一种风电机组声纹特征降维与演化分析方法及相关装置与流程

本发明属于机械故障诊断与智能运维，涉及一种风电机组声纹特征降维与演化分析方法及相关装置。

背景技术：

1、风电机组作为清洁能源发电的核心装备，其运行可靠性直接影响风电场的经济效益与电网稳定性。风电机组大部件（包括齿轮箱、发电机、主轴轴承等）在长期运行过程中，受交变载荷、环境腐蚀、润滑劣化等多因素耦合作用，逐渐产生疲劳裂纹、磨损、点蚀等渐进性退化。传统的振动监测方法虽能捕捉机械故障特征，但存在传感器安装受限、高频信号衰减快、对早期微弱故障不敏感等固有缺陷。

2、声纹监测技术作为一种非接触式、宽频带的状态感知手段，能够捕获风电机组运行过程中由机械振动、空气动力噪声、电磁噪声等耦合产生的声学特征。与振动信号相比，声纹信号具有采集便捷、覆盖范围广、对早期故障敏感等优势，尤其适用于风电机组复杂工况下的状态监测。

3、然而，现有声纹分析技术在实际应用中存在以下突出问题：

4、1. 特征提取维度灾难问题。风电机组声纹信号频率范围宽（通常覆盖20hz~20khz），传统mel频率倒谱系数（mel-frequency cepstral coefficients，mfcc）提取的静态特征向量维度较高（通常13~40维），且缺乏对时频动态演化信息的刻画能力，难以全面表征声纹信号的时空演化规律，导致后续分类或预测模型输入冗余、计算效率低下。

5、2. 时频特征时空耦合表征不足。声纹信号本质上是一种时变非平稳信号，其频谱特征随时间动态演化。现有方法多采用一维卷积神经网络（1d-cnn）或二维卷积神经网络（2d-cnn）分别处理时域或频域特征，未能有效融合声纹信号在时域、频域及通道维度上的三维耦合关系，导致特征表征能力不足，对风电机组渐进性退化过程的演化趋势刻画不够精准。

6、3. 退化演化趋势量化困难。风电机组大部件从正常状态到故障失效是一个渐进性演化过程，声纹特征随退化程度呈现非线性、非单调的变化规律。现有方法多侧重于故障分类识别，缺乏对声纹特征演化轨迹的连续建模与量化分析能力，无法准确预测退化阶段转换临界点，难以满足早发现、早预警的工程需求。

7、4. 跨工况泛化性能差。风电机组运行工况复杂多变（风速3~25m/s、负载30%~100%额定功率），不同工况下声纹信号的基频特征、谐波分布差异显著。现有声纹分析方法未充分考虑工况自适应补偿机制，导致模型在跨工况迁移时性能急剧下降，泛化能力不足。

8、因此，亟需一种能够高效降维、精准表征声纹时频演化特征、量化退化趋势并具备工况自适应能力的声纹分析方法，以突破现有技术瓶颈，为风电机组大部件的智能运维提供可靠技术支撑。

技术实现思路

1、本发明的目的在于克服上述现有技术的缺点，提供了一种风电机组声纹特征降维与演化分析方法及相关装置，该方法及相关装置能够解决现有技术中声纹特征维度高、时频耦合表征不足、退化演化趋势量化困难及跨工况泛化性能差的技术问题。

2、为达到上述目的，本发明公开了一种风电机组声纹特征降维与演化分析方法，包括：

3、采集风电机组的多通道声纹信号，记录风电机组的转速及负载工况参数；

4、对所述风电机组的多通道声纹信号进行改进mfcc时频联合特征，得到三维特征张量；

5、将所述三维特征张量输入到3d-cnn网络中，得到128维深度特征向量；

6、通过风电机组的转速及负载工况参数对所述128维深度特征向量进行补偿；

7、将补偿后的128维深度特征向量输入到attention-lstm网络中，得到声纹特征演化轨迹；

8、基于所述声纹特征演化轨迹进行退化阶段量化以及临界点预测。

9、进一步的，通过部署于齿轮箱轴承座、发电机端盖、主轴轴承座附近的骨传导传感器与超声传感器阵列采集风电机组的多通道声纹信号。

10、进一步的，计算各帧声纹信号的mel频率倒谱系数mfcc，并提取一阶差分δmfcc与二阶差分δ²mfcc；

11、将mfcc、δmfcc及δ²mfcc按通道维度堆叠，生成三维特征张量，其中，t为时间帧数，f为mel频率维度，c为通道数，c=3。

12、进一步的，3d-cnn网络结构包括：conv3d(32,k=(3,3,3))→batchnorm→relu→maxpool3d(2,2,1)→conv3d(64,k=(3,3,3))→batchnorm→relu→maxpool3d(2,2,1)→conv3d(128,k=(3,3,3))→batchnorm→relu→globalaveragepool3d→flatten→dense(256,relu)→dropout(0.3)→dense(128,relu)

13、进一步的，lstm网络采用2层堆叠结构，每层含128个隐藏单元，输入序列长度对应30天连续监测数据；注意力机制采用多头自注意力。

14、进一步的，基于声纹特征演化轨迹，定义健康指标h(t)∈[0,1]，通过sigmoid函数将模型输出映射至健康指标区间，其中，h(t)>0.85为正常期，0.6

15、计算健康指标变化速率v(t)=dh(t)/dt，当v(t)超过预设阈值且持续3个时间步以上时，判定为阶段转换临界点，输出预警信息。

16、进一步的，还包括：输出并显示风电机组大部件的健康指标退化曲线、退化阶段划分结果及阶段转换临界点预测信息。

17、本发明公开了一种风电机组声纹特征降维与演化分析系统，包括：

18、采集模块，用于采集风电机组的多通道声纹信号，记录风电机组的转速及负载工况参数；

19、提取模块，用于对所述风电机组的多通道声纹信号进行改进mfcc时频联合特征，得到三维特征张量；

20、输入模块，用于将所述三维特征张量输入到3d-cnn网络中，得到128维深度特征向量；

21、补偿模块，用于通过风电机组的转速及负载工况参数对所述128维深度特征向量进行补偿；

22、推演模块，用于将补偿后的128维深度特征向量输入到attention-lstm网络中，得到声纹特征演化轨迹；

23、预测模块，用于基于所述声纹特征演化轨迹进行退化阶段量化以及临界点预测。

24、本发明公开了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述风电机组声纹特征降维与演化分析方法的步骤。

25、本发明公开了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述风电机组声纹特征降维与演化分析方法的步骤。

26、本发明具有以下有益效果：

27、本发明所述风电机组声纹特征降维与演化分析方法及相关装置在具体操作时，通过构建改进mfcc声纹特征提取体系，融合改进mfcc与动态差分系数，生成时频联合特征张量；采用3d-cnn网络对声纹特征的三维时空耦合关系进行深度表征与降维，提取高判别性低维特征向量；结合基于注意力机制的长短期记忆网络对声纹特征演化轨迹进行连续建模，量化退化阶段转换临界点；并引入工况自适应补偿，实现跨工况条件下的模型泛化优化，最终输出风电机组大部件的健康状态评估结果及退化趋势预测曲线，为风电机组全生命周期健康管理提供精准技术支撑。