[发明专利]一种基于机器学习的无源声信号对风力发电机叶片故障检测方法

说明书

本发明实施例公开了一种基于机器学习的无源声信号对风力发电机叶片故障检测方法，其中方法包括：响应于对风力发电机叶片进行故障检测的触发事件，采集所述风力发电机叶片旋转时产生的音频信号；提取所述音频信号的梅尔频率倒谱系数；调用故障检测模型对所述梅尔频率倒谱系数进行分析处理，得到对所述风力发电机叶片进行故障检测的检测结果。采用本发明实施例可便捷和准确地对风力发电机叶片进行故障检测。

技术领域

本申请涉及人工智能领域，尤其涉及一种故障检测方法、装置、设备及存储介质。

背景技术

风能是一种清洁的可再生资源，风能等新能源的开发受到越来越多人的关注。因此，风力发电是目前世界上发展最快的能源之一。风力发电是利用风力带动叶片旋转，再通过增速机提升旋转的速度来促使发电机发电，而风力发电机一般都修建在高海拔地带，由于恶劣的运行环境导致叶片容易老化受损或者损坏。受损的叶片或者覆冰的叶片会使叶片角不对称或者偏航不对称，从而改变风力发电机的气动性能，导致风力发电机不能正常运行。因此，目前如何对风力发电机进行故障检测成为研究的热点问题。

发明内容

本发明实施例提供了一种基于机器学习的无源声信号对风力发电机叶片故障检测方法，可实现准确地对风力发电机进行故障检测。

一方面，本发明实施例提供了一种故障检测方法，包括：

响应于对风力发电机叶片进行故障检测的触发事件，采集所述风力发电机叶片旋转时产生的音频信号；

提取所述音频信号的梅尔频率倒谱系数；

调用故障检测模型对所述梅尔频率倒谱系数进行分析处理，得到对所述风力发电机叶片进行故障检测的检测结果。

一方面，本发明实施例提供了一种故障检测装置，所述装置包括：

采集单元，用于响应于对风力发电叶片进行故障检测的触发事件，采用所述风力发电机叶片旋转时产生的音频信号；

提取单元，用于提取所述音频信号的梅尔频率倒谱系数；

处理单元，用于调用故障检测模型对所述梅尔频率倒谱系数进行分析处理，得到对所述风力发电机叶片进行故障检测的检测结果。

在一个实施例中，所述提取单元在提取所述音频信号的梅尔频谱倒谱系数时，执行如下步骤：

对所述音频信号进行预加重处理，并对所述预加重处理后的音频信号进行分帧处理，得到多帧音频子信号；其中，两个相邻帧音频子信号之间存在预设时长的重叠信号；

对所述多帧音频子信号中每帧音频子信号进行短时傅里叶变换运算，得到每帧音频子信号对应的频谱；

对所述每帧音频子信号对应的频谱进行滤波处理，并根据滤波处理后的每帧音频子信号得到所述音频信号的梅尔频谱倒谱系数。

在一个实施例中，所述提取单元在对所述多帧音频子信号中每帧音频子信号进行短时傅里叶变换运算，得到每帧音频子信号对应的频谱时，执行如下步骤：

为所述每帧音频子信号添加汉明窗；

对添加汉明窗后的每个帧音频子信号输入短时傅里叶变换规则中进行运算，得到每帧音频子信号对应的频谱。

在一个实施例中，所述故障检测模型是基于训练集训练得到的，所述训练集包括多个训练音频数据和所述多个训练音频数据中每个训练音频数据对应的监督标签，所述多个训练音频数据是对采集到的训练音频信号进行预处理得到的，所述训练音频信号是通过麦克风阵列采集所述风力发电机叶片旋转时产生的声音得到的；任一训练音频数据对应的监督标签用于指示所述风力发电机叶片旋转产生所述任一训练音频数据时，所述风力发电机叶片处于目标故障状态或者非故障状态，所述目标故障状态为以下故障状态中任意一种或多种：任一叶片丢失以及任一叶片损坏。