CN107796611B - 一种用于检测风力发电机异常工作的报警系统 - Google Patents
一种用于检测风力发电机异常工作的报警系统 Download PDFInfo
- Publication number
- CN107796611B CN107796611B CN201710987068.7A CN201710987068A CN107796611B CN 107796611 B CN107796611 B CN 107796611B CN 201710987068 A CN201710987068 A CN 201710987068A CN 107796611 B CN107796611 B CN 107796611B
- Authority
- CN
- China
- Prior art keywords
- sound
- module
- driven generator
- wind driven
- signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
Abstract
本发明提供了一种用于检测风力发电机异常工作的报警系统。所述风力发电机上设置一声音采集模块,所述报警系统包括声音采集模块、声信号处理模块、故障诊断模块和预警模块;所述声音采集模块、声信号处理模块、故障诊断模块、预警模块依次连接,所述预警模块用于检测风力发电机工作状态,若发现风力发电机工作异常,就由预警模块发出预警信息,提醒维护人员进行检修。本发明为风力发电机异常检测提供了一种简单高效、低成本的非接触式的在位故障诊断方法,给予风力发电机正常工作及维护指导性意见。
Description
技术领域
本发明涉及发电系统检测领域,尤其是涉及一种用于检测风力发电机异常工作的报警系统。
背景技术
风力发电机叶片是吸收风能并提供机组运转的重要部件,其成本约占风力发电机总成本15%-20%。全天候运行叶片所遭受的恶劣环境和复杂气候条件造成冲击或疲劳性损伤和破坏。近30年来的全球风电机组事故统计分析表明,叶片故障所占数量最多且逐年增加趋势。叶片故障多发于盛风期,期间维修不仅带来巨大经济损失,同时叶片断裂也是引起风电机组其他设备故障的重要因素。叶片定期维护修理及出现异常情况后停机检查,都不能满足风力发电厂实际需要,尤其是构成叶片主体复合材料内部损伤具有隐蔽性,易导致其整体结构突然崩塌性破坏发生,造成严重财产损失和安全威胁。
近十几年来,我国风电产业经历了爆发式增长,然而状态监测与故障识别技术落后,风电机组缺少配套状态监测装置,凸显了风电机组状态监测和故障识别的重要性。风力发电机叶片由多种材料构成其空心整体结构,在复杂变工况下运行(变桨和偏航运动),不同叶片制造标准不统一,这些都给风力发电机叶片状态监测与故障诊断带来了巨大困难与挑战性。现有叶片状态监测技术大部分是依赖接触式应变测量以及兰姆波测量,需要提前将传感器贴于叶片表面或埋入内部,监测中传感器数量和布置对测量结果影响较大,诊断效果不够稳定。
发明内容
针对上述问题,本发明旨在提供一种用于检测风力发电机异常工作的报警系统。
本发明的目的采用以下技术方案来实现:
一种用于检测风力发电机异常工作的报警系统,其特征在于:包括声音采集模块、声信号处理模块、故障诊断模块和预警模块;
所述声音采集模块用于感知和监测风力发电机工作时叶片发出的声信号;
所述声信号处理模块用于对采集到的声信号进行处理,提取声信号的特征参数;
所述故障诊断模块设有特征参数数据库,其中特征参数数据库存储有已训练好的风力发电机正常工作时叶片发出的声信号特征参数,所述故障诊断模块用于对比声信号的特征参数和特征参数数据库中已训练好的特征参数,判断风力发电机工作状态,若发现风力发电机工作异常,则将工作异常的诊断结果发送给预警模块;
所述预警模块用于发出预警信息,提醒维护人员进行检修。
本发明的有益效果:本发明为检测风力发电机异常工作提供了一种简单高效、低成本的非接触式的在位故障诊断方法,通过在风力发电机工作中实时完成对叶片声信号的采集、处理和分析工作,通过与特征参数数据库进行比对,发现风力发电机的叶片故障,进而实现对风力发电机叶片故障的早期检测和判断,提高了处理故障的精度和可靠性,实现了对风力发电机叶片的实时监测,进而保证风力发电机高效地运行,同时也能给予风力发电机正常工作及维护指导性意见。
附图说明
图1是本发明的框架结构图;
图2是本发明声信号处理模块的结构图。
附图标记:
风力发电机l;声音采集模块2;声信号处理模块3;故障诊断模块4;预警模块5;预处理单元3l;声信号提取单元32;特征参数提取单元33。
具体实施方式
结合以下应用场景对本发明作进一步描述。
参见图1,一种用于检测风力发电机异常工作的报警系统,其特征在于:包括声音采集模块2、声信号处理模块3、故障诊断模块4和预警模块5;所述声音采集模块2用于感知和监测风力发电机工作时叶片发出的声信号;所述声音采集模块2固定在支架上并放置在风力发电机叶片周围,且保证声音采集模块接收信号的部位朝向叶片位置。所述声信号处理模块3用于对声音采集模块2采集到的声信号进行处理,提取声信号的特征参数;所述故障诊断模块4设有特征参数数据库,其中特征参数数据库存储有已训练好的风力发电机正常工作时叶片发出的声信号特征参数,所述故障诊断模块4用于对比声信号的特征参数和特征参数数据库中已训练好的特征参数,判断风力发电机工作状态,若发现风力发电机工作异常,则将工作异常的诊断结果发送给预警模块5;
优选地,所述预警模块5用于预警信息,提醒维护人员进行检修。
优选地,所述预警模块5通过无线网络连接移动客户端。
优选地,参见图2,所述的一种用于检测风力发电机异常工作的报警系统,其特征在于所述声信号处理模块3包括预处理单元3l、声信号提取单元32和特征参数提取单元33;所述预处理单元31用于对声信号进行预处理;所述声信号提取单元32用于提取预处理后的声信号中有效声音段,所述特征参数提取单元33用于从有效声音段中提取声信号的特征参数。
本发明上述实施例,本发明为检测风力发电机异常工作提供了一种简单高效、低成本的非接触式的在位故障诊断方法,通过在风力发电机工作中实时完成对叶片声信号的采集、处理和分析工作,通过与特征参数数据库进行比对,发现风力发电机的叶片故障,进而实现对风力发电机叶片故障的早期检测和判断,提高了处理故障的精度和可靠性,实现了对风力发电机叶片的实时监测,进而保证风力发电机高效地运行,同时也能给予风力发电机正常工作及维护指导性意见。
优选地,所述预处理单元31用于对声音采集模块2采集的声信号进行预处理,具体包括:
1)对采集到的声信号进行N层小波分解,得到一组小波分解系数W={W1,W2,...Wn},n为小波分解系数的个数;
2)采用下列阈值函数对小波分解得到的N层里的高频分量系数Wi进行阈值处理,得到一组新的小波分解系数高频分量的估计值W′;
其中,W′为阈值处理后的小波分解系数高频分量的估计值,W为小波分解系数,ε为调节因子,其取值范围是0≤ε≤1,Tth为设定的阈值,η为修正因子;
3)对W′和第N层的小波分解系数中的低频分量系数进行小波重构,得到阈值处理后的声信号,即为去噪后的声信号;
4)对去噪后的声信号进行模数转换,得到对应的数字信号,并对得到的数字信号进行预加重处理,获得平坦的声信号的频谱;
5)与经过预加重处理后的声信号进行分帧和加窗,即可得到预处理后的声信号。
本优选实施例,由阈值函数可知,当|W|+→Tth时,W′→[(1-ε)Tth]sgn(W);当|W|-→Tth时,W′→[(1-ε)Tth]sgn(W)。因此,W在|W|=Tth处是连接的。使得在利用阈值函数对小波分解系数高频分量进行处理时,使得采集的声信号里的背景噪声分量与所要提取的风力发电机工作时叶片所产生的声信号之间存在一个平稳的过渡区,这种处理声信号的方法符合声信号的连续特征,使得重构出来的声音信号更加平滑。且经过阈值函数处理后,能够有效去除叶片声信号中所处环境中的噪声,提高了叶片声信号的质量。
优选地,所述声信号提取单元32用于提取预处理后的声信号中有效声音段,具体包括:
a)设初始状态值S=0,如果满足Mm>Mlow或Zm>Zlow,则标记声信号的起点,进入过渡段;如果Mlow或者Zlow被超越且持续被超越的时间长度大于自定义的最小声信号长度,则标记声音开始,并设置状态值为1;令m=m+1,对下一帧进行操作,并计算此时帧的Mm和Zm;其中,S为检测的当前状态,数值不同,对应不同的检测状态;Mm是第m帧的平均幅度值,Mlow为Mm的自定义的最低门限值,Zm为第m帧的帧间平均过零率,Z1ow为Zm的自定义的最低门限值,Mm和Zm可利用帧的平均幅度公式和帧间平均过零率公式计算得到,其中,帧的平均幅度公式为:
其中,L为帧的长度,sm(p)为加窗前第m帧中第p个频谱处的声音信号的幅度值,N为窗口的宽度,w(θ)为自定义的窗函数,θ为窗函数的采样点,m为正在检测的第m帧声音信号,p为第m帧声音信号中第p个频谱;
帧间平均过零率计算公式为:
其中,sgn[·]是符号函数,它的表达式为:
b)在状态值S为1时,如果Mm<Mlow或Zm<Zlow,则令S=0,执行步骤a,否则,如果Mm>MHigh或Zm>ZHigh,则标记为声音段,并将状态值S设为2,且令m=m+1,计算下一帧的Mm和Zm的值;其中MHigh为Mm的自定义的最高门限值,ZHigh为Zm的自定义的最高门限值;
c)在状态值S为2时,如果Mm<Mlow或Zm<Zlow,且满足声音的回落时间持续超多自定义的最大静音长度,则可以标记声音结束,并将状态值设为3;否则跳转至步骤b,执行步骤b;当状态值为3时,对应处理的帧即为该有效声音信号的终点,输出声信号的起点到声信号的终点之间的声信号段,即为有效声音段。
本优选实施例,选择帧的平均幅度值和帧间过零率两个参数来对加窗后的声信号进行端点检测,进而获得有效声信号的起点和终点,此算法能够有效的去除声信号中一些不必要的冗余信息,也能够有效的避免一些噪声和叶片声信号停顿等干扰引起的误判,减少了系统的运算量并且提高了系统的工作效率和正确率。
优选地,所述特征参数提取单元33用于从有效声音段中提取声信号的特征参数,具体为:
1)采用功率谱函数获取有效声信号段中的纯净声音信号的功率谱|Ω(f)|2,其中,功率谱的计算公式为:
|Ω(f)|2=|Y(f)|2-(1-2λ2)|N(f)|2-2λ[|Y(f)|2×|N(f)|2-(1-λ2)|N(f)|4]1/2
其中,y(t)为有效声音段,Y(f)为y(t)的功率谱,N(f)为有效声音段中的残留噪声的功率谱,λ为设定的修正因子;
2)按照MFCC提取方法对Ω(f)进行处理,获得MFCC系数,即将Ω(f)通过Mel滤波器组后取对数,对对数功率谱进行DCT变换从而得到MFCC系数;
3)对MFCC系数求一阶差分系数,并将MFCC系数和MFCC的一阶差分系数作为有效声音段的特征参数。
本优选实施例,通过利用功率谱函数,并将其进行MFCC系数提取处理,该算法能够提高叶片声信号的纯度和有效性,在功率谱函数中,λ为一个修正因子,它的取值灵活性反映了显示环境中的噪声特征,通过动态调整λ的大小,可以动态的描述带噪声的叶片声信号中的随机噪声,在进行特征提取时可以准确地对风力发电机工作时叶片发出的声信号进行特征提取,提高了后续判断风电机工作是否异常的准确度。
最后应当说明的是,以上实施例仅用以说明本发明的技术方案,而非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。
Claims (3)
1.一种用于检测风力发电机异常工作的报警系统,其特征在于,包括声音采集模块、声信号处理模块、故障诊断模块和预警模块;
所述声音采集模块用于感知和监测风力发电机工作时叶片发出的声信号;
所述声信号处理模块用于对采集到的声信号进行处理,提取声信号的特征参数;
所述故障诊断模块设有特征参数数据库,其中特征参数数据库存储有已训练好的风力发电机正常工作时叶片发出的声信号特征参数,所述故障诊断模块用于对比声信号的特征参数和特征参数数据库中已训练好的特征参数,判断风力发电机工作状态,若发现风力发电机工作异常,则将工作异常的诊断结果发送给预警模块;
所述预警模块用于发出预警信息,提醒维护人员进行检修;
所述声信号处理模块包括预处理单元、声信号提取单元和特征参数提取单元;所述预处理单元用于对声信号进行预处理;所述声信号提取单元用于提取预处理后的声信号中有效声音段,所述特征参数提取单元用于从有效声音段中提取声信号的特征参数;
所述的对声信号进行预处理,具体包括:
1)对采集到的声信号进行N层小波分解,得到一组小波分解系数W={W1,W2,...Wn},n为小波分解系数的个数;
2)采用下列阈值函数对小波分解得到的N层里的高频分量系数Wi进行阈值处理,得到一组新的小波分解系数高频分量的估计值W′;
其中,W′为阈值处理后的小波分解系数高频分量的估计值,W为小波分解系数,ε为调节因子,其取值范围是0≤ε≤1,Tth为设定的阈值,η为修正因子;
3)对W′和第N层的小波分解系数中的低频分量系数进行小波重构,得到阈值处理后的声信号,即为去噪后的声信号;
4)对去噪后的声信号进行模数转换,得到对应的数字信号,并对得到的数字信号进行预加重处理,获得平坦的声信号的频谱;
5)对经过预加重处理后的声信号进行分帧和加窗,得到加窗后的声信号;
所述声信号提取单元用于提取预处理后的声信号中有效声音段,具体包括:
a)设初始状态值S=0,如果满足Mm>Mlow或Zm>Zlow,则标记声信号的起点,进入过渡段;如果Mlow或者Zlow被超越且持续被超越的时间长度大于自定义的最小声信号长度,则标记声音开始,并设置状态值为1;令m=m+1,对下一帧进行操作,并计算此时帧的Mm和Zm;其中,S为检测的当前状态,数值不同,对应不同的检测状态;Mm是第m帧的平均幅度值,Mlow为Mm的自定义的最低门限值,Zm为第m帧的帧间平均过零率,Zlow为Zm的自定义的最低门限值,Mm和Zm可利用帧的平均幅度公式和帧间平均过零率公式计算得到,其中,帧的平均幅度公式为:
其中,L为帧的长度,sm(p)为加窗前第m帧中第p个频谱处的声音信号的幅度值,N为窗口的宽度,w(θ)为自定义的窗函数,θ为窗函数的采样点,m为正在检测的第m帧声音信号,p为第m帧声音信号中第p个频谱;
帧间平均过零率计算公式为:
其中,sgn[·]是符号函数,它的表达式为:
b)在状态值S为1时,如果Mm<Mlow或Zm<Zlow,则令S=0,执行步骤a,否则,如果Mm>MHigh或Zm>ZHigh,则标记为声音段,并将状态值S设为2,且令m=m+1,计算下一帧的Mm和Zm的值;其中MHigh为Mm的自定义的最高门限值,ZHigh为Zm的自定义的最高门限值;
c)在状态值S为2时,如果Mm<Mlow或Zm<Zlow,且满足声音的回落时间持续超多自定义的最大静音长度,则可以标记声音结束,并将状态值设为3;否则跳转至步骤b,执行步骤b;当状态值为3时,对应处理的帧即为该有效声音信号的终点,输出声信号的起点到声信号的终点之间的声信号段,即为有效声音段。
2.根据权利要求1所述的报警系统,其特征在于,所述声音采集模块固定在支架上并放置在风力发电机叶片周围,且保证声音采集模块接收信号的部位朝向叶片位置。
3.根据权利要求l所述的报警系统,其特征在于,所述预警模块通过无线网络连接移动客户端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710987068.7A CN107796611B (zh) | 2017-10-20 | 2017-10-20 | 一种用于检测风力发电机异常工作的报警系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710987068.7A CN107796611B (zh) | 2017-10-20 | 2017-10-20 | 一种用于检测风力发电机异常工作的报警系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107796611A CN107796611A (zh) | 2018-03-13 |
CN107796611B true CN107796611B (zh) | 2020-05-15 |
Family
ID=61533757
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710987068.7A Active CN107796611B (zh) | 2017-10-20 | 2017-10-20 | 一种用于检测风力发电机异常工作的报警系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107796611B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108984824B (zh) * | 2018-05-31 | 2019-12-13 | 中冶华天南京工程技术有限公司 | 环冷机漏风率检测方法 |
CN108627242B (zh) * | 2018-05-31 | 2020-08-25 | 中冶华天南京工程技术有限公司 | 基于盲源分离单边检测法的环冷机漏风率检测方法 |
CN108709426B (zh) * | 2018-05-31 | 2020-02-21 | 中冶华天工程技术有限公司 | 基于频谱特征双边检测法烧结机漏风故障在线诊断方法 |
CN108759479B (zh) * | 2018-05-31 | 2019-12-13 | 中冶华天工程技术有限公司 | 基于盲源分离单边检测法的烧结机漏风故障在线诊断方法 |
CN108710300B (zh) * | 2018-05-31 | 2019-12-13 | 中冶华天工程技术有限公司 | 烧结风量控制方法 |
CN108804796B (zh) * | 2018-05-31 | 2020-02-21 | 中冶华天南京工程技术有限公司 | 基于频谱特征的环冷机漏风率检测方法 |
CN108956041B (zh) * | 2018-05-31 | 2020-07-28 | 中冶华天工程技术有限公司 | 基于频谱特征单边检测法的烧结机漏风故障在线诊断方法 |
CN109029697B (zh) * | 2018-05-31 | 2019-12-27 | 中冶华天工程技术有限公司 | 基于频谱特征单边检测法的环冷机漏风故障在线诊断方法 |
CN108731484B (zh) * | 2018-05-31 | 2019-12-27 | 中冶华天南京工程技术有限公司 | 基于频率特征环冷机风量控制方法 |
CN108895839B (zh) * | 2018-05-31 | 2019-12-13 | 中冶华天工程技术有限公司 | 烧结机漏风故障在线诊断方法 |
CN109139390B (zh) * | 2018-09-27 | 2020-03-13 | 河北工业大学 | 一种基于声信号特征库的风机桨叶故障识别方法 |
CN109211556B (zh) * | 2018-10-19 | 2020-11-24 | 深圳市正威智能有限公司 | 一种轨道交通工具零部件检测系统 |
CN109236587B (zh) * | 2018-10-19 | 2020-04-21 | 河北建投新能源有限公司 | 一种用于检测风力发电机异常工作的报警系统 |
CN109209786B (zh) * | 2018-11-29 | 2019-10-29 | 绍兴市亚索新能源科技有限公司 | 一种风力发电机组故障检测方法 |
CN109268211B (zh) * | 2018-11-29 | 2019-10-11 | 河北思达歌数据科技投资有限公司 | 一种自适应风力发电装置 |
CN114235455B (zh) * | 2021-12-15 | 2023-07-14 | 中国船舶集团风电发展有限公司 | 一种测风塔异常状态自动报警系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202305007U (zh) * | 2011-11-09 | 2012-07-04 | 刘超 | 风力发电电机及叶片状态在线监测仪 |
CN102620807A (zh) * | 2012-03-22 | 2012-08-01 | 内蒙古科技大学 | 风力发电机状态监测系统及方法 |
WO2013057276A1 (en) * | 2011-10-21 | 2013-04-25 | Aktiebolaget Skf | Method and device for determining a load zone in a roller bearing |
CN104677623A (zh) * | 2015-03-16 | 2015-06-03 | 西安交通大学 | 一种风力发电机叶片故障在位声学诊断方法及监测系统 |
CN106653001A (zh) * | 2016-11-17 | 2017-05-10 | 沈晓明 | 婴儿哭声的辩识方法及其系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104595112B (zh) * | 2013-10-30 | 2018-01-16 | 通用电气公司 | 风力涡轮机及评估其上叶片健康状态的方法 |
-
2017
- 2017-10-20 CN CN201710987068.7A patent/CN107796611B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013057276A1 (en) * | 2011-10-21 | 2013-04-25 | Aktiebolaget Skf | Method and device for determining a load zone in a roller bearing |
CN202305007U (zh) * | 2011-11-09 | 2012-07-04 | 刘超 | 风力发电电机及叶片状态在线监测仪 |
CN102620807A (zh) * | 2012-03-22 | 2012-08-01 | 内蒙古科技大学 | 风力发电机状态监测系统及方法 |
CN104677623A (zh) * | 2015-03-16 | 2015-06-03 | 西安交通大学 | 一种风力发电机叶片故障在位声学诊断方法及监测系统 |
CN106653001A (zh) * | 2016-11-17 | 2017-05-10 | 沈晓明 | 婴儿哭声的辩识方法及其系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107796611A (zh) | 2018-03-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107796611B (zh) | 一种用于检测风力发电机异常工作的报警系统 | |
CN109236587B (zh) | 一种用于检测风力发电机异常工作的报警系统 | |
CN104677623B (zh) | 一种风力发电机叶片故障在位声学诊断方法及监测系统 | |
CN102269655B (zh) | 一种轴承故障的诊断方法 | |
EP2868921B1 (en) | Wind turbine and method for evaluating health state of blade thereof | |
US20130191040A1 (en) | Method and apparatus for locating a source of damage in a large composite material structure | |
CN104101652B (zh) | 一种基于音频信号的风电叶片损伤监测方法及监测系统 | |
CN109209783A (zh) | 一种基于噪声检测叶片的雷击损伤的方法及装置 | |
CN104265577B (zh) | 一种基于压缩感知的风力发电机组异常检测方法 | |
CN107424626A (zh) | 一种岸桥小车轨道声音监测及故障识别系统 | |
CN109916742B (zh) | 一种基于光纤光栅传感的高精度复合材料冲击定位算法 | |
CN106706241B (zh) | 一种风力机叶片损伤主动自检装置及方法 | |
CN107064298A (zh) | 一种运行中风机叶片裂纹的激光检测方法 | |
CN114183312A (zh) | 一种风电机组叶片状态的监测系统及方法 | |
CN111833336A (zh) | 一种基于高光谱的风电叶片表面砂眼故障的检测系统及方法 | |
CN116398378B (zh) | 一种风电机组叶片多维状态监测装置及方法 | |
CN105822508B (zh) | 一种监测风力发电设备的叶片形变的系统 | |
CN111173687A (zh) | 一种风电风机叶片裂纹损伤在线监测装置及方法 | |
CN103149047A (zh) | 一种基于非线性混合模型的冷却塔声学诊断方法 | |
CN111855817B (zh) | 复杂结构件云边端协同检测疲劳裂纹的方法 | |
CN104633461A (zh) | 一种基于声信号的pccp爆管预警监测信号处理方法 | |
CN114893390A (zh) | 一种基于注意力与集成学习机制的泵机设备故障检测方法 | |
Liu et al. | Acoustic emission analysis for wind turbine blade bearing fault detection using sparse augmented Lagrangian algorithm | |
CN109916741B (zh) | 一种基于光纤光栅传感的复合材料冲击裂纹检测方法 | |
Li | Few-shot wind turbine blade damage early warning system based on sound signal fusion |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20200414 Address after: No. 353, Government Street, Muping District, Yantai City, Shandong Province Applicant after: Yantai qingneng Wind Power Co., Ltd Address before: No. 44, people's East Road, Yulin, the Guangxi Zhuang Autonomous Region, the Guangxi Zhuang Autonomous Region Applicant before: Gong Tuting |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |