(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 202010090310.2
(22)申请日 2020.02.13
(71)申请人 北京天泽智云科技有限公司
地址 100191 北京市海淀区知春路17-7号
致真大厦C座4层北区
(72)发明人 王旻轩 朱小芹 鲍亭文 于成铭
祝海 杨晓茹 路瑶 金超
(74)专利代理机构 北京煦润律师事务所 11522
代理人 惠磊
(51)Int.Cl.
G10L 25/03(2013.01)
G10L 25/51(2013.01)
(54)发明名称
提取及识别方法
(57)摘要
本申请涉及一种风机叶片扫风声音信号中
异常哨声轮廓的提取及识别方法，通过对原始扫
风声音信号的时域-频域转换、对时频谱矩阵的
能量特征提取及滤波、对时域片段滤波后特征的
异常定位以及对哨声轮廓的异常检测来实现。本
方法针对叶片扫风音频中可能存在的异常哨声
形态提出了针对性的预处理和特征提取、模式识
别和异常检测的方法，可以准确识别高频异常哨
声的出现。权利要求书2页 说明书7页 附图3页CN 111161756 A 2020.05.15
C N 111161756
A
1.一种风机叶片扫风声音信号中异常哨声轮廓的提取方法，其特征在于，包括以下步骤：
(1)将风机叶片扫风的原始音频信号转换为时频域矩阵；
(2)对时频域转换后的每个时间范围内进行幅值-能量转换，得到频率和能量特征； (3)依次对单个时刻的频率-能量特征进行降噪处理和峰值搜寻；
(4)根据峰值搜寻的结果二值化时频域矩阵，并进行特征提取；
(5)使用异常检测模型，构造哨声样本库以进行哨声检测。
2.一种风机叶片扫风声音信号中异常哨声轮廓的提取方法，其特征在于，包括以下步骤：
(1)将原始音频信号转换为时频域矩阵M0；
(2)对经过变换的时频域矩阵M0通过幅值-能量转换关系转变为矩阵M1；
(3)对矩阵M1的每一时间点的列进行抽取，抽取出的一维数组F t代表了t时刻的原始信号的频域-能量关系；
(4)对F t进行滤波降噪，得到滤波后的数组F′t；
(5)对F′t进行基于突起程度的峰值搜寻，定位到出现异常尖峰的频率点；
(6)对M1的每一列依次进行滤波和峰值搜寻的处理，若该时间点无满足突起程度阈值的尖峰，则自动设置为0；
(7)将每一个时间段搜寻到满足条件的峰值对应的横坐标重置为1，其它点设置为0，将每一列还原回矩阵
内，得到二值化矩阵M2；
(8)将二值化矩阵M2可视化，并将M2作为特征矩阵，从中提取非零元素分布相关的特征向量，形成每个声音样本的特征向量组合；
(9)将提取出哨声轮廓的音频对应的特征向量组合形成哨声特征的样本库，使用检测模型进行训练，构造哨声样本库以进行哨声检测。
3.根据权利要求2所述的提取方法，其特征在于，所述非零元素分布相关的特征向量包括非零元素的最大时间间隔、起止时间和所处频率中的至少一种。
4.一种风机叶片扫风声音信号中异常哨声轮廓的识别方法，其特征在于，包括以下步骤：
(1)输入待测声音样本，利用权利要求1或2或3中的提取方法进行哨声轮廓提取和特征提取；
(2)使用构造的哨声样本库对待测样本中含非零元素的特征向量进行检测，计算该向量的异常分值；
(3)根据计算出的异常分值的大小，判断是否含有异常哨声。
5.一种风机叶片扫风声音信号中异常哨声轮廓的提取系统，其特征在于，包括以下模块：
第一转换模块，其将风机叶片扫风的原始音频信号转换为时频域矩阵；
第二转换模块，其对时频域转换后每个时间范围内进行幅值-能量转换，得到频率和能量特征；
降噪模块，其对单个时刻频率-能量特征进行降噪；
峰值搜索模块，其对单个时刻频率-能量特征进行峰值搜索；
二值化转换模块，其根据峰值搜寻的结果二值化时频域矩阵；
特征提取模块，其从二值化时频域矩阵中提取特征向量，形成每个声音样本的特征向量组合。
6.根据权利要求5所述的提取系统，其特征在于，还包括：
样本库，其由提取出明显哨声轮廓的音频对应的特征向量组合形成；
异常检测模型，其对所述样本库进行训练，构造哨声样本库以进行哨声检测。
7.一种风机叶片扫风声音信号中异常哨声轮廓的识别系统，其特征在于，包括以下模块：
输入模块，其用于输入待测声音样本；
如权利要求6所述的异常哨声轮廓的提取系统；
异常分值计算模块，其用于根据所述提取系统对待测样本检测出的特征向量与哨声样本库中的特征向量组合进行比较，计算出待测样本的特征向量的异常分值；
判断模块，其根据所述异常分值计算模块计算出的异常分值判断待测声音样本中是否含有异常哨声。
风机叶片扫风声音信号中异常哨声轮廓的提取及识别方法
技术领域
[0001]本申请涉及一种风机叶片扫风声音信号中异常哨声轮廓的提取及识别方法，适用于风机故障检测的技术领域。
背景技术
[0002]风电叶片是风机捕获风能的核心部件，需要长期可靠地运行在极其恶劣的户外环境下，难免会遭受雷击、排水孔堵塞等损伤或故障。叶片在旋转过程中会因排水孔堵塞或雷击破孔产生异常的哨音。研究叶片哨音的典型特征，有助于识别叶片排水孔堵塞或雷击破孔等失效模式，对于叶片损伤进行监测，进而开发在线智能监测系统，改善运维效率有十分重要的意义。
[0003]为了保持叶片内外气压平衡及确保叶片内部冷凝水及时排出，叶片设计人员在叶尖特定位置设计了排水孔，设计时通过形状和方位的优化巧妙地规避了排水孔引发的哨音问题。然而，当叶片运行在脏污环境或由于叶身内部散落的胶粒导致排水孔被部分堵塞，改变了排水孔的原有形状，边缘的光洁程度也发生变化时，就会在叶片旋转时产生持续的哨音。同时，运行在高雷暴区的风机，也会因为遭受雷击产生破损或孔洞。这些孔洞本身也会引发叶片旋转过程中的哨音产生。哨音的产生是边缘音原理与管定律同时作用的结果。当叶片旋转导致气流流向雷击孔或被部分堵塞的排水孔时，气流到达孔洞对面的边缘后，一分为二，部分流散到孔洞外，其余部分则进入叶片腔体内，这个过程就会产生哨音。叶片腔体的长度决定哨音的频率高低；孔洞所在位置腔体的粗细与能量大小成反比。当孔洞边缘不光滑时，气流冲击粗糙边缘时形成了含有多种频率成分的空气漩涡，孔洞大小不同也会影响气流的强弱差异，最终反应在哨音能量水平上。
[0004]专利申请号为CN201810190754.6的专利申请提出了一种基于深度学习的风机叶片故障智能识别方法，能够自动对无人机拍摄的风机视频进行故障识别定位。具体的操作为利用已标注的风机视频帧构建深度学习网络模型；对待检测的风机视频进行帧抓取，识别出故障帧图片；压缩后的故障帧图片输入目标检测网络，获取故障区域样本，并进一步输入深度学习回归网络模型，计算风机叶片故障区域面积。这种方法首先需要大量的视频图像样本并进行人工标注，属于数据标签依赖型方法，在训练和检测时消耗的资源都比较大；此外在进行在线检测时，需要利用无人机或其他装置进行拍摄，并要求风机处于停机状态，周围光源条件较好，因此执行效率较低。
[0005]申请号为CN201910603546.9的专利申请提出了基于廓系数优化K-means聚类的效果的音频信号检测方法，将一段声音信号的故障帧和非故障帧进行区分，并将特征帧的样本标签在时域上刻画条形图，综合分析同类特征帧的周期特性来判断某台风机的叶片是否故障。这一方法通过聚类后簇的类别标签在时域上的条形图是否出现周期性特征来判断故障。二聚类对于在音频中表现特征较弱的故障难以精准检测，对于是否存在周期性特征需要人工判断，难以实现自动化高效检测。另外，申请号为CN201710641430.5的专利同样提出了采用声音采集装置通过音频进行故障诊断的方法，主要截取特征频率，并将特征频率进
行对比处理来诊断故障，这一方法等同于振动分析，但音频由于采集精度不如振动信号，而且容易受到噪声干扰，单纯地对音频信号进行频域分析，丢失了伴随叶片扫风的周期性特征。
[0006]申请号为CN201510436845.X的专利提出了使用叶片振动信号在时域图中判断周期性冲击的存在进而判断故障的方法，当频率图中会出现叶片特征频率，则说明该叶片出现故障。这类检测方法首先要明确各类异常的特征频率，并且在频域图中需要人工进行判断，同样难以达到自动化高效检测的目的。同样使用叶片摆幅、振动分析方法的类似专利还有申请号为CN201410469897.2，CN201710112804.4，CN201611103177.X的专利等，其中申请号为CN201710112804.4，CN201611103177.X的专利使用激光检测方法解决传感器安装困难的方法，但是成本较高。
[0007]上述方法都是笼统地对叶片整体做故障诊断的方法，但是并不能起到针对某一特定表现方式的故障模式的诊断作用，也不能具体地识别出哨声，目前利用音频检测手段对风机叶片扫风声音中高频异常哨声进行诊断的技术仍为空白。
发明内容
[0008]本方法提出了针对叶片排水孔堵塞或雷击等原因造成的异常哨声进行轮廓提取并进行特征构造和异常检测的方法，能够实现针对高频异常哨声的具体诊断。
[0009]根据本申请的风机叶片扫风声音信号中异常哨声轮廓的提取方法，包括以下步骤：
[0010](1)将风机叶片扫风的原始音频信号转换为时频域矩阵；
[0011](2)对时频域转换后每个时间范围内进行幅值-能量转换，得到频率和能量特征；[0012](3)依次对单个时刻频率-能量特征进行降噪处理和峰值搜寻；
[0013](4)根据峰值搜寻的结果二值化时频域矩阵，并进行特征提取；
[0014](5)使用异常检测模型，构造哨声样本库以进行哨声检测。
[0015]优选地，根据本申请的一种风机叶片扫风声音信号中异常哨声轮廓的提取方法，包括以下步骤：
[0016](1)将原始音频信号转换为时频域矩阵M0；
[0017](2)对经过变换的时频域矩阵M0通过幅值-能量转换关系转变为矩阵M1；[0018](3)对矩阵M1的每一时间点的列进行抽取，抽取出的一维数组代表了当前时间范围内原始信号的频域-能量关系，对该数组称为F t，表示t时刻的频率能量特征；
[0019](4)对F t进行滤波降噪，得到滤波后的数组F′t；
[0020](5)对F′t进行基于突起程度的峰值搜寻，定位到出现异常尖峰的频率点；[0021](6)对M1的每一列依次进行滤波和峰值搜寻的处理，若该时间点无满足突起程度阈值的尖峰，则自动设置为0；
[0022](7)将每一个时间段搜寻到满足条件的峰值对应的横坐标重置为1，其它点设置为0，将每一列还原回矩阵内，得到二值化矩阵M2；
[0023](8)将二值化矩阵M2可视化，并将M2作为特征矩阵，从中提取非零元素分布相关的特征向量，形成每个声音样本的特征向量组合；
[0024](9)将提取出哨声轮廓的音频对应的特征向量组合形成哨声特征的样本库，使用
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议