權(quán)利要求書：

1.一種基于稀疏貝葉斯學(xué)習(xí)與功率譜分離的風(fēng)機(jī)葉片故障檢測方法，其特征在于，包括以下步驟：

步驟1：利用麥克風(fēng)陣列采集風(fēng)機(jī)葉片輻射出的三段連續(xù)等長的聲信號，每段聲信號時長等于葉片旋轉(zhuǎn)周期的1/3。

步驟2：利用稀疏貝葉斯學(xué)習(xí)算法對步驟1采集的三段聲信號分別進(jìn)行估計。

步驟3：對步驟2得到的估計信號進(jìn)行DOA估計，利用波束形成進(jìn)行信號增強(qiáng)。

步驟4：計算增強(qiáng)信號的功率譜，并對功率譜進(jìn)行歸一化，根據(jù)三段聲信號的歸一化功率譜是否分離，判斷風(fēng)力發(fā)電機(jī)葉片是否存在故障。

2.根據(jù)權(quán)利要求1所述的基于稀疏貝葉斯學(xué)習(xí)與功率譜分離的風(fēng)機(jī)葉片故障檢測方法，其特征在于，所述步驟2包括以下子步驟：步驟21，記觀測信號，即M個陣元接收到的L幀信號為Y，第k個頻點的信號可以表示為Y(k)；記希望進(jìn)行估計的信號源，即風(fēng)機(jī)葉片聲信號為X(k)；計算后驗均值μ和后驗方差Σx：2 H 1 1Σx＝(σ ΑA+Γ )M×N 2 2 H其中，Α∈C 為觀測矩陣，N表示估計的點數(shù)，σ表示噪聲的方差，Σy＝σI+ΑΓΑ為2觀測信號的方差，I表示單位矩陣，Γ＝diag(γ)，γ和σ為稀疏貝葉斯學(xué)習(xí)算法中的超參數(shù)。

步驟22，對超參數(shù)γ和σ進(jìn)行計算，超參數(shù)γ和σ可以表示為：其中，γn為超參數(shù)γ的第n個值，n＝1,...,N，μnl為后驗均值μ第n行第l列的值，l＝+ H1,...,L，(Σx)nn為后驗方差Σx第n行第n列的值；P＝AA 表示投影矩陣；Sy＝Y(jié)(k)Y (k)/L，且步驟23，利用步驟22中的后驗均值與后驗方差不斷迭代更新超參數(shù)，直至收斂，最后得到的后驗均值 即為信號源X(k)的第l幀在角度θn上的估計。

3.根據(jù)權(quán)利要求2所述的基于稀疏貝葉斯學(xué)習(xí)與功率譜分離的風(fēng)機(jī)葉片故障檢測方法，其特征在于，所述步驟3中，通過遍歷角度θn，找到使得總波束功率最大的角度 即為DOA估計結(jié)果，總波束功率Pe(θn)表示為：其中，K為總頻點數(shù)。

4.根據(jù)權(quán)利要求3所述的基于稀疏貝葉斯學(xué)習(xí)與功率譜分離的風(fēng)機(jī)葉片故障檢測方法，其特征在于，所述步驟3中，利用波束形成進(jìn)行信號增強(qiáng)，波束形成的權(quán)向量 可以表示為：其中， fk表示第k個頻點對應(yīng)的頻率，c表示空T氣中的聲速，[xmymzm] 表示第m個陣元所在的坐標(biāo)，m＝1,...,M。

5.根據(jù)權(quán)利要求4所述的基于稀疏貝葉斯學(xué)習(xí)與功率譜分離的風(fēng)機(jī)葉片故障檢測方法，其特征在于，所述步驟4中，對于增強(qiáng)信號 的第l幀 對其進(jìn)行短時傅里葉變換，表示如下：其中，wd表長度為D的窗函數(shù)，D表示短時傅里葉變換的長度，ts為每個短時間的中心時間；對于 計算功率譜Pf，功率譜的第k個頻點Pf(k)，表示為：其中，S為短時傅里葉變換的快拍數(shù)。

6.根據(jù)權(quán)利要求5所述的基于稀疏貝葉斯學(xué)習(xí)與功率譜分離的風(fēng)機(jī)葉片故障檢測方法，其特征在于，所述步驟6中，對功率譜Pf(k)進(jìn)行歸一化，表示為：由于采集的每段聲信號時長與葉片旋轉(zhuǎn)周期的1/3一致，且葉片轉(zhuǎn)至下方時輻射出的聲信號能量最大，因此可以用每段信號來表示在該采集時間內(nèi)轉(zhuǎn)至下方的一個葉片。當(dāng)三個葉片都正常時，輻射出的能量應(yīng)該基本相同，當(dāng)部分葉片存在故障，其能量則會大于正常葉片。因此若三段信號的歸一化功率譜出現(xiàn)分離，則判斷風(fēng)機(jī)葉片故障；反之則為正常；若只有一段信號的歸一化功率譜與其余兩段出現(xiàn)分離，則認(rèn)為一個葉片存在故障，若三段信號均出現(xiàn)分離，則認(rèn)為有二至三個葉片存在故障。

說明書： 基于稀疏貝葉斯學(xué)習(xí)與功率譜分離的風(fēng)機(jī)葉片故障檢測方法技術(shù)領(lǐng)域[0001] 本發(fā)明屬于空間信號處理領(lǐng)域，具體涉及一種基于稀疏貝葉斯學(xué)習(xí)(SBL算法)與功率譜分離的風(fēng)力發(fā)電機(jī)葉片故障檢測方法。

背景技術(shù)[0002] 隨著可再生資源越來越受到重視，風(fēng)力發(fā)電機(jī)作為風(fēng)力發(fā)電的重要組件，其重要性也日益凸顯。由于風(fēng)力發(fā)電機(jī)往往建造于山峰或是海岸邊等環(huán)境較為惡劣的偏遠(yuǎn)地區(qū)，極端的濕度因素以及多變的天氣環(huán)境因素，導(dǎo)致風(fēng)力發(fā)電機(jī)極易出現(xiàn)損壞。而風(fēng)力發(fā)電機(jī)的葉片由于直接暴露在室外，更容易出現(xiàn)故障。隨著能源需求的不斷擴(kuò)大，與能源平均成本成正比的風(fēng)機(jī)尺寸，例如塔高以及葉片尺寸等也在不斷增大，這使得風(fēng)機(jī)尤其是葉片部分發(fā)生故障的概率大大提高的同時，維護(hù)成本與停機(jī)時間也明顯增加。風(fēng)機(jī)葉片的故障可能會導(dǎo)致葉片旋轉(zhuǎn)狀態(tài)的失衡，進(jìn)而影響本臺風(fēng)機(jī)甚至臨近風(fēng)機(jī)的正常工作。因此及時發(fā)現(xiàn)葉片故障并進(jìn)行維護(hù)，從而降低維修成本，是十分必要的。

[0003] 目前常用的檢測方式主要包括振動分析、應(yīng)力測試、聲發(fā)射檢測與視覺檢查等。振動分析、應(yīng)力測試與聲發(fā)射檢測方法都利用了傳感器接收并分別傳輸振動信號、應(yīng)力數(shù)據(jù)以及聲發(fā)射信號，通過對這些信號數(shù)據(jù)的分析處理，對風(fēng)機(jī)葉片故障與否進(jìn)行判斷。這類方法依托于傳感器，受傳感器放置位置、數(shù)量等因素的影響，且采集到的信號數(shù)據(jù)較為繁雜，容易對最終判斷造成干擾。而視覺檢查，作為較早期的檢測方法，依賴于檢查人員的故障判斷經(jīng)驗，通過檢查人員的直接觀察來判斷風(fēng)機(jī)葉片是否存在故障。這類方法對檢查人員要求較高，需要檢查人員具備一定的專業(yè)素養(yǎng)與經(jīng)驗，耗費人力較多，且僅能觀察到葉片表面出現(xiàn)的破損故障。因此，本發(fā)明提出一種基于稀疏貝葉斯學(xué)習(xí)與功率譜分離的風(fēng)機(jī)葉片故障檢測方法，能夠有效提取葉片輻射的聲信號，通過特征分析，實現(xiàn)故障風(fēng)機(jī)葉片與正常風(fēng)機(jī)葉片的判斷。

發(fā)明內(nèi)容[0004] 針對現(xiàn)有技術(shù)存在的問題，本發(fā)明提出一種基于稀疏貝葉斯學(xué)習(xí)與功率譜分離的風(fēng)機(jī)葉片故障檢測方法，利用麥克風(fēng)陣列采集風(fēng)機(jī)葉片的聲信號，利用SBL算法進(jìn)行信號估計，同時通過波束形成方法進(jìn)行信號增強(qiáng)，通過計算增強(qiáng)信號的歸一化功率譜，實現(xiàn)對風(fēng)機(jī)葉片的故障檢測。

[0005] 本發(fā)明是通過以下技術(shù)方案來實現(xiàn)的：一種基于稀疏貝葉斯學(xué)習(xí)與功率譜分離的風(fēng)機(jī)葉片故障檢測方法，該方法包括以下步驟：[0006] 步驟1：利用麥克風(fēng)陣列采集風(fēng)機(jī)葉片輻射出的三段連續(xù)等長的聲信號，每段聲信號時長等于葉片旋轉(zhuǎn)周期的1/3。[0007] 步驟2：利用稀疏貝葉斯學(xué)習(xí)算法對步驟1采集的三段聲信號分別進(jìn)行估計。[0008] 步驟3：對步驟2得到的估計信號進(jìn)行DOA估計，利用波束形成進(jìn)行信號增強(qiáng)。[0009] 步驟4：計算增強(qiáng)信號的功率譜，并對功率譜進(jìn)行歸一化，根據(jù)三段聲信號的歸一化功率譜是否分離，判斷風(fēng)力發(fā)電機(jī)葉片是否存在故障。

[0010] 進(jìn)一步地，所述步驟2包括以下子步驟：[0011] 步驟21，記觀測信號，即M個陣元接收到的L幀信號為Y，第k個頻點的信號可表示為Y(k)；記希望進(jìn)行估計的信號源，即風(fēng)機(jī)葉片聲信號為X(k)；計算后驗均值μ和后驗方差Σx：[0012][0013] Σx＝(σ?2ΑHA+Γ?1)?1[0014] 其中，Α∈CM×N為觀測矩陣，N表示估計的點數(shù)，σ2表示噪聲的方差，Σy＝σ2I+ΑΓH 2Α為觀測信號的方差，I表示單位矩陣，Γ＝diag(γ)，γ和σ為稀疏貝葉斯學(xué)習(xí)算法中的超參數(shù)。

[0015] 步驟22，對超參數(shù)γ和σ2進(jìn)行計算，超參數(shù)γ和σ2可以表示為：[0016][0017][0018] 其中，γn為超參數(shù)γ的第n個值，n＝1,...,N，μnl為后驗均值μ第n行第l列的值，l+＝1,...,L，(Σx)nn為后驗方差Σx第n行第n列的值；P＝AA 表示投影矩陣；I表示單位矩陣，HSy＝Y(jié)(k)Y(k)/L，且

[0019] 步驟23，利用步驟22中的后驗均值與后驗方差不斷迭代更新超參數(shù)，直至收斂，最后得到的后驗均值 即為信號源X(k)的第l幀在角度θn上的估計。

[0020] 進(jìn)一步地，所述步驟3中，通過遍歷角度θn，找到使得總波束功率最大的角度即為DOA估計結(jié)果，總波束功率Pe(θn)表示為：[0021][0022] 其中，K為總頻點數(shù)。[0023] 進(jìn)一步地，所述步驟3中，利用波束形成進(jìn)行信號增強(qiáng)，波束形成的權(quán)向量可以表示為：[0024][0025] 其中， fk表示第k個頻點對應(yīng)的頻率，cT表示空氣中的聲速，[xmymzm]表示第m個陣元所在的坐標(biāo)，m＝1,...,M。則最終增強(qiáng)后的信號 表示為：[0026][0027] 進(jìn)一步地，所述步驟4中，對于增強(qiáng)信號 的第l幀 對其進(jìn)行短時傅里葉變換，表示如下：[0028][0029] 其中，wd表長度為D的窗函數(shù)，D表示短時傅里葉變換的長度，ts為每個短時間的中心時間；[0030] 對于 計算功率譜Pf，功率譜的第k個頻點Pf(k)，表示為：[0031][0032] 其中，S為短時傅里葉變換的快拍數(shù)。[0033] 進(jìn)一步地，所述步驟6中，對功率譜Pf(k)進(jìn)行歸一化，表示為：[0034][0035] 由于采集的每段聲信號時長與葉片旋轉(zhuǎn)周期的1/3一致，且葉片轉(zhuǎn)至下方時輻射出的聲信號能量最大，因此可以用每段信號來表示在該采集時間內(nèi)轉(zhuǎn)至下方的一個葉片。

當(dāng)三個葉片都正常時，輻射出的能量應(yīng)該基本相同，當(dāng)部分葉片存在故障，其能量則會大于正常葉片。因此若三段信號的歸一化功率譜出現(xiàn)分離，則判斷風(fēng)機(jī)葉片故障；反之則為正常；若只有一段信號的歸一化功率譜與其余兩段出現(xiàn)分離，則認(rèn)為一個葉片存在故障，若三段信號均出現(xiàn)分離，則認(rèn)為有二至三個葉片存在故障。

[0036] 與現(xiàn)有的風(fēng)機(jī)葉片故障檢測技術(shù)相比，本發(fā)明的技術(shù)特色主要表現(xiàn)在：[0037] 1)本發(fā)明使用麥克風(fēng)陣列對風(fēng)機(jī)葉片聲信號進(jìn)行采集，消除了由傳感器數(shù)量、布放位置等因素對檢測結(jié)果造成的影響，省去了在葉片內(nèi)部或表面安裝傳感器的成本；

[0038] 2)本發(fā)明采用SBL方法對采集到的風(fēng)機(jī)葉片聲信號進(jìn)行估計，并利用DOA估計與波束形成方法，對信號進(jìn)行增強(qiáng)，減少了噪聲及干擾信號對最終檢測結(jié)果的影響；[0039] 3)本發(fā)明利用風(fēng)機(jī)葉片聲信號的歸一化功率譜進(jìn)行故障檢測，通過對歸一化功率譜的計算，實現(xiàn)對故障葉片與正常葉片的區(qū)分，由于該特征清晰可分，避免了對檢查人員專業(yè)要求過高，消耗較多人力的缺陷；[0040] 4)基于上述三個特點，本發(fā)明可以實現(xiàn)對風(fēng)機(jī)葉片故障檢測的功能，具有較好的實用價值。

附圖說明[0041] 圖1為本發(fā)明提供的基于SBL算法與功率譜分離的風(fēng)機(jī)葉片故障檢測方法總體流程圖。

[0042] 圖2為本發(fā)明提供的通過SBL算法進(jìn)行信號估計步驟流程圖。[0043] 圖3為本發(fā)明提供的風(fēng)機(jī)葉片信號增強(qiáng)步驟流程圖。[0044] 圖4為本發(fā)明提供的風(fēng)機(jī)葉片歸一化功率譜計算流程圖。[0045] 圖5為本發(fā)明實施例提供的故障風(fēng)機(jī)葉片檢測結(jié)果示意圖。[0046] 圖6為本發(fā)明實施例提供的正常風(fēng)機(jī)葉片檢測結(jié)果示意圖。具體實施方式[0047] 本發(fā)明提供了一種基于SBL算法與功率譜分離的風(fēng)力發(fā)電機(jī)葉片故障檢測方法，利用麥克風(fēng)陣列采集風(fēng)機(jī)葉片的聲信號，利用SBL算法進(jìn)行信號估計，同時通過波束形成方法進(jìn)行信號增強(qiáng)，通過對增強(qiáng)信號的歸一化功率譜的計算，實現(xiàn)風(fēng)機(jī)葉片故障檢測。

[0048] 為使本發(fā)明的上述目的、特征和優(yōu)點能夠更加通俗易懂，下面結(jié)合附圖和具體實施方式對本發(fā)明作進(jìn)一步詳細(xì)的說明。

[0049] 如圖1所示，本發(fā)明提供的一種基于SBL算法與功率譜分離的風(fēng)力發(fā)電機(jī)葉片故障檢測方法，該方法包括以下步驟：

[0050] 步驟1：利用麥克風(fēng)陣列采集風(fēng)機(jī)葉片輻射出的三段連續(xù)等長的聲信號，每段聲信號時長等于葉片旋轉(zhuǎn)周期的1/3。

[0051] 步驟2：利用稀疏貝葉斯學(xué)習(xí)算法對步驟1采集的三段聲信號分別進(jìn)行估計。[0052] 步驟3：對步驟2得到的估計信號進(jìn)行DOA估計，利用波束形成進(jìn)行信號增強(qiáng)。[0053] 步驟4：計算增強(qiáng)信號的功率譜，并對功率譜進(jìn)行歸一化，根據(jù)三段聲信號的歸一化功率譜是否分離，判斷風(fēng)力發(fā)電機(jī)葉片是否存在故障。

[0054] 在一個實施例中，采用矩形麥克風(fēng)陣列置于大型風(fēng)力發(fā)電機(jī)塔筒下方，以非接觸式采集方式采集風(fēng)機(jī)葉片聲信號。

[0055] 參照圖2為本發(fā)明提供的通過SBL算法進(jìn)行信號估計步驟流程圖。如圖2所示，在步驟2中利用SBL算法對葉片輻射出的信號進(jìn)行估計，具體包括以下子步驟：

[0056] 步驟21，記觀測信號，即M個陣元接收到的L幀信號為Y，第k個頻點的信號可表示為Y(k)；記希望進(jìn)行估計的信號源，即風(fēng)機(jī)葉片聲信號為X(k)；計算后驗均值μ和后驗方差Σx：[0057][0058] Σx＝(σ?2ΑHA+Γ?1)?1[0059] 其中，Α∈CM×N為觀測矩陣，N表示估計的點數(shù)，若DOA估計為0?180°間隔1°的估計，2 2 H則N為180。σ表示噪聲的方差，Σy＝σI+ΑΓΑ為觀測信號的方差，I表示單位矩陣，Γ＝2diag(γ)，γ和σ為稀疏貝葉斯學(xué)習(xí)算法中的超參數(shù)。

[0060] 步驟22，對超參數(shù)γ和σ2進(jìn)行計算，超參數(shù)γ和σ2可以表示為：[0061][0062][0063] 其中，γn為超參數(shù)γ的第n個值，n＝1,...,N，μnl為后驗均值μ第n行第l列的值，l+＝1,...,L，(Σx)nn為后驗方差Σx第n行第n列的值；P＝AA 表示投影矩陣；I表示單位矩陣，HSy＝Y(jié)(k)Y(k)/L，且

[0064] 步驟23，利用步驟22中的后驗均值與后驗方差不斷迭代更新超參數(shù)，直至收斂，最后得到的后驗均值 即為信號源X(k)的第l幀在角度θn上的估計。

[0065] 參照圖3為本發(fā)明提供的風(fēng)機(jī)葉片信號增強(qiáng)步驟流程圖。如圖3所示，在步驟3中對信號進(jìn)行DOA估計，利用波束形成進(jìn)行信號增強(qiáng)，具體包括以下子步驟：

[0066] 步驟31，通過遍歷角度θn，找到使得總波束功率最大的角度 即為DOA估計結(jié)果，總波束功率Pe(θn)表示為：

[0067][0068] 其中K為總頻點數(shù)。[0069] 步驟32，利用波束形成進(jìn)行信號增強(qiáng)，波束形成的權(quán)向量 可以表示為：[0070][0071] 其中 fk表示第k個頻點對應(yīng)的頻率，c表T示空氣中的聲速，[xmymzm] 表示第m個陣元所在的坐標(biāo)，m＝1,...,M。則最終增強(qiáng)后的信號 表示為：

[0072][0073] 參照圖4為本發(fā)明提供的風(fēng)機(jī)葉片故障特征提取及檢測步驟流程圖。如圖4所示，在步驟4中計算增強(qiáng)信號的功率譜，并對功率譜進(jìn)行歸一化，根據(jù)三段聲信號的歸一化功率譜是否分離，判斷風(fēng)力發(fā)電機(jī)葉片是否存在故障，具體包括以下子步驟：

[0074] 步驟41，對于增強(qiáng)信號 的第l幀 對其進(jìn)行短時傅里葉變換，表示如下：[0075][0076] 其中，wd表長度為D的窗函數(shù)，D表示短時傅里葉變換的長度，ts為每個短時間的中心時間。

[0077] 步驟42，對于 計算功率譜Pf，功率譜的第k個頻點Pf(k)，表示為：[0078][0079] 其中，S為短時傅里葉變換的快拍數(shù)。[0080] 步驟43，對功率譜Pf(k)進(jìn)行歸一化，表示為：[0081][0082] 若三段信號的歸一化功率譜出現(xiàn)分離，則判斷風(fēng)機(jī)葉片故障；反之則為正常。記三段信號歸一化功率譜的分離度為：

[0083][0084] 其中K為總頻點數(shù)，P01(k)、P02(k)以及P03(k)分別表示三段信號的歸一化功率譜。若最終分離度大于設(shè)定的閾值Thre，則認(rèn)為風(fēng)機(jī)葉片存在故障。本例中閾值Thre設(shè)定為0.5。從歸一化功率譜圖上進(jìn)行觀察，若只有一段信號的歸一化功率譜與其余兩段出現(xiàn)分離，則認(rèn)為一個葉片存在故障，若三段信號均出現(xiàn)分離，則認(rèn)為有二至三個葉片存在故障。

[0085] 參照圖5和圖6為本發(fā)明實施例提供的故障及正常風(fēng)機(jī)葉片檢測結(jié)果示意圖。本實施例應(yīng)用于崇明風(fēng)電場的大型風(fēng)力發(fā)電機(jī)葉片故障檢測，具體步驟如前所示。如圖5所示，在故障風(fēng)機(jī)葉片的歸一化功率譜上，可以觀察到曲線發(fā)生分離，且分離度大于閾值，因此判斷存在故障葉片，且從圖上看出，僅有一條曲線出現(xiàn)分離，因為判斷有一片葉片存在故障；而圖6三條曲線重疊在一起，且分離度小于閾值，因此判斷其為正常風(fēng)機(jī)。本發(fā)明所述檢測方法已在上海崇明與浙江磐安風(fēng)電場進(jìn)行測試，檢測故障葉片的準(zhǔn)確率在70％以上。本發(fā)明能夠?qū)︼L(fēng)機(jī)葉片聲信號進(jìn)行采集，并進(jìn)行故障檢測。


[0086] 上述所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明，基于本發(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護(hù)的范圍。