[发明专利]一种改进MFCC算法的风机叶片故障诊断方法

说明书

本发明为一种改进MFCC算法的风机叶片故障诊断方法，首先对传统MFCC算法的物理频率与梅尔频率转换公式进行改进，将声音信号的全频域分为三个频段，对三个频段赋予不同权重，故障信号频段的权重最大，权重越大频段内放置滤波器的个数越多，使得改进后的MFCC算法更加关注故障信号频段，提取到更多故障信息；其次，利用K‑means聚类算法对MFCC特征矩阵的所有样本特征帧进行聚类，并利用群智能算法对故障信号频段进行迭代寻优；最后，将聚类结果输入到SVM中进行训练，将训练后的SVM用于故障诊断。该方法得到的聚类结果条形图具有良好的周期性，聚类结果更准确，有利于提高故障诊断的准确率。

技术领域

本发明属于风机叶片故障诊断技术领域，具体是一种基于改进MFCC算法的风机叶片故障诊断方法。

背景技术

由于风能是绿色环保的可再生能源，在能源短缺以及环保要求愈发重要的背景下，大力开发和利用风能进行发电已经成为趋势。在风电设备中，叶片作为风电机组的关键部分，由于风电机组长期运行在恶劣、多变的环境中，风机叶片极易产生裂纹、腐蚀等缺陷，若不及时发现维修则会影响风机正常运行，造成巨大经济损失，因此对风机叶片进行故障诊断是十分必要的。

目前，风机叶片故障诊断方法有很多，如振动诊断、光纤光栅、超声检测和无人机检测等，这些方法大多需要在叶片上安装传感器，不仅会影响叶片的稳定工作，同时安装较困难成本较高，实用性较差。声学诊断方式无需在叶片上安装传感器，且检测效率高，具有较好的应用前景。

MFCC(MelFrequency Cepstral Coefficicents，梅尔频率倒谱系数)算法通过模拟人耳的听觉特性，人为地以特定方式在各频段内放置滤波器组，进而从音频信号中提取具有辨识性的特征，在语音信号处理方面具有良好表现。由于生理结构导致人耳对低频声音较为敏感，对高频信号的敏感度较低，使得MFCC算法对于低频信号的敏感度较高，而风机声音信号主要分布在2000～12000Hz的中频段内，传统的MFCC算法并不能较好地提取风机声音信号的特征，因此本申请对MFCC算法进行改进，使其能够适应风机声音信号分布的频段，有利于提高风机叶片故障诊断结果的准确性。

发明内容

针对现有技术不足，本发明拟解决的技术问题是，提供一种改进MFCC算法的风机叶片故障诊断方法。

本发明解决所述技术问题采用的技术方案如下：

1.一种改进MFCC算法的风机叶片故障诊断方法，其特征在于，该方法包括以下步骤：

步骤1：采集风机的声音信号；

步骤2：利用改进MFCC算法对声音信号进行特征提取，得到MFCC特征矩阵，MFCC特征矩阵包含N个样本特征帧；

改进MFCC算法将声音信号的全频段分为三部分，并通过下式将声音信号的物理频率转换为梅尔频率；

其中，Mel(f)表示梅尔频率，f表示声音信号的物理频率，[a,b]表示故障信号频段；

对[0,a)、[a,b]、(b,25000]三个频段赋予不同权重，分别为α、β、γ，0.5≤β＜1且α+β+γ＝1，权重越大频段内放置滤波器的个数越多，则频段[0,a)放置滤波器的个数为α*M，频段[a,b]放置滤波器的个数为β*M，频段(b,25000]放置滤波器的个数为γ*M，M表示滤波器总数；

步骤3：利用K-means聚类算法对MFCC特征矩阵进行聚类，将各个样本特征帧聚类为故障帧和非故障帧；以聚类轮廓系数为指标评价聚类效果，则聚类效果综合度量函数为：

其中，p(i)表示第i个样本特征帧的聚类轮廓系数；