CN115064183A - 一种基于人工智能算法的风力发电机组运行状态监测方法和系统 - Google Patents
一种基于人工智能算法的风力发电机组运行状态监测方法和系统 Download PDFInfo
- Publication number
- CN115064183A CN115064183A CN202210513500.XA CN202210513500A CN115064183A CN 115064183 A CN115064183 A CN 115064183A CN 202210513500 A CN202210513500 A CN 202210513500A CN 115064183 A CN115064183 A CN 115064183A
- Authority
- CN
- China
- Prior art keywords
- audio
- generating set
- wind generating
- module
- sound
- 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.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 33
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 title claims description 32
- 230000005236 sound signal Effects 0.000 claims abstract description 106
- 238000004458 analytical method Methods 0.000 claims abstract description 41
- 238000000605 extraction Methods 0.000 claims abstract description 27
- 230000005540 biological transmission Effects 0.000 claims abstract description 12
- 230000002159 abnormal effect Effects 0.000 claims description 51
- 230000008569 process Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 12
- 239000000284 extract Substances 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000012423 maintenance Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 208000025274 Lightning injury Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/24—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being the cepstrum
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Emergency Management (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种基于人工智能算法的风力发电机组运行状态监测系统，包括：与采集传输模块连接的提取模块，提取模块连接对比分析模块和音频特征库，对比分析模块连接音频特征库和报警模块。本发明的有益效果是：能根据实时音频信号和音频特征库甄别风力发电机组运行的状态，排除风力发电机组的安全隐患。
Description
技术领域
本发明涉及发电机状态监测技术领域，特别涉及一种基于人工智能算法的风力发电机组运行状态监测方法和系统。
背景技术
风能是一种干净的、可再生的能源，利用风能发电的方式是一种环保、发展前景很好的发电方式。风力发电机组长期运行在野外恶劣环境中，机舱内齿轮因老化、接口内进入杂质等产生一些隐患，桨叶会因雨水侵蚀、遭受雷击等导致内壁变薄、有孔洞、甚至出现裂痕等隐性问题，因此需要大力发展风力发电安全检测技术来减少成本，减少运行风险，提高运行效率。
现有技术中，风力发电机组相关设备通常由人工进行监测维修或根据种类繁多的传感器数据进行监测，耗费了大量的人力物力，需要一种根据少量数据就能检测复杂环境下风力发电机组状态的系统和方法。
例如，一种在中国专利文献上公开的“一种风力发电机组及部件的运输智能监控系统”，其公告号：CN110456694A，其申请日：2019年07月29日，该发明提出够获取风力发电机组件运输途中的视频和声频信息，对于运输过程中全过程记录，同时提供异常问题发生后的准确分析、判定、解决及改善能够提供有力支撑，最终提高运输质量和效率，但是存在不能根据实时音频信号和音频特征库甄别风力发电机组运行的状态，排除风力发电机组的安全隐患。
发明内容
针对现有技术不能根据实时音频信号和音频特征库甄别风力发电机组运行的状态，排除风力发电机组的安全隐患的不足，本发明提出了一种基于人工智能算法的风力发电机组运行状态监测方法和系统，能根据实时音频信号和音频特征库甄别风力发电机组运行的状态，排除风力发电机组的安全隐患。
以下是本发明的技术方案，一种基于人工智能算法的风力发电机组运行状态监测系统，包括：与采集传输模块连接的提取模块，所述提取模块连接对比分析模块和音频特征库，所述对比分析模块连接音频特征库和报警模块。
本方案中，采集传输模块采集设备音频信号，提取模块提取音频信号的音频特征，对比分析模块输入音频特征和音频特征库中音频特征进行对比，将对比结果传输至报警模块，根据实时音频信号和音频特征库甄别风力发电机组运行的状态，排除风力发电机组的安全隐患。
作为优选，所述采集传输模块设置于被监测的设备通信接口设备处，用于采集被监测的设备的音频信号，对所述音频信号进行处理，通过风电场的局域网将音频信号传输至提取模块。
本方案中，采集传输模块设置于被监测的设备通信接口设备处，实时采集风力发电机组的音频信号，该音频信号尤其包括风力发电机组的各个主要部件以及运行环境等其他声音，除此之外还包括风力发电机组运行时所产生的其他一切能够被采集到的声音，机械转动的音频信号通常是风力打电机组内的各个连动轴、发电机等发出的。
作为优选，所述提取模块用于提取音频特征，所述音频特征包括帧层次上的梅尔频率倒谱系数、短时能量和能量均方差。
本方案中，梅尔频率倒谱系数是基于声音频率的非线性梅尔刻度的对数能量频谱的线性变换，有助于提高音频分类的准确性。短时能量是利用音频信号强度值随着时间变化，其变化程度有所不同的特性把风机运行音频、静音、噪音等区分出来，有助于提高音频分类的准确性。风机正常运行发出的音频是虽然高低参差不齐，但是总体来看是比较有规律的，而噪音的短时能量曲线则是杂乱无章的，静音的短时能量曲线是持续处于相对很低的水平。能量均方差是利用音频信号能量变化越剧烈能量均方差值就越大，音频信号能量变化越平稳能量均方差值就越小的特性把风机运行音频进行抽样和分离，有助于提高音频分类的准确性。
作为优选，所述对比分析模块接收提取模块的音频特征，根据所述音频特征中所包含的音频信号类型到音频特征库中查找同类型的音频信号，将类型相同的音频信号和特征库中的目标音频信号进行对比，输出异常信息传输至报警模块。
本方案中，对比分析模块接收提取模块的音频特征，依据音频特征所包含的音频信息类型，通过在大数据后台中查找同类型的参考数据，将音频信息和音频特征库进行比对。当音频信息和音频特征库的差距超过限定范围时，则判断该音频信息所对应的声音为异常声音，并将该比较结果发送至数据分析模块，限定范围根据经验进行设置。
作为优选，所述异常信息包括异常信息包括甄别结果、异常信息类型和异常位置信息，所述报警模块根据所述异常信息类型发出报警信号。
本方案中，甄别结果用于判断音频信息是否异常，异常信息类型用于通知报警模块发出对应报警信息并协同外部系统进行相关应对操作，异常位置信息用于记录发生问题的装置和区域，便于维护检修。
作为优选，报警模块连接外部控制系统和外部监控系统，所述外部控制系统用于播报提醒报警信息、手动或者自动控制风机状态，所述外部监控系统用于预览、回放和抓图。
一种基于人工智能算法的风力发电机组运行状态监测方法，包括以下步骤：
S1：获取历史音频信号，分析历史音频信号的音频特征，基于音频特征构建增量学习模型和音频特征库；
S2：实时采集风力发电机组音频信号；
S3：提取模块基于音频信号提取音频特征，音频特征传入音频特征库，用于丰富音频特征库；
S4：对比分析模块将音频特征输入音频特征库中进行比对，输出异常信息；
S5：报警模块获取异常信息，根据异常信息的类型执行报警方案。
本方案中，获取历史音频信号，分析历史音频信号的音频特征，根据该音频特征构建增量学习模型，增量学习模型运行完成后，增量学习模型中保存了风机运行过程中各个组成部分与其所产生的音频信号的对应关系，根据该对应关系就可以通过增量学习模型确定出对应的预测学习内容，构建音频特征库用于将音频信息和音频特征库进行比对，判断该音频信息所对应的声音为异常声音或正常声音，实时采集风力发电机组音频信号，提取模块基于音频信号提取音频特征，音频特征传入音频特征库，用于丰富音频特征库，对比分析模块将音频特征输入音频特征库中进行比对，输出异常信息，报警模块获取异常信息，根据异常信息的类型执行报警方案。
作为优选，基于音频特征构建增量学习模型，所述增量学习模型保存风机运行过程中各个组成部分和其所产生的音频信号的对应关系，基于所述对应关系通过增量学习模型确定对应的预测学习内容，所述音频信号仅包含设备部件运行波形。
本方案中，根据该音频特征构建增量学习模型，增量学习模型运行完成后，增量学习模型中保存了风机运行过程中各个组成部分与其所产生的音频信号的对应关系，根据该对应关系就可以通过增量学习模型确定出对应的预测学习内容，并且增量学习模型分析音频特征用于丰富音频特征库，音频信号中仅包含各个部件运行连续行波形，音频信号包含了主轴转动、发电机转动、桨叶转动等等，确定风力发电机组各个部件的运行状况，是否存在隐患，从而为寻找正常状态下的音频特征参数做准备。
作为优选，所述音频特征库根据设备类型和设备部件对声音参数信息进行标记归类处理，所述音频特征进行相同标记归类处理后和音频特征库进行对比，比较具有共同标记归类的音频信号。
本方案中，音频特征库的声音参数信息都是具有标记或者归类的，例如桨叶运行的音频信号是归为一类、主轴转动的音频信号是归为一类，或者添加某种特定标记的音频信号归为一类，当对比分析模块将分析结果的信息与音频特征库的信息进行比对时，首先会对分析结果的音频特征进行标记和归类，这种标记和归类的方式需与音频特征库的的声音参数信息归类或标记方式统一，便于音频特征的区分，只有具有共同标记或者归为同一类的音频信号才能够进行比较，否则就失去了比较的意义。
作为优选，所述音频特征和音频特征库的音频特征的差距超过限定范围时，所述音频特征对应的声音为异常声音，反之为正常声音；若为异常声音，所述对比分析模块输出异常信息传输至报警模块，若为正常声音，所述对比分析模块直接过滤该声音，不作任何处理。
本发明的有益效果是：能根据实时音频信号和音频特征库甄别风力发电机组运行的状态，排除风力发电机组的安全隐患。
附图说明
图1本发明一种基于人工智能算法的风力发电机组运行状态监测系统的示意图。
图2本发明一种基于人工智能算法的风力发电机组运行状态监测方法的流程图。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
实施例：如图1所示，一种基于人工智能算法的风力发电机组运行状态监测系统，包括：采集传输模块、提取模块、对比分析模块、报警模块和音频特征库。采集传输模块连接提取模块，提取模块连接对比分析模块和音频特征库，对比分析模块连接音频特征库和报警模块。
采集传输模块设置于被监测的风力发电机组与后台服务器、工作站等的通信接口设备处，具有模数信号之间的转换(A/D转换)功能，用于采集当前被监测风力发电机组发出的音频信号，通过对音频信号进行滤波、放大及A/D转换等预处理，再由数字信号处理芯片进行压缩、加工处理得到数字序列，把数据传输至后台高性能应用服务器等进行播放、录音等各种处理。将所需采集的风力发电机组运行的声音信号输入，即可实现对声音信号的采集和存储。
提取模块是基于音频分析抽样技术为基础，在帧层次等方面区别不同类音频之间的音频特征，丰富音频特征库。音频特征，包括帧层次上的梅尔频率倒谱系数、短时能量、能量均方差等特征。梅尔频率倒谱系数是基于声音频率的非线性梅尔刻度的对数能量频谱的线性变换，有助于提高音频分类的准确性。短时能量是利用音频信号强度值随着时间变化，其变化程度有所不同的特性把风机运行音频、静音、噪音等区分出来，有助于提高音频分类的准确性。风机正常运行发出的音频是虽然高低参差不齐，但是总体来看是比较有规律的，而噪音的短时能量曲线则是杂乱无章的，静音的短时能量曲线是持续处于相对很低的水平。能量均方差是利用音频信号能量变化越剧烈能量均方差值就越大，音频信号能量变化越平稳能量均方差值就越小的特性把风机运行音频进行抽样和分离，有助于提高音频分类的准确性。
对比分析模块，用于将采集传输模块所采集的音频信号输入预制的算法模型中，通过计算得出初步结论供报警模块来处理。对比分析模块对采集传输模块所采集的音频信号进行预处理，将目标音频输入音频特征库中进行比对，并输出比对结果。对比分析模块接收提取模块的音频特征，依据音频特征所包含的音频信息类型，通过在大数据后台中查找同类型的参考数据，将音频信息和音频特征库进行比对。当音频信息和音频特征库的差距超过限定范围时，则判断该音频信息所对应的声音为异常声音，并将该比较结果发送至数据分析模块，限定范围根据经验进行设置。如果比较结果是正常，分析模块直接过滤该信息，不作任何处理；如果比较结果为异常，分析模块根据异常信息所对应的信息类型进行判别，将判别结果和需要报警的信息发送至报警模块。
报警模块根据信息类型的判别结果发出报警信号，当判别需要报警的信息类型是某些影响风机正常运行隐患时，发送报警信号至值班室，通知维护人员需进行检修，并发送信号给外部控制系统控制风机停机；当判定为主轴转动异响报警时，通过后台工作站进行报警信息提醒，并发送信号给外部控制系统和外部监控系统。外部控制系统进行报警信息提醒、手动或者自动控制风机停机，外部监控系统预览、回放、抓图进行复核；由维护人员对设备进行消音、数据屏蔽的操作，确认报警信息为核实中、误报、报警、测试。
如图2所示，一种基于人工智能算法的风力发电机组运行状态监测方法，包括以下步骤：
S1：获取历史音频信号，分析历史音频信号的音频特征，基于音频特征构建增量学习模型和音频特征库。
S2：实时采集风力发电机组音频信号。
S3：提取模块基于音频信号提取音频特征，音频特征传入音频特征库，用于丰富音频特征库。
S4：对比分析模块将音频特征输入音频特征库中进行比对，输出异常信息。
S5：报警模块获取异常信息，根据异常信息的类型执行报警方案。
S1：获取历史音频信号，基于历史音频特征构建增量学习模型和音频特征库。
获取各个组成单元的音频特征，该音频特征表征了该台风机的特征，根据该音频特征构建增量学习模型，增量学习模型运行完成后，增量学习模型中保存了风机运行过程中各个组成部分与其所产生的音频信号的对应关系，根据该对应关系就可以通过增量学习模型确定出对应的预测学习内容，构建音频特征库用于将音频信息和音频特征库进行比对，判断该音频信息所对应的声音为异常声音或正常声音。
S2：实时采集风力发电机组音频信号。
采集传输模块实时采集风力发电机组的音频信号，该音频信号尤其包括风力发电机组的各个主要部件以及运行环境等其他声音，除此之外还包括风力发电机组运行时所产生的其他一切能够被采集到的声音，机械转动的音频信号通常是风力打电机组内的各个连动轴、发电机等发出的，一般来说，在风力发电机组内的连动轴、发电机等运行转动过程中不会发出特别怪异的声音，正常的运行声音或者无声或者是齿轮悉悉索索的摩擦声都可以作为风机运行的声音进行采集。当风力发电机组内的某个部件发生特殊声音，例如桨叶有裂缝出现的情况时，风机运行过程中桨叶转动所产生的声音必定与之前的声音有所不同，此时通过采集桨叶转动的声音可以达到判断风机桨叶状态是否正常的目的，具体来说，采集传输模块包括采集设备，如拾音器等，采集设备安装在风力发电机组各个关键部位的音频信号。采集传输模块通过风电场的局域网，将所采集到的音频信号传输至提取模块。
S3：提取模块基于音频信号提取音频特征，音频特征传入音频特征库，用于丰富音频特征库。
采集传输模块将采集到的音频信号，如风力发电机组的运行音频信号和其他环境所产生的声音信号实时发送至提取模块，提取模块实时对采集到的音频信号进行技术分离和抽取，得到风力发电机组运行过程中的各个部件的音频信号，具体的分析过程包括：首先对风力发电机组运行和环境所产生的音频信号进行分离，然后通过音频频谱分析出音频信号的频率、声强等，音频频谱分析包括但不限于梅尔频率倒谱系数、音频信号的短时能量函数、能量均方差等技术手段，进一步通过音频信号频率的提取或者高性能应用服务器学习深度分析得到各个部件音频信号的基础频率。对于风力发电机组正常运行的情况下，音频信号中仅包含各个部件运行连续行波形，音频信号包含了主轴转动、发电机转动、桨叶转动等等，确定风力发电机组各个部件的运行状况，是否存在隐患，从而为寻找正常状态下的音频特征参数做准备。
音频特征库由高性能应用平台进行提供，音频特征库中可以存储风力发电机组运行过程中各种部件的音频特征信息，音频特征信息包括但不限于基频、频率、声音强度等信息。音频特征库通常来说存储的是不同部件在正常状态下的音频特征数据，或者是风力发电机组在启动运行状态下的音频信号等，为对比分析模块提供比对基础。音频特征库的声音参数信息都是具有标记或者归类的，例如桨叶运行的音频信号是归为一类、主轴转动的音频信号是归为一类，或者添加某种特定标记的音频信号归为一类，当对比分析模块将分析结果的信息与音频特征库的信息进行比对时，首先会对分析结果的音频特征进行标记和归类，这种标记和归类的方式需与音频特征库的的声音参数信息归类或标记方式统一，便于音频特征的区分，只有具有共同标记或者归为同一类的音频信号才能够进行比较，否则就失去了比较的意义，例如桨叶转动运行的音频参数与风机偏航转动的音频参数比较，必然是大相径庭，这种比较是无法确定音频信号是否是在正常的范围内，因此需要同标记及同类型的音频信号进行比较，才能够得到所需要的比较结果。
S4：对比分析模块将音频特征输入音频特征库中进行比对，输出异常信息。
对比分析模块与提取模块之间通过风电场内局域网进行连接并传输数据。对比分析模块首先接收来自提取模块的结果，根据该结果中所包含的音频信号类型到音频特征库中查找同类型的音频信号，将类型相同的音频信号和特征库中的目标音频信号进行比对，当音频信号和目标音频信号的差距超过限定范围时，则判断该音频信息所对应的声音为异常声音。如果比较结果是正常，对比分析模块直接过滤该信息，不作任何处理；如果比较结果为异常，则对比分析模块根据异常声音所对应的音频信号类型进行甄别，输出异常信息传输至报警模块，异常信息包括甄别结果、异常信息类型、异常位置信息等，报警模块根据异常信息类型发出报警信号，通知监控室值班人员及维护人员，并联动外部控制系统和外部监控系统，保障风机安全运行。
S5：报警模块获取异常信息，根据异常信息的类型执行报警方案。
报警模块根据信息类型的判别结果发出报警信号，当判别需要报警的信息类型是某些影响风机正常运行隐患时，发送报警信号至值班室，通知维护人员需进行检修，并发送信号给外部控制系统控制风机停机；当判定为主轴转动异响报警时，通过后台工作站进行报警信息提醒，并发送信号给外部控制系统和外部监控系统。
外部控制系统用于播报提醒报警信息、手动或者自动控制风机状态，外部监控系统用于预览、回放和抓图，便于复核。
Claims (10)
1.一种基于人工智能算法的风力发电机组运行状态监测系统，其特征在于，包括：与采集传输模块连接的提取模块，所述提取模块连接对比分析模块和音频特征库，所述对比分析模块连接音频特征库和报警模块。
2.根据权利要求1所述的一种基于人工智能算法的风力发电机组运行状态监测系统，其特征在于，所述采集传输模块设置于被监测的设备通信接口设备处，用于采集被监测的设备的音频信号，对所述音频信号进行处理，通过风电场的局域网将音频信号传输至提取模块。
3.根据权利要求1所述的一种基于人工智能算法的风力发电机组运行状态监测系统，其特征在于，所述提取模块用于提取音频特征，所述音频特征包括帧层次上的梅尔频率倒谱系数、短时能量和能量均方差。
4.根据权利要求1所述的一种基于人工智能算法的风力发电机组运行状态监测系统，其特征在于，所述对比分析模块接收提取模块的音频特征，根据所述音频特征中所包含的音频信号类型到音频特征库中查找同类型的音频信号，将类型相同的音频信号和特征库中的目标音频信号进行对比，输出异常信息传输至报警模块。
5.根据权利要求1所述的一种基于人工智能算法的风力发电机组运行状态监测系统，其特征在于，所述异常信息包括异常信息包括甄别结果、异常信息类型和异常位置信息，所述报警模块根据所述异常信息类型发出报警信号。
6.根据权利要求1或5所述的一种基于人工智能算法的风力发电机组运行状态监测系统，其特征在于，报警模块连接外部控制系统和外部监控系统，所述外部控制系统用于播报提醒报警信息、手动或者自动控制风机状态，所述外部监控系统用于预览、回放和抓图。
7.一种基于人工智能算法的风力发电机组运行状态监测方法，适用于权利要求1-6任一项所述的一种基于人工智能算法的风力发电机组运行状态监测系统，其特征在于，包括以下步骤：
S1：获取历史音频信号，分析历史音频信号的音频特征，基于音频特征构建增量学习模型和音频特征库；
S2：实时采集风力发电机组音频信号；
S3：提取模块基于音频信号提取音频特征，音频特征传入音频特征库，用于丰富音频特征库；
S4：对比分析模块将音频特征输入音频特征库中进行比对，输出异常信息；
S5：报警模块获取异常信息，根据异常信息的类型执行报警方案。
8.根据权利要求7所述的一种基于人工智能算法的风力发电机组运行状态监测方法，其特征在于，基于音频特征构建增量学习模型，所述增量学习模型保存风机运行过程中各个组成部分和其所产生的音频信号的对应关系，基于所述对应关系通过增量学习模型确定对应的预测学习内容，所述音频信号仅包含设备部件运行波形。
9.根据权利要求7所述的一种基于人工智能算法的风力发电机组运行状态监测方法，其特征在于，所述音频特征库根据设备类型和设备部件对声音参数信息进行标记归类处理，所述音频特征进行相同标记归类处理后和音频特征库进行对比，比较具有共同标记归类的音频信号。
10.根据权利要求7所述的一种基于人工智能算法的风力发电机组运行状态监测方法，其特征在于，所述音频特征和音频特征库的音频特征的差距超过限定范围时，所述音频特征对应的声音为异常声音，反之为正常声音；若为异常声音，所述对比分析模块输出异常信息传输至报警模块，若为正常声音，所述对比分析模块直接过滤该声音，不作任何处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210513500.XA CN115064183A (zh) | 2022-05-11 | 2022-05-11 | 一种基于人工智能算法的风力发电机组运行状态监测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210513500.XA CN115064183A (zh) | 2022-05-11 | 2022-05-11 | 一种基于人工智能算法的风力发电机组运行状态监测方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115064183A true CN115064183A (zh) | 2022-09-16 |
Family
ID=83197999
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210513500.XA Pending CN115064183A (zh) | 2022-05-11 | 2022-05-11 | 一种基于人工智能算法的风力发电机组运行状态监测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115064183A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115691509A (zh) * | 2022-12-29 | 2023-02-03 | 杭州兆华电子股份有限公司 | 一种适用于工业设备异常音检测的干扰识别方法 |
| CN117476040A (zh) * | 2023-12-25 | 2024-01-30 | 深圳市鑫闻达电子有限公司 | 一种音频识别方法及识别系统 |
-
2022
- 2022-05-11 CN CN202210513500.XA patent/CN115064183A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115691509A (zh) * | 2022-12-29 | 2023-02-03 | 杭州兆华电子股份有限公司 | 一种适用于工业设备异常音检测的干扰识别方法 |
| CN117476040A (zh) * | 2023-12-25 | 2024-01-30 | 深圳市鑫闻达电子有限公司 | 一种音频识别方法及识别系统 |
| CN117476040B (zh) * | 2023-12-25 | 2024-03-29 | 深圳市鑫闻达电子有限公司 | 一种音频识别方法及识别系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115064183A (zh) | 一种基于人工智能算法的风力发电机组运行状态监测方法和系统 | |
| 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 | |
| JP2022552449A (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 | |
| CN111400961B (zh) | 风力发电机组叶片故障判断方法及装置 | |
| CN111209934A (zh) | 风机故障预报警方法及系统 | |
| CN113551765A (zh) | 设备故障声谱分析诊断方法 | |
| CN116383633A (zh) | 一种多因素综合分析的机制砂振动筛故障检测方法及系统 | |
| CN110580492A (zh) | 一种基于小幅波动检测的轨道电路故障前兆发现方法 | |
| CN111710329A (zh) | 基于深度学习的船舶发动机声纹故障判别方法及系统 | |
| CN116705039A (zh) | 一种基于ai的电力设备声纹监测系统及方法 | |
| CN208803843U (zh) | 设备的音频监控装置 | |
| CN118114019A (zh) | 一种基于数据分析的配电网拓扑自动识别方法及系统 | |
| CN116717461B (zh) | 一种真空泵运行状态的智能监测方法及系统 | |
| CN112347944B (zh) | 一种基于零值比例频谱特征的机械传动故障检测方法 | |
| CN117277566B (zh) | 基于大数据的电网数据分析电力调度系统及方法 | |
| CN117006000A (zh) | 一种分离式风力发电机监测装置 | |
| CN117373478A (zh) | 一种用于变压器的声纹识别系统 | |
| CN115163426A (zh) | 基于ai听诊的风机故障检测方法及系统、风机安全系统 | |
| CN117292713A (zh) | 基于端边云协同的变压器声纹监测方法及系统 | |
| CN117823122A (zh) | 石油钻机绞车故障智能预警方法及装置 | |
| CN114412729B (zh) | 一种风机叶片损伤监测装置及其监测方法 | |
| CN116163894A (zh) | 一种风电场风机叶片状态检测方法、系统及存储介质 | |
| CN116244581A (zh) | 一种基于人工智能平台的风电叶片故障预警方法及系统 | |
| CN113554085B (zh) | 一种感知引风机振动安全态势的系统和方法 | |
| CN118705204A (zh) | 一种列车变频轴流风机的控制系统及方法 |
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 |