【技术实现步骤摘要】
本专利技术涉及风机叶片故障诊断，具体为一种基于声纹信号的风机叶片故障诊断方法。
技术介绍
1、随着新能源技术的发展及推广，风能作为一种清洁能源越来越受到广泛的关注。同时，风力发电机叶片是风力发电系统的主要设备，其健康状态直接影响发电效率。风机叶片受到风能作用转动，能量经过传递转化为电能。自然风具有随机性、波动性，并且夹杂有沙石、冰雪等杂质，这些因素会导致叶片覆冰、开裂、透光，进而影响风机高效安全运行。
2、风机叶片故障诊断技术的发展经历了多个阶段。从最初的简单监测和巡检，到后来的基于模型的方法、传统机器学习等技术的应用，再到如今的智能化、网联化方向发展，技术不断进步和完善。特别是近年来，随着风电行业的快速发展和智能化技术的普及，风机叶片故障诊断技术取得了显著进展。目前，风机叶片故障诊断技术已经形成了多种方法并存的局面。其中，计算机视觉技术、声发射技术、红外热成像技术、振动分析技术和超声波技术等是应用较为广泛的方法。其中基于机器视觉的检测方法是来获取目标物体不同位置和视角的图像序列的信息，其对成像设备和数据处理提出了很高的要求，尤其是在复杂背景下，需要大量计算，且准确性依赖于图像处理技术。因此发展基于声纹信号的风机叶片故障诊断具有重要意义。
3、惩罚因子决定了支持向量机svm误分样本的处罚程度，能够协调好分类间隔和样本错分率，兼顾支持向量机svm的置信水平和经验风险，使风机叶片故障诊断模型同时兼顾其泛化性和准确性。惩罚因子取值较大时，支持向量机svm会加大错分的处罚，要求算法满足所有约束条件，不允许出现错分
技术实现思路
1、针对现有技术的不足，本专利技术提供了一种基于声纹信号的风机叶片故障诊断方法，其目的在于解决
技术介绍
中所提到的问题。
2、为实现上述目的，本专利技术提供如下技术方案：一种基于声纹信号的风机叶片故障诊断方法，包括如下步骤：
3、步骤s1：对风机叶片声纹信号进行采集，并进行滤波处理；
4、步骤s2：通过完全集成经验模态分解方法将滤波处理后的声纹信号分解为多个本征模态函数；
5、步骤s3：将本征模态函数转换为二维镜像雪花图，并进行归一化处理；
6、步骤s4：通过改进红嘴蓝鹊优化算法对支持向量机svm内部惩罚参数以及核参数进行优化，得到irbmo-svm模型；所述改进红嘴蓝鹊优化算法是采用改进circle混沌映射原红嘴蓝鹊优化算法的初始种群，并引入透镜成像反向学习机制对红嘴蓝鹊种群进行扰动得到；
7、步骤s5：将归一化处理后的二维镜像雪花图输入irbmo-svm模型中进行故障诊断；
8、步骤s4的具体过程为：
9、步骤s4.1：采用改进circle混沌映射初始种群；
10、步骤s4.2：评估每个红嘴蓝鹊个体的适应度；
11、步骤s4.3：模拟寻找猎物行为，寻找猎物行为分为小团体和群体的方式；
12、步骤s4.4：模拟攻击猎物行为；
13、步骤s4.5：模拟储存猎物行为；
14、步骤s4.6：在迭代后期，当最优值陷入局部最优解时，在原红嘴蓝鹊优化算法的基础上引入透镜成像反向学习机制对红嘴蓝鹊种群进行扰动；
15、步骤s4.7：判断当前迭代是否达到预设最大次数，未达到，则继续迭代，反之，则停止迭代，并输出最优红嘴蓝鹊个体，即为支持向量机svm的惩罚参数、核参数最优值。
16、进一步的，所述采用改进circle混沌映射初始种群，表示为：
17、；
18、；
19、；
20、式中，表示红嘴蓝鹊种群；表示第i个红嘴蓝鹊个体在第j个维度上的值，i∈1,2,…,n，j∈1,2,…,d；n表示红嘴蓝鹊种群大小；d表示问题维度；和分别表示问题的上界和下界；表示0到1之间的随机数；表示当前迭代次数；
21、将每个红嘴蓝鹊个体代表一组支持向量机svm的惩罚参数c和核参数的参数解。
22、进一步的，步骤s4.2中，适应度函数表示为：
23、；
24、式中，是松弛因子。
25、进一步的，步骤s4.3中，当红嘴蓝鹊种群以小团体的方式探索猎物时，表示为：
26、；
27、式中，表示第i个红嘴蓝鹊个体更新后的位置；表示从红嘴蓝鹊种群中随机选择2至5只红嘴蓝鹊个体；表示随机选择的第m个红嘴蓝鹊个体的位置；表示第i个红嘴蓝鹊个体的位置；表示当前迭代中最近选择的红嘴蓝鹊个体的位置；
28、当红嘴蓝鹊种群以群体的方式探索猎物时，表示为：
29、；
30、式中，表示从红嘴蓝鹊种群中随机选择的10到n只红嘴蓝鹊个体。
31、进一步的，所述模拟攻击猎物行为，表示为：
32、；
33、；
34、式中，表示猎物的位置；表示随着迭代次数改变而改变的常数；为最大迭代次数；表示用于生成标准正态分布的随机数。
35、进一步的，所述模拟储存猎物行为，表示为：
36、；
37、式中，和分别表示第i只红嘴蓝鹊个体位置更新前后的适应度值。
38、进一步的，所述在原红嘴蓝鹊优化算法的基础上引入透镜成像反向学习机制对红嘴蓝鹊种群进行扰动，表示为：
39、；
40、；
41、式中，表示透镜成像反向学习后的红嘴蓝鹊个体位置；为透镜成像反向学习前的红嘴蓝鹊个体位置；表示随着迭代次数变化的常数。
42、进一步的，步骤s2的具体过程为：
43、步骤s2.1：将滤波处理后的声纹信号添加k次均值为0的高斯白噪声，构造n次实验的待分解序列，表示为：
44、；
45、；
46、式中，为高斯白噪声的权值系数；为第i次添加的高斯白噪声；表示声纹信号的第个数据；
47、步骤s2.2：对进行经验模态分解emd，得到第一个本征模态函数和残差信号，表示为：
48、；
49、；
50、式中，表示第1阶分解中得到的第i个本征模态函数imf分量；
51、步骤s2.3：判断残差信号是否为单调函数，不是，则重复步骤s2.1-步骤s2.2，直至残差信号为单调函数，结束，得到n个和n个残差信号，表示为：
52、；
53、式中，表示第i个本征模态函数。
54、进一步的，步骤s3的具体过程为：
55、步骤s3.1：通过对称点模式公式将本征模态函数转换为二维镜像雪花图；
56、步骤s3.2：对二维镜像雪花图进行归一化处理。本文档来自技高网...
【技术保护点】
1.一种基于声纹信号的风机叶片故障诊断方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于声纹信号的风机叶片故障诊断方法，其特征在于：所述采用改进Circle混沌映射初始种群，表示为：
3.根据权利要求2所述的一种基于声纹信号的风机叶片故障诊断方法，其特征在于：步骤S4.2中，适应度函数表示为：
4.根据权利要求3所述的一种基于声纹信号的风机叶片故障诊断方法，其特征在于：步骤S4.3中，当红嘴蓝鹊种群以小团体的方式探索猎物时，表示为：
5.根据权利要求4所述的一种基于声纹信号的风机叶片故障诊断方法，其特征在于：所述模拟攻击猎物行为，表示为：
6.根据权利要求5所述的一种基于声纹信号的风机叶片故障诊断方法，其特征在于：所述模拟储存猎物行为，表示为：
7.根据权利要求6所述的一种基于声纹信号的风机叶片故障诊断方法，其特征在于：所述在原红嘴蓝鹊优化算法的基础上引入透镜成像反向学习机制对红嘴蓝鹊种群进行扰动，表示为：
8.根据权利要求1所述的一种基于声纹信号的风机叶片故障诊断方法，其特征在于
9.根据权利要求8所述的一种基于声纹信号的风机叶片故障诊断方法，其特征在于：步骤S3的具体过程为：
...【技术特征摘要】
1.一种基于声纹信号的风机叶片故障诊断方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于声纹信号的风机叶片故障诊断方法，其特征在于：所述采用改进circle混沌映射初始种群，表示为：
3.根据权利要求2所述的一种基于声纹信号的风机叶片故障诊断方法，其特征在于：步骤s4.2中，适应度函数表示为：
4.根据权利要求3所述的一种基于声纹信号的风机叶片故障诊断方法，其特征在于：步骤s4.3中，当红嘴蓝鹊种群以小团体的方式探索猎物时，表示为：
5.根据权利要求4所述的一种基于声纹信号的风机叶片故障诊断方法，...
【专利技术属性】
技术研发人员：王宗耀，屈浏强，崔明建，袁小翠，康兵，张兴旺，李斌，丁贵立，何言，郑豫谭，蔡诗雨，李章毅，
申请(专利权)人：南昌工程学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。