CN112926626B - 基于稀疏贝叶斯学习与功率谱分离的风机叶片故障检测方法 - Google Patents

基于稀疏贝叶斯学习与功率谱分离的风机叶片故障检测方法 Download PDF

Info

Publication number
CN112926626B
CN112926626B CN202110116307.8A CN202110116307A CN112926626B CN 112926626 B CN112926626 B CN 112926626B CN 202110116307 A CN202110116307 A CN 202110116307A CN 112926626 B CN112926626 B CN 112926626B
Authority
CN
China
Prior art keywords
power spectrum
signal
signals
blade
fan blade
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
Application number
CN202110116307.8A
Other languages
English (en)
Other versions
CN112926626A (zh
Inventor
潘翔
许蓉
邱俭军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202110116307.8A priority Critical patent/CN112926626B/zh
Publication of CN112926626A publication Critical patent/CN112926626A/zh
Application granted granted Critical
Publication of CN112926626B publication Critical patent/CN112926626B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • 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
    • 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
    • G01N29/04—Analysing solids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • G01N2291/10—Number of transducers
    • G01N2291/106—Number of transducers one or more transducer arrays
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Abstract

本发明公开了一种基于稀疏贝叶斯学习与功率谱分离的风机叶片故障检测方法。该方法首先利用麦克风阵列采集三段连续等长的风机叶片辐射出的声信号，利用稀疏贝叶斯学习算法对三段声信号分别估计其源信号，对估计信号进行DOA估计，利用波束形成进行信号增强，计算增强信号的功率谱，并对功率谱进行归一化，根据三段声信号的归一化功率谱是否分离，判断风力发电机叶片是否存在故障。本发明提供的基于稀疏贝叶斯学习与功率谱分离的风机叶片故障检测方法，能够大幅度去除采集信号中的噪声，对风力发电机叶片故障进行准确的判断。

Description

基于稀疏贝叶斯学习与功率谱分离的风机叶片故障检测方法
技术领域
本发明属于空间信号处理领域，具体涉及一种基于稀疏贝叶斯学习(SBL算法)与功率谱分离的风力发电机叶片故障检测方法。
背景技术
随着可再生资源越来越受到重视，风力发电机作为风力发电的重要组件，其重要性也日益凸显。由于风力发电机往往建造于山峰或是海岸边等环境较为恶劣的偏远地区，极端的湿度因素以及多变的天气环境因素，导致风力发电机极易出现损坏。而风力发电机的叶片由于直接暴露在室外，更容易出现故障。随着能源需求的不断扩大，与能源平均成本成正比的风机尺寸，例如塔高以及叶片尺寸等也在不断增大，这使得风机尤其是叶片部分发生故障的概率大大提高的同时，维护成本与停机时间也明显增加。风机叶片的故障可能会导致叶片旋转状态的失衡，进而影响本台风机甚至临近风机的正常工作。因此及时发现叶片故障并进行维护，从而降低维修成本，是十分必要的。
目前常用的检测方式主要包括振动分析、应力测试、声发射检测与视觉检查等。振动分析、应力测试与声发射检测方法都利用了传感器接收并分别传输振动信号、应力数据以及声发射信号，通过对这些信号数据的分析处理，对风机叶片故障与否进行判断。这类方法依托于传感器，受传感器放置位置、数量等因素的影响，且采集到的信号数据较为繁杂，容易对最终判断造成干扰。而视觉检查，作为较早期的检测方法，依赖于检查人员的故障判断经验，通过检查人员的直接观察来判断风机叶片是否存在故障。这类方法对检查人员要求较高，需要检查人员具备一定的专业素养与经验，耗费人力较多，且仅能观察到叶片表面出现的破损故障。因此，本发明提出一种基于稀疏贝叶斯学习与功率谱分离的风机叶片故障检测方法，能够有效提取叶片辐射的声信号，通过特征分析，实现故障风机叶片与正常风机叶片的判断。
发明内容
针对现有技术存在的问题，本发明提出一种基于稀疏贝叶斯学习与功率谱分离的风机叶片故障检测方法，利用麦克风阵列采集风机叶片的声信号，利用SBL算法进行信号估计，同时通过波束形成方法进行信号增强，通过计算增强信号的归一化功率谱，实现对风机叶片的故障检测。
本发明是通过以下技术方案来实现的：一种基于稀疏贝叶斯学习与功率谱分离的风机叶片故障检测方法，该方法包括以下步骤：
步骤1：利用麦克风阵列采集风机叶片辐射出的三段连续等长的声信号，每段声信号时长等于叶片旋转周期的1/3。
步骤2：利用稀疏贝叶斯学习算法对步骤1采集的三段声信号分别进行估计。
步骤3：对步骤2得到的估计信号进行DOA估计，利用波束形成进行信号增强。
步骤4：计算增强信号的功率谱，并对功率谱进行归一化，根据三段声信号的归一化功率谱是否分离，判断风力发电机叶片是否存在故障。
进一步地，所述步骤2包括以下子步骤：
步骤21，记观测信号，即M个阵元接收到的L帧信号为Y，第k个频点的信号可表示为Y(k)；记希望进行估计的信号源，即风机叶片声信号为X(k)；计算后验均值μ和后验方差Σx：
Figure BDA0002920773160000021
Σx＝(σ-2ΑHA+Γ-1)-1
其中，Α∈CM×N为观测矩阵，N表示估计的点数，σ2表示噪声的方差，Σy＝σ2I+ΑΓΑH为观测信号的方差，I表示单位矩阵，Γ＝diag(γ)，γ和σ2为稀疏贝叶斯学习算法中的超参数。
步骤22，对超参数γ和σ2进行计算，超参数γ和σ2可以表示为：
Figure BDA0002920773160000022
Figure BDA0002920773160000023
其中，γn为超参数γ的第n个值，n＝1,...,N，μnl为后验均值μ第n行第l列的值，l＝1,...,L，(Σx)nn为后验方差Σx第n行第n列的值；P＝AA+表示投影矩阵；I表示单位矩阵，Sy＝Y(k)YH(k)/L，且
Figure BDA0002920773160000024
步骤23，利用步骤22中的后验均值与后验方差不断迭代更新超参数，直至收敛，最后得到的后验均值
Figure BDA0002920773160000025
Figure BDA0002920773160000026
即为信号源X(k)的第l帧在角度θn上的估计。
进一步地，所述步骤3中，通过遍历角度θn，找到使得总波束功率最大的角度
Figure BDA0002920773160000027
即为DOA估计结果，总波束功率Pe(θn)表示为：
Figure BDA0002920773160000028
其中，K为总频点数。
进一步地，所述步骤3中，利用波束形成进行信号增强，波束形成的权向量
Figure BDA0002920773160000031
可以表示为：
Figure BDA0002920773160000032
其中，
Figure BDA0002920773160000033
fk表示第k个频点对应的频率，c表示空气中的声速，[xm ym zm]T表示第m个阵元所在的坐标，m＝1,...,M。则最终增强后的信号
Figure BDA0002920773160000034
表示为：
Figure BDA0002920773160000035
进一步地，所述步骤4中，对于增强信号
Figure BDA0002920773160000036
的第l帧
Figure BDA0002920773160000037
对其进行短时傅里叶变换，表示如下：
Figure BDA0002920773160000038
其中，wd表长度为D的窗函数，D表示短时傅里叶变换的长度，ts为每个短时间的中心时间；
对于
Figure BDA0002920773160000039
计算功率谱Pf，功率谱的第k个频点Pf(k)，表示为：
Figure BDA00029207731600000310
其中，S为短时傅里叶变换的快拍数。
进一步地，所述步骤6中，对功率谱Pf(k)进行归一化，表示为：
Figure BDA00029207731600000311
由于采集的每段声信号时长与叶片旋转周期的1/3一致，且叶片转至下方时辐射出的声信号能量最大，因此可以用每段信号来表示在该采集时间内转至下方的一个叶片。当三个叶片都正常时，辐射出的能量应该基本相同，当部分叶片存在故障，其能量则会大于正常叶片。因此若三段信号的归一化功率谱出现分离，则判断风机叶片故障；反之则为正常；若只有一段信号的归一化功率谱与其余两段出现分离，则认为一个叶片存在故障，若三段信号均出现分离，则认为有二至三个叶片存在故障。
与现有的风机叶片故障检测技术相比，本发明的技术特色主要表现在：
1)本发明使用麦克风阵列对风机叶片声信号进行采集，消除了由传感器数量、布放位置等因素对检测结果造成的影响，省去了在叶片内部或表面安装传感器的成本；
2)本发明采用SBL方法对采集到的风机叶片声信号进行估计，并利用DOA估计与波束形成方法，对信号进行增强，减少了噪声及干扰信号对最终检测结果的影响；
3)本发明利用风机叶片声信号的归一化功率谱进行故障检测，通过对归一化功率谱的计算，实现对故障叶片与正常叶片的区分，由于该特征清晰可分，避免了对检查人员专业要求过高，消耗较多人力的缺陷；
4)基于上述三个特点，本发明可以实现对风机叶片故障检测的功能，具有较好的实用价值。
附图说明
图1为本发明提供的基于SBL算法与功率谱分离的风机叶片故障检测方法总体流程图。
图2为本发明提供的通过SBL算法进行信号估计步骤流程图。
图3为本发明提供的风机叶片信号增强步骤流程图。
图4为本发明提供的风机叶片归一化功率谱计算流程图。
图5为本发明实施例提供的故障风机叶片检测结果示意图。
图6为本发明实施例提供的正常风机叶片检测结果示意图。
具体实施方式
本发明提供了一种基于SBL算法与功率谱分离的风力发电机叶片故障检测方法，利用麦克风阵列采集风机叶片的声信号，利用SBL算法进行信号估计，同时通过波束形成方法进行信号增强，通过对增强信号的归一化功率谱的计算，实现风机叶片故障检测。
为使本发明的上述目的、特征和优点能够更加通俗易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明提供的一种基于SBL算法与功率谱分离的风力发电机叶片故障检测方法，该方法包括以下步骤：
步骤1：利用麦克风阵列采集风机叶片辐射出的三段连续等长的声信号，每段声信号时长等于叶片旋转周期的1/3。
步骤2：利用稀疏贝叶斯学习算法对步骤1采集的三段声信号分别进行估计。
步骤3：对步骤2得到的估计信号进行DOA估计，利用波束形成进行信号增强。
步骤4：计算增强信号的功率谱，并对功率谱进行归一化，根据三段声信号的归一化功率谱是否分离，判断风力发电机叶片是否存在故障。
在一个实施例中，采用矩形麦克风阵列置于大型风力发电机塔筒下方，以非接触式采集方式采集风机叶片声信号。
参照图2为本发明提供的通过SBL算法进行信号估计步骤流程图。如图2所示，在步骤2中利用SBL算法对叶片辐射出的信号进行估计，具体包括以下子步骤：
步骤21，记观测信号，即M个阵元接收到的L帧信号为Y，第k个频点的信号可表示为Y(k)；记希望进行估计的信号源，即风机叶片声信号为X(k)；计算后验均值μ和后验方差Σx：
Figure BDA0002920773160000051
Σx＝(σ-2ΑHA+Γ-1)-1
其中，Α∈CM×N为观测矩阵，N表示估计的点数，若DOA估计为0-180°间隔1°的估计，则N为180。σ2表示噪声的方差，Σy＝σ2I+ΑΓΑH为观测信号的方差，I表示单位矩阵，Γ＝diag(γ)，γ和σ2为稀疏贝叶斯学习算法中的超参数。
步骤22，对超参数γ和σ2进行计算，超参数γ和σ2可以表示为：
Figure BDA0002920773160000052
Figure BDA0002920773160000053
其中，γn为超参数γ的第n个值，n＝1,...,N，μnl为后验均值μ第n行第l列的值，l＝1,...,L，(Σx)nn为后验方差Σx第n行第n列的值；P＝AA+表示投影矩阵；I表示单位矩阵，Sy＝Y(k)YH(k)/L，且
Figure BDA0002920773160000054
步骤23，利用步骤22中的后验均值与后验方差不断迭代更新超参数，直至收敛，最后得到的后验均值
Figure BDA0002920773160000055
Figure BDA0002920773160000056
即为信号源X(k)的第l帧在角度θn上的估计。
参照图3为本发明提供的风机叶片信号增强步骤流程图。如图3所示，在步骤3中对信号进行DOA估计，利用波束形成进行信号增强，具体包括以下子步骤：
步骤31，通过遍历角度θn，找到使得总波束功率最大的角度
Figure BDA0002920773160000057
即为DOA估计结果，总波束功率Pe(θn)表示为：
Figure BDA0002920773160000058
其中K为总频点数。
步骤32，利用波束形成进行信号增强，波束形成的权向量
Figure BDA0002920773160000059
可以表示为：
Figure BDA00029207731600000510
其中
Figure BDA00029207731600000511
fk表示第k个频点对应的频率，c表示空气中的声速，[xm ym zm]T表示第m个阵元所在的坐标，m＝1,...,M。则最终增强后的信号
Figure BDA0002920773160000061
表示为：
Figure BDA0002920773160000062
参照图4为本发明提供的风机叶片故障特征提取及检测步骤流程图。如图4所示，在步骤4中计算增强信号的功率谱，并对功率谱进行归一化，根据三段声信号的归一化功率谱是否分离，判断风力发电机叶片是否存在故障，具体包括以下子步骤：
步骤41，对于增强信号
Figure BDA0002920773160000063
的第l帧
Figure BDA0002920773160000064
对其进行短时傅里叶变换，表示如下：
Figure BDA0002920773160000065
其中，wd表长度为D的窗函数，D表示短时傅里叶变换的长度，ts为每个短时间的中心时间。
步骤42，对于
Figure BDA0002920773160000066
计算功率谱Pf，功率谱的第k个频点Pf(k)，表示为：
Figure BDA0002920773160000067
其中，S为短时傅里叶变换的快拍数。
步骤43，对功率谱Pf(k)进行归一化，表示为：
Figure BDA0002920773160000068
若三段信号的归一化功率谱出现分离，则判断风机叶片故障；反之则为正常。记三段信号归一化功率谱的分离度为：
Figure BDA0002920773160000069
其中K为总频点数，P01(k)、P02(k)以及P03(k)分别表示三段信号的归一化功率谱。若最终分离度大于设定的阈值Thre，则认为风机叶片存在故障。本例中阈值Thre设定为0.5。从归一化功率谱图上进行观察，若只有一段信号的归一化功率谱与其余两段出现分离，则认为一个叶片存在故障，若三段信号均出现分离，则认为有二至三个叶片存在故障。
参照图5和图6为本发明实施例提供的故障及正常风机叶片检测结果示意图。本实施例应用于崇明风电场的大型风力发电机叶片故障检测，具体步骤如前所示。如图5所示，在故障风机叶片的归一化功率谱上，可以观察到曲线发生分离，且分离度大于阈值，因此判断存在故障叶片，且从图上看出，仅有一条曲线出现分离，因为判断有一片叶片存在故障；而图6三条曲线重叠在一起，且分离度小于阈值，因此判断其为正常风机。本发明所述检测方法已在上海崇明与浙江磐安风电场进行测试，检测故障叶片的准确率在70％以上。本发明能够对风机叶片声信号进行采集，并进行故障检测。
上述所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

Claims (2)

1.一种基于稀疏贝叶斯学习与功率谱分离的风机叶片故障检测方法，其特征在于，包括以下步骤：
步骤1：利用麦克风阵列采集风机叶片辐射出的三段连续等长的声信号，每段声信号时长等于叶片旋转周期的1/3；
步骤2：利用稀疏贝叶斯学习算法对步骤1采集的三段声信号分别进行估计，具体包括以下子步骤：
步骤21，记观测信号，即M个阵元接收到的L帧信号为Y，第k个频点的信号表示为Y(k)；记希望进行估计的信号源，即风机叶片声信号为X(k)；计算后验均值μ和后验方差Σx：
Figure FDA0003617173100000011
Σx＝(σ-2ΑHA+Γ-1)-1
其中，Α∈CM×N为观测矩阵，N表示估计的点数，σ2表示噪声的方差，Σy＝σ2I+ΑΓΑH为观测信号的方差，I表示单位矩阵，Γ＝diag(γ)，γ和σ2为稀疏贝叶斯学习算法中的超参数；
步骤22，对超参数γ和σ2进行计算，超参数γ和σ2表示为：
Figure FDA0003617173100000012
Figure FDA0003617173100000013
其中，γn为超参数γ的第n个值，n＝1,…,N，μnl为后验均值μ第n行第l列的值，l＝1,...,L，(Σx)nn为后验方差Σx第n行第n列的值；P＝AA+表示投影矩阵；Sy＝Y(k)YH(k)/L，且
Figure FDA0003617173100000014
步骤23，利用步骤22中的后验均值与后验方差不断迭代更新超参数，直至收敛，最后得到的后验均值
Figure FDA0003617173100000015
Figure FDA0003617173100000016
即为信号源X(k)的第l帧在角度θn上的估计；
步骤3：对步骤2得到的估计信号进行DOA估计，利用波束形成进行信号增强，具体为：
通过遍历角度θn，找到使得总波束功率最大的角度
Figure FDA0003617173100000017
即为DOA估计结果，总波束功率Pe(θn)表示为：
Figure FDA0003617173100000018
其中，K为总频点数；
利用波束形成进行信号增强，波束形成的权向量
Figure FDA0003617173100000021
表示为：
Figure FDA0003617173100000022
其中，
Figure FDA0003617173100000023
fk表示第k个频点对应的频率，c表示空气中的声速，[xm ym zm]T表示第m个阵元所在的坐标，m＝1,...,M；则最终增强后的信号
Figure FDA0003617173100000024
表示为：
Figure FDA0003617173100000025
步骤4：计算增强信号的功率谱，并对功率谱进行归一化，根据三段声信号的归一化功率谱是否分离，判断风力发电机叶片是否存在故障；
对于增强信号
Figure FDA0003617173100000026
的第l帧
Figure FDA0003617173100000027
对其进行短时傅里叶变换，表示如下：
Figure FDA0003617173100000028
其中，wd表长度为D的窗函数，D表示短时傅里叶变换的长度，ts为每个短时间的中心时间；
对于
Figure FDA0003617173100000029
计算功率谱Pf，功率谱的第k个频点Pf(k)，表示为：
Figure FDA00036171731000000210
其中，S为短时傅里叶变换的快拍数。
2.根据权利要求1所述的基于稀疏贝叶斯学习与功率谱分离的风机叶片故障检测方法，其特征在于，所述步骤4中，对功率谱Pf(k)进行归一化，表示为：
Figure FDA00036171731000000211
由于采集的每段声信号时长与叶片旋转周期的1/3一致，且叶片转至下方时辐射出的声信号能量最大，因此用每段信号来表示在采集时间内转至下方的一个叶片；当三个叶片都正常时，辐射出的能量应该基本相同，当部分叶片存在故障，其能量则会大于正常叶片；因此若三段信号的归一化功率谱出现分离，则判断风机叶片故障；反之则为正常；若只有一段信号的归一化功率谱与其余两段出现分离，则认为一个叶片存在故障，若三段信号均出现分离，则认为有二至三个叶片存在故障。
CN202110116307.8A 2021-01-28 2021-01-28 基于稀疏贝叶斯学习与功率谱分离的风机叶片故障检测方法 Active CN112926626B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110116307.8A CN112926626B (zh) 2021-01-28 2021-01-28 基于稀疏贝叶斯学习与功率谱分离的风机叶片故障检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110116307.8A CN112926626B (zh) 2021-01-28 2021-01-28 基于稀疏贝叶斯学习与功率谱分离的风机叶片故障检测方法

Publications (2)

Publication Number Publication Date
CN112926626A CN112926626A (zh) 2021-06-08
CN112926626B true CN112926626B (zh) 2022-06-24

Family

ID=76167661

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110116307.8A Active CN112926626B (zh) 2021-01-28 2021-01-28 基于稀疏贝叶斯学习与功率谱分离的风机叶片故障检测方法

Country Status (1)

Country Link
CN (1) CN112926626B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016061293A1 (en) * 2014-10-15 2016-04-21 Westerngeco Llc Noise model estimation in multi-measurement data
CN108563806A (zh) * 2018-01-05 2018-09-21 哈尔滨工业大学（威海） 基于相似性的发动机气路参数长期预测方法及系统
CN109505741A (zh) * 2018-12-20 2019-03-22 浙江大学 一种基于矩形麦克风阵列的风力发电机破损叶片检测方法及装置
CN110161499A (zh) * 2019-05-09 2019-08-23 东南大学 改进的稀疏贝叶斯学习isar成像散射系数估计方法
CN110412366A (zh) * 2019-06-04 2019-11-05 广西电网有限责任公司电力科学研究院 一种基于动态时间算法的变压器带电检测方法
CN111636932A (zh) * 2020-04-23 2020-09-08 天津大学 基于叶尖定时和集成学习算法的叶片裂纹在线测量方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180101167A1 (en) * 2016-10-11 2018-04-12 General Electric Company Method and system for in-process monitoring and quality control of additive manufactured parts

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016061293A1 (en) * 2014-10-15 2016-04-21 Westerngeco Llc Noise model estimation in multi-measurement data
CN108563806A (zh) * 2018-01-05 2018-09-21 哈尔滨工业大学（威海） 基于相似性的发动机气路参数长期预测方法及系统
CN109505741A (zh) * 2018-12-20 2019-03-22 浙江大学 一种基于矩形麦克风阵列的风力发电机破损叶片检测方法及装置
CN110161499A (zh) * 2019-05-09 2019-08-23 东南大学 改进的稀疏贝叶斯学习isar成像散射系数估计方法
CN110412366A (zh) * 2019-06-04 2019-11-05 广西电网有限责任公司电力科学研究院 一种基于动态时间算法的变压器带电检测方法
CN111636932A (zh) * 2020-04-23 2020-09-08 天津大学 基于叶尖定时和集成学习算法的叶片裂纹在线测量方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Damage detection techniques for wind turbine blades: A review;YingDu 等;《Mechanical Systems and Signal Processing》;20191031;第141卷;全文 *
Harmonic tonal detectors based on the BOGA;LuWang 等;《Signal Processing》;20140811;第106卷;全文 *
Sparse Bayesian learning beamforming combined with short-time Fourier transform for fault detection of wind turbine blades;Xiang Pan 等;《The Journal of the Acoustical Society of America》;20191231;第145卷(第3期);全文 *
基于差分麦克风阵列的恒定束宽波束形成研究;张敏 等;《杭州电子科技大学学报(自然科学版)》;20201231;第40卷(第4期);全文 *
基于稀疏贝叶斯回归的异常检测;苏乐群 等;《计算机与现代化》;20150223(第1期);全文 *

Also Published As

Publication number Publication date
CN112926626A (zh) 2021-06-08

Similar Documents

Publication Publication Date Title
CN110792563B (zh) 基于卷积生成对抗网络的风电机组叶片故障音频监测方法
Avendaño-Valencia et al. Damage/fault diagnosis in an operating wind turbine under uncertainty via a vibration response Gaussian mixture random coefficient model based framework
Oliveira et al. Ultrasound-based identification of damage in wind turbine blades using novelty detection
Ulriksen et al. Damage detection in an operating Vestas V27 wind turbine blade by use of outlier analysis
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
CN111400961B (zh) 风力发电机组叶片故障判断方法及装置
Xu et al. Fan fault diagnosis based on symmetrized dot pattern analysis and image matching
CN111948487A (zh) 一种基于人工智能的高压电力设备故障诊断方法及系统
CN112727710B (zh) 一种基于音频信号的风场落雷密度统计方法及系统
CN109505741B (zh) 一种基于矩形麦克风阵列的风力发电机破损叶片检测方法及装置
CN112487890B (zh) 一种基于并行稀疏滤波的轴承声信号故障诊断方法
CN109139390B (zh) 一种基于声信号特征库的风机桨叶故障识别方法
CN106198020A (zh) 基于子空间和模糊c均值聚类的风电机组轴承故障诊断法
Janeliukstis Continuous wavelet transform-based method for enhancing estimation of wind turbine blade natural frequencies and damping for machine learning purposes
Pan et al. Early warning of damaged wind turbine blades using spatial–temporal spectral analysis of acoustic emission signals
Sánchez et al. Wind Turbines Acoustic Inspections performed with UAV and sound frequency domain analysis
CN112926626B (zh) 基于稀疏贝叶斯学习与功率谱分离的风机叶片故障检测方法
CN107132518A (zh) 一种基于稀疏表示和时频特征的距离扩展目标检测方法
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
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
CN113139430A (zh) 用于故障检测的声信号分析方法、故障检测的方法、装置
Zhu et al. Wind turbine blade fault detection by acoustic analysis: Preliminary results
CN103149047A (zh) 一种基于非线性混合模型的冷却塔声学诊断方法
CN113672859B (zh) 一种道岔转辙机故障声学诊断系统
CN116127354A (zh) 基于深度学习的高压电缆局部放电故障定位方法及系统

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