一种基于声纹图的风力发电机偏航系统的故障识别方法

本发明涉及风力发电机偏航系统故障诊断领域，更具体地涉及一种基于风力发电机偏航系统声信号经去噪生成的声纹图的风力发电机偏航系统的故障识别方法。

背景技术：

1、传统的风力发电机偏航系统故障诊断多基于获取偏航部件振动、速度、扭矩等参数通过信号处理手段提取故障信息，达到实时监控偏航系统运行状态。但以往的方法往往需要布置众多的传感器和涉及较多的偏航部件，而现实情况是机舱内包括；发电机、齿轮箱、冷却系统、控制系统、传动系统等，导致机舱空间狭小，各类部件排布紧凑使得安装传感器受到很大的限制。在现实中，风力发电机偏航系统在不同工况运行时会产生不同的声学信号，在正常工况运行时，产生的声学信号是平稳的，一旦风力发电机偏航系统出现故障，产生的声学信号将会出现变化，依据这些变化从而实现信号与风力发电机偏航系统故障类型的对应关系进而实现偏航系统的有效故障诊断。

2、目前，学术界对于偏航系统的故障诊断主要采取基于信号处理及深度学习的技术。基于信号处理的方法依赖于传感器采集数据的质量、数据预处理是否得当、以及最为关键的核心分析算法等，很好的完成上述设计过程后才能收获一定精度的故障识别结果。基于机器学习技术十分适合应用于产生大量数据的工业场景，如高斯混合模型(gmm)、支持向量机(svm)、和深度学习各类模型，虽然各类模型中的复杂网络结构已经能够处理发杂的高维特征，在一定程度上提升了故障特征提取能力，但是模型的泛化性能较差，迁移能力弱并不能够很好的解决风电场对偏航系统故障识别的需求。

3、首先，安装在风力发电机偏航系统附近的声传感器能实时的采集声学信号，由于机舱中其他部件工作时也会发出声学信号，所以需要对采集到的声信号进行去噪处理以减少其他不相关噪声信号对目标信号的干扰。用去噪后的偏航系统声信号生成声纹图对偏航系统运行状态进行判别，最终实现自动监测风力发电机偏航系统是否出现故障。

4、其次，风力发电机偏航系统在不同功率运行时，产生的噪声信号也是不同的。需要将正常运行时不同功率下声信号生成声纹图打上标签保存到数据库。在偏航系统产生故障时，需要第一时间对故障期间的噪声信号生成的声纹图打上标签并保存到数据库。因此，风力发电机偏航系统声纹图数据库的健全需要较长时间的收集，随后故障识别效果会不断提升。

技术实现思路

1、为克服现有风力发电机偏航系统故障诊断技术需要建立复杂的数学模型和诊断类别过少的不足，本发明提供了一种基于声纹图的风力发电机偏航系统的故障识别方法，不需要建立复杂的数学模型并且能够实现识别多种偏航系统故障类别。采用深度学习中常见的图像识别模型yolov5s，建立风力发电机偏航系统故障识别模型，并在该模型的基础上移植我们提出的更适合风力发电机组偏航系统故障声纹图特征提取能力更强的融合卷积模块-twiceconv和anchorplus1策略增加正样本的识别效果，提升高维数据中的故障特征，减少故障的漏检与误检事件发生概率。

2、本发明提供如下的技术方案：一种基于声纹图的风力发电机偏航系统的故障识别方法，包括以下步骤：

3、步骤一、通过噪声传感器采集并记录风力发电机偏航系统正常工作时产生的声音信号：

4、步骤二、通过噪声传感器采集并记录风力发电机偏航系统各类故障时发出的声音信号：

5、步骤三、将采集到的声音信号进行去噪处理，保留风力发电机偏航系统运行相关的声音信号，过滤掉背景噪声以确保后续处理过程最大程度保留风力发电机有效特征信息：

6、步骤四、将去噪后正常与各类异常声音信号生成声纹图并打上故障类型标签，不断积累至生成风力发电机偏航系统故障声纹图数据库：

7、步骤五、移植我们提出的更适合风力发电机组偏航系统故障声纹图特征提取能力更强的融合卷积模块-twiceconv和anchorplus1策略增加正样本的识别效果，提升高维数据中的故障特征，减少故障的漏检与误检事件发生概率，我们将这个基于yolov5s图像识别模型添加上述两个模块(策略)的改进版作为偏航系统声纹故障识别模型。

8、步骤六、将采集的风力发电机偏航系统噪声信号生成声纹图，输入训练好的偏航系统声纹图故障检测模型。设定置信度门槛值为0.5，当置信度大于设定门槛值时，认为识别到当前偏航系统的状态模式。若识别到故障则发出故障警报。然后工作人员根据此故障标签进行故障维修任务。如果声纹图识别为正常工作的情况，则发出正常工作信号。

9、步骤七、在声纹图识别不到或者置信度过小导致匹配不到风力发电机正常工作与故障条件下的声纹图时，随即抛出未知故障信号，工作人员随即对故障进行诊断与维修并将诊断结果赋予声纹图对应标签加入声纹图数据库进一步丰富诊断内容。

10、进一步的，所述的一种基于声纹图的风力发电机偏航系统的故障识别方法，其特征在于：所述噪声传感器采集并非存储所有噪声数据，而是选择选择记录工作环境声音分贝高于10db时的噪声数据。

11、进一步的，所述的一种基于声纹图的风力发电机偏航系统的故障识别方法，其特征在于：所述风力发电机偏航系统发生故障时记录的声音信号经过去噪操作后，所生成声纹图输入训练好的声纹图故障识别模型过程，并不是要求两张声纹图相同才认定为同一类型故障，而是识别结果大于置信度门槛值后，认定识别到了输入声纹图对应的风力发电机偏航系统对应故障类型。

12、进一步的，所述的一种基于声纹图的风力发电机偏航系统的故障识别方法，其特征在于：声纹图数据库包含越多的故障类型声纹图且赋予的标签越精确，使用本方法获得的结果越精确。

13、进一步的，所述的一种基于声纹图的风力发电机偏航系统的故障识别方法，其特征在于：风力发电机偏航系统生成的声纹图经声纹图故障检测模型识别后，将故障类型发送到中控室，并发出警报声提醒值班人员。

14、进一步的，所述的一种基于声纹图的风力发电机偏航系统的故障识别方法，其特征在于：本方法建立到健全风力发电机偏航系统声纹图库需要较长的时间，在这之前会出现检测到故障但是匹配不到具体故障类型的情况，经过技术人员的故障判定后，将声纹图赋予故障标签同时加入声纹图数据库保存。

15、进一步的，所述的一种基于声纹图的风力发电机偏航系统的故障识别方法，其特征在于：风力发电机偏航系统噪声信号以风电机组叶片在风速为20m/s下旋转一周所经历的时间为时间节点，并以此时间周期内的噪声数据经去噪后生成声纹图。

16、本发明的技术效果和优点：

17、1.本发明要求建立风力发电机偏航系统声纹图数据库，将采集到的声信号经处理后生成的声纹图输入训练好的声纹图故障识别模型，进行故障识别识别。在识别环节选取置信度阈值大于0.5的输出作为最终结果。若模型识别为偏航系统正常工作，则将正常工作状态信息发送到中控室。若模型识别为某一类别的偏航系统故障，则将故障类型发送到中控室并发出警报声，提示值班工作人员进行有针对性的指导风力发电机偏航系统维修更换工作，可以减少运维人员的工作量。

18、2.本发明投入使用的前期，因为风力发电机偏航系统声纹图数据库未健全，导致声纹图故障识别模型训练效果不佳，会出现识别情况差的现象，随着运维人员不断地发现新故障类型同时建立健全声纹图数据库，基于风力发电机偏航系统声纹图故障识别模型训练效果不断提高，后期识别效果不断上升，识别结果更加可靠。最终，使用本方法将实现风力发电机偏航系统的故障自动识别，提升风电厂经济效益。

19、3.本发明通过声纹图故障识别模型识别结果来判断偏航系统故障类型，由于不同生产厂家制造的偏航系统零部件在不同工况下发出的噪声信号特征不同，所以需要征对不同规格的偏航系统建立声纹图数据库。随后便能实现风电场数十台风力发电机组的偏航系统自动故障诊断。这样带来的好处是本方法能够适应风电厂中存在不同生产厂家的偏航系统故障自动识别，个性化的进行进行故障识别任务。