一种风电机组声纹监测与异音演化预警方法及系统与流程

本技术涉及风电机组监测，尤其涉及一种风电机组声纹监测与异音演化预警方法及系统。

背景技术：

1、风力发电作为一种清洁可再生能源利用形式，在全球能源结构转型中占据重要地位。风电机组通常部署于偏远、高海拔或近海等复杂环境，长期承受交变载荷、阵风冲击及恶劣气象条件作用，其关键机械部件及气动部件在持续运行过程中易发生渐进式损伤与性能退化。为保障风电场运行安全性与经济性，需对机组运行状态实施在线监测，以及时发现异常征兆并指导运维决策，从而降低非计划停机时间与维修成本。

2、现有风电机组状态监测手段主要包括基于接触式振动传感器的振动分析法、基于运行工况参数统计的数据分析法以及基于声学信号的声压级监测法。振动分析法需在被测部件表面安装高精度加速度传感器，通过分析振动频谱特征判别局部机械损伤，但受限于传感器布设位置与数量，难以全面覆盖叶片气动表面、塔筒大范围结构件等关键区域。运行工况数据分析法则依赖机组监控系统采集的温度、功率、转速等宏观参数进行趋势判断，该类参数对早期微弱故障响应不敏感，通常在损伤已发展到一定程度后才表现出可辨识的异常特征。声压级监测法仅对整体噪声能量水平进行阈值比较，无法有效区分机组自身运行噪声与环境背景噪声的差异，亦无法定位异常声源的具体来源。

3、上述各类监测手段在实际应用中普遍存在监测覆盖范围受限、早期故障响应滞后、环境干扰抑制能力不足等共性问题，导致风电机组运维过程中对潜在故障的预警时机偏晚、预警准确性偏低，难以满足当前风电场对设备健康状态精细化感知与预测性维护的实际需求。

技术实现思路

1、本技术提供了一种风电机组声纹监测与异音演化预警方法及系统，致力于对风电机组叶片、齿轮箱等部件故障的早期、智能化和预测性预警。

2、第一方面，为了解决上述技术问题，本发明提供了一种风电机组声纹监测与异音演化预警方法，该方法包括：通过部署于风电机组内部的声学传感器阵列感知并采集表征机组运行状态的原始声学信号，并在与声学传感器阵列就地通信连接的边缘计算节点处对原始声学信号执行降噪预处理及压缩编码，以生成待传输数据；将待传输数据上传至云端分析平台，由云端分析平台调用预置的特征提取网络对待传输数据对应的声学片段进行自适应映射，生成表征机组当前声学行为模式的高维声纹特征向量；由云端分析平台对在连续多个监测周期内积累的高维声纹特征向量构成的时序序列进行分析，构建表征声纹状态漂移轨迹的演化态势图谱，并利用预设时序推演模型对高维声纹特征向量中的关键分量序列进行外推计算，以预测特征变化趋势；由云端分析平台根据高维声纹特征向量偏离预设健康基准模型的程度计算健康指数，并结合特征变化趋势对应的趋势斜率参数，生成分级预警指令，并将分级预警指令及对应的机组健康状态演化信息推送至用户终端。

3、一种可能的实现方式中，原始声学信号通过由多个抗风噪拾音器件以预设拓扑结构排列组成的声学传感器阵列进行采集，声学传感器阵列部署于机舱内部主传动链区域及塔筒底部区域；对原始声学信号执行降噪预处理，包括：利用声学传感器阵列中不同拾音器件采集信号的空间相干性差异，执行预设自适应噪声抵消算法以抑制原始声学信号中的环境背景噪声分量，得到增强声学信号；对原始声学信号执行压缩编码，包括：按照预设时间长度和预设重叠比例将增强声学信号分割为多个连续的音频数据帧，并采用预设无损音频压缩编码协议对音频数据帧进行压缩处理。

4、一种可能的实现方式中，方法还包括：运行预设初步异常判别逻辑，根据增强声学信号的时频域统计特征决定是否触发针对待传输数据的即时上传策略；其中，边缘计算节点通过预设无线通信网络及支持服务质量等级的发布订阅式消息传输协议与云端分析平台建立通信连接。

5、一种可能的实现方式中，特征提取网络为预先完成训练的深度神经网络结构，深度神经网络结构采用包含一维卷积层、池化层及全局均值池化层的层级化卷积架构，用以自适应地从原始声学信号的时域波形采样点中提取具备时移不变性的局部声纹表征；或者，深度神经网络结构采用包含多头自注意力机制与位置编码的序列编码架构，用以捕捉声学信号中全局上下文关联信息并生成高维声纹特征向量。

6、一种可能的实现方式中，由云端分析平台对在连续多个监测周期内积累的高维声纹特征向量构成的时序序列进行分析，构建表征声纹状态漂移轨迹的演化态势图谱，并利用预设时序推演模型对高维声纹特征向量中的关键分量序列进行外推计算，以预测特征变化趋势，包括：调用预设降维映射算法将高维声纹特征向量投影至低维可视空间，得到演化态势图谱；预设降维映射算法为基于特征值分解的线性降维算法或基于概率分布的流形学习降维算法中的任意一种；利用具备长期依赖捕获能力的递归神经网络结构或基于历史观测数据统计规律的差分自回归模型中的任意一种，对高维声纹特征向量中的关键分量序列在指定未来时间窗口内的预测数值序列进行外推计算，以预测特征变化趋势。

7、一种可能的实现方式中，预设健康基准模型由机组在预设磨合稳定运行期内积累的历史正常特征向量集统计构建，预设健康基准模型包含历史正常特征向量集的分布均值向量与分布协方差矩阵；由云端分析平台根据高维声纹特征向量偏离预设健康基准模型的程度计算健康指数，包括：计算当前高维声纹特征向量相对于预设健康基准模型的第一偏离距离度量值，并根据第一偏离距离度量值经由预设单调递减映射函数计算得到健康指数。

8、一种可能的实现方式中，第一偏离距离度量值为马氏距离；预设单调递减映射函数为以自然常数作为底数且以第一偏离距离度量值平方的负比例值为指数的指数衰减函数。

9、一种可能的实现方式中，趋势斜率参数通过对最近预设天数内生成的健康指数构成的时间序列进行线性拟合求解得到，预设天数为连续一周天数，线性拟合为基于最小二乘准则的一元线性回归计算。

10、一种可能的实现方式中，结合特征变化趋势对应的趋势斜率参数，生成分级预警指令，包括：依据健康指数与第一指数区间、第二指数区间、第三指数区间的归属关系，以及趋势斜率参数与第一斜率阈值、第二斜率阈值的比较关系，确定对应的预警等级；其中，预警等级包括指示声学特征出现异常演化趋势的第一预警等级、指示故障发展速率加剧的第二预警等级以及指示健康状态严重劣化的第三预警等级；用户终端通过预设全双工通信协议接收并可视化呈现包含机组标识、预警等级、健康指数历史变化曲线以及演化态势图谱在内的告警信息。

11、第二方面，本技术提供了一种风电机组声纹监测与异音演化预警系统，该系统包括：采集单元，用于通过部署于风电机组内部的声学传感器阵列感知并采集表征机组运行状态的原始声学信号，并在与声学传感器阵列就地通信连接的边缘计算节点处对原始声学信号执行降噪预处理及压缩编码，以生成待传输数据；提取单元，用于将待传输数据上传至云端分析平台，由云端分析平台调用预置的特征提取网络对待传输数据对应的声学片段进行自适应映射，生成表征机组当前声学行为模式的高维声纹特征向量；构建单元，用于由云端分析平台对在连续多个监测周期内积累的高维声纹特征向量构成的时序序列进行分析，构建表征声纹状态漂移轨迹的演化态势图谱，并利用预设时序推演模型对高维声纹特征向量中的关键分量序列进行外推计算，以预测特征变化趋势；预警单元，用于由云端分析平台根据高维声纹特征向量偏离预设健康基准模型的程度计算健康指数，并结合特征变化趋势对应的趋势斜率参数，生成分级预警指令，并将分级预警指令及对应的机组健康状态演化信息推送至用户终端。

12、本技术至少具有以下有益效果：本方案所提供的风电机组声纹监测与异音演化预警方法，通过将声学传感器阵列广域感知、边缘节点就地降噪压缩与云端深度特征分析及演化趋势追踪相结合，有效扩展了机组状态监测的空间覆盖范围，使得振动传感器难以触及的叶片气动表面及大范围结构件区域的异常声学征兆能够被及时捕获；云端调用预置特征提取网络对声学片段进行自适应映射，抑制了变工况背景噪声及环境干扰对故障特征表达的影响，提升了对早期微弱损伤的辨识灵敏度与预警可靠性；同时，基于长时序高维声纹特征向量构建演化态势图谱并外推预测特征变化趋势，实现了从静态阈值判别向动态演化跟踪的监测范式转变，为运维决策提供了更为充分的提前响应时间窗口与更为直观的设备状态退化轨迹参照，从而整体上降低了风电机组非计划停机风险并提高了运维资源配置的精准性。