基于音频信号的风机叶片保护漆的损伤监测方法和系统与流程

本申请涉及一种基于音频信号的风机叶片保护漆的损伤监测方法和系统，适用于风机健康监测的技术领域。

背景技术：

风力发电机叶片是风电机组将风能转化为机械能的重要部件之一，是获取较高风能利用系数和经济效益的基础，叶片状态的好坏直接影响整机的性能和发电效率。当叶片运转时，叶片周围空气中的粒子将不断对叶片前缘进行腐蚀：包括雨滴、冰雹、盐雾、沙石以及野外高空生物等，带来的直接影响就是破坏了叶片的气动外形，从而影响到整个机组的气动性能，导致年发电量损失。同时，前缘腐蚀也会导致叶片气动噪声呈现数量级的增长，引发噪声扰民等问题。如果腐蚀过于严重，长时间得不到妥善处理，会进一步影响到叶片的结构层，最终导致更长的维修时间，且难以恢复到原有气动外形。为延缓或降低叶片前缘腐蚀的影响，在叶尖前缘区域喷涂保护漆的方法常被采用。因此可通过判断保护漆的损伤程度监测叶片前缘腐蚀损伤水平，确保在前缘腐蚀发展到结构层前能够及时有效的进行处理。

目前，针对风电机组叶片保护漆损伤的监测方法主要有人工望远镜目视检测、高空蜘蛛人或操作平台检查等方法。另外，结合近几年突飞猛进的图像智能处理技术，采用无人机巡检的方法也更为直观，更为细致，取得了不错的效果。除此之外，也有部分系统采用在叶片上安装振动传感器或者通过敲击叶片，判断叶片是否存在损伤。然而，上述方法均存在明显的缺点，如不能实时监控叶片健康状态，检测方法对叶片本身有损伤，可能涉及巡检人员的生命安全等。

中国专利申请201810680085.0提出一种根据当前风力发电机组的运行状态和当前环境的气象信息，对风力发电机组进行雨蚀监测和控制，从而避免风力发电机组的叶片出现疲劳累计损伤的方法。该方案是一种预防性的控制方法，并不能对已经产生的保护漆损伤进行识别监测。

us9395337b2公开了采用安装在风力发电机塔筒底部的麦克风装置来记录叶片的声音信号，并采用多普勒频移分析的方法对声音信号中的哨声进行分析，从而对叶片的故障进行定位。该专利中主要提到了通过多普勒分析方法定位叶片损伤位置的原理和机理公式，但其关注的叶片特征为哨声，而哨声是多种叶片表面故障的特征之一。因此，该方法并不能对叶片的故障进行诊断，也不能通过此种方法判断保护漆损伤。

中国专利申请201811408152.x还提出了一种对无人机采集到叶片的多个局部区域进行图像拼接，从而实现故障定位的方法。但是，由于无人机在空中飞行，容易受到风速、电磁干扰等因素的影响，拍摄抖动性强，得到的图像或视频像素较低，对叶片的较小损伤不能及时识别。同时，无人机飞行为定期巡检方法，并不能为叶片健康状态提供持续实时的监控。

中国专利申请201410017842.8通过使用敲击锤敲击叶片时获得敲击声和环境噪声，采用滤波、小波变换、傅里叶变换、模态分解等方法提取特征，采用神经网络算法对叶片脱层情况直接进行预测。该方法不能实现无损和实时检测，重复的敲击对叶片本身结构和性能有潜在的威胁，且检测时需要停机进入塔筒，所以不宜经常进行。同时，专利中提到敲击采集的信号只能判断该敲击处是否有损伤，可以推断进行整个叶片的检查将费时费力。

除了上述方法之外，还有从防腐蚀材料、改造叶片结构的角度对叶片前缘腐蚀进行防护。现有技术中均没有通过叶片扫风产生的气动噪声声音信号来监测叶片前缘保护漆损伤的方法。

技术实现要素：

本发明的目的是提供一种基于音频信号的风机叶片保护漆的损伤监测方法和系统，在能够实时监控叶片健康状态阶段的同时，达到无损检测的目的。同时，本申请能够对正在发生劣化的叶片进行预警，指导维护的时间点。

本申请涉及一种基于音频信号的风机叶片保护漆的损伤监测方法，包括训练阶段和在线运行阶段；训练阶段包括以下步骤：

采集一段时间内多组音频信号，获取每组音频对应时间的平均转速值；

对音频信号进行转换后得到频谱图，并转换成能量水平；

对工况进行筛选，选定某一转速范围内的数据；

每组音频信号通过上述处理得到一个样本，以转速作为自变量，目标频段最大能量水平为因变量，对多个样本点的转速和能量水平进行线性拟合，并计算能量水平的残差分布；

对每个频段分别进行上述步骤的操作得到线性模型；

在线运行阶段包括以下步骤：

实时采集一组音频信号及其对应的转速值，判断转速值是否处在训练数据筛选的转速范围内；

采用训练得到的模型，根据转速预测目标频段的预测能量水平，并计算该组音频信号能量水平和预测能量水平的残差大小；

选取采集到的多组有效数据，计算残差的平均值；

根据训练数据残差分布和在线运行残差平均值，采用预测因子评估保护漆损伤水平的大小；

当选择多个频段进行拟合时，最终预测因子取同一时间下各个频段预测因子的中值；

利用规则根据当前因子和历史因子判断故障所在阶段。

本申请还涉及一种基于音频信号的风机叶片保护漆的损伤监测系统，包括机端硬件装置以及站端服务器，机端硬件装置包括声音传感器和边缘硬件数据采集系统，所述边缘硬件数据采集系统执行如上所述的损伤监测方法。

根据本申请的基于音频信号的风机叶片保护漆的损伤监测方法和系统，具有以下有益技术效果：

(1)可以实现在线实时监测和无接触监测，保证监测的及时性和高效性，同时避免了监测可能造成的损伤；

(2)基于叶片扫风时其转速和扫风声音的能量水平呈线性关系的机理，利用保护漆损伤时，该关系曲线会沿能量水平高的方向平移的现象，仅用音频信号就可以对保护漆损伤进行识别，使得监测和识别更加高效和准确；

(3)针对保护漆损伤故障演进不同阶段速率不同的机理，可以对保护漆损伤程度进行判断，提高了损伤监测的精确性，为后续维修提供更精确的维修建议；

(4)基于拟合多窄频段取中值的方法，能够有效去除其他类型故障和各类环境噪声带来的干扰，而不需要在早期对数据进行去噪处理，从而节约了数据处理程序，提高了数据处理效率；

(5)根据叶片扫风能量水平变化趋势最终映射到故障水平，能够及时对正在劣化的叶片进行预警，提高了预警效率和预警准确度。

附图说明

图1显示了前缘保护漆损伤随时间变化趋势的示意图。

图2显示了本申请的风机叶片保护漆损伤监测方法的流程图。

图3显示了本申请实施例中数据转速与最大声压级关系示例。

图4显示了本申请实施例中叶片损伤风机因子随时间的变化图。

图5显示了本申请实施例中叶片经维护的风机因子随时间变化图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚明白，下文中将结合附图对本申请的实施例进行详细说明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。

根据本申请的一种基于音频信号的风机叶片保护漆的损伤监测方法，通过音频设备采集一段时间内包含风机扫风气动噪声的声音信号，通过对声音信号进行分析，实现对风机叶片保护漆损伤的实时监测和故障诊断。其中，根据本申请的一种基于音频信号的风机叶片保护漆的损伤监测系统包括机端硬件装置以及站端服务器，机端硬件装置包括用于采集风机和环境等声音信号的声音传感器和边缘硬件数据采集系统，站端服务器可以运行配套的应用软件，并对数据进行显示。其中，边缘硬件数据采集系统用于执行下文中所述的监测方法。

本申请中，带有前缘保护漆的叶片具有以下特征：1)三只叶片腐蚀范围、程度相似，这个特征体现在三只叶片扫风能量水平随时间一直是近似的状态；2)保护漆损伤的特征是漆面逐渐剥落，剥落的过程会导致气动外形缺失、截面粗糙，这个特征会体现在扫风能量水平的改变；3)保护漆损伤发展的不同阶段，从涂层到腻子层再到结构层，直至发生开裂，其能量水平变化速率也是不同的，能量水平随时间呈阶梯状发展，如图1所示；4)能量水平的改变在较大的频域范围内都有体现，并非如叶片裂纹那样有特定的故障频带。本申请基于上述故障特征，通过声音信号的能量水平变化和变化趋势来实现对保护漆损伤的判断。

根据本申请的一种基于音频信号的风机叶片保护漆的损伤监测方法，具体步骤流程如图2所示，包括训练阶段和在线运行阶段。

训练阶段包括以下步骤：

(1.1)采集一段时间内多组音频信号，获取每组音频对应时间的平均转速值；其中，平均转速值可以从外部系统获取，当外部无法获得转速时，也可以通过识别音频信号中单位时间的扫风次数计算平均转速值；

(1.2)对音频信号进行短时傅里叶变换(stft)转换后得到频谱图，并转换成能量水平，此处的能量水平是指表征扫风声音能量大小的参数；

(1.3)数据筛选：对工况进行筛选，选定某一转速范围内的数据，滤除低转速噪点和满发时的数据点；选定的转速通常为该风机的较高转速区间；其中，风机转速范围可以根据风机自身参数和是否限定采集条件来决定；满发是指最高的转速值，即某个风速下达到这个转速后，风速再增加，转速也不会随之增加，功率也会变成近似额定功率；

(1.4)每组音频信号通过上述处理得到一个样本，则一段时间内多组音频信号可得到多个样本。以转速作为自变量，目标频段最大能量水平为因变量，采用线性回归对多个样本点的转速和能量水平进行线性拟合，并计算能量水平的残差分布，如n-sigma值；

(1.5)选择多个频段时，对每个频段分别进行步骤(1.4)的操作得到线性模型。因保护漆损伤在很大范围的频段内都有相同的表现，目标频段可以选择一个或多个(5000hz～16000hz)，选择多个频段时，可以使每个频段范围较小，线性关系更强。

在线运行阶段包括以下步骤：

(2.1)实时采集一组音频信号及其对应的转速值，判断转速值是否处在训练数据筛选的转速范围内。当转速在筛选范围内，对该音频信号进行stft转换并计算其能量水平；当转速不在筛选范围内，则不进行后续操作；

(2.2)采用训练得到的模型根据转速预测目标频段的预测能量水平，并计算该组音频信号能量水平和预测能量水平的残差大小；

(2.3)选取采集到的多组有效数据，计算残差的平均值；

(2.4)根据训练数据残差分布和在线运行残差平均值，评估保护漆损伤水平的大小，公式可以如下：

其中，x为在线运行残差平均值，y为保护漆损伤水平大小即预测因子，base为当前风机损伤水平基准值，当y＝0时，表示保护漆无损伤，当y＝1时，表示保护漆损伤严重；nsigma为训练数据残差平均值和n倍的标准差之和，n可以根据监测精度的要求来确定；

(2.5)当选择多个频段进行拟合时，最终预测因子取同一时间下各个频段因子的中值；

(2.6)利用规则根据当前因子和历史因子判断故障所在阶段，并输出故障阶段和是否在当前发生突变；此处的突变是指在如图1所示的不同损伤阶段发生了切换。

实施例

本实施例采用某风场实时采集到的声音信号为案例进行介绍。

图3为原始数据与经过数据筛选和频段选择后的转速与最大声压级关系对比图，左侧为原始数据，右侧为数据筛选和目标频段选择后的数据，横坐标为旋转速度，纵坐标为最大声压级(maxspl)。从中可以看到，原始数据整个频段能量水平呈一定的线性关系，但是方差较大，且额定转速与某些特定转速下方差明显更大。经过转速等数据筛选以及选择扫风声音特征明显的频段重新计算能量水平后，最大声压级与转速间的线性关系明显，且方差较小。

图4为某风机后期出现叶片保护漆损伤，其因子随时间变化图，可以看到因子值从某个时间段开始逐渐增大，经过一段时间的平台期，又出现一次增大。该风机在人工检查时发现损伤已经接近结构层，与因子值对应良好。该实例使用5000-12000hz分频段进行拟合，图4中各图由上到下分别为各频段随时间的因子图、综合各因子后输出的最终故障因子随时间变化图、输出的故障阶段随时间变化图。从中可以看到，各频段因子发展趋势和因子范围都一致，故障阶段与人工检查结果对应良好。其中，下图中s1表示外形涂层开始损伤，s2表示腻子损伤，s3表示接近结构层损伤。

图5为某叶片损伤风机维修前后因子随时间变化图。从中可以看到，维修前出现了故障劣化的趋势，各频段因子同时升高，维修后因子可自行恢复并维持在未报警的水平。图中，s4表示叶片前缘劣化阶段，s5表示叶片维护阶段。

本申请的损伤监测方法和系统除了用于保护漆外，还可以用于诊断其他漆面的损伤，例如叶片保护漆或保护膜下面设置的腻子层和/或油漆层。

虽然本申请所揭露的实施方式如上，但所述的内容只是为了便于理解本申请而采用的实施方式，并非用以限定本申请。任何本申请所属技术领域内的技术人员，在不脱离本申请所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本申请的专利保护范围，仍须以所附的权利要求书所界定的范围为准。