摘要
叶片是风力发电机的重要组成部分，其工作环境复杂，故障率较高，叶片在故障
状态下工作极易造成经济损失与重大安全事故，因此，开展风机叶片故障检测方法与
监测系统研究具有重要意义。针对现有风机叶片故障监测手段及准确度的不足，本文
研究了一种基于声音信号的风机叶片故障监测方法，主要内容如下：
首先，针对风机叶片声音信号含有较多风噪的问题，提出一种基于VMD-MD与
改进小波阈值的声音信号降噪方法。利用变分模态分解（VMD）将声音信号分解为多
IMF
个模态分量（）；考虑到风机为旋转类机械设备，叶片声音信号具有周期性，据此，
根据信号的短时能量识别叶片旋转周期，从中提取风噪信号，并进一步确定噪声与各
PDFIMFIMFIMF
模态分量概率密度函数（）的相似度，区分出噪声、混合和信号；
进而基于改进的小波阈值函数对混合IMF降噪并与信号IMF重构，得到降噪后的叶
片声音信号。测试算例表明，本方法降噪效果较好，适应性较强。
其次，针对传统声信号特征提取方法对叶片声音区分度不足的问题，提出一种基
于改进梅尔倒谱系数（MFCC）的声音信号特征提取方法。首先，采用快速傅里叶变
FFT
换（）分析了不同风速下叶片声音信号和风噪的频率特性，明确信号的频率分布
PSOMel
区域，将全频段分为三部分；然后采用粒子群优化算法（）对梅尔（）函数在
不同频段上的敏感度进行优化，在迭代优化过程中，将MFCC算法提取的叶片声音特
征进行聚类，以轮廓系数作为迭代过程中的适应度函数；最后以改进MFCC算法对降
噪后的叶片声信号进行特征提取。测试算例表明该方法是有效的。
最后，针对传统支持向量机(SVM)对叶片声信号特征分类准确率低的问题，提出
BAS
一种基于改进天牛须算法（）的支持向量机参数优化方法。借鉴群智能算法的思
想，将BAS算法中单个天牛变为多个天牛，在每轮迭代中选出最优个体，并根据最优
个体的位置对其他个体的步长进行调整，从而增强算法的寻优能力。利用改进BAS算
法对SVM的参数进行寻优，建立叶片故障诊断模型。测试算例表明，改进后的BAS
寻优性能更好，基于改进BAS-SVM故障诊断模型的识别准确率更高。
本研究可为风机叶片故障在线监测提供技术参考，并可应用于海上风电。
关键词：风机叶片；声音信号；降噪；特征提取；故障监测
I
ABSTRACT
Thebladeisanimportantcomponentofwindturbines,anditsworkingenvironmentis
complex,resultinginahighfailurerate.Thebladeworkinginafaultystatecaneasilycause
economiclossesandmajorsafetyaccidents.Therefore,itisofgreatsignificancetocarryout
theresearchonthefaultdetectionmethodandmonitoringsystemofthewindturbineblade.
Inviewoftheshortcomingsofexistingwindturbinebladefaultmonitoring,thispaperstudies
afaultmonitoringmethodofwindturbinebladebasedonacousticsignals.Themain