摘要
由于风电机组在自然环境中遭受沙尘冲蚀、雷击等侵袭，极易发生叶片表面损伤，对其进行故障在线检测尤为重要。相比于振动、声发射、红外等接触式叶片故障检测方法，非接触式声学检测方法具有设备安装灵活、维护便捷等优势。然而目前非接触式检测的传统声纹刻画方法存在易耦合干扰噪声、静态声纹局限且诊断模型受样本不均衡影响，本文从耳听可分角度，提出基于语谱图的风电机组叶片声纹刻画与识别方法，具体内容及成果如下: (1)针对叶片原始运行声信号易受噪声耦合干扰问题，研究建立基于听觉感知小波包变换的静态声纹刻画方法(AuditoryPerceptionWaveletPacketCoefficient,APWPC)。模拟人耳听觉掩蔽特性，设计听觉感知小波包分解树构造算法进行降级剪枝处理，实现干扰成分屏蔽并捕捉耳听可分的有效信息;通过噪声干扰随机分布特性分析，设计阈值自适应降噪的非重叠感知子带声纹特征刻画方法，提升听觉感知特征的抗噪能力。仿真结果表明:APWPC相比于梅尔倒谱系数特征与小波包能量特征表现最优，应用在分类模型上的识别准确率达到93.8％。 (2)针对单一的静态声纹特征刻画局限问题，提出同源变尺度的叶片动态声纹特征融合算法(FisherDynamicFusionVoiceprint,F-DFV)。结合叶轮旋转相似性及周期稳态特性，设计时空上的连续帧差分特征及增强语谱图同态相似度算法，表征运行叶片的动态声纹特性;引入费舍尔判别准则，融合同源多尺度的动、静声纹特征，综合刻画叶片健康状态。仿真结果表明:相比于APWPC,基于F-DFV构建模型的识别准确率提升5.7％。 (3)针对叶片声学诊断模型受样本不均衡的严重影响问题，研究提出基于全局代价敏感字典学习的叶片状态识别方法(GlobalCost-SensitiveDictionaryLearning,G-CSDL)。设计区域三角中线的少数类样本合成方法，在特征空间对类别进行预均衡以减小模型倾斜影响;综合稀缺类、异类与总体的稀疏编码重要度，设计类别均衡的全局代价敏感系数，提高模型对故障类的敏感度。仿真结果表明:G-CSDL的故障类漏诊率降低至1.3％。
NETL