基于卷积生成对抗网络的风电机组叶片故障音频监测方法
阅读：84发布：2020-05-17
专利汇可以提供基于卷积生成对抗网络的风电机组叶片故障音频监测方法专利检索，专利查询，专利分析的服务。并且本 申请 涉及一种基于卷积生成对抗网络的 风 电机 组 叶片 故障音频监测方法，包括将声音收集设备收集到的叶片转动的音频 信号 进行分割，对各组叶片 功率谱 矩阵使用主成分分析，构建生成对抗网络，使用深度卷积生成对抗网络结构对叶片的特征方阵轮流使用anoGAN进行训练；使用一组叶片数据训练好生成对抗模型之后，将剩余组叶片的特征方阵分别输入到 异常检测 器中，将输入的待测数据作为模型输出的第一部分，重新进行 迭代 训练，计算输入数据对原 训练数据 的拟合程度，取最后一次的模型损失作为拟合误差；遍历进行误差计算，得到表示每组叶片相对于剩余组叶片的差异大小。本申请效率高、成本低、无需人工作业，适用于风电机组的故障监测。，下面是基于卷积生成对抗网络的风电机组叶片故障音频监测方法专利的具体信息内容。
1.一种基于卷积生成对抗网络的风电机组叶片故障音频监测方法，其特征在于，包括以下步骤：
(1)将声音收集设备收集到的叶片转动的音频信号进行分割，得到风机各支叶片扫风声音的起止时间点；
(2)对各组叶片功率谱矩阵使用主成分分析，将单组叶片信号矩阵转换为使用主成分展示数据的特征，并将原始每段扫风信号降维至行列数相同的方阵；
(3)构建生成对抗网络，使用深度卷积生成对抗网络结构对叶片的特征方阵轮流使用anoGAN进行训练，对每一组叶片的特征方阵，通过多次迭代对抗训练固定生成模型和判别模型的参数结构，将判别器的最后一层卷积层提取出作为特征提取器；
(4)重新构造模型，以隐空间的噪声分布为模型输入，以生成器的输出和特征提取器的输出结合为模型输出作为异常检测器；
(5)使用一组叶片数据训练好生成对抗模型之后，将剩余组叶片的特征方阵分别输入到异常检测器中，将输入的待测数据作为模型输出的第一部分，重新进行迭代训练，计算输入数据对原训练数据的拟合程度，取最后一次的模型损失作为拟合误差；
(6)遍历进行误差计算，得到表示每组叶片相对于剩余组叶片的差异大小，将得到的差异的最大值作为最终的异常风险值。
2.根据权利要求1所述的风电机组叶片故障音频监测方法，其特征在于，步骤(2)中包括以下步骤：
(2.1)对音频信号做短时傅里叶变换，得到转换后的时频谱矩阵；
(2.2)根据读入音频时得到的采样频率和时长，计算和功率谱矩阵宽度的对应关系，将时间分割点转化为矩阵列的分割索引，得到各支叶片每段扫风信号的功率谱，拼接成为本段时间内各支叶片的总功率谱；
(2.3)将每组叶片的时频域矩阵进行时间维度上的统一，提取时域上每支叶片功率矩阵的主成分；
(2.4)对各组叶片功率谱矩阵使用主成分分析将表示时间-频率-能量信息的单组叶片信号矩阵转换为使用主成分展示数据的特征，并将原始每段扫风信号降维至行列数相同的方阵。
3.根据权利要求1或2所述的风电机组叶片故障音频监测方法，其特征在于，步骤(6)中的差异大小是指进行相对异常分值计算，得到表示一组叶片相对于剩余组叶片的差异大小，将得到的各组相对异常分值中的最大值作为最终的异常风险值。
4.根据权利要求1或2或3所述的风电机组叶片故障音频监测方法，其特征在于，共有三支叶片，分别为叶片a、叶片b和叶片c，步骤(6)中，遍历进行误差计算的方法为：以叶片a数据训练，叶片b和叶片c分别输入得到拟合误差La，b，La，c；以叶片b数据训练，叶片a和叶片c分别输入得到拟合误差Lb，a，Lb，c；以叶片c数据训练，叶片a和叶片b分别输入得到拟合误差Lc，a，Lc，b。
基于卷积生成对抗网络的风电机组叶片故障音频监测方法
技术领域
[0001] 本申请涉及一种基于卷积生成对抗网络的风电机组叶片故障音频监测方法，适用于风电机组故障监测的技术领域。
背景技术
[0002] 风电机组长期运行在交变载荷的环境下，叶片极易发生裂纹、腐蚀等故障，不但降低叶片的使用寿命，而且影响风机对风能的捕获，所以做到叶片故障的早期诊断和预警对于风机的安全健康运行具有极大意义。目前对于风机叶片的故障监测采用的方法包括图像识别、热成像、激光检测、振动信号特征识别等。
[0003] 申请号为201910603546.9的中国专利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，另外地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。
[0004] 申请号为CN201710641430.5的中国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，并将将特征频率进行对比处理来诊断故障，这一方法类似于基于振动信号的故障诊断，但音频由于其与振动信号的不同传播方式，而且容易受到噪声干扰的特性，决定了分析方式的差异。如果单纯地对音频信号进行频域分析，难以达到使用同样方法对传统振动信号的检测精度，并且丢失了伴随叶片扫风的周期性特征。
[0006] 本发明的目的是提供一种效率高、成本低、无需人工作业的风电机组叶片故障的监测方法。
[0007] 根据本申请的基于卷积生成对抗网络的风电机组叶片故障音频监测方法，包括以下步骤：
[0008] (1)将声音收集设备收集到的叶片转动的音频信号进行分割，得到风机各支叶片扫风声音的起止时间点；
[0010] (3)构建生成对抗网络，使用深度卷积生成对抗网络结构对叶片的特征方阵轮流使用anoGAN进行训练，对每一组叶片的特征方阵，通过多次迭代对抗训练固定生成模型和判别模型的参数结构，将判别器的最后一层卷积层提取出作为特征提取器；
[0011] (4)重新构造模型，以隐空间的噪声分布为模型输入，以生成器的输出和特征提取器的输出结合为模型输出作为异常检测器；
[0012] (5)使用一组叶片数据训练好生成对抗模型之后，将剩余组叶片的特征方阵分别输入到异常检测器中，将输入的待测数据作为模型输出的第一部分，重新进行迭代训练，计算输入数据对原训练数据的拟合程度，取最后一次的模型损失作为拟合误差；
[0013] (6)遍历进行误差计算，得到表示每组叶片相对于剩余组叶片的差异大小，将得到的差异的最大值作为最终的异常风险值。
[0014] 优选地，步骤(2)中还可以包括以下步骤：
[0015] (2.1)对音频信号做短时傅里叶变换，得到转换后的时频谱矩阵；
[0016] (2.2)根据读入音频时得到的采样频率和时长，计算和功率谱矩阵宽度的对应关系，将时间分割点转化为矩阵列的分割索引，得到各支叶片每段扫风信号的功率谱，拼接成为本段时间内各支叶片的总功率谱；
[0017] (2.3)将每组叶片的时频域矩阵进行时间维度上的统一，提取时域上每支叶片功率矩阵的主成分；
[0018] (2.4)对各组叶片功率谱矩阵使用主成分分析将表示时间-频率-能量信息的单组叶片信号矩阵转换为使用主成分展示数据的特征，并将原始每段扫风信号降维至行列数相同的方阵。
[0019] 优选地，步骤(6)中的差异大小是指进行相对异常分值计算，得到表示一组叶片相对于剩余组叶片的差异大小，将得到的各组相对异常分值中的最大值作为最终的异常风险值。
[0020] 优选地，风电机组共有三支叶片，分别为叶片a、叶片b和叶片c，步骤(6)中，遍历进行误差计算的方法为：以叶片a数据训练，叶片b和叶片c分别输入得到拟合误差La，b，La，c；以叶片b数据训练，叶片a和叶片c分别输入得到拟合误差Lb，a，Lb，c；以叶片c数据训练，叶片a和叶片b分别输入得到拟合误差Lc，a，Lc，b。
[0021] 根据本申请的基于卷积生成对抗网络的风电机组叶片故障音频监测方法，其是基于叶片扫风声音分割的后续检测，不需加装其他的信号采集装置例如激光、摄像机等，不需要使风机停机进行监测，不需要人工标注数据；充分考虑了音频信号的频域、时域及幅值特征，实现无监督的实时异常监测，全自动的检测，无需人工参与，能够对传统的信号处理、振动分析难以识别的微弱故障进行异常检测，无需专家知识和先验知识；无需明确故障类型，可以对大多数常见的外观气动性能出现故障的叶片进行诊断。附图说明
[0022] 图1为本申请的风电机组叶片故障音频监测方法的流程示意图。
[0023] 图2显示实施算例模式1中完整扫风的音频图。
[0024] 图3显示实施算例模式1中叶片1的音频图。
[0025] 图4显示实施算例模式1中叶片2的音频图。
[0026] 图5显示实施算例模式1中叶片3的音频图。
[0027] 图6显示实施算例模式2中完整扫风的音频图。
[0028] 图7显示实施算例模式3中完整扫风的音频图。
[0029] 图8显示实施算例模式3中叶片1的音频图。
[0030] 图9显示实施算例模式3中叶片2的音频图。
[0031] 图10显示实施算例模式3中叶片3的音频图。
具体实施方式
[0032] 为使本申请的目的、技术方案和优点更加清楚明白，下文中将结合附图对本申请的实施例进行详细说明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。
[0033] 下面先对本申请中出现的技术术语进行解释和说明。
[0034] 短时傅里叶变换
[0035] STFT(短时傅里叶变换)是和傅里叶变换相关的一种数学变换，用以确定时变信号其局部区域正弦波的频率与相位。它定义了一个非常有用的时间和频率分布类,其指定了任意信号随时间和频率变化的复数幅度。实际上,计算短时傅里叶变换的过程是把一个较长的时间信号分成相同长度的更短的段，在每个更短的段上计算傅里叶变换,即傅里叶频谱。STFT的数学表达如下：
[0036]
[0037] 其中ω(n)是滑动窗口，强调一定时域范围内的频率信息。STFT的计算步骤如下：
[0038] 1.将输入信号分割为N个部分，每个部分取n个点，截取相应长度的信号序列，其中n取决于窗宽参数(Window Length)；
[0040] 3.如果窗宽小于FFT长度，窗的两侧使用0进行填补操作；
[0041] 4.进行FFT计算；
[0042] 5.根据选定的步长得到滑窗的交叠大小(Overlap Size)，重复1-4步骤直到滑窗至信号末尾。
[0043] 因此经STFT处理后的音频信号具有时域和频域的局部化特性，可以借助其分析信号的时频特性。
[0044] 主成分分析
[0045] 主成分分析(PCA)是一种统计分析、简化数据集的方法。它利用正交变换来对一系列可能相关的变量的观测值进行线性变换，从而投影为一系列线性不相关变量的值，这些不相关变量称为主成分。具体地，主成分可以看做一个线性方程，其包含一系列线性系数来指示投影方向。PCA是对原始数据的正则化或预处理敏感(相对缩放)。
[0046] PCA的基本思想即正交化线性变换：
[0047] 将坐标轴中心移到数据的中心，然后旋转坐标轴，使得数据在C1轴上的方差最大，即全部n个数据个体在该方向上的投影最为分散，意味着更多的信息被保留下来，C1成为第一主成分；
[0048] C2第二主成分：寻找一个C2，使得C2与C1的协方差(相关系数)为0，以免与C1信息重叠，并且使数据在该方向的方差尽量最大；
[0049] 以此类推，找到第三主成分，第四主成分……第p个主成分，p个随机变量可以有p个主成分。
[0050] 主成分分析经常用于减少数据集的维数，同时保持数据集中的对方差贡献最大的特征。这是通过保留低阶主成分，忽略高阶主成分做到的。这样低阶成分往往能够保留住数据的最重要方面。由于主成分分析依赖所给数据，所以数据的准确性对分析结果影响很大。此处对PCA的使用是对时频域矩阵的时域特征进行缩放降维，因此数据的特点具有先天的优势：不同的列代表着相同的单位，所有列向时域的数值都表示着同样的频域特征，数量级也是一致的。因此，PCA在分析经过STFT得到的时频域矩阵这类复杂数据时尤为有用。
[0051] 基于深度卷积生成对抗网络异常检测模型(anoGAN)的叶片异常检测方法[0052] AnoGAN，基于深度卷积生成对抗网络(DCGAN)学习数据的正常行为，并通过将原始数据映射到隐空间(latent space)计算异常值来进行异常数据的检测。作为在线监控的手段，模型将通过传入数据与之前学习到的分布之间的匹配程度来对新数据进行打分以达到实时异常检测的目的。
[0053] 模型结构
[0054] 为了达到异常检测的目的，需要通过生成对抗网络(GANs)让模型对正常行为数据进行学习。这一方法会训练一个生成模型和一个用来分辨真实数据和生成数据的判别模型。与普通神经网络的单个损失函数优化方式不同，这一结构旨在寻求损失之间的“纳什均衡”，一方面增强生成模型对特定分布的表达能力，同时让判别模型对生成数据和真实数据的判别更加准确。
[0055] 正常行为的无监督流形学习
[0056] 流形学习认为我们所能观察到的数据实际上是由一个低维流行映射到高维空间的。由于数据内部特征的限制，一些高维中的数据会产生维度上的冗余，实际上这些数据只要比较低的维度就能唯一的表示，输入数据在网络结构中的表达就是通过特征在不同空间的映射进行的。以图片为输入的异常检测为例：在构建模型之前已经得到M组正常图片Im，m＝1，2，...，M，其中 是一个维度为a×b的矩阵(二维的强度图)，对每一个矩阵提取K个子矩阵 (图像块)。在训练过程中输入Im训练GAN去学习流体(正常数据的分布)，也从一种无监督的方式表示着训练数据的变异性。在测试过程得到，其中yn是从测试数据J中提取出的维度为c×c的未知图片，ln∈{0，1}，n＝1，2，...，N是二元的标签向量，这些是否为异常的标签是测试过程为了评估异常检测表现使用的。
[0057] 对正常行为的GAN编码
[0058] 一个GAN包括两个互相对抗的模块：生成器G和判别器D。生成器G通过将从隐空间z随机采样得到的一维噪声样本z组成的均匀分布G(z)映射到二维的原样本空间，即由正常行为数据构成的流体 去学习训练样本x的分布pg，生成器G的网络结构等同于使用了卷积结构的解码器。判别器D是标准的CNN结构，将二维图片映射到单个的标量D(·)，这个标量输出代表了给定输入是采样自训练数据 的真实样本x而不是生成自生成器G的生成样本G(z)的概率。模型没有损失函数，优化过程是一个“二元极小极大博弈”问题，D和G会同时根据价值函数V(G，D)对自己进行优化。
[0059]
[0060] 其中判别器通过训练最大化将真实训练样本和采样自分布pg的生成样本分辨准确的概率，也即最大化log(D(x))，而生成器同时训练通过最小化V(G)＝log(1-D(G(z)))，即最大化判别器的损失V(G)＝D(G(z))来骗过判别器。训练过程中固定一方，更新另一个网络的参数，交替迭代，使得对方的错误最大化，最终生成模型G能估计出样本数据的分布。生成模型G隐式地定义了一个概率分布Pg，理想地Pg能收敛到数据真实分布Pdata。这个极小化极大博弈当且仅当Pg＝Pdata时存在最优解，即达到纳什均衡，此时生成模型G恢复了训练数据的分布，判别模型D的准确率等于50％。
[0061] 到隐空间的映射
[0062] 通过对抗训练，生成器已经学习到如何将隐空间的噪声样本z映射到真实样本x，但是GANs并不能直接得到从真实样本到隐空间的逆变换， 给定一个输入x，试图找到在隐空间内的一个点z使与之相对应的分布G(z)，在流体空间 和输入数据x最相近。x和G(z)之间的相似度取决于输入数据服从用来训练生成器的数据分布pg的程度。为了寻找最优z，初始化从隐空间的分布z中随机抽样z1，输入到训练好的生成器中得到生成数据G(z1)。基于每次生成的数据定义一个损失函数来表示从隐空间映射到真实数据的损失，得到在隐空间将z1更新到下一个点的参数提升梯度，以此类推得到z2....zγ，γ＝1，2，...，Γ，也就是说，隐空间中根据梯度对z的位置通过反向传播进行迭代提升得到最相近的数据G(zr)。在这一步骤中更新的不是生成器或判别器的权重，而是更新输入的噪声zγ，因为这两个模型已经使用正常行为数据训练好。因为隐空间中样本的过渡是连续的，也即两个连续点生成的目标数据也是相近的，所以通过更新噪声可以寻找能生成最优G(z)的位置。
[0063] 从原始数据到隐空间映射的损失函数由两部分组成，残差损失和判别损失。残差损失主要度量生成数据G(zγ)和输入数据x的相似度或差异：
[0064]
[0065] 在理想情况下，完美的生成器搭配隐空间映射关系，在理想的输入数据上残差损失为0。判别损失对判别器的输出进行损失计算，通过将生成数据G(zγ)输入到判别器得到判别损失 其中σ是sigmoid交叉熵，D(G(zγ))是logit变换函数，α为标签。以sigmoid激活函数为例，交叉熵的计算为L＝αln(P)+(1-α)ln(1-P)，其中P为sigmoid激活函数，也即logit变换函数。
[0066] 判别损失还可以通过特征映射来提升。这种处理和之前将自隐空间的采样zγ更新以欺骗过判别器D不同，可以通过另一种形式的判别损失，逐步将zγ更新来形成和从正常数据中学到的分布相一致的分布G(zγ)，也即特征映射。这种处理的目的是为了尽可能多地保留特征信息，在每次迭代后尽量不改变数据的分布。对生成器优化的目标函数也会有变化，不同于最大化判别器对生成样本的判别概率输出来优化生成器的参数，生成器会强制生成和训练数据统计分布一致的数据，也就是中间特征的表达和真实数据是相似的，这种限制对分类问题帮助尤为明显。因为在对抗训练时没有用到任何标签数据，所以这一过程并不是去学习能准确分辨类别的特征，而是去学习好的特征表达。因此可以不再使用判别器的标量输出(分类概率)去计算判别损失，而使用判别器中特征信息更丰富的中间特征表达(神经网络的卷积层输出)，定义新的判别损失去衡量x和生成数据G(zγ)的差异：
[0067]
[0068] 其中判别器的一层中间层f(·)用来表示输入数据的统计分布。对新的判别损失来说，隐空间样本z的位置调整不仅仅依赖于训练好的判别器的判定，即生成数据G(zγ)是否服从正常数据的分布，而且考虑到了更丰富的特征信息表达。在某种程度上，对判别器的使用不再仅仅是分类器，而起到特征提取的作用。
[0069] 整体的损失函数由残差损失和判别损失的加权值组成：
[0070]
[0071] 其中λ代表损失权重，只有代表着隐空间样本位置的参数z会随反向传播调整，训练好的生成器和判别器的参数是固定不变的。
[0072] 异常检测
[0073] 在异常检测阶段，对于新的输入数据会决策是正常还是异常。定义的损失函数主要衡量每一次更新迭代γ中生成的数据G(zγ)和在对抗训练时的输入数据的匹配度。同样地根据损失函数可以得到一个异常分值标量来表示输入数据和正常数据的偏离：
[0074] A(x)＝(1-λ)·R(x)+λ·D(x)
[0075] 残差分值R(x)和判别分值D(x)分别来自最后一次(Γth)隐空间映射的迭代更新后的残差损失 和判别损失 异常的输入数据经过训练后，两部分损失都相对较大，最终的异常分值也会大，而和训练生成对抗网络的数据非常相似的输入数据会得到较小的损失和异常分值。当训练数据为正常数据时，异常分值较大的数据则为异常数据。
[0076] 将半监督异常检测转化为无监督异常检测
[0077] 由于不存在标签数据，假设输入数据x同属于有限集 其中当k＝3时，有限集中共有三组样本数据{x1，x2，x3}，假设其中至多只有一组异常数据，则可以以递归形式进行异常检测：
[0078] 1.由m＝1→3，分别使用xm训练生成对抗网络，得到模型参数固定的生成器Gm和判别器Dm；
[0079] 2.对任意数据x1，对应的生成对抗网络模型通过训练可以充分表示该组数据和隐空间的映射关系；
[0080] 3.使用该组数据训练好的判别器做特征映射，提取最后一层卷积层的输出，作为从原始数据中提取出的特征，得到x1对应的特征映射模型fe1；
[0081] 4.对另外两组数据{x2，x3}，分别作为输入数据，通过训练好的特征映射模型得到各自的判别输出xd，此时完全正常(和输入数据一致)的数据应该能达到生成器输出分布和x一致，判别器输出和xd一致的效果；
[0082] 5.建立由隐空间随机样本z到生成输出和判别输出的模型，将x，xd作为对应标签训练得到残差损失和判别损失以及对应的异常分值A2，A3；
[0083] 6.根据设定好的权重计算{x2，x3}的异常分值，建立相对异常分值：
[0084]
[0085] 当使用x1训练时，得到x2，x3的相对异常分值 代表这两组数据相对于训练数据的偏离程度，若x2，x3中存在某一组异常数据，则异常数据的分值较大，另一组正常数据的分值较小，相对异常分值较大；
[0086] 7.同样地，使用每一组数据输入得到另外两组数据的相对异常分值，根据三个相对异常分值的大小来进行异常诊断。
[0087] 根据本申请的风电机组包括机座、立柱、位于立柱上的机舱和设置在机舱上的风机，风机上连接有叶片，叶片通常有三个；还包括声音收集设备，用于收集叶片旋转时产生的扫风声音。参考图1，根据本申请的基于卷积生成对抗网络的风电机组叶片故障音频监测方法包括以下步骤：
[0088] (1)将叶片转动的音频信号进行分割，得到风机各支叶片扫风声音的起止时间点。
[0089] 声音收集设备记录叶片扫风产生的音频信号，随着每个叶片的转动，扫风的声音呈波形特征，具有波峰和波谷，代表着每个叶片转过来时声音能量的变化趋势。通过分析音频信号，可以选择表征整段声音中能量变化趋势的特征，当该特征处于最低点时可以作为每个叶片转动声音信号的分割点。
[0090] (2)对音频信号做短时傅里叶变换。
[0091] 窗的长度决定频谱图的时间分辨率和频率分辨率，通过实验得到能够明显观察异常声音分布的合理窗长范围，选取长度为M的窗宽(M的取值通常在128-1024之间，取决于期望的频率分辨率、信号长度和长度为N(N＜M，通常采用N＝M/2)的步长，得到的频率段数量为M/2，即整段声音转换后的时频谱矩阵的维度为 (n为时域长度，取决于输入数据)。
[0092] (3)根据读入音频时得到的采样频率和时长，计算和功率谱矩阵宽度n的对应关系，将时间分割点转化为矩阵列的分割索引，得到各支叶片每段扫风信号的功率谱，拼接成为本段时间内各支叶片的总功率谱[a，b，c]。此时，总功率谱的频率维度相同，时间维度不同。
[0093] (4)将每组叶片的时频域矩阵进行时间维度上的统一，提取时域上每支叶片功率矩阵的主成分。
[0094] 由于不同的输入信号长度不一，分割后三个叶片各自的扫风片段数量也不一定相同，因此要将每组叶片的时频域矩阵进行时间维度上的统一，而频域维度已经是一致的。由于每支叶片各次扫风声音比较近似，并在主要扫风声音之外存在噪声较强的部分，因此提取时域上每支叶片功率矩阵的主成分。
[0095] (5)对各组叶片功率谱矩阵使用主成分分析将表示时间-频率-能量信息的单组叶片信号矩阵转换为使用主成分展示数据的特征，并且考虑短时傅里叶变换的生成对抗网络的输入结构和运行效率，将原始每段扫风信号降维至行列数相同 形成新的 阶方阵；
[0096] (6)进入在线监测阶段，将三组代表叶片扫风的时频域和能量信息的方阵(下称特征方阵)标记为M1，M2，M3；
[0097] (7)构建生成对抗网络，使用DCGAN(深度卷积生成对抗网络)结构对叶片a，b，c的特征方阵轮流使用anoGAN进行训练，对每一组叶片的特征方阵，通过多次迭代对抗训练固定生成模型和判别模型的参数结构，将判别器的最后一层卷积层提取出作为特征提取器IM。其中，实际设置训练过程迭代次数可以为100-500。
[0098] (8)重新构造模型M，以隐空间的噪声分布为模型输入，以生成器的输出和特征提取器的输出结合为模型输出作为异常检测器，结构为Input＝z(noise)，Output＝[Goutput，IMoutput]。
[0099] (9)使用一组叶片数据训练好生成对抗模型之后，将另外两组叶片的特征方阵分别输入到异常检测器中，将输入的待测数据作为M输出的第一部分，重新进行迭代训练，计算输入数据对原训练数据的拟合程度，取最后一次的模型损失作为拟合误差L。
[0100] (10)遍历进行误差计算：以叶片a数据训练，叶片b和叶片c分别输入得到拟合误差La，b，La，c；以叶片b数据训练，叶片a和叶片c分别输入得到拟合误差Lb，a，Lb，c；叶片c数据训练，叶片a和叶片b分别输入得到拟合误差Lc，a，Lc，b。如图1所示，虚线起点的三组特征方阵同时为训练异常检测器的输入，同时作为其他叶片模型的输入。
[0101] (11)若有一组叶片出现异常(以叶片a异常为例)，则在使用叶片b和叶片c训练，并将叶片a作为输入进行检测时，叶片a的异常值(拟合误差)则会明显大于另外一组没有异常的叶片，因此为了量化表示进行相对异常分值计算，得到表示两组叶片相对于另一组叶片的差异大小。
[0102] (12)将得到的三组相对异常分值中的最大值映射到[0，100]值域范围内作为最终的异常风险值。
[0103] 根据本申请的基于卷积生成对抗网络的风电机组叶片故障音频监测方法，其是基于叶片扫风声音分割的后续检测，不需加装其他的信号采集装置例如激光、摄像机等，不需要使风机停机进行监测，不需要人工标注数据；充分考虑了音频信号的频域、时域及幅值特征，实现无监督的实时异常监测，全自动的检测，无需人工参与；基于叶片之间的差异大小来诊断，通过叶片之间的拟合误差得到叶片间的差异值，正常叶片之间的拟合误差小，正常和异常叶片之间的拟合误差大；建立相对异常分值来表示待测两支叶片的异常指标；能够对传统的信号处理、振动分析难以识别的微弱故障进行异常检测，无需专家知识和先验知识；无需明确故障类型，可以对大多数常见的外观气动性能出现故障的叶片进行诊断。
[0104] 实施算例
[0105] 采集自某风场的叶片扫风声音22组，其中存在故障的11组，具体故障类型不一。典型的信号及其时频域功率谱图的部分样例如下。
[0106] 典型故障模式1——扫风声音中有单支叶片出现类似高频哨声的故障特征伴随，确定为该支叶片出现故障，故障表征十分微弱。
[0107] 图2所示为模式1中完整扫风显示在频率4096Hz之上有哨声伴随；图3所示为模式1中分割出的叶片1显示无故障，其中未观察到哨声形态；图4所示为模式1中分割出的叶片2显示有故障，其中在高频段出现哨声伴随；图5所示为模式1中分割出的叶片3显示无故障，其中未观察到哨声形态。
[0108] 此实验在证明分割准确的基础上，观察到一类不明原因的故障模式以单支叶片出现高频低能量哨声伴随的特征表现，使用传统的时频域信号分析技术难以捕捉到这种故障，使用上述方法提到的基于深度卷积生成对抗网络异常检测模型(anoGAN)的叶片异常检测方法进行19次测试得到结果如下：
[0109] 使用【无故障叶片1】训练模型，【故障叶片2】和【无故障叶片3】的相对异常分值分别为：
[0110] [0.30006403326824954,0.3135906943696607,0.31786652817275246,0.32219042514656976,0.32564399524316984,0.333992480541115,
0.33549351567806796,0.34048784601899024,0.34368124116210425,
0.34556006894799907,0.35121853042685286,0.36283907834167833,
0.3633355842285909,0.3661980735345505,0.3758643455500911,0.37833823728925753,
0.3786332505505233,0.38752331304714704,0.4024106816863637]；
0.33549351567806796,0.34048784601899024,0.34368124116210425,
0.34556006894799907,0.35121853042685286,0.36283907834167833,
0.3633355842285909,0.3661980735345505,0.3758643455500911,0.37833823728925753,
0.3786332505505233,0.38752331304714704,0.4024106816863637]；
[0111] 使用【故障叶片2】训练模型，【无故障叶片1】和【无故障叶片3】的相对异常分值分别为：
[0112] [0.03666751988069426,0.04021439082850867,0.04815121464891185,0.033704536991766045,0.044724577426534226,0.04340430800432746,
0.04179608689338652,0.043259298676139646,0.04080363486538868,
0.03739510732141588,0.03761166997812392,0.04451871169607397,
0.0472102077733969,0.034087485795451,0.040372378962769136,
0.040489094303295906,0.04129196223229141,0.04796606108859879]；
0.04179608689338652,0.043259298676139646,0.04080363486538868,
0.03739510732141588,0.03761166997812392,0.04451871169607397,
0.0472102077733969,0.034087485795451,0.040372378962769136,
0.040489094303295906,0.04129196223229141,0.04796606108859879]；
[0113] 使用【无故障叶片3】训练模型，【无故障叶片1】和【故障叶片2】的相对异常分值分别为：
[0114] [0.2171931210538521,0.2547810230119036,0.2848908451435764,0.26526940833762547,0.2856949102946677,0.30759248799882155,
0.2911501500443904,0.30924862137293063,0.30202136804071045,
0.24530856503563625,0.3747275518287287,0.3110276689944409,
0.28638430683268473,0.28554103791495494,0.26409322600380786,
0.3017711428488341,0.31157105752775405,0.3084963026079462]
0.2911501500443904,0.30924862137293063,0.30202136804071045,
0.24530856503563625,0.3747275518287287,0.3110276689944409,
0.28638430683268473,0.28554103791495494,0.26409322600380786,
0.3017711428488341,0.31157105752775405,0.3084963026079462]
[0115] 可以看出，若故障叶片出现在测试数据中，则其异常分值明显大于另外一支无故障叶片超过30％，若测试叶片都为无故障叶片，其相对异常分值小于5％。类似地，对剩余10组各自出现伴随某支叶片的轻微故障的样本进行多次实验，带有故障叶片的相对异常分值多处于15％-40％之间，而两支无故障叶片的相对异常分值都在5％以下。
[0117] 图6所示为模式2中完整扫风显示单支叶片的能量与其它两支有显著差异。
[0118] 使用【无故障叶片1】训练模型，【无故障叶片2】和【故障叶片3】的相对异常分值分别为：
[0119] [0.2643214881138685,0.25434605766365576,0.19175394568013682,0.1941144908126007,0.21416577900526637,0.29576353779705106,
0.17541294768583307,0.2857264742959556,0.2551333527041035,
0.18495716031207468,0.26722694185758755,0.1916968257905939,
0.2771246000509297,0.17749755172147988,0.24723866327656907,
0.2138355228037121,0.1995809937706425,0.22733406294041508]；
0.17541294768583307,0.2857264742959556,0.2551333527041035,
0.18495716031207468,0.26722694185758755,0.1916968257905939,
0.2771246000509297,0.17749755172147988,0.24723866327656907,
0.2138355228037121,0.1995809937706425,0.22733406294041508]；
[0120] 使用【无故障叶片1】训练模型，【无故障叶片2】和【故障叶片3】的相对异常分值分别为：
[0121] [0.11381207466082735,0.12244367183007258,0.1936356372403418,0.18165615348216388,0.19075304791793765,0.14789119529957845,
0.16766844535542413,0.17983567105124929,0.19018668562173857,
0.17737207993045298,0.15390898140264098,0.15557894842446618,
0.10818440343641324,0.13281993282004048,0.16020192931022284,
0.19701702531343576,0.19510802645185704,0.18110813122660507]；
0.16766844535542413,0.17983567105124929,0.19018668562173857,
0.17737207993045298,0.15390898140264098,0.15557894842446618,
0.10818440343641324,0.13281993282004048,0.16020192931022284,
0.19701702531343576,0.19510802645185704,0.18110813122660507]；
[0122] 使用【故障叶片3】训练模型，【无故障叶片1】和【无故障叶片1】的相对异常分值分别为：
[0123] [0.01303153312454802,0.02550213751096476,0.04582234394812545,0.03605304541591951,0.03365925226811296,0.01946339784958535,
0.01158230453093735,0.02211947247124243,0.01144804406446984,
0.02066313029011534,0.02299363713143194,0.02634601177549228,
0.01086644500138187,0.01586928004666257,0.04833154229412311,
0.0079349565295521,0.0193016288560986,0.01469769596747397]。
0.01158230453093735,0.02211947247124243,0.01144804406446984,
0.02066313029011534,0.02299363713143194,0.02634601177549228,
0.01086644500138187,0.01586928004666257,0.04833154229412311,
0.0079349565295521,0.0193016288560986,0.01469769596747397]。
[0124] 可以看出，对于此种特征为声音能量区别的异常模式，本方法依然可以有效地通过相对异常分值诊断是否有叶片出现异常。
[0125] 典型故障模式3——无故障扫风声音。
[0126] 图7所示为模式3中完整扫风显示没有伴随叶片的任何异常。图8所示为模式3中叶片1没有伴随叶片的任何异常。图9所示为模式3中叶片2没有伴随叶片的任何异常。图10所示为模式3中叶片3没有伴随叶片的任何异常。
[0127] 使用【无故障叶片1】训练模型，【无故障叶片2】和【无故障叶片3】的相对异常分值分别为：
[0128] [0.031231898848487514,0.03176514239016959,0.03338121197353578,0.03354453471126238,0.03375653140226851,0.033774400293838006,
0.033971181964419894,0.03460118699383662,0.03473389553633074,
0.03499823572206108,0.03555610834158918,0.03570138669907169,
0.035905374077732574,0.03593912570306457,0.03643971660924821,
0.03702828405686487,0.03718828565953739,0.037540912231631626]；
0.033971181964419894,0.03460118699383662,0.03473389553633074,
0.03499823572206108,0.03555610834158918,0.03570138669907169,
0.035905374077732574,0.03593912570306457,0.03643971660924821,
0.03702828405686487,0.03718828565953739,0.037540912231631626]；
[0129] 使用【无故障叶片2】训练模型，【无故障叶片1】和【无故障叶片3】的相对异常分值分别为：
[0130] [0.00989041563282651,0.009876817464110716,0.010153965189406552,0.010120103696780498,0.009368211487119475,0.009497615732370703,
0.010190210695270254,0.010484019610907272,0.009388298538989722,
0.008272910612883539,0.010829056636120785,0.010310911840172734,
0.010009342844448392,0.00933976680359754,0.011164575791941024,
0.00966043406264873,0.009980604766997548,0.011849989037034556]；
0.010190210695270254,0.010484019610907272,0.009388298538989722,
0.008272910612883539,0.010829056636120785,0.010310911840172734,
0.010009342844448392,0.00933976680359754,0.011164575791941024,
0.00966043406264873,0.009980604766997548,0.011849989037034556]；
[0131] 使用【无故障叶片2】训练模型，【无故障叶片1】和【无故障叶片3】的相对异常分值分别为：
[0132] [0.023090083406850478,0.023280385834052817,0.02399305387696031,0.023910252620847883,0.022405459413050482,0.023979551733012496,
0.024703723469317894,0.022827966353246416,0.02538051867791085,
0.02683136586641309,0.02666688299697833,0.02278846724234273,
0.026514541149034718,0.024137129037619033,0.024047339635227767,
0.02521898253898177,0.024900972283053747,0.024373952764634332]。
0.024703723469317894,0.022827966353246416,0.02538051867791085,
0.02683136586641309,0.02666688299697833,0.02278846724234273,
0.026514541149034718,0.024137129037619033,0.024047339635227767,
0.02521898253898177,0.024900972283053747,0.024373952764634332]。
[0133] 可以看出，当风机叶片未出现缺陷时，对三支叶片的扫风信号进行诊断，相对异常分值都在0-3％之间，对另外10组无故障叶片进行实验，分别的相对异常分值都在5％以内。综上所述，通过叶片之间相对异常分值的大小，可以准确地对不同故障模式、不同表现特征、不同强度的外观缺陷进行检测。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种影片多版本整合存储和提取系统 | 2020-05-08 | 323 |
| 一种单声道说话人分离模型、训练方法和分离方法 | 2020-05-11 | 119 |
| 一种移动互联网智能可穿戴设备 | 2020-05-13 | 450 |
| 一种智能广告插播方法、装置及服务器 | 2020-05-11 | 666 |
| 基于音频的圈养大熊猫自然交配结果的预测方法及系统 | 2020-05-13 | 955 |
| 一种基于DFT的双通道语声分离方法 | 2020-05-14 | 72 |
| 客服服务质量评价方法、装置及电子设备 | 2020-05-08 | 241 |
| 从音频文件中提取有声片段的方法、装置设备及存储介质 | 2020-05-14 | 714 |
| 基于语义分割和多层注意力框架的视频字幕生成方法 | 2020-05-13 | 482 |
| 处理庭审记录的方法和系统 | 2020-05-14 | 884 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈