本发明涉及信号处理，特别是涉及一种风电机组的故障检测方法、系统、设备及存储介质。
背景技术：
1、风电机组的工作环境复杂，叶片作为吸收风能的关键部件，会影响整个风电机组的性能和可靠性，在运行过程中容易受到环境的影响，特别是雷电、雨雪、阵风等可能给叶片甚至风机造成伤害，并由此演变成设备的故障甚至是安全事故，给风电场带来重大损失。
2、目前，针对风电机组的故障监测方法，有基于主控运行数据的状态监测与诊断方法，基于无人机的叶片巡检方法等等。基于主控运行数据的状态监测与诊断方法依赖于高质量的算法，也很难排除风机其他部件运行所带来的影响。而使用无人机进行叶片巡检，会受到无人机电池寿命等问题影响，导致实际的巡检过程中运维效率大幅降低。
3、目前还有的方案中，会对风电叶片的振动和声音进行降噪，进而进行损伤监测，但所使用的降噪方法只能去除平稳噪声，降噪作用有限，也就使得故障检测的准确性不高。
4、综上所述，如何有效地进行风电机组的故障检测，保障故障检测的准确性，是目前本领域技术人员急需解决的技术问题。
技术实现思路
1、本发明的目的是提供一种风电机组的故障检测方法、系统、设备及存储介质，以有效地进行风电机组的故障检测，保障故障检测的准确性。
2、为解决上述技术问题，本发明提供如下技术方案：
3、一种风电机组的故障检测方法，包括：
4、接收待测声音数据；
5、将所述待测声音数据输入至经过训练的深度学习降噪模型中；
6、基于所述深度学习降噪模型对所述待测声音数据进行降噪，以消除所述待测声音数据中的风电机组的工作噪音；
7、对所述深度学习降噪模型所输出的降噪之后的声音数据进行声学特征提取，并将提取结果输入至经过训练的标准化流非监督故障检测模型中，得到针对所述待测声音数据的风电机组故障检测结果。
8、优选的，基于所述深度学习降噪模型对所述待测声音数据进行降噪，以消除所述待测声音数据中的风电机组的工作噪音，包括：
9、基于所述深度学习降噪模型中的降噪子模型确定出n个频带的增益参数；
10、将所述待测声音数据输入至所述深度学习降噪模型中的均衡器；
11、基于n个频带的所述增益参数对所述均衡器进行控制，以消除所述均衡器中的所述待测声音数据中的风电机组的工作噪音；n为正整数。
12、优选的，所述降噪子模型的训练过程包括：
13、建立用于预测n个频带的增益参数的降噪子模型；
14、确定出风电机组在非工作状态下的无噪声音数据；
15、在所述风电机组处于正常工作的情况下，采集所述风电机组的工作噪音并生成多帧声音数据；
16、针对生成的每一帧声音数据，通过特征提取，得到对应于该帧声音数据的训练样本；
17、利用得到的各个训练样本对建立的所述深度学习降噪模型中的降噪子模型进行训练，并在训练完成之后，得到经过训练的所述降噪子模型；
18、其中，针对任意1个训练样本，所使用的训练标签为该训练样本所对应的一帧声音数据相较于所述风电机组在非工作状态下的无噪声音数据在n个频带中的能量比值。
19、优选的，针对生成的每一帧声音数据，通过特征提取，得到对应于该帧声音数据的训练样本，包括：
20、针对生成的每一帧声音数据，通过42维的特征提取，得到对应于该帧声音数据的训练样本；
21、其中，42维的特征提取包括22维的bfcc系数，前6维bfcc系数的1阶，前6维bfcc系数的2阶导数，前6个频带的音强，基音周期以及一个非平稳性特征值。
22、优选的，对降噪之后所得到的声音数据进行声学特征提取，包括：
23、对降噪之后所得到的声音数据进行fbank特征或者mfcc特征的声学特征提取。
24、优选的，将提取结果输入至经过训练的标准化流非监督故障检测模型中，得到针对所述待测声音数据的风电机组故障检测结果，包括：
25、将提取结果中的每m帧连续的声学特征提取向量拼接为1个特征矩阵，并输入至经过训练的标准化流非监督故障检测模型中，得到所述标准化流非监督故障检测模型所输出的用于表示所述输入数据与正常声音数据之间的似然度的自分布概率密度函数值；
26、针对得到的各个所述自分布概率密度函数值，将1与该自分布概率密度函数值的差值作为故障评分值；
27、基于得到的各个故障评分值，确定出针对所述待测声音数据的风电机组故障检测结果。
28、优选的，所述标准化流非监督故障检测模型所使用的自分布概率密度函数，为基于一个乘积序列所确定的自分布概率密度函数，且该乘积序列中使用的分布为正态分布。
29、一种风电机组的故障检测系统，包括：
30、采集模块，用于接收待测声音数据；
31、输入模块，用于将所述待测声音数据输入至经过训练的深度学习降噪模型中；
32、降噪模块，用于基于所述深度学习降噪模型对所述待测声音数据进行降噪，以消除所述待测声音数据中的风电机组的工作噪音；
33、故障检测结果确定模块，用于对所述深度学习降噪模型所输出的降噪之后的声音数据进行声学特征提取，并将提取结果输入至经过训练的标准化流非监督故障检测模型中，得到针对所述待测声音数据的风电机组故障检测结果。
34、优选的，降噪模块，具体用于：
35、基于所述深度学习降噪模型中的降噪子模型确定出n个频带的增益参数；
36、将所述待测声音数据输入至所述深度学习降噪模型中的均衡器；
37、基于n个频带的所述增益参数对所述均衡器进行控制，以消除所述均衡器中的所述待测声音数据中的风电机组的工作噪音；n为正整数。
38、优选的，所述降噪子模型的训练过程包括：
39、建立用于预测n个频带的增益参数的降噪子模型；
40、确定出风电机组在非工作状态下的无噪声音数据；
41、在所述风电机组处于正常工作的情况下，采集所述风电机组的工作噪音并生成多帧声音数据；
42、针对生成的每一帧声音数据，通过特征提取，得到对应于该帧声音数据的训练样本；
43、利用得到的各个训练样本对建立的所述深度学习降噪模型中的降噪子模型进行训练，并在训练完成之后，得到经过训练的所述降噪子模型；
44、其中，针对任意1个训练样本，所使用的训练标签为该训练样本所对应的一帧声音数据相较于所述风电机组在非工作状态下的无噪声音数据在n个频带中的能量比值。
45、优选的，针对生成的每一帧声音数据，通过特征提取，得到对应于该帧声音数据的训练样本，包括：
46、针对生成的每一帧声音数据，通过42维的特征提取，得到对应于该帧声音数据的训练样本；
47、其中，42维的特征提取包括22维的bfcc系数，前6维bfcc系数的1阶，前6维bfcc系数的2阶导数，前6个频带的音强，基音周期以及一个非平稳性特征值。
48、优选的，故障检测结果确定模块对降噪之后所得到的声音数据进行声学特征提取，具体包括：
49、对降噪之后所得到的声音数据进行fbank特征或者mfcc特征的声学特征提取。
50、优选的，故障检测结果确定模块将提取结果输入至经过训练的标准化流非监督故障检测模型中，得到针对所述待测声音数据的风电机组故障检测结果，具体包括：
51、将提取结果中的每m帧连续的声学特征提取向量拼接为1个特征矩阵，并输入至经过训练的标准化流非监督故障检测模型中，得到所述标准化流非监督故障检测模型所输出的用于表示所述输入数据与正常声音数据之间的似然度的自分布概率密度函数值；
52、针对得到的各个所述自分布概率密度函数值，将1与该自分布概率密度函数值的差值作为故障评分值；
53、基于得到的各个故障评分值，确定出针对所述待测声音数据的风电机组故障检测结果。
54、一种风电机组的故障检测设备，包括：
55、存储器，用于存储计算机程序；
56、处理器，用于执行所述计算机程序以实现如上述所述的风电机组的故障检测方法的步骤。
57、一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述所述的风电机组的故障检测方法的步骤。
58、应用本发明实施例所提供的技术方案，在接收待测声音数据之后，会将待测声音数据输入至经过训练的深度学习降噪模型中，从而基于深度学习降噪模型对待测声音数据进行降噪，深度学习降噪模型具有强大的去噪能力，能够有效地剔除噪音。并且本技术的方案中，消除的是待测声音数据中的风电机组的工作噪音，也就是说，与普通降噪旨在去除白噪声等环境噪音的目的不同，本技术的方案中，是将风电机组正常工作时产生的声音也视做噪音，这样使得在理想情况下，未发生故障时，通过深度学习降噪模型降噪后的声音是近乎安静的环境音，只有故障出现时才会有额外的声音，使得风电机组一旦发生故障便会非常明显，也即有利于提高故障检测的准确性。在降噪之后，便可以对降噪之后所得到的声音数据进行声学特征提取，进而将提取结果输入至经过训练的标准化流非监督故障检测模型中，得到针对待测声音数据的风电机组故障检测结果。由于采用的是标准化流非监督故障检测模型实现故障检测结果的确定，相比目前的一些方案中的有监督的判别式模型，标准化流非监督故障检测模型不依赖难以获得的故障音频，即只需要正常音频就可以训练，简化了模型的生成，也就便于方案的实施。
59、综上所述，本技术的方案可以有效地进行风电机组的故障检测，保障了故障检测的准确性，且便于实施。