺序循环将数据存储入对应缓冲列表中，其中首次接收数据包时还将序号传递给重组数据包线程；若状态码显示风力发电机未处于运行状态，则直接丢弃相应的声信号数据；

重组数据包线程从首个数据包序号处顺序循环读取缓冲列表，当对应处缓冲列表值为空时，等待一段时间，如果此处值仍为空，则意味此处数据包丢失，跳过，当值不为空时则将声信号数据存入输出队列中，然后将缓冲列表此处设为空值；

音频文件存储线程则创建相应音频格式文件，不断从输出队列中取值写入文件，存储一定数量数据包后，清空输出队列防止数据包堆积，关闭文件，根据风机状态标志位将文件移动到指定文件夹或删除，不断循环往复此过程；当一定时间后输出队列仍为空则说明没有接收到新的数据包，将相关标志位恢复至初始状态，同时再次开启配置数据包下发线程，尝试重启客户端，随后数据包重组及存储线程结束。

本实施例中，声信号处理模块，用于提取声信号接收模块重组得到的声信号的声音特征，并输入至已训练好的叶片状态预测模型，以由叶片状态预测模型输出风力发电机叶片的健康状态；

其中，叶片状态预测模型为支持向量机模型，叶片的健康状态用于指示叶片是否存在缺陷；

作为一种可选的实施方式，本实施例中，声信号处理模块通过小波包分解法提取声信号的声音特征；小波包分析可以将频带部分多层次划分，对多频率分析中没有细分的高频部分进行进一步分解，而且这种分解既无冗余，也无疏漏，对包含大量中、高频信息的信号能够进行更好的时频局部化分析，本实施例利用小波包分解法能够准确提取出声信号的特征，有效保证叶片状态监测的准确性；利用小波包分解法提取声信号的声音特征的方式如图5所示，具体包括：

首先，通过傅里叶变换将声信号转换成频谱数据；

然后，选用合适的小波基函数，对频谱数据进行m层小波包分解，得到小波包分解树结构，小波包分解的公式为：

重构的公式为：

其中，

设m层小波包系数集合为

其中，n表示小波包系数的序号(n＝0,1,…,2

归一化方法的表达式如下：

向量X便是通过小波包分解提取出的生信号的声音特征；max(E

作为一种可选的实施方式，本实施例中，叶片状态预测模型具体为SVM(supportvector machines)模型，通过引入核函数，可以将原始非线性关系转换为高维特征空间中的线性关系；通过网格搜寻法，自动寻找最合适的超参数，即为惩罚系数和核函数带宽的数值。

本实施例中，叶片状态预测模型的训练方式如图6所示，包括：

收集叶片状态已知的风力发电机叶片运行时产生的声信号，采用小波分析提取声音特征，由声音特征及对应的叶片状态为训练样本，得到训练数据集，将训练数据集划分为训练集和测试集；

建立支持向量机模型，用于根据声音特征预测叶片状态；利用训练集和测试集分别对支持向量机模型进行训练和测试，在训练和测试结束后，将神经网络模型作为叶片状态预测模型；

作为一种优选的实施方式，本实施例中，叶片状态预测模型的训练方式还包括：经过预设时间间隔后，对叶片状态预测模型进行重新训练；由此能够自适应风力发电机运行环境的变化，使得模型不断优化，降低叶片状态预测的误差；具体的时间间隔，可根据风力发电机实际的运行环境相应确定，若风力发电机的运行环境较为稳定，则该时间间隔可相应设置较长，反之，若风力发电机的运行环境变化为频繁，则该时间间隔可相应设置较短。

模型训练结束后，将实时采集到的声信号的声音特征输入至训练好的模型中，即可预测测到风力发电机的叶片状态，从而判断叶片是否存在缺陷；本实施例中，利用叶片状态预测模型预测得到叶片的状态后，会依据预测结果将声信号音频文件移动到相应的文件夹中进行存储。

本实施例中，服务器，还用于在声信号采集端未发送数据包时，向声信号采集端发送启动配置数据包；启动配置数据包中记录的信息包括传声器的IP地址和MAC地址，以及服务器的IP地址和端口；

声信号采集端，还用于监听接收服务器段发送的启动配置数据包，在接收到启动配置数据包时，将其自身所包含的传声器的IP地址和MAC地址与启动配置数据包中的传声器的IP地址和MAC地址进行匹配，并在匹配成功的情况下依据服务器的IP地址和端口对数据包的发送目的地进行配置，配置完成后，开始采集声音信号并发送至服务器；

图7所示，为本发明实施例中所采用的启动配置数据包的格式，其中包含配置于服务器的对应采集器的IP，MAC，MASK，GW用于帮助传声器判断是否为服务器发送至自身的启动配置数据包；同时启动配置数据包中包含服务器IP，MAC，PORT信息，告知传声器数据上传数据包的目的服务器地址；其中通过命令选项指定采集器配置模式，下方为命令选项各bit代表含义。

本实施例中，服务器还包括：

交互模块，用于对声信号处理模块预测出的叶片状态进行可视化显示，和/或提供音频文件获取接口；

音频文件获取接口被触发时，服务器会返回最新存储的音频文件；

作为一种可选的实施方式，本实施例中，交互模块具体使用网站形式实现，用户可以进入网站查看监测结果，还可实现如下功能：

设置注册登录路由：注册时要求输入邀请码，防止无关人员进入；

设置索引路由：呈现所有风机叶片监测状态，当有故障风机时进行报警，并显示故障风机号；使用Ajax技术轮询状态查询路由，状态查询路由接收到请求后会查询数据库返回风机状态信息，前端接收到信息后判断是否有故障风机然后刷新状态信息及报警信息，从而实现状态及报警的动态更新；同时用户可以点击请求最近接收的音频文件，服务器接收到请求后返回最新接收的音频文件，使得用户可以人工确认监测结果，当发现自动监测结果错误时可进行标记；

设置详情路由：用户可通过索引路由进入各风机对应详情路由，此路由下音频文件按状态及时间分类展示，点击文件即可向服务器发出请求，服务器接收到请求后，返回相应音频文件给用户听取。

本发明实时采集风力发电机运行产生的声音信号，并进一步提取出声音特征，利用支持向量机模型计算相应的叶片状态信息，能够充分利用损伤叶片会导致气动音频信号发生变化这一特性，准确监测风力发电机的叶片是否存在缺陷，并且具有较好的稳定性。在此基础上，本发明在声信号采集端以非接触的方式采集声信号，相应的声音采集装置无需与叶片接触，安装与维护不会影响风力发电机的运行，本发明能够有效解决现有的风力发电机叶片缺陷检测方法中存在的检测设备不易安装维护、稳定性差、实时性低的技术问题。

总体而言，本发明提供的基于声音特征的风力发电机叶片缺陷远程监测系统，以非接触的方式实时采集风力发电机运行产生的声音信号，并进一步采用小波分析提取出声音特征，利用支持向量机模型计算相应的叶片状态信息，能够有效解决现有的风力发电机叶片缺陷检测方法中存在的检测设备不易安装维护、稳定性差、实时性低的技术问题。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。