风能作为一种新可再生能源，在世界范围内被越来越多的国家所重视。其中，螺栓连接是风机关键构件之间的连接形式，螺栓若松脱或断裂会造成设备损伤，甚至造成停产，从而降低发电效率与经济效益。
传统的故障诊断技术主要依靠人工检测、定期维修等手段，既费时又费力，而且很难对隐患进行及时检测。近年来，音频传感技术的出现为该问题的研究带来了新的思路。
通过对风机叶片工作状态下的音频信号进行实时监控和分析，可以快速发现风机叶片的异常振动、音频，并对潜在的故障进行预警。这一技术将为中国风电产业的智能化发展提供新支撑，具有重要的理论意义和应用价值。
风电叶片在运行过程中，由于噪声的影响使得音频传感技术在实际应用中面临着极大的困难。风电场多处于高风速地区，其自身往往会产生明显的背景噪声，如风、雨和地形反射等。风机运行过程中，风机叶片转动引起的气动噪声与机械构件运行噪声相互叠加，其频谱范围广，能量强度大，对声波传感系统的信号构成了严重的干扰。由于螺栓的松脱和折断，其特征音频信号一般都比较弱，与总体噪声相比，属于低信噪比信号。因此，很难从这些数据中抽取出有效的故障信息。 另外风机运行环境多变，气象因素（如风速变化、降雨等）会导致风机运行时的噪声特征发生明显变化，导致风机运行时存在高度动态、不确定性，这一动态时变性使得故障特征信号的辨识更加困难。在此背景下，音频传感技术面临着在高强度噪声下仍能保持对微弱故障信号的灵敏度这一关键技术问题，这既要求对声源有深入的认识，又要求在采集与处理环节对其进行精确滤波与噪声抑制。 利用音频传感技术进行风电叶片螺栓故障诊断时，其关键问题是如何提取与故障相关信号的特征信息。准确地从复杂的声学环境中提取出与螺栓故障有关的特征信息，是影响故障诊断效果的关键因素。但螺栓故障的特征信号往往隐藏在众多的背景噪声及其他非故障信号中，难以识别。目前，基于频域分析、时域分析和时频集成分析等手段，已成为国内外研究的热点。但由于风机叶片的结构复杂多变，对其分析策略提出了更高的要求。尤其在风机运行中，由于风机结构复杂、噪声等因素的影响，往往会导致风机故障。另外，由于风机运行状态、螺栓安装位置、故障类型等多种因素的影响，其特征信息具有可变性与多样性，难以应用于实际工程中。降噪和信号增强是风电叶片螺栓故障诊断中亟待解决的关键问题。首先，风力发电机在高速转动的过程中，会引起空气动力学噪声、机械振动噪声和外界噪声等多种噪声。这些噪声的存在会导致声波传感器在获取和分析螺栓的故障信号方面更加困难。因此，降噪的第一个任务就是要采用先进的算法对故障信号和背景噪声进行分离。目前，主要采用的方法包括时频分析、小波变换和自适应滤波等。这些方法实现了对多频、多时间尺度信号的精细化分析，并将其应用于实际故障诊断中。在信号增强的过程中，重点是改善传感器的灵敏度，并提高信号的信噪比。对此，可以使用高灵敏的声敏元件，以便更准确地捕捉微弱的故障声信号。此外，传感器的布局及安装位置也至关重要，合适的传感器布置可以在尽量减少外界噪声的情况下，最大限度地获得目标信号。因此，可以采用多传感器数据融合方法，将多传感器数据进行联合处理，在时空上具有较强的冗余性，可进一步提升故障诊断的可靠性与准确度。在信号传递环节，利用高精度ADC（模数转换器）及DSP（数字信号处理）等技术，保证信号的完整性与准确性。将边缘计算技术引入信号处理中，可以使其达到最优的实时性。将一些信息处理工作转移到离传感器较近的边缘设备进行处理，降低了信息传递时延，提高了系统的响应速度。最后，应搭建一套可实时监控、分析与反馈的综合信号处理平台。为了提高风机叶片螺栓故障诊断的精度与效率，对音频传感技术的特征参数进行优化设计是非常必要的。由于音频信号中存在着大量的无用或冗余信息，如何对其进行有效的特征参数提取是关键。首先，为了得到高质量的音频信号，必须对音频进行预处理，去除背景噪声及其他干扰。可以利用傅里叶变换、小波变换等手段，对信号进行时频分析，螺栓的松脱、断裂或其他故障是出现这些特征频率的主要原因。与此同时，利用主成分分析、独立分量分析等现代机器学习方法对高维数据进行降维，可得到具有较高诊断价值的特征参数。 在风机叶片螺栓故障诊断过程中，如何将音频信号特征转换为诊断结果是关键的一步。模式识别模型的作用就是从音频的特征参量中找出隐藏在音频中的故障模式。传统的模式识别依靠以规则为基础的专家系统、模糊逻辑系统等。近年来，机器学习、人工智能等技术取得了长足的进步，以数据为基础的模式识别模型已成为研究热点。其中，支持向量机、决策树、随机森林等方法被广泛地用于故障模式识别中。这些方法可以有效地处理语音信号的非线性时变特性，并具有很好的鲁棒性和泛化能力。为了对风机叶片的螺栓故障进行持续性监控，并对故障进行早期预警，必须对其进行实时监测。首先，音频传感器的选择与布局非常重要，这直接关系到音频信号的获取效果与覆盖范围。为了捕获由螺栓故障引起的微弱音频信号，传感器必须具有很高的敏感度和较宽的响应范围。其次，在系统的设计过程中，还应考虑到信号的可靠、实时性。利用WSN（无线传感器网络）技术，能够在多个感知节点间同时进行数据采集与远距离传输，保证了信息的实时性、完整性。最后，监测系统还应具有良好的人机接口，能够对故障信息进行实时显示，并对历史资料进行可视化分析，方便操作人员进行决策与维修。以位于南方某风电场的工程为例，风电机组机型为WT2000D110，对该机型机组进行螺栓轴力监测，具体针对1台风机，该风机配置3个叶根螺栓法兰，每个法兰设置8个监测点，以实现对叶根螺栓状态的精准监测。结合基于螺栓预紧力和叶根载荷监测技术的优点，构建叶根螺栓多维度状态监测及预警集成系统，实时监测叶根螺栓状态及叶根故障诊断。通过对叶根螺栓预紧力和叶根载荷等物理量进行采集，结合SCADA（监控和数据采集系统）数据，基于大数据及机器学习的设备性能预警模型，分析测点数据与风机故障之间的逻辑关联关系，构建基于物理模型数据异常故障的映射模型库，并通过智能数据对比分析系统的处理，可及时发现风机存在的潜在故障，如叶根过载、气动不平衡、螺栓松动、螺栓断裂等，并进行相关预警。 系统平台为B/S结构，可直接使用浏览器访问查看风电机组状态，系统具有实时在线监测数据、数据存储管理、报表打印等基本功能。同时，系统具有监测数据趋势分析、统计分析等在线分析功能，具备良好的系统开放性、可扩展性以及大规模数据管理和深层数据挖掘的能力，并支持二次开发。具体功能如下：(1) 实时监测数据：叶根载荷与螺栓预紧力实时监测数据涵盖基本信息统计、风机状态显示、单台风机模型构建、预紧力实时监测数据、预紧力分布图表以及载荷实时监测数据等内容。(2) 故障预警：包括疲劳统计、数据分析、故障告警等功能，通过多维度数据对叶根状态进行在线分析，并将分析结果在平台进行展示及告警。其中，疲劳统计主要基于雨流计数法计算叶根载荷的幅值并进行展示，实时展示得到的载荷幅值、载荷均值；数据分析主要包括在线分析、离线分析、趋势分析、对比分析。(3) 螺栓回波信息设置：包括螺栓回波全波图形、波形缩放、温度状况、声时、声时差、预紧力大小以及采集参数的设置。(4) 数据报表设置：系统支持数据报表在线查看、报表导出等功能。基于音频的机组叶片听诊系统包含听诊监测柜，内含高保真宽频拾音器、边缘智能终端以及其他附件。在轮毂中安装一个拾音器（性能指标如表1所示），然后把数据传输给智能终端，再把数据传输到光纤分析仪内置的工控机中，统一处理传输，从而实现故障诊断。叶根螺栓断裂实物如图1所示。基于音频的机组叶片听诊系统研究方法以“设备层—风机层—风场层”3层体系结构为核心，通过“特征参数采集—设备功能分析—风险预警响应”的多层次模式识别过程，实现叶片螺栓故障的精准诊断，各环节具体作用如下：(1) 采集器端：负责在风电机组关键部位，如叶根螺栓法兰、轮毂等，布置拾音器，通过麦克风阵列采集设备运行时的振动噪声、螺栓松动异响等音频信号。利用机器学习算法筛选核心测点，如应力集中区的螺栓位置，确保采集数据能直接反映叶片螺栓的实际运行状态，为后续分析提供有效输入。(2) 数据端：对采集的音频数据及历史运行数据，如载荷、转速、温度等进行降噪、去冗余等预处理，剔除异常值并补充缺失数据，形成高质量数据集。这些数据作为底层输入，支撑物理模型与预警算法的训练和验证，确保分析结果的可靠性。(3) 物理端：结合风机动力学原理，分析音频信号特征（如频率、幅值）与螺栓松动、断裂等故障之间的物理联系。例如，螺栓松动时会产生特定频率的振动噪声，通过建立“数据异常-故障类型”的映射模型库，如螺栓预紧力下降与异响频率的对应关系，将物理现象转化为可量化的诊断指标。(4) 模型端：集成多种数据驱动模型实现故障检测，包括基础模型、机器学习模型以及异常检测模型。(5) 分析端：针对风电场景中海量的音频数据，采用分布式计算框架实现高效处理。通过并行计算加速特征提取、模型训练和实时推理，解决传统单机计算无法应对的算力瓶颈问题，确保系统在高数据吞吐量下的实时性。(6) 结果展示端：将分析结果通过可视化界面呈现，包括实时音频波形、故障概率热图、螺栓状态趋势曲线等。结合人机交互设计，自动推送预警信息，如螺栓松动等级、断裂风险概率，并提供检修建议，如重点监测区域、维护周期调整。将音频传感技术用于风机叶片螺栓故障诊断，对提升风电场运行安全与运行效率具有重要意义。 本文从噪声干扰、特征提取和实时检测3个方面入手，通过噪声抑制与信号增强、特征参数的优化、建立先进的模式识别模型、改进实时监控系统的设计，提高故障诊断的精度与时效性。相关人员还应对该方法进行综合测试，以保证该方法的可靠性及实用性。
作者：苏虹境1，刘昊2，阳方超2
工作单位：1.中电建郴州新能源有限公司
2.溆浦中电建新能源有限公司
来源：科技与创新
转自：智能紧固件及紧固工具
