(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111673492.7 (22)申请日 2021.12.31 (71)申请人 西安翔迅科技有限责任公司 地址 710077 陕西省西安市锦业 二路15号 中航工业西安计算技术研究所1号厂 房112室 (72)发明人 吴娇　雷红涛　李刚　张苑　任毅　 (74)专利代理 机构 西安智邦专利商标代理有限 公司 6121 1 代理人 董娜 (51)Int.Cl. F03D 17/00(2016.01) G06K 9/62(2022.01) (54)发明名称 一种基于分类的风电机组叶片音频故障检 测方法 (57)摘要 本发明提供一种基于分类的风电机组叶片 音频故障检测方法， 解决现有风电叶片监测技术 存在检测成本高、 不易安装、 结构复杂、 部署耗时 长、 易受环境影响的问题。 方法包括步骤1)获取 开源音频数据集和叶片音 频数据集， 叶片音 频数 据集包括训练集和测试集； 2)提取训练集中每个 音频数据的梅尔频谱、 梅尔频率倒谱系数和色度 特征； 3)构建音频故障检测分类网络模型， 将开 源音频数据集送入网络模型中进行预训练， 再将 训练集中音频数据的梅尔频谱、 梅尔频率倒谱系 数和色度特征， 送入模型中进行分类检测训练， 使用测试集对音频故障检测分类网络模型中进 行测试； 4)将待测叶片音频输入音频 故障检测分 类网络模型中， 获得待测叶片音频的分类检测结 果。 权利要求书3页 说明书11页 附图3页 CN 114352486 A 2022.04.15 CN 114352486 A 1.一种基于分类的风电机组叶片音频故障检测方法， 其特 征在于， 包括以下步骤： 1)数据获取 1.1)获取开源音频 数据集； 1.2)将叶片的音频数据进行分类整理， 获得叶片音频数据集， 叶片音频数据集包括训 练集和测试集； 2)训练集音频 数据的特 征提取 提取步骤1.2)训练集中每 个音频数据的梅尔频谱、 梅尔频率倒谱系数和色度特 征； 3)建立音频故障检测分类网络模型 3.1)构建音频故障检测分类网络模型， 将步骤1.1)的开源音频数据 集送入音频故障检 测分类网络模型中进行 预训练， 得到基础预训练模型； 3.2)将步骤2)训练集中每个音频数据的梅尔频谱、 梅尔频率倒谱系数和色度特征， 送 入步骤3.1)基础预训练模型中进 行分类检测训练， 得到训练完成的音频故障检测分类网络 模型； 3.3)提取1.2)测试集中每个音频数据的梅尔频谱、 梅尔频率倒谱系数和色度特征， 并 送入步骤3.2)训练完成的音频故障检测分类网络模型中进行测试， 并统计测试 结果； 若测试结果的正确率高于所 给定阈值， 则音频故障检测分类网络模型完成建立； 若测试结果的正确率低于所给定阈值， 则调整分类网络模型的条件参数， 直至统计测 试结果满足要求， 音频故障检测分类网络模型完成建立； 4)待测叶片音频的检测 将待测叶片音频输入步骤3.3)完成建立的音频故障检测分类网络模型中， 获得待测叶 片音频的分类 检测结果。 2.根据权利要求1所述基于分类的风电机组叶片音频故障检测方法， 其特征在于： 步骤 1.2)中， 叶片音频 数据集还 包括验证集； 步骤3)和步骤4)之间还包括步骤A)验证 网络模型： 提取步骤1.2)验证集中每个音频数 据的梅尔频谱、 梅尔频率倒谱系数和色度特征， 并送入步骤3.3)完成建立的音频故障检测 分类网络模型中进行验证， 获得验证集音频 数据的故障检测结果； 同时， 根据验证集中每个音频数据的梅尔频谱绘制相应梅尔频谱图， 根据梅尔频谱图 得出每个音频数据的实际分类结果， 获得梅尔频谱图下的音频 数据分类结果； 比较验证集音频数据的故障检测结果与梅尔频谱图得到的音频数据分类结果， 验证音 频故障检测分类网络模型的有效性。 3.根据权利要求2所述基于分类的风电机组叶片音频故障检测方法， 其特征在于， 步骤 2)和步骤3.3)中， 提取音频 数据的梅尔频谱特 征具体为： 将音频数据通过梅尔标度滤波器组变换为梅尔频谱Mel(f)， 获得音频数据的梅尔频谱 特征； 其中， f表示音频 数据的频率。 4.根据权利要求3所述基于分类的风电机组叶片音频故障检测方法， 其特征在于， 步骤 2)和步骤3.3)中， 提取音频 数据的梅尔频率倒谱系数 特征具体为：权　利　要　求　书 1/3 页 2 CN 114352486 A 2a)将音频 数据通过一个高通滤波器进行 预加重处 理， 其中， 高通滤波器 计算公式如下： H(z)＝1‑μz‑1 式中： μ为调整参数， μ 的取值范围为0.9 ‑1.0； z为音频 数据在z域的频率； b)通过设定的采样点与设定的采样频率将预加重处理后的音频数据进行分区域处理， 将每一区域记为 一帧； c)对每一帧的音频信号乘以汉明窗， 再经过快速傅里叶变换FFT得到在频谱上的能量 分布， 音频 数据的能量谱表示如下： 式中： x(n)为输入的音频信号， N表示 傅里叶变换的点数， j表示复数 单位， 0≤k≤N； d)音频数据的能量谱通过三角形 滤波器组进行处 理获得对数能量s(m)： 其中， 0≤m≤M， M为三角滤波器组的滤波器数量； Hm(k)为三角形滤波器组的三角滤波器频率， 计算公式如下： e)对音频 数据的数能量进行离 散余弦变换， 得到梅尔频率倒谱系数C(n)： 式中： L为梅尔频率倒谱系数阶数， 取12 ‑16， M为三角滤波器组的三角滤波器数量， n＝ 1,2,...,L。 5.根据权利要求1至4任一所述基于分类的风电机组叶片音频故障检测方法， 其特征在 于， 步骤3.1)具体为： 3.1.1)开源音频数据集经音频故障检测分类网络模型的输入层， 送入三个相同结构的 卷积‑BN‑池化结构中， 并行提取音频 特征； 3.1.2)三个卷积 ‑BN‑池化结构输出的音频特征进行加法操作， 并通过Dropout达到正 则化的效果， 再运用Dense全连接层进行局部信息的全局化处理， 最后在用全连接层Dense 将输出通道降为需要的类别数， 实现音频 数据的分类。 6.根据权利要求5所述基于分类的风电机组叶片音频故障检测方法， 其特征在于， 步骤 3.2)具体为： 将步骤2)训练集中每个音频数据的梅尔频谱m、 梅尔频率倒谱系数n和色度l特征， 分别 取平均、 最大、 最小值， 并用拼接的方法得到(m+n +l， 3)的特征， 然后送入步骤3.1)基础预训 练模型中进行分类 检测训练， 得到训练完成的音频故障检测分类网络模型。 7.根据权利要求1所述基于分类的风电机组叶片音频故障检测方法， 其特征在于， 步骤 1.1)具体为：权　利　要　求　书 2/3 页 3 CN 114352486 A 3