本公開涉及風(fēng)機(jī)葉片損傷在線監(jiān)測(cè)和智能識(shí)別，特別涉及一種模型的訓(xùn)練方法及風(fēng)機(jī)葉片異響類別的識(shí)別方法、系統(tǒng)。

背景技術(shù)：

1、目前，針對(duì)葉片健康狀態(tài)的在線監(jiān)測(cè)主要有振動(dòng)監(jiān)測(cè)、圖像監(jiān)測(cè)、聲發(fā)射監(jiān)測(cè)、聲學(xué)監(jiān)測(cè)4種方案。

2、其中，振動(dòng)監(jiān)測(cè)主要從葉片振動(dòng)的加速度振動(dòng)頻譜中識(shí)別葉片的固有頻率，通過固有頻率的偏移來判斷葉片是否存在損傷。通常情況下，葉片損傷時(shí)，其固有頻率會(huì)出現(xiàn)一定程度的下降，然而在風(fēng)場(chǎng)應(yīng)用中，振動(dòng)監(jiān)測(cè)方案需要將加速度傳感器安裝至葉片內(nèi)部距葉根1/3葉片展長(zhǎng)的位置，這種安裝方式實(shí)施起來較為困難，并且在風(fēng)機(jī)運(yùn)行時(shí)，采集到的振動(dòng)信號(hào)中，葉輪轉(zhuǎn)頻成分能量遠(yuǎn)高于固有頻率的能量，導(dǎo)致固有頻率成分難以定位，進(jìn)而影響振動(dòng)監(jiān)測(cè)的準(zhǔn)確率。

3、圖像監(jiān)測(cè)是利用紅外攝像機(jī)獲取葉片腔體內(nèi)的圖像，結(jié)合圖像識(shí)別算法監(jiān)測(cè)葉片腔體中的漏光光斑，進(jìn)而判斷葉片是否存在裂紋等損傷。然而隨著葉片長(zhǎng)度增長(zhǎng)，其柔性增大，運(yùn)行時(shí)葉片變形增大，攝像機(jī)獲取圖像的范圍有限，難以觀測(cè)到易產(chǎn)生損傷的葉尖位置；此外，葉片漆面不均導(dǎo)致的漏光亦常常干擾圖像識(shí)別算法的監(jiān)測(cè)結(jié)果，出現(xiàn)誤判，影響圖像監(jiān)測(cè)的準(zhǔn)確率。

4、聲發(fā)射監(jiān)測(cè)是通過捕捉葉片裂紋萌生時(shí)引起應(yīng)變能快速釋放而產(chǎn)生的彈性波能量，來判斷葉片裂紋的產(chǎn)生。為采集有效的聲發(fā)射信號(hào)，要求傳感器具備較高的靈敏度和響應(yīng)帶寬，因此聲發(fā)射傳感器往往價(jià)格高昂，導(dǎo)致聲發(fā)射監(jiān)測(cè)的成本過高。

5、聲學(xué)監(jiān)測(cè)則主要通過采集葉片和空氣的摩擦噪聲，通過聲音中的異響來判斷葉片狀態(tài)。相較于振動(dòng)監(jiān)測(cè)，聲學(xué)監(jiān)測(cè)僅需將拾音器安裝至葉根擋板的位置，施工簡(jiǎn)單；相較于圖像監(jiān)測(cè)，聲學(xué)監(jiān)測(cè)中葉根擋板處拾音器可接收整根葉片的聲音，監(jiān)測(cè)范圍更廣；相較于聲發(fā)射監(jiān)測(cè)，聲學(xué)監(jiān)測(cè)成本低，適合大范圍應(yīng)用。

6、然而在進(jìn)行聲學(xué)特征的識(shí)別時(shí)，現(xiàn)有的聲學(xué)監(jiān)測(cè)技術(shù)多采用人工識(shí)別的方式進(jìn)行聲學(xué)特征識(shí)別，以判斷葉片是否存在損傷。隨著人工智能模型的引入，現(xiàn)有技術(shù)采用了bp神經(jīng)網(wǎng)絡(luò)、卷積網(wǎng)絡(luò)、支持向量機(jī)等模型替代人工進(jìn)行聲學(xué)特征的智能識(shí)別，但是一般是將倍頻程能量、頻譜重心或梅爾頻譜直接作為bp神經(jīng)網(wǎng)絡(luò)、卷積網(wǎng)絡(luò)等機(jī)器學(xué)習(xí)模型的輸入，進(jìn)而實(shí)現(xiàn)葉片不同真實(shí)異響類別的識(shí)別。上述方式雖然能夠替代人工進(jìn)行異響識(shí)別，但是當(dāng)輸入的聲音信號(hào)樣本為未知異響類別時(shí)，現(xiàn)有技術(shù)中的方法往往僅能將未知異響樣本識(shí)別為某一已知類別，從而出現(xiàn)誤判或漏判，影響聲音信號(hào)識(shí)別的準(zhǔn)確性。

技術(shù)實(shí)現(xiàn)思路

1、本公開要解決的技術(shù)問題是為了克服現(xiàn)有技術(shù)中聲音信號(hào)識(shí)別準(zhǔn)確率不高的缺陷，提供一種模型的訓(xùn)練方法及風(fēng)機(jī)葉片異響類別的識(shí)別方法、系統(tǒng)。

2、本公開是通過下述技術(shù)方案來解決上述技術(shù)問題：

3、本公開的第一方面提供了一種異響類別識(shí)別模型的訓(xùn)練方法，所述訓(xùn)練方法包括：

4、獲取訓(xùn)練樣本，其中，所述訓(xùn)練樣本包括風(fēng)機(jī)葉片運(yùn)行過程中產(chǎn)生的多個(gè)樣本聲音信號(hào)和所述樣本聲音信號(hào)對(duì)應(yīng)的真實(shí)異響類別；

5、利用所述訓(xùn)練樣本對(duì)異響類別識(shí)別模型進(jìn)行訓(xùn)練；

6、其中，所述異響類別識(shí)別模型用于提取所述樣本聲音信號(hào)的聲音特征，并基于各真實(shí)異響類別對(duì)應(yīng)的樣本聲音信號(hào)的聲音特征計(jì)算對(duì)應(yīng)真實(shí)異響類別的球域中心和球域半徑，以及計(jì)算所述樣本聲音信號(hào)的聲音特征與各真實(shí)異響類別的球域中心之間的目標(biāo)距離，根據(jù)各目標(biāo)距離與對(duì)應(yīng)真實(shí)異響類別的球域半徑識(shí)別所述樣本聲音信號(hào)對(duì)應(yīng)的預(yù)測(cè)異響類別，響應(yīng)于不存在小于各真實(shí)異響類別的球域半徑的目標(biāo)距離，識(shí)別所述樣本聲音信號(hào)對(duì)應(yīng)的預(yù)測(cè)異響類別為未知異響類別。

7、可選地，所述異響類別識(shí)別模型用于響應(yīng)于所述目標(biāo)距離小于對(duì)應(yīng)真實(shí)異響類別的球域半徑，識(shí)別所述樣本聲音信號(hào)對(duì)應(yīng)的預(yù)測(cè)異響類別為所述真實(shí)異響類別。

8、可選地，所述利用所述訓(xùn)練樣本對(duì)異響類別識(shí)別模型進(jìn)行訓(xùn)練的步驟具體包括：

9、利用所述訓(xùn)練樣本對(duì)異響類別識(shí)別模型的孿生模型進(jìn)行訓(xùn)練；其中，所述孿生模型根據(jù)將所述異響類別識(shí)別模型中的自適應(yīng)球域識(shí)別層替換為全連接層得到；

10、將所述孿生模型中除所述全連接層以外的模型參數(shù)同步至所述異響類別識(shí)別模型中。

11、可選地，所述異響類別識(shí)別模型用于將所述樣本聲音信號(hào)的時(shí)頻譜圖沿頻率軸方向進(jìn)行幅值池化，得到樣本時(shí)頻譜圖，以及提取所述樣本時(shí)頻譜圖的聲音特征。

12、可選地，在利用所述訓(xùn)練樣本對(duì)異響類別識(shí)別模型進(jìn)行訓(xùn)練的步驟之前，還包括：

13、將所述樣本聲音信號(hào)的時(shí)頻譜圖沿頻率軸方向進(jìn)行幅值池化，得到樣本時(shí)頻譜圖；

14、所述異響類別識(shí)別模型用于提取所述樣本時(shí)頻譜圖的聲音特征。

15、可選地，所述將所述樣本聲音信號(hào)的時(shí)頻譜圖沿頻率軸方向進(jìn)行幅值池化，得到樣本時(shí)頻譜圖的步驟具體包括：

16、將所述樣本聲音信號(hào)進(jìn)行短時(shí)傅里葉變換，以得到時(shí)頻譜圖；

17、將所述時(shí)頻譜圖中的能量幅值轉(zhuǎn)換為分貝值，以得到樣本梅爾頻譜圖；

18、將所述樣本梅爾頻譜圖沿頻率軸方向進(jìn)行幅值池化，以得到樣本時(shí)頻譜圖。

19、可選地，所述將所述樣本聲音信號(hào)進(jìn)行短時(shí)傅里葉變換的步驟前還包括：

20、對(duì)所述樣本聲音信號(hào)進(jìn)行預(yù)加重處理。

21、可選地，所述風(fēng)機(jī)葉片設(shè)于輪轂上，所述風(fēng)機(jī)葉片與所述輪轂的連接處設(shè)有面向葉片內(nèi)部的陣列式收音設(shè)備；

22、所述獲取訓(xùn)練樣本的步驟具體包括：

23、利用所述陣列式收音設(shè)備獲取訓(xùn)練樣本。

24、本公開的第二方面提供了一種風(fēng)機(jī)葉片異響類別的識(shí)別方法，所述識(shí)別方法包括：

25、采集風(fēng)機(jī)葉片運(yùn)行過程產(chǎn)生的目標(biāo)聲音信號(hào)；

26、將所述目標(biāo)聲音信號(hào)輸入異響類別識(shí)別模型，得到所述目標(biāo)聲音信號(hào)對(duì)應(yīng)的預(yù)測(cè)異響類別；其中，所述異響類別識(shí)別模型利用如第一方面所述的異響類別識(shí)別模型的訓(xùn)練方法得到；其中，所述異響類別識(shí)別模型用于提取所述目標(biāo)聲音信號(hào)的聲音特征，以及計(jì)算所述目標(biāo)聲音信號(hào)的聲音特征與各真實(shí)異響類別的球域中心之間的目標(biāo)距離，根據(jù)各目標(biāo)距離與對(duì)應(yīng)真實(shí)異響類別的球域半徑識(shí)別所述目標(biāo)聲音信號(hào)對(duì)應(yīng)的預(yù)測(cè)異響類別，響應(yīng)于不存在小于各真實(shí)異響類別的球域半徑的目標(biāo)距離，識(shí)別所述目標(biāo)聲音信號(hào)對(duì)應(yīng)的預(yù)測(cè)異響類別為未知異響類別。

27、可選地，所述異響類別識(shí)別模型用于：

28、將所述目標(biāo)聲音信號(hào)的時(shí)頻譜圖沿頻率軸方向進(jìn)行幅值池化，得到目標(biāo)時(shí)頻譜圖；

29、提取所述目標(biāo)時(shí)頻譜圖的聲音特征。

30、可選地，在將所述目標(biāo)聲音信號(hào)輸入異響類別識(shí)別模型的步驟之前，還包括：

31、將所述目標(biāo)聲音信號(hào)的時(shí)頻譜圖沿頻率軸方向進(jìn)行幅值池化，得到目標(biāo)時(shí)頻譜圖；

32、所述異響類別識(shí)別模型用于提取所述目標(biāo)時(shí)頻譜圖的聲音特征。

33、可選地，所述將所述目標(biāo)聲音信號(hào)的時(shí)頻譜圖沿頻率軸方向進(jìn)行幅值池化，得到目標(biāo)時(shí)頻譜圖的步驟具體包括：

34、將所述目標(biāo)聲音信號(hào)進(jìn)行短時(shí)傅里葉變換，以得到時(shí)頻譜圖；

35、將所述時(shí)頻譜圖中的能量幅值轉(zhuǎn)換為分貝值，以得到目標(biāo)梅爾頻譜圖；

36、將所述目標(biāo)梅爾頻譜圖沿頻率軸方向進(jìn)行幅值池化，以得到目標(biāo)時(shí)頻譜圖。

37、可選地，所述將所述目標(biāo)聲音信號(hào)進(jìn)行短時(shí)傅里葉變換的步驟前包括：

38、對(duì)所述目標(biāo)聲音信號(hào)進(jìn)行預(yù)加重處理。

39、本公開的第三方面提供了一種異響類別識(shí)別模型的訓(xùn)練系統(tǒng)，所述訓(xùn)練系統(tǒng)包括：

40、獲取模塊，用于獲取訓(xùn)練樣本，其中，所述訓(xùn)練樣本包括風(fēng)機(jī)葉片運(yùn)行過程中產(chǎn)生的多個(gè)樣本聲音信號(hào)和所述樣本聲音信號(hào)對(duì)應(yīng)的真實(shí)異響類別；

41、訓(xùn)練模塊，用于利用所述訓(xùn)練樣本對(duì)異響類別識(shí)別模型進(jìn)行訓(xùn)練；

42、其中，所述異響類別識(shí)別模型用于提取所述樣本聲音信號(hào)的聲音特征，并基于各真實(shí)異響類別對(duì)應(yīng)的樣本聲音信號(hào)的聲音特征計(jì)算對(duì)應(yīng)真實(shí)異響類別的球域中心和球域半徑，以及計(jì)算所述樣本聲音信號(hào)的聲音特征與各真實(shí)異響類別的球域中心之間的目標(biāo)距離，根據(jù)各目標(biāo)距離與對(duì)應(yīng)真實(shí)異響類別的球域半徑識(shí)別所述樣本聲音信號(hào)對(duì)應(yīng)的預(yù)測(cè)異響類別，響應(yīng)于不存在小于各真實(shí)異響類別的球域半徑的目標(biāo)距離，識(shí)別所述樣本聲音信號(hào)對(duì)應(yīng)的預(yù)測(cè)異響類別為未知異響類別。

43、可選地，所述異響類別識(shí)別模型用于響應(yīng)于所述目標(biāo)距離小于對(duì)應(yīng)真實(shí)異響類別的球域半徑，識(shí)別所述樣本聲音信號(hào)對(duì)應(yīng)的預(yù)測(cè)異響類別為所述真實(shí)異響類別。

44、可選地，所述訓(xùn)練模塊具體用于利用所述訓(xùn)練樣本對(duì)異響類別識(shí)別模型的孿生模型進(jìn)行訓(xùn)練；其中，所述孿生模型根據(jù)將所述異響類別識(shí)別模型中的自適應(yīng)球域識(shí)別層替換為全連接層得到；以及將所述孿生模型中除所述全連接層以外的模型參數(shù)同步至所述異響類別識(shí)別模型中。

45、可選地，所述異響類別識(shí)別模型用于將所述樣本聲音信號(hào)的時(shí)頻譜圖沿頻率軸方向進(jìn)行幅值池化，得到樣本時(shí)頻譜圖，以及提取所述樣本時(shí)頻譜圖的聲音特征。

46、可選地，所述異響類別識(shí)別模型用于將所述樣本聲音信號(hào)進(jìn)行短時(shí)傅里葉變換，以得到時(shí)頻譜圖；將所述時(shí)頻譜圖中的能量幅值轉(zhuǎn)換為分貝值，以得到樣本梅爾頻譜圖；以及將所述樣本梅爾頻譜圖沿頻率軸方向進(jìn)行幅值池化，以得到樣本時(shí)頻譜圖。

47、可選地，所述訓(xùn)練系統(tǒng)還包括幅值池化模塊，用于將所述樣本聲音信號(hào)的時(shí)頻譜圖沿頻率軸方向進(jìn)行幅值池化，得到樣本時(shí)頻譜圖；

48、所述異響類別識(shí)別模型用于提取所述樣本時(shí)頻譜圖的聲音特征。

49、可選地，所述幅值池化模塊具體包括時(shí)頻譜圖單元、樣本梅爾頻譜圖單元和樣本時(shí)頻譜圖單元：

50、所述時(shí)頻譜圖單元，用于將所述樣本聲音信號(hào)進(jìn)行短時(shí)傅里葉變換，以得到時(shí)頻譜圖；

51、所述樣本梅爾頻譜圖單元，用于將所述時(shí)頻譜圖中的能量幅值轉(zhuǎn)換為分貝值，以得到樣本梅爾頻譜圖；

52、所述樣本時(shí)頻譜圖單元，用于將所述樣本梅爾頻譜圖沿頻率軸方向進(jìn)行幅值池化，以得到樣本時(shí)頻譜圖。

53、可選地，所述訓(xùn)練系統(tǒng)還包括預(yù)加重模塊，用于對(duì)所述樣本聲音信號(hào)進(jìn)行預(yù)加重處理。

54、可選地，所述風(fēng)機(jī)葉片設(shè)于輪轂上，所述風(fēng)機(jī)葉片與所述輪轂的連接處設(shè)有面向葉片內(nèi)部的陣列式收音設(shè)備；

55、所述獲取模塊具體用于利用所述陣列式收音設(shè)備獲取訓(xùn)練樣本。

56、本公開的第四方面提供了一種風(fēng)機(jī)葉片異響類別的識(shí)別系統(tǒng)，所述識(shí)別系統(tǒng)包括：

57、采集模塊，用于采集風(fēng)機(jī)葉片運(yùn)行過程產(chǎn)生的目標(biāo)聲音信號(hào)；

58、預(yù)測(cè)模塊，用于將所述目標(biāo)聲音信號(hào)輸入異響類別識(shí)別模型，得到所述目標(biāo)聲音信號(hào)對(duì)應(yīng)的預(yù)測(cè)異響類別；其中，所述異響類別識(shí)別模型利用如第一方面中任一項(xiàng)所述的異響類別識(shí)別模型的訓(xùn)練方法得到，其中，所述異響類別識(shí)別模型用于提取所述目標(biāo)聲音信號(hào)的聲音特征，以及計(jì)算所述目標(biāo)聲音信號(hào)的聲音特征與各真實(shí)異響類別的球域中心之間的目標(biāo)距離，根據(jù)各目標(biāo)距離與對(duì)應(yīng)真實(shí)異響類別的球域半徑識(shí)別所述目標(biāo)聲音信號(hào)對(duì)應(yīng)的預(yù)測(cè)異響類別，響應(yīng)于不存在小于各真實(shí)異響類別的球域半徑的目標(biāo)距離，識(shí)別所述目標(biāo)聲音信號(hào)對(duì)應(yīng)的預(yù)測(cè)異響類別為未知異響類別。

59、可選地，所述異響類別識(shí)別模型用于將所述目標(biāo)聲音信號(hào)的時(shí)頻譜圖沿頻率軸方向進(jìn)行幅值池化，得到目標(biāo)時(shí)頻譜圖；以及提取所述目標(biāo)時(shí)頻譜圖的聲音特征。

60、可選地，所述異響類別識(shí)別模型用于將所述目標(biāo)聲音信號(hào)進(jìn)行短時(shí)傅里葉變換，以得到時(shí)頻譜圖；將所述時(shí)頻譜圖中的能量幅值轉(zhuǎn)換為分貝值，以得到目標(biāo)梅爾頻譜圖；將所述目標(biāo)梅爾頻譜圖沿頻率軸方向進(jìn)行幅值池化，以得到目標(biāo)時(shí)頻譜圖。

61、可選地，所述識(shí)別系統(tǒng)還包括池化處理模塊，用于將所述目標(biāo)聲音信號(hào)進(jìn)行短時(shí)傅里葉變換，以得到時(shí)頻譜圖；將所述時(shí)頻譜圖中的能量幅值轉(zhuǎn)換為分貝值，以得到目標(biāo)梅爾頻譜圖；以及將所述目標(biāo)梅爾頻譜圖沿頻率軸方向進(jìn)行幅值池化，以得到目標(biāo)時(shí)頻譜圖；

62、所述異響類別識(shí)別模型用于提取所述目標(biāo)時(shí)頻譜圖的聲音特征。

63、可選地，所述識(shí)別系統(tǒng)還包括預(yù)加重處理模塊，用于對(duì)所述目標(biāo)聲音信號(hào)進(jìn)行預(yù)加重處理。

64、本公開的第五方面提供了一種電子設(shè)備，包括存儲(chǔ)器、處理器及存儲(chǔ)在存儲(chǔ)器上并用于在處理器上運(yùn)行的計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)如第一方面所述的異響類別識(shí)別模型的訓(xùn)練方法或如第二方面所述的風(fēng)機(jī)葉片異響類別的識(shí)別方法。

65、本公開的第六方面提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如第一方面所述的異響類別識(shí)別模型的訓(xùn)練方法或如第二方面所述的風(fēng)機(jī)葉片異響類別的識(shí)別方法。

66、本公開的第七方面提供了一種計(jì)算機(jī)程序產(chǎn)品，包括計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如第一方面所述的異響類別識(shí)別模型的訓(xùn)練方法或如第二方面所述的風(fēng)機(jī)葉片異響類別的識(shí)別方法。

67、在符合本領(lǐng)域常識(shí)的基礎(chǔ)上，上述各優(yōu)選條件，可任意組合，即得本公開各較佳實(shí)例。

68、本公開的積極進(jìn)步效果在于：本公開將獲取到的風(fēng)機(jī)葉片運(yùn)行過程中產(chǎn)生的多個(gè)樣本聲音信號(hào)和樣本聲音信號(hào)對(duì)應(yīng)的真實(shí)異響類別作為訓(xùn)練樣本，利用該訓(xùn)練樣本對(duì)異響類別識(shí)別模型進(jìn)行訓(xùn)練，其中，異響類別識(shí)別模型用于提取樣本聲音信號(hào)的聲音特征，并基于各真實(shí)異響類別對(duì)應(yīng)的樣本聲音信號(hào)的聲音特征計(jì)算對(duì)應(yīng)真實(shí)異響類別的球域中心和球域半徑，以及計(jì)算樣本聲音信號(hào)的聲音特征與各真實(shí)異響類別的球域中心之間的目標(biāo)距離，根據(jù)各目標(biāo)距離與對(duì)應(yīng)真實(shí)異響類別的球域半徑識(shí)別樣本聲音信號(hào)對(duì)應(yīng)的預(yù)測(cè)異響類別，若響應(yīng)于不存在小于各真實(shí)異響類別的球域半徑的目標(biāo)距離，則識(shí)別所述樣本聲音信號(hào)對(duì)應(yīng)的預(yù)測(cè)異響類別為未知異響類別，通過這種訓(xùn)練方法訓(xùn)練得到的異響類別識(shí)別模型可以識(shí)別出聲音信號(hào)對(duì)應(yīng)的各種異響類別，防止出現(xiàn)將未知異響類別的樣本聲音信號(hào)錯(cuò)誤識(shí)別為其它異響類別，從而提高異響類別識(shí)別模型識(shí)別異響類別的準(zhǔn)確率。