本发明涉及风机叶片故障诊断，尤其是一种基于多源信号融合的风机叶片健康监测方法。
背景技术：
1、叶片风能是目前应用最广泛的可再生能源，但大多数风电机组所处的工作环境往往恶劣。目前风力发电机组发电机、齿轮箱、变桨距机构以及传动链上的设备都安装了远程在线监测系统，可以实时了解部件的运行状态，但风机叶片是最容易受到台风损伤的部件，其实时远程的状态监测手段并不完备，在不了解叶片的损伤情况下就开机运行，可能会导致灾难性的后果。实际上，风机设备制造商对风机主要部件进行运行状态的在线监测主要是为了对风机设备的优化，增加叶片的监测设备会增加其成本，缺乏内在动力去进行研发和投入。但对风电场业主来说，提高风机的运行小时数是提高风电场发电量的保证，及时了解风机主要部件的运行状态可以减少风机的运行维护时间，不仅降低运维成本，还可以提高风电场的发电量。因此，对于(海上)风电场业主来说，针对风机叶片运行状态的远程监测是刚性需求。
2、然而当前针对此部分的研究尚未全面展开，现有的预警模型工作大都集中在某一种监测方式下针对某一部件的建模和分析，模型精度不高，泛化能力不够，也不能实现对整体风机叶片的自诊断、自预警，更无法对风机的健康度进行综合的评价。针对风电叶片故障诊断，目前的研究主要集中在单一的信号源，采用单一的技术进行故障诊断。针对风机叶片系统，国内主要采用传统的旋转机械故障诊断方法-振动分析法和声发射分析法，国外则通过分析发电机功率信号来监测系统故障。对于风力发电系统，基于振动或基于声发射的故障诊断方法需要安装相当数量的传感器，这增加了成本。此外，国内外研究者主要针对风电机组的某个设备进行故障诊断方法的研究，例如单独针对风机叶片进行故障监测，缺乏以风电机组为系统的整体角度出发研究系统故障特征的工作。对于复杂的多源信号处理和深度学习模型的融合，还处于初级阶段。此外，如何将声发射技术与振动信号相结合，利用声发射的早期缺陷检测能力和振动信号大尺度的检测范围特性，构建一套基于多源信号的风电叶片故障诊断与预警系统，也是当前的研究热点。
技术实现思路
1、本发明解决了现有技术采用单一的信号源进行风电叶片故障诊断缺乏从整体角度出发研究系统故障特征的问题，提出一种基于多源信号融合的风机叶片健康监测方法，突破了目前主要集中在单一的信号源进行故障诊断的挑战。
2、为实现上述目的，提出以下技术方案：
3、一种基于多源信号融合的风机叶片健康监测方法，包括以下步骤：
4、s1，利用多通道传感器采集并放大振动信号与声发射信号，在对振动信号与声发射信号进行预处理；
5、s2，以振动信号和声发射信号作为自适应卷积耦合网络的输入，所述自适应卷积耦合网络串联运算将振动信号和声发射信号的信息流的特征进行融合；
6、s3，利用增强混合匹配算法对融合后的信息进行半监督学习，所述增强混合匹配算法通过样本生成策略和数据增强方法得到正确预测样本、标记样本和未标记样实现对主传动缺陷的诊断及分类。
7、本发明包括具体包括以下步骤：首先利用基于声发射信号和振动信号的多通道传感器采集并放大声发射信号与振动信号，对其进行预处理用于降噪检测；然后利用自适应卷积耦合网络来实现信息流融合，该网络以振动信号和声发射信号作为输入，然后使用串联运算将两个信息流的特征进行融合；最终利用增强混合匹配算法来实现对信号的半监督学习，该方法混合匹配通过数据增强方法和样本生成策略得到标记样本、正确预测样本和未标记样本来实现对主传动缺陷的诊断及分类。本发明将振动和声发射数据作为耦合网络的两个输入数据集，实现判别特征的提取融合及叶片缺陷的实时监测，可量化故障程度并发现早期故障。本发明提出的半监督学习方法可以充分利用标记样本、正确预测样本和未标记样本，提高模型的诊断准确率。
8、作为优选，所述多通道传感器为6通道振动-声发射一体化传感器，所述6通道振动-声发射一体化传感器按照矩形阵列的方式设置在叶片根部至叶片1/3处的压力面一侧。
9、本发明的所述多通道传感器采用6通道的振动-声发射一体化传感器，以矩形阵列的方式部署在叶片根部至叶片1/3处的压力面一侧，沿叶长方向间隔1m，沿叶宽方向间隔0.8m。
10、作为优选，所述多通道传感器的输出端连接于信号调理放大电路，所述信号调理放大电路经多通道adc采样模块与采集卡连接。
11、本发明的所述s1中采集发射信号与振动信号的联合数据采集系统采用一种探头，将设置在风机叶片各部分的传感器监测采集到的振动信号和声发射信号转换为数字信号，并将多个振动信号及声发射信号的统一输出端接于信号调理放大电路输入端，然后经多通道adc采样模块与采集卡连接，对数字信号进行计算，控制和传输。传感器将各自采集到信号实时传输到采集卡中，采集卡将数据通过网络传输到主控设备，主控完成初步处理，主控连接无线设备，无线设备负责轮毂和塔筒之间的数据传输，最终由控制平台完成分析数据汇总展示。
12、作为优选，所述s1在预处理之前基于emd的方法对振动信号和声发射信号进行降噪处理。
13、本发明的所述s1中采用基于emd的方法对振动信号和声发射信号进行降噪处理：首先对信号进行经验模态分解；其次计算各本征模态分量与原信号相关系数，去除相关性较低的成分；最后重构剩余imf分量，完成emd滤波。
14、作为优选，所述降噪处理具体包括以下步骤：
15、首先提取声发射持续时间，中心频率，峰值幅度及能量时域特征；
16、然后通过小波变换来提取小波包分级后的子频段峰值特征频率；
17、接着计算小波分解后频段的能量分布；
18、最后将所有特征组合得到小波包特征组合成为特征矩阵。
19、本发明的所述降噪处理具体包括以下步骤：提取声发射持续时间、峰值幅度、中心频率、能量时域特征，通过小波变换，提取小波包分级后的子频段峰值特征频率，计算小波分解后频段的能量分布；最后将上述特征组合获得小波包特征组合成为特征矩阵，用于下一步的叶片故障识别模型训练。
20、作为优选，所述s1中预处理具体包括以下步骤：
21、首先收集完成降噪后的声发射信号和振动信号；
22、然后分别对声发射信号和振动信号进行短时傅里叶变换，获得二者的时频域特征；
23、接着收集振动信号的特征统计量，包括功率谱密度及最大幅值；
24、接着收集声发射信号的特征统计量，包括功率谱密度及峰值；
25、最后将声发射信号的频谱特征及其他特征统计量和振动信号的频谱特征及其他特征统计量组成一个特征向量。
26、本发明的所述s1中预处理具体包括以下步骤：
27、收集完成降噪后的振动信号和声发射信号；
28、2)分别对振动信号和声发射信号进行短时傅里叶变换，得到二者的时频域特征；
29、3)收集振动信号的特征统计量，包括功率谱密度、最大幅值；收集声发射信号的特征统计量，包括功率谱密度、峰值；
30、4)将声发射信号的频谱特征及其他特征统计量与振动信号的频谱特征及其他特征统计量组成一个特征向量。
31、作为优选，所述数据增强方法包括全局数据增强和局部数据增强及噪声添加。
32、本发明的所述数据增强方法包括局部数据增强、全局数据增强和噪声添加，这三部分的主要流程如下：
33、假设待增广信号为yb＝[yb[1]，yb[2]，…，yb[n]](其中n为采样长度)，构造一个截断运算，从记录信号中的第一个数据(ρ为记录信号的截断百分比，为舍入运算)中选择一个截面，形成局部截面然后用以下两个步骤进行局部数据增宽：
34、首先，在范围内随机选取3个数据索引(即i1、i2、i3)；
35、其次，对截断的局部段进行缩放操作，然后根据以下三个数据索引将其插入到记录的信号中：
36、其中[ζmin，ζmax]表示缩放范围，根据具体需要确定适宜的缩放范围；
37、构建全局数据增强，是将将记录信号的整体幅度放大，具体步骤如下：
38、
39、构造加噪是将高斯白噪声加到记录的信号中，具体步骤如下：
40、[yb[1]，yb[2]，...，yb[n]]＝[yb[1]，yb[2]，...，yb[n]]·[nb[1]，nb[2]，..，nb[n]]#(7)
41、式中nb＝[nb[1]，nb[2]，…，nb[n]]表示增广数据中的高斯白噪声。
42、作为优选，所述s3中样本生产策略包括样本选择和样本生成及样本排序策略。
43、本发明所述s3中样本生产策略包括样本选择、生成以及排序策略，其中，样本选择策略主要包括两个部分，首先，根据真实标签和预测标签的比较，选择正确的预测样本，其次，对正确预测的样本进行尺度扩展操作，确认正确预测的样本数量与标注的样本数量相等；
44、其中，样本生成策略是通过对两组具有相同标签的样本进行rmixup操作来生成新样本，将具有相同标签的两组样本表示为和一组新样本(yv′，ya′；q)是使用rmixup操作生成的，如下所示：
45、λ～beta(α，α)#(8)
46、λ′～max(λ，1-λ)#(9)
47、
48、
49、其中α为beta分布函数中的预设参数；
50、其中，样本排序策略则是通过对未标记样本进行增强的数据增强操作、标签预测操作和锐化操作，生成两批增强的未标记样本，然后，对这两批扩增的未标记样本进行标签估计。
51、作为优选，所述s2具体包括以下步骤：将振动信号和声发射信号的特征向量作为自适应卷积耦合的两个输入数据集，并在残差网络的末端进行串接运算，将两个监测信息流中提取的特征进行融合。
52、本发明在振动信息流中，振动数据作为网络的输入，输入样本的大小为b×c×l(其中b为批量大小，c为通道号，t为振动信号的时间长度)，具体来说，按照以下步骤进行：采用卷积块实现特征提取，该特征提取由标准卷积层、批量归一化操作和泄漏整流线性单元组成；
53、堆叠最大池化层，降低特征维数，提高学习到的特征的鲁棒性；
54、堆叠耦合块，连接移动学习到的特征，并使可训练参数更容易优化；
55、将基于群卷积层的卷积块、最大池化层、耦合块和群卷积层的卷积块交替叠加，提取输入振动信号的高级表示；
56、将前两部分得到的特征进行融合，然后，对融合特征进行平坦化处理，将融合特征平坦化为一维形状；
57、在每个训练批次中，以一定的概率p忽略一半的特征检测器，其概率p可根据实际进行修改，以减少过拟合，提高网络的泛化能力；
58、输出信号相关特征以供后续实现健康状态的识别。
59、作为优选，所述s3包括对样本数据进行分类进行网络训练并输出诊断结果，具体为：记录不同工况下的声发射数据和时域振动数据，将采集到的数据分为带标签的训练样本、未标记的训练样本和测试样本；将未标记的训练样本和标记的训练样本作为模型的两个输入数据集，再迭代更新模型，从输入样本中提取重要特征；将测试数据作为训练网络的输入，对所提模型的诊断性能进行测试。
60、本发明的所述s3包括对样本数据进行分类进行网络训练并输出诊断结果，具体为：1)记录不同工况下的时域振动和声发射数据，将采集到的数据分为三组，分别是带标签的训练样本、未标记的训练样本和测试样本；
61、2)将标记和未标记的训练样本作为模型的两个输入数据集，然后迭代更新模型，从输入样本中提取重要特征；
62、3)将测试数据作为训练网络的输入，对所提模型的诊断性能进行测试。
63、在训练过程中，采用adam优化方法，根据需要设置训练周期、训练批次以及学习率的值，假设有一批标记样本(其中和为标记的振动信号和声发射信号，pb为记录样本的标签)和一批未标记样本(其中和为未标记的振动信号和声发射信号)；三批新的增广样本，即标记的样本正确预测样本未标记样本用这三批样本构建相应的损失项，如下：
64、
65、则积分损失函数表示为：
66、
67、其中，h(p，q)表示分布p与分布q之间的交叉熵，表示分布p与分布q之间的l2损失的平方，s，λ是控制各分离损失项权重的三个权值调整系数，在积分损失函数中，第一个损失项中使用的标记样本为训练过程提供了可用的方向，第二个损失项中使用的正确预测样本增强了网络的识别能力，第三个损失项中使用的未标记样本将训练后的网络推广到无标记的样本识别情况。
68、本发明的有益效果是：
69、1、将振动和声发射数据作为耦合网络的两个输入数据集，实现判别特征的提取融合及叶片缺陷的实时监测，可量化故障程度并发现早期故障；
70、2、本发明提出了一种增强混合匹配算法来实现对叶片的故障诊断，提出的半监督学习方法可以充分利用标记样本、正确预测样本和未标记样本，提高模型的诊断准确率。
71、3、本发明提出了一种样本选择、生成以及排序方法，给训练网络选择正确的预测样本和有效训练网络模型提供了一种思路。
72、4、本发明将振动信号和声发射信号特征融合来进行故障诊断，突破了目前主要集中在单一的信号源进行故障诊断的挑战。
1.一种基于多源信号融合的风机叶片健康监测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于多源信号融合的风机叶片健康监测方法，其特征在于，所述多通道传感器为6通道振动-声发射一体化传感器，所述6通道振动-声发射一体化传感器按照矩形阵列的方式设置在叶片根部至叶片1/3处的压力面一侧。
3.根据权利要求1所述的一种基于多源信号融合的风机叶片健康监测方法，其特征在于，所述多通道传感器的输出端连接于信号调理放大电路，所述信号调理放大电路经多通道adc采样模块与采集卡连接。
4.根据权利要求1所述的一种基于多源信号融合的风机叶片健康监测方法，其特征在于，所述s1在预处理之前基于emd的方法对振动信号和声发射信号进行降噪处理。
5.根据权利要求4所述的一种基于多源信号融合的风机叶片健康监测方法，其特征在于，所述降噪处理具体包括以下步骤：
6.根据权利要求1-5任一项所述的一种基于多源信号融合的风机叶片健康监测方法，其特征在于，所述s1中预处理具体包括以下步骤：
7.根据权利要求1-5任一项所述的一种基于多源信号融合的风机叶片健康监测方法，其特征在于，所述数据增强方法包括全局数据增强和局部数据增强及噪声添加。
8.根据权利要求1-5任一项所述的一种基于多源信号融合的风机叶片健康监测方法，其特征在于，所述s3中样本生产策略包括样本选择和样本生成及样本排序策略。
9.根据权利要求1-5任一项所述的一种基于多源信号融合的风机叶片健康监测方法，其特征在于，所述s2具体包括以下步骤：将振动信号和声发射信号的特征向量作为自适应卷积耦合的两个输入数据集，并在残差网络的末端进行串接运算，将两个监测信息流中提取的特征进行融合。
10.根据权利要求9所述的一种基于多源信号融合的风机叶片健康监测方法，其特征在于，所述s3包括对样本数据进行分类进行网络训练并输出诊断结果，具体为：记录不同工况下的声发射数据和时域振动数据，将采集到的数据分为带标签的训练样本、未标记的训练样本和测试样本；将未标记的训练样本和标记的训练样本作为模型的两个输入数据集，再迭代更新模型，从输入样本中提取重要特征；将测试数据作为训练网络的输入，对所提模型的诊断性能进行测试。
