基于聲音信號的風機葉片故障檢測

新華電力發展投資有限公司 李 健 郭宏偉 王艷杰

隨著風力發電的廣泛應用，對風力發電機實現有效故障檢測的需求也越來越迫切。本研究旨在探索一種便捷有效的風力發電機葉片故障檢測方法。基于葉片旋轉過程中所產生的聲音信號對葉片進行故障診斷，采用離散傅里葉變換技術對聲音信號進行處理，提取出聲音信號的頻域特征。基于這些特征，構建了多層感知機進行分類。試驗結果表明，分類模型在小型風力發電機模型葉片故障檢測方面的準確率超過98%。這一結果有望為未來風力發電機葉片的故障檢測和維護提供有力支持。

1 風力發電背景概述

隨著全球對清潔能源的需求越來越迫切，風力發電作為一種具有良好可再生性的清潔能源，正在得到越來越多廣泛的關注。國際能源署報告顯示，從2010年到2023年，風力發電在全球累計電力容量中所占比例從3.5%增長至11.4%；在風力發電、水力發電、光伏發電、生物能四種清潔能源中所占比例從13.7%增長至26.0%。國家統計局報告顯示，2022年1至12月我國風力發電量6867.2億kWh，于清潔能源占比27%左右，累計增速12.3%。與傳統能源設備相比，風力發電具有多項優勢，例如不會產生污染物、不會對環境造成負面影響、可再生性強等。近年來，各國政府和企業紛紛加大了對風力發電技術的研發和投資力度，推動了風力發電技術的不斷發展和壯大。

風機葉片是風力發電機中最為關鍵的部件之一，其健康狀況直接影響著風力發電機的工作效率、使用壽命和安全性。一旦葉片出現故障，將會對風力發電機的整體性能產生嚴重的影響，甚至可能引發安全事故[1]。據河北省張家口地區某風電場99臺雙饋式風電機組6年運行時間統計，風輪系統故障比例占總故障比例的27%，風機葉片系統故障所致停機時間占風電場各系統累計停機時間的26%。因此，采取有效的手段對風機葉片進行故障診斷和健康監測，對于提高風力發電機的可靠性和降低運營成本具有重要的意義。

隨著技術的不斷創新和進步，新興技術在風機葉片故障診斷和健康監測中的研究逐漸增多。其中，使用光學傳感器、超聲波檢測等技術對風機葉片進行故障檢測是目前較為常見的應用手段。利用光學傳感器，可以實時監測風機葉片的振動、應變和形變，從而及時發現和評估葉片的健康狀況。利用超聲波在葉片中傳播產生的反射、折射、衍射等現象，可以檢測風機葉片上的缺陷、裂紋和腐蝕等故障[2]。

總的來說，光學傳感器、超聲波檢測等新興技術的應用為風力發電機的安全運行提供了有力支持，但是其往往具有較高的技術門檻和設備成本，并且對風機環境要求較高，限制了在實際應用中的推廣和普及。與新興技術相比，聲音作為葉片轉動過程中最直觀的數據來源蘊含著較多的信息。即使是葉片產生微小損傷，在葉片高速轉動過程中，聲音也會發生明顯的變化。

綜上所述，本研究基于聲音信號研究風機葉片故障檢測方法，該方法利用離散傅里葉變換提取聲音信號的頻域特征，并使用多層感知機進行分類。試驗結果表明，該方法在小型風力發電機模型葉片數據中的分類準確率超過了98%，本研究為風力發電機葉片的健康監測和故障診斷提供了一種思路和方法，對于未來風力發電機葉片的維護和管理具有一定的參考價值。

2 數據準備

本研究使用小型風力發電機模型對葉片旋轉所產生聲音數據進行采集，風機模型高度為1m，葉片長度為60cm，聲音采集的位置位于三片葉片延長線交點的正前方，以消除旋轉周期對聲音信號的影響。試驗設計了四種不同場景：一是三片正常葉片；二是兩片斷裂葉片和一片正常葉片；三是兩片磨損葉片和一片正常葉片；四是一片斷裂葉片、一片磨損葉片和一片正常葉片。這些場景模擬了不同程度的葉片故障情況，旨在研究本文提出的方法對于不同類型葉片故障的檢測能力。

在數據采集過程中，研究人員手動用力旋轉葉片，每次旋轉采集約14s的旋轉聲音。為了保證數據的準確性和可靠性，每種場景都重復采集約200次，并且聲音采樣率為44.1kHz，能夠充分反映葉片旋轉過程中的聲音變化情況。

對于所有采集到的葉片聲音數據，將其切分為長度為4096的片段，以便進行后續的處理和分析。為了避免數據出現類別不平衡問題，本研究取所有的正常葉片數據和故障葉片數據的三分之一作為待分析數據。通過這種數據處理方式，能夠有效避免模型過于關注某特定類別樣本而忽視其他類別樣本，能夠更好地反映模型的分類能力。

3 數據分析

分析流程：離散傅里葉變換-多層感知機分類。

3.1 離散傅里葉變換

由于原始聲音信號在時域上受到時間因素的影響，直接使用時域信號進行分類效果不佳。在本研究中，使用傅里葉變換對風機葉片聲音信號進行處理和分析，以提取頻域特征。傅里葉變換是一種重要的信號處理方法，可以將時域信號轉換為頻域信號，進而實現對信號頻率特征的提取和分析。其在信號處理、圖像處理、音頻處理等領域得到了廣泛的應用。在傅里葉變換的基礎上，離散傅里葉變換（DFT）是一種更加高效和靈活的頻域分析方法。與傳統的傅里葉變換相比，離散傅里葉變換可以對離散信號進行處理，適用于數字信號處理和計算機實現[3]。在本研究中，利用離散傅里葉變換對葉片聲音信號進行處理，以提取其頻域特征，為多層感知機模型的分類提供重要依據。

對于長度為N的實數序列x[n]，其DFT定義為：

其中，xn為輸入序列中的第n個元素，Xk為輸出序列中的第k個元素，N為輸入序列的長度，j為虛數單位。該公式描述了將時域信號x轉換為頻域信號X的過程，即將輸入序列x通過一組復指數基函數（）進行線性組合，得到輸出序列X。

對于Xk=Re（Xk）+Im（Xk）j，其幅值|Xk|與相位φk定義為：

王積薪揮袖擦掉臉上的淚水，當即將三個少年帶到棋室里，信誓旦旦，一定要將渾身棋藝傾囊相授，還要東方宇軒除了管理谷中事物之外，也應抽空過來弈棋，畢竟，這個谷中，只有他們兩人才是唯二的弈棋高手。

其中，Re（Xk）表示Xk的實部，Im（Xk）表示Xk的虛部。

對幅值與相位信息進行拼接，每段數據形成4098長度的特征向量作為多層感知機的輸入，使用多層感知機對其分類。

3.2 多層感知機分類

在本研究中，使用了多層感知機（MLP）對葉片聲音信號進行分類和診斷。多層感知機是一種基于神經網絡的機器學習模型，具有廣泛的應用領域，包括圖像處理、語音識別、自然語言處理等。多層感知機是一種前饋神經網絡，由多個神經元組成，其中每個神經元都與前一層的所有神經元相連[4]。神經元通過傳遞信號和計算輸出，完成信息的處理和傳遞。多層感知機的優點在于其可以學習和適應數據的非線性關系，能夠識別和提取數據的抽象特征，并且具有較好的泛化能力，能夠處理具有高度復雜性和非線性關系的數據。在本研究中，將多層感知機應用于葉片聲音信號的分類和診斷任務，將離散傅里葉變換提取的頻域特征作為輸入數據，經過多層感知機進行訓練和分類。

本研究所采用多層感知機包含輸入層、隱藏層和輸出層。輸入層接收4098維特征向量。隱藏層包含256個神經元，并使用ReLU激活函數。輸出層僅一個神經元，應用Sigmoid激活函數將輸出限制在0至1之間。模型引入批量歸一化（Batch normalization）以增強訓練穩定性，采用二元交叉熵損失（BCELoss）作為損失函數，優化器為隨機梯度下降（SGD）。

多層感知機的數學表示如下：

H=ReLU（W1x+b1）

W1∈R256×4098和b1∈R256分別表示輸入層至隱藏層的權重矩陣和偏置向量。ReLU激活函數定義為：

ReLU（z）=max（0,z）

進行批量歸一化操作：

hBN=BatchNorm（h）

批量歸一化將隱藏層激活值規范化為均值0、方差1，并引入可學習的權重和偏置。將 hBN傳遞至輸出層，計算預測值：

W2∈R1×256和b2∈R分別表示隱藏層至輸出層的權重矩陣和偏置向量。σ為Sigmoid激活函數：

σ（z）=1/1+e-z

二元交叉熵損失作為損失函數，定義如下：

y∈0,1是真實標簽，是預測標簽，N是樣本數量。模型采用隨機梯度下降進行優化。

4 試驗結果

為了評估所提出方法的性能，本研究對小型風力發電機模型葉片數據故障檢測的準確率進行了驗證。在數據集劃分中，將80%的數據用于訓練，20%的數據用于測試。經過反復的試驗和調整，所提出的基于離散傅里葉變換與多層感知機的風機葉片故障診斷方法具有較高的準確性和穩定性。如圖1、圖2所示，在不同迭代次數下測試了準確率和損失函數的變化情況，結果表明，經過50次迭代訓練后，模型對正常與故障葉片的分類準確率達到99%左右。相比直接將原始數據輸入神經網絡，基于傅里葉變換的方法具有更高的準確率和更快的收斂速度，證明了離散傅里葉變換和多層感知機在風機葉片故障診斷中的有效性和可行性。試驗結果表明該方法基于聲音數據能夠實現有效的故障檢測，能夠降低故障檢測成本，提高風力發電機的可靠性和使用壽命，有望為實際風電場的運營維護提供有力支持。

圖1 學習曲線圖

圖2 ROC曲線圖

在本研究中，筆者提出了一種基于離散傅里葉變換和多層感知機的風機葉片故障診斷方法。首先，通過對葉片聲音信號進行離散傅里葉變換處理，成功地提取了頻域特征。接下來，利用多層感知機對這些頻域特征進行分類和診斷。經過試驗驗證，該方法在小型風力發電機模型葉片故障檢測方面表現出較高的準確率，在50次迭代訓練后，所提出的方法對正常與故障葉片的分類準確率達到了99%，相比直接將原始數據輸入神經網絡具有更高的準確率和更快的收斂速度。這證明了離散傅里葉變換和多層感知機在風機葉片故障診斷中的有效性和可行性，也證明了聲音信號可以作為葉片故障診斷依據的潛力。

總體來說，本研究提出的基于離散傅里葉變換與多層感知機的風機葉片故障診斷方法，能夠簡便實現小型風機模型葉片的故障檢測，有望為實際風電場的運營維護提供有力支持。在未來的研究中，可以進一步優化模型結構，嘗試采用更復雜的神經網絡以提高分類性能。此外，還可以考慮結合其他信號處理技術和特征提取方法，提高故障診斷的準確性和魯棒性。本研究有望在風力發電行業實際應用中發揮積極作用。