风力发电机组通常在野外严酷的自然环境下自主运行，风机叶片作为风力发电机组的关键构成部分，成本高昂，会因为极端天气、工作疲劳、或其他因素导致叶片破损。若不及时发现并采取相应措施，叶片小裂纹逐渐发展成大裂缝甚至断裂脱落，会严重影响风机工作，造成安全事故。
许多学者对此进行了大量的研究，一些诊断技术包括声发射、振动分析、超声波检测图像识别和光纤传感等等都可以用于风机叶片的实时损伤检测。声发射和光纤传感技术灵敏度高，可以检测微小缺陷，但是需要在风机叶片内部安装一定数量的传感器，不适用于在役风机。图像识别技术结合无人机拍照和神经网络识别，在一定程度上节省了人力，精确率不如声发射和光纤传感技术，并且，无人机需要在风机停机状态下才能拍摄清晰的叶片照片，影响风场的经济效益。在汉斯出版社《软件工程与应用》期刊中，有学者开发了一套远程实时在线非接触式风机叶片健康监测和预警系统，满足了上述需求，本文提出了在多种背景噪声下风机叶片的声学特征故障信息提取方法，在此基础上重点探讨了故障识别算法。
风机叶片裂纹形状、腐蚀孔洞大小不同，产生的缺陷声音特征也不相同。风机叶片扫风声信号频率覆盖范围广泛，且受环境和自身的影响，是非周期的时变信号。某些噪声频率与缺陷声音产生的频率有重叠，给常规仪器识别带来了困难。通过提取信号的频带能量特征结合机器学习的方法，将声信号转变为一维特征向量后送入支持向量机训练，充分训练后的支持向量机，能较快识别出缺陷声音。结合风电场实录声学数据，得到了较为满意的结果。
传声器选型的时候首先应满足的条件是其频率响应的线性范围包括20Hz~20kHz；灵敏度高，尽可能清晰的录制现场声信号；其次要能适应野外恶劣环境。前端声信号采集系统选用高精度麦克风40CD加配套的前置放大器PRE22。配备防雨盖保护麦克风，选配防风罩，在一定程度上滤除风噪，减小风噪的影响。
实地采集了湖北省大悟风场、江西省七琴上风城和钓 鱼 台风场多台在役风机的声信号数据。平均来说，山地风场的风速大致在4~10m/s之间，年平均风速为6m/s[19]，风机工作的转速为7~17r/min，低于此转速范围不发电，高于此转速范围时为了保护风机会强制停止风机叶片转动。为了保证每个样本至少包含三个叶片的声音也就是一个转动周期，将每个样本时长规定为10秒。
本文提出了将风机叶片扫风的声信号经过倍频程提取频带能量特征并结合SVM进行正常和故障风机分类。在预处理过程中采用巴特沃斯滤波器可以去除主要的干扰成分风噪和高频人耳不可听部分，并利用1/6倍频程得到频带能量信息组成的特征向量。之后，采用带高斯核的SVM对非线性特征参数进行二分类，得到测试集样本的分类正确率达到95.91%，此设计可以实现远程实时在线风机状态的监测，有较大工业实用价值。
