CN112067701B - 基于声学诊断的风机叶片远程听诊方法 - Google Patents
基于声学诊断的风机叶片远程听诊方法 Download PDFInfo
- Publication number
- CN112067701B CN112067701B CN202010927144.7A CN202010927144A CN112067701B CN 112067701 B CN112067701 B CN 112067701B CN 202010927144 A CN202010927144 A CN 202010927144A CN 112067701 B CN112067701 B CN 112067701B
- Authority
- CN
- China
- Prior art keywords
- blade
- matrix
- acoustic
- fan blade
- wind
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000003745 diagnosis Methods 0.000 title claims abstract description 26
- 238000002555 auscultation Methods 0.000 title claims abstract description 18
- 239000013598 vector Substances 0.000 claims abstract description 24
- 238000012544 monitoring process Methods 0.000 claims abstract description 17
- 238000012423 maintenance Methods 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 238000009434 installation Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000010408 sweeping Methods 0.000 claims abstract description 8
- 230000003044 adaptive effect Effects 0.000 claims abstract description 6
- 230000005856 abnormality Effects 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 30
- 230000000737 periodic effect Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 239000013256 coordination polymer Substances 0.000 claims description 2
- 238000005316 response function Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 12
- 230000007774 longterm Effects 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 description 4
- 239000000306 component Substances 0.000 description 3
- 241000801118 Lepidium Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/14—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object using acoustic emission techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4409—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison
- G01N29/4418—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison with a model, e.g. best-fit, regression analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/023—Solids
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/26—Scanned objects
- G01N2291/269—Various geometry objects
- G01N2291/2698—Other discrete objects, e.g. bricks
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Health & Medical Sciences (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Wind Motors (AREA)
Abstract
一种基于声学诊断的风机叶片远程听诊方法，包括：采集风机叶片正常状态和叶片损伤状态下的声学信号作为原始数据集；提取出叶片的扫风声；利用倍频程提取信号的能量比作为特征向量集；利用自适应方法提取特征向量集的主要特征量；将特征向量集划分为训练集和检验集，确定模型参数建立基于SVDD算法故障监测模型；将检验集带入监测模型，得到测试样本精度；发现异常后，将诊断结果发送至集控中心继而及时通知风场的维护人员前去检修。本发明通过声信号分析检测的方法，实现对运转状态下风电机组叶片表面损伤的实时诊断，安装便利维护，高精度拾音器无需与机组接触，无需破坏叶片壳体，也无需停机检测，可用于叶片表面损伤的长期诊断。
Description
技术领域
本发明涉及风机叶片故障监测与故障诊断技术领域，特别涉及一种基于声学诊断的风机叶片远程听诊方法。
背景技术
风机叶片是风力发电机组核心部件之一，是进行能量转换的关键设备，其状态对整机的性能和发电质量有着直接的影响。由于长期运行于变负载及恶劣的环境下，导致其故障频发，因此，对叶片进行状态监测，对于确保风电机组的效率和提高机组安全可靠性具有非常重要的作用。
当前，基于风机叶片状态监测的方法有振动检测，超声波检测，声发射检测等方法。振动检测采集到的信号源复杂多变，很难检测到叶片的早期故障。超声波检测探伤结果不便保存，且较难对风力机叶片实行动态监测。声发射和振动检测需要安装传感器在叶片上，会破坏叶片的固有结构，且安装困难。
因此，提出了一种基于声学诊断的风机叶片远程听诊方法，以解决现有技术中存在的这一问题。为了解决上述技术问题，特提出一种新的技术方案。
发明内容
本发明提供了一种基于声学诊断的风机叶片远程听诊方法，以解决至少一个上述技术问题。
为解决上述问题，作为本发明的一个方面，提供了一种基于声学诊断的风机叶片远程听诊方法，包括以下步骤：
步骤1，通过安装在风机塔底的噪音传感器采集风机叶片正常状态和叶片损伤状态下的声学信号作为原始数据集；
步骤2，将塔底远离机舱的机械噪声过滤掉风噪声后，提取出叶片的扫风声；
步骤3，根据叶片的扫风信号的周期性短时脉冲特性，设定短时脉冲时间阈值和初始能量阈值，利用滑动窗口计算每一帧的能量，以连续多帧能量大于初始能量阈值、且计算连续多帧时间小于短时脉冲时间阈值，作为有效的一个叶片脉冲周期，以连续三个叶片脉冲周期作为一个样本信号，并计算叶片的旋转周期，利用倍频程提取信号的能量比作为特征向量集；
步骤4，根据传感器的安装位置、叶片的故障程度等因素的不同，利用自适应方法提取特征向量集的主要特征量，以去除其中的冗余信息；
步骤5，将特征向量集划分为训练集和检验集，用机器学习常用网格搜索的调参方法检索最优的参数组合，确定模型参数建立基于SVDD算法故障监测模型；
步骤6，将检验集带入基于SVDD算法故障监测模型，得到测试样本精度；
步骤7，在基于SVDD算法故障监测模型发现异常后，将诊断结果发送至集控中心继而及时通知风场的维护人员前去检修。
优选地，步骤2中采用巴特沃斯滤波器过滤掉风噪声，滤波器的阶数取30-50，下限截止频率为50-200Hz，上限截止频率为10-15kHz，其平方幅频响应函数为：
其中，N为滤波器的阶数，Ωc为3dB截止频率，Ωu为上限截止频率，Ωl为下限截止频率。
优选地，步骤4中的自适应方法包括：
步骤41，构造输入样本矩阵，假设原始数据包含n个样本，每个样本有m个能量比特征，构造n行m列的原始特征矩阵Xm×n；
步骤42，零均值化特征矩阵的每一列，得到矩阵
步骤43，计算协方差矩阵，获得各维度的方差(主对角线上元素)与不同维度间的相关系数(非对角线上元素)，协方差矩阵的具体计算方法为：
步骤44，矩阵对角化：为了尽可能减小不同维度间的相关性，即让协方差矩阵中非对角线元素接近0，对协方差矩阵进行对角化处理，得到特征值矩阵Λ与特征向量矩阵Pm×m，对角化公式为PTCP＝Λ；
步骤45，自适应提取主成分：特征值矩阵的主对角线元素即为各维度的新方差，并按从大到小排序，筛选累计贡献率大于阈值的前k(k＜m)个主成分，排列组成投影矩阵P′，对输入样本矩阵进行投影得到新的样本矩阵Y：Y＝XP′。
优选地，所述步骤5所述的SVDD算法故障监测模型为：
其中，a表示超球面的球面中心坐标，R表示超球面的半径，z表示采集的叶片声信号的特征向量，ai、aj、xi分别表示第i个拉格朗日系数、第j个拉格朗日系数和第i个支持向量，I为指示函数，此处的A指命题，若A为真时，则判定为正常信号，若A为假时，则判定为故障信号。
优选地，传感器可安装在叶片的背风向的塔门附近。
优选地，所述特征向量数据集进行划分的方式为70％作为训练集，30％作为检验集。
优选地，所述步骤1中的声学信号传输至大数据分析平台。
优选地，通过集成在工控机中的采集卡实现对声学信号的采集，源数据经过信号处理后，以三个连续的短时脉冲信号为一个样本周期。
优选地，所述步骤4中的自适应方法为PCA方法。
优选地，巴特沃斯滤波器的阶数取30-50，下限截止频率为50-200Hz，上限截止频率为10-15kHz。
与现有技术相比，本发明的有益效果是：
(1)实时性高，正常叶片在运转过程中发出周期性的刷刷声，但当表面出现裂纹、腐蚀等损伤时，气流经过壳体表面凸起，在摩擦振动时将会发出尖锐的啸叫声，不同的损伤类型和位置，其引起的啸叫声也有所区别。这种声学特征是表面损伤的伴生现象，因此可以通过声信号分析检测的方法，实现对运转状态下风电机组叶片表面损伤的实时诊断。
(2)安装便利维护，高精度拾音器无需与机组接触，只需安置在机组塔筒底部，实现了传感器安装和叶片生产过程的完全分离。而在后续维护中，传感器出现的失效、故障等问题不需要让机组停止运行，直接更换维修即可；
(3)非接触式动态诊断。声学诊断方法无需破坏叶片壳体，也无需停机检测，可用于叶片表面损伤的长期诊断。
附图说明
图1为叶片远程在线听诊系统结构。
图2为采集的叶片声信号预处理前后的时频图。
图3为风机叶片声学诊断远程听诊系统监控图。
图4为风机叶片远程听诊故障诊断流程图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
本发明从安装在风机塔底的噪音传感器采集叶片旋转时的声学信号，经过数据传输至大数据平台；利用信号去噪的方法提取叶片的扫风声，利用能量阈值和滑动窗口提取叶片的有效旋转周期信号作为一个样本，利用倍频程提取信号的能量比作为特征向量数据集；针对数据集中可能包含的冗余信息，利用主成分分析(Principal ComponentAnalysis，PCA)方法提取主要的特征量；将数据集划分为训练集和检验集，确定模型参数并建立基于支持向量数据描述(Support Vector Data Description,SVDD)的故障诊断模型，最后基于实测数据集验证了算法的有效性。
本发明中的基于声学诊断的风机叶片远程听诊方法，包括以下述步骤：
步骤1，通过安装在风机塔筒底部的噪音传感器采集叶片旋转时的声学信号，并经数据传输至大数据分析平台；
步骤2，通过将传感器安装在塔筒底部来远离机舱的机械噪声，利用巴特沃斯滤波器来过滤风噪声，从而提取出叶片的扫风声；
步骤3，根据叶片扫风信号具有周期性的短时脉冲特性，设定短时脉冲时间阈值和初始能量阈值，利用滑动窗口计算每一帧的能量，以连续多帧能量大于初始能量阈值，并计算连续多帧时间小于短时脉冲时间阈值，作为有效的一个叶片脉冲周期，以连续三个叶片脉冲周期作为一个样本信号，并能够计算叶片的旋转周期，利用倍频程提取信号的能量比作为特征向量集；
步骤4，根据传感器的安装位置，叶片的故障程度等因素的不同，步骤三得到的特征向量集可能包含一些冗余信息，为了自适应的提取主要特征，PCA方法提取主要的特征量；
步骤5，特征向量集划分为训练集和检验集，用机器学习常用网格搜索的调参方法检索最优的参数组合，确定模型参数建立基于SVDD算法故障监测模型；
步骤6，将步骤5的检验集带入步骤四的基于SVDD算法故障监测模型，得到测试样本精度；
步骤7，在基于SVDD算法故障监测模型，发现异常后，将诊断结果发送至集控中心继而及时通知风场的维护人员前去检修。
优选地，所述步骤1通过前期实验结果表明，叶片旋转的下风侧的信噪比优于上风侧，传感器可安装在叶片的背风向的塔门附近，避免塔筒顶部的机械噪声的影响，且便于安装维护。
优选地，所述巴特沃斯滤波器为带通滤波器，下限截止频率可选择为100～300Hz，上限截止频率可选择为10～12kHz；
优选地，所述特征向量数据集进行划分的方式为70％作为训练集，30％作为检验集。
与现有技术相比，本发明的有益效果是：
(1)实时性高，正常叶片在运转过程中发出周期性的刷刷声，但当表面出现裂纹、腐蚀等损伤时，气流经过壳体表面凸起，在摩擦振动时将会发出尖锐的啸叫声，不同的损伤类型和位置，其引起的啸叫声也有所区别。这种声学特征是表面损伤的伴生现象，因此可以通过声信号分析检测的方法，实现对运转状态下风电机组叶片表面损伤的实时诊断。
(2)安装便利维护，高精度拾音器无需与机组接触，只需安置在机组塔筒底部，实现了传感器安装和叶片生产过程的完全分离。而在后续维护中，传感器出现的失效、故障等问题不需要让机组停止运行，直接更换维修即可；
(3)非接触式动态诊断。声学诊断方法无需破坏叶片壳体，也无需停机检测，可用于叶片表面损伤的长期诊断。
实施例：
为了训练SVDD模型，现场采集了玛依塔斯风电场、风雨殿风电场正常与故障风机的声学信号，其中玛依塔斯风电场的风机型号为UP2000-96，机组容量1.5MW，叶片故障类型为前缘开裂，风雨殿风电场的风机型号为UP2000-115，机组容量为2MW，叶片故障类型为后缘开裂。数据采集系统由YG-201型传声器、集成在工控机中的采集卡及采集程序构成(如图1所示)，源数据经过信号处理后，以三个连续的短时脉冲信号为一个样本周期；
数据集经过高通滤波后，信号周期和短时脉冲信号能够直观显示(如图2所示)，最后以连续三个脉冲信号作为一个样本周期进行特征提取。最后经过特征提取及优化之后的数据集用于SVDD模型的训练，模型分类结果达98％以上。
为了验证本文所提风机叶片远程听诊系统是否有效，对某风场风机叶片进行了实地测试，分别测试了登录、实时信号时域分析、频域分析、信号特征曲线、故障报警等各项功能，系统监控软件及详细测试结果如图3所示。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于声学诊断的风机叶片远程听诊方法，其特征在于，包括以下步骤：
步骤1，通过安装在风机塔底的噪音传感器采集风机叶片正常状态和叶片损伤状态下的声学信号作为原始数据集；
步骤2，将塔底远离机舱的机械噪声过滤掉风噪声后，提取出叶片的扫风声；
步骤3，根据叶片的扫风信号的周期性短时脉冲特性，设定短时脉冲时间阈值和初始能量阈值，利用滑动窗口计算每一帧的能量，以连续多帧能量大于初始能量阈值、且计算连续多帧时间小于短时脉冲时间阈值，作为有效的一个叶片脉冲周期，以连续三个叶片脉冲周期作为一个样本信号，并计算叶片的旋转周期，利用倍频程提取信号的能量比作为特征向量集；
步骤4，根据传感器的安装位置、叶片的故障程度等因素的不同，利用自适应方法提取特征向量集的主要特征量，以去除其中的冗余信息；
步骤5，将特征向量集划分为训练集和检验集，用机器学习常用网格搜索的调参方法检索最优的参数组合，确定模型参数建立基于SVDD算法故障监测模型；
步骤6，将检验集带入基于SVDD算法故障监测模型，得到测试样本精度；
步骤7，在基于SVDD算法故障监测模型发现异常后，将诊断结果发送至集控中心继而及时通知风场的维护人员前去检修；
步骤2中采用巴特沃斯滤波器过滤掉风噪声，其平方幅频响应函数为：
其中，N为滤波器的阶数，Ωc为3dB截止频率，Ωu为上限截止频率，Ωl为下限截止频率；巴特沃斯滤波器的阶数取30-50，下限截止频率为50-200Hz，上限截止频率为10-15kHz；
步骤4中的自适应方法包括：
步骤41，构造输入样本矩阵，假设原始数据包含n个样本，每个样本有m个能量比特征，构造n行m列的原始特征矩阵Xm×m；
步骤42，零均值化特征矩阵的每一列，得到矩阵
步骤43，计算协方差矩阵，获得各维度的方差(主对角线上元素)与不同维度间的相关系数(非对角线上元素)，协方差矩阵的具体计算方法为：
步骤44，矩阵对角化：为了尽可能减小不同维度间的相关性，即让协方差矩阵中非对角线元素接近0，对协方差矩阵进行对角化处理，得到特征值矩阵Λ与特征向量矩阵Pm×m，对角化公式为PTCP＝Λ；
步骤45，自适应提取主成分：特征值矩阵的主对角线元素即为各维度的新方差，并按从大到小排序，筛选累计贡献率大于阈值的前k(k＜m)个主成分，排列组成投影矩阵P′，对输入样本矩阵进行投影得到新的样本矩阵Y：Y＝XP′；
所述步骤5所述的SVDD算法故障监测模型为：
其中，a表示超球面的球面中心坐标，R表示超球面的半径，z表示采集的叶片声信号的特征向量，ai、aj、xi分别表示第i个拉格朗日系数、第j个拉格朗日系数和第i个支持向量，I为指示函数，此处的A指命题，若A为真时，则判定为正常信号，若A为假时，则判定为故障信号。
2.根据权利要求1所述的基于声学诊断的风机叶片远程听诊方法，其特征在于，传感器可安装在叶片的背风向的塔门附近。
3.根据权利要求1所述的基于声学诊断的风机叶片远程听诊方法，其特征在于，所述特征向量数据集进行划分的方式为70％作为训练集，30％作为检验集。
4.根据权利要求1所述的基于声学诊断的风机叶片远程听诊方法，其特征在于，所述步骤1中的声学信号传输至大数据分析平台。
5.根据权利要求1所述的基于声学诊断的风机叶片远程听诊方法，其特征在于，通过集成在工控机中的采集卡实现对声学信号的采集，源数据经过信号处理后，以三个连续的短时脉冲信号为一个样本周期。
6.根据权利要求1所述的基于声学诊断的风机叶片远程听诊方法，其特征在于，所述步骤4中的自适应方法为PCA方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010927144.7A CN112067701B (zh) | 2020-09-07 | 2020-09-07 | 基于声学诊断的风机叶片远程听诊方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010927144.7A CN112067701B (zh) | 2020-09-07 | 2020-09-07 | 基于声学诊断的风机叶片远程听诊方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112067701A CN112067701A (zh) | 2020-12-11 |
| CN112067701B true CN112067701B (zh) | 2024-02-02 |
Family
ID=73663737
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010927144.7A Active CN112067701B (zh) | 2020-09-07 | 2020-09-07 | 基于声学诊断的风机叶片远程听诊方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112067701B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112727704B (zh) * | 2020-12-15 | 2021-11-30 | 北京天泽智云科技有限公司 | 一种叶片前缘腐蚀的监测方法及系统 |
| CN114764570A (zh) * | 2020-12-30 | 2022-07-19 | 北京金风科创风电设备有限公司 | 叶片故障诊断方法、装置、系统及存储介质 |
| CN114352486A (zh) * | 2021-12-31 | 2022-04-15 | 西安翔迅科技有限责任公司 | 一种基于分类的风电机组叶片音频故障检测方法 |
| CN115163426A (zh) * | 2022-07-07 | 2022-10-11 | 府谷县京能新能源有限公司 | 基于ai听诊的风机故障检测方法及系统、风机安全系统 |
| CN117929546B (zh) * | 2024-03-22 | 2024-06-14 | 南京土星视界科技有限公司 | 一种风力发电机在运叶片内部材料的早期损伤监测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN107449603A (zh) * | 2016-05-31 | 2017-12-08 | 华北电力大学（保定） | 基于支持向量机的风机故障诊断方法 |
| CN109763944A (zh) * | 2019-01-28 | 2019-05-17 | 中国海洋大学 | 一种海上风机叶片故障非接触式监测系统及监测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120330499A1 (en) * | 2011-06-23 | 2012-12-27 | United Technologies Corporation | Acoustic diagnostic of fielded turbine engines |
-
2020
- 2020-09-07 CN CN202010927144.7A patent/CN112067701B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN107449603A (zh) * | 2016-05-31 | 2017-12-08 | 华北电力大学（保定） | 基于支持向量机的风机故障诊断方法 |
| CN109763944A (zh) * | 2019-01-28 | 2019-05-17 | 中国海洋大学 | 一种海上风机叶片故障非接触式监测系统及监测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于风机叶片远程听诊的状态监测系统;韩小地;徐荣鹏;李伟;黎涛;黄文广;陈文;张研祥;;电力设备管理(第07期);110-112页 * |
| 复杂背景噪声下风机叶片裂纹故障声学特征提取方法;赵娟;陈斌;李永战;高宝成;;北京邮电大学学报(第05期);117-122页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112067701A (zh) | 2020-12-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112067701B (zh) | 基于声学诊断的风机叶片远程听诊方法 | |
| JP7199608B2 (ja) | 風力タービン翼を検査するための方法および装置、ならびにそれらの機器および記憶媒体 | |
| CN109209783A (zh) | 一种基于噪声检测叶片的雷击损伤的方法及装置 | |
| US9347432B2 (en) | System and method for enhanced operation of wind parks | |
| CN110985310B (zh) | 基于声传感器阵列的风力发电机叶片故障监测方法与设备 | |
| CN112324629A (zh) | 一种基于振动和声音的风电叶片早期损伤监测系统及方法 | |
| CN104677623A (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 | |
| CN113298134B (zh) | 一种基于bpnn的风机叶片远程非接触健康监测系统和方法 | |
| CN110259648B (zh) | 一种基于优化K-means聚类的风机叶片故障诊断方法 | |
| CN110221137B (zh) | 一种基于振声相关性的配电变压器异常状态检测方法 | |
| CN111400961A (zh) | 风力发电机组叶片故障判断方法及装置 | |
| CN103626003A (zh) | 一种电梯故障检测方法和系统 | |
| CN109139390B (zh) | 一种基于声信号特征库的风机桨叶故障识别方法 | |
| CN113738595B (zh) | 一种风力发电机组叶片状态监测方法及其系统 | |
| CN111946559A (zh) | 一种风机基础和塔架结构检测方法 | |
| CN114565006A (zh) | 一种基于深度学习的风力发电机叶片损伤检测方法及系统 | |
| CN113567162A (zh) | 基于声传感器的风机故障智能诊断装置及方法 | |
| CN106546918A (zh) | 一种水电机组的故障诊断方法 | |
| CN112666430B (zh) | 变压器声纹智能故障检测方法及系统 | |
| CN117607598A (zh) | 一种基于声纹特征的变压器故障检测方法及系统 | |
| CN117093938A (zh) | 一种基于深度学习的风机轴承的故障检测方法和系统 | |
| CN116163894A (zh) | 一种风电场风机叶片状态检测方法、系统及存储介质 | |
| CN116840631A (zh) | 基于联合诊断模型的变压器局部放电监测与定位方法 | |
| CN116498543A (zh) | 一种基于多维度信号分析的泵机异常工况在线检测方法 | |
| CN112464151B (zh) | 一种基于声学诊断的风电机组偏航系统异音诊断方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |