CN116386663A - 一种风机叶片异常检测方法、装置、计算机及存储介质 - Google Patents
一种风机叶片异常检测方法、装置、计算机及存储介质 Download PDFInfo
- Publication number
- CN116386663A CN116386663A CN202310284862.0A CN202310284862A CN116386663A CN 116386663 A CN116386663 A CN 116386663A CN 202310284862 A CN202310284862 A CN 202310284862A CN 116386663 A CN116386663 A CN 116386663A
- Authority
- CN
- China
- Prior art keywords
- time
- sound
- fan blade
- frequency
- sub
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 36
- 230000005856 abnormality Effects 0.000 title claims abstract description 23
- 239000011159 matrix material Substances 0.000 claims abstract description 48
- 238000010586 diagram Methods 0.000 claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000013145 classification model Methods 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 230000002159 abnormal effect Effects 0.000 claims abstract description 8
- 238000013507 mapping Methods 0.000 claims abstract description 4
- 238000004590 computer program Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 8
- 230000000737 periodic effect Effects 0.000 claims description 6
- 230000008901 benefit Effects 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000000306 component Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 230000003068 static effect Effects 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G10L25/18—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 spectral information of each sub-band
-
- 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
- G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
-
- 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)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供了一种风机叶片异常检测方法、装置、计算机及存储介质，涉及风机异常检测技术领域，其目的是通过简单的声音数据判断声音检测风机叶片故障，有效提升故障检测的效率和准确性，包括在风机叶片的不同运作状态下采集风机叶片的声音，形成多组声音时频图；提取所述声音时频图的声音时频特征矩阵；建立每组声音时频图的声音时频特征矩阵和对应的运作状态的映射关系，形成训练样本；通过所述训练样本对深度神经网络进行训练，构建风机叶片故障分类模型；实时采集风机叶片的声音，形成声音时频图，通过所述故障分类模型识别风机叶片的运作状态。本发明具有风机叶片异常识别快速和准确还可以减少运算量的优点。
Description
技术领域
本发明涉及风机异常检测技术领域，具体而言，涉及一种风机叶片异常检测方法、装置、计算机及存储介质。
背景技术
风机叶片是风力发电机组的核心部件之一，风机叶片运转状态和质量的好坏将直接关系到风机的性能以及效益。
为了维护整个风力发电机组的运作效率和质量，需要保证风机叶片处于正常的运行状态，所以需要对风机叶片的状态进行监测，但是实际的风机叶片故障是难以监测到的，通常需要对风力发电机组的实际表现情况去进行异常的发现和判断，或者是工作人员定时查看观察风机叶片的运转状况。以上方法都存在效率低下、故障检测和发现不够及时的问题。经过观察发现，风机叶片在不同运行状态下的声音表现有所不同，因此可以通过声音检测来实现风机叶片工作状态的监测，现有的相关技术需要采集和训练的数据较为繁琐，有的还需借助图像数据，计算量较为庞大，会影响判断效率。
设计通过容易获取和处理的声音数据准确判断声音检测风机叶片故障的方法，可以有效提升故障检测的效率和准确性。
发明内容
本发明的目的在于提供一种风机叶片异常检测方法、装置、计算机及存储介质，其目的是通过简单的声音数据判断声音检测风机叶片故障，有效提升故障检测的效率和准确性。
本发明的实施例通过以下技术方案实现：
一种风机叶片异常检测方法，包括以下步骤：
在风机叶片的不同运作状态下采集风机叶片的声音，形成多组声音时频图，所述运作状态包括正常运作和多种异常状况，每组声音时频图的采集时长为T1；
提取所述声音时频图的声音时频特征矩阵；
建立每组声音时频图的声音时频特征矩阵和对应的运作状态的映射关系，形成训练样本；
通过所述训练样本对深度神经网络进行训练，构建风机叶片故障分类模型；
实时采集风机叶片的声音，形成声音时频图，采集时长为T1；
提取实时采集的所述声音时频图的声音时频特征矩阵作为输入，通过所述故障分类模型识别风机叶片的运作状态。
优选地，所述采集风机叶片的声音的方法为：
通过声音采集芯片进行音频采集；
所述声音采集芯片安装在风机塔筒上。
优选地，所述声音时频特征矩阵的建立方法为：
建立n个周期性采样时间点ti,0≤ti≤T1，i＝1,2,3,…,n；
获取所述声音时频特征矩阵：
Seig＝[P(t1),(t2),…,(tn)]T；
其中，Seig为所述声音时频特征矩阵，P(ti)为所述声音时频图中时间为ti时的频率特征矩阵。
优选地，时间为ti时的所述频率特征矩阵P(ti)的获取方法为：
划分出m个子频段；
计算频率特征矩阵P(ti)：
优选地，所述声音强度分布参数
的获取方法为：
其中，
为时间为ti时的所述声音时频图中第j子频段内的像素点数，Lj为第j子频段的频段长度。
优选地，所述采集时长T1为20S，所述n个周期性采样时间点ti的周期为2S。
优选地，所述子频段的个数为4个，分布为：第1子频段0-2000赫兹，第2子频段2000-4000赫兹，第3子频段4000-6000赫兹，第4子频段6000-8000赫兹。
本发明还提供了一种风机叶片异常检测装置，应用于以上的一种风机叶片异常检测方法，包括声音采集模块、时频生成模块、特征矩阵提取模块、深度神经网络训练模块和识别模块；
所述声音采集模块用于采集风机叶片的声音；
所述时频生成模块用于生成所述声音时频图；
所述特征矩阵提取模块用于提取所述声音时频图的声音时频特征矩阵；
深度神经网络训练模块用于利用训练数据获取故障分类模型；
所述识别模块用于利用所述故障分类模型识别风机叶片的运作状态。
本发明还提供了一种计算机，包括存储器和处理器，所述存储器中存储计算机程序，所述处理器用于执行所述计算机程序时实现以上所述一种风机叶片异常检测方法。
本发明还提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现以上所述一种风机叶片异常检测方法。
本发明实施例的技术方案至少具有如下优点和有益效果：
本发明直接采集声音样本提取时频图即可实现检测，数据的前期提取过程简单；
本发明直接从时频图提取声音特征，在此基础上通过特征矩阵准确表达每种风机叶片运作状态下的声音特征，为准确的异常识别提供基础；
本发明的特征矩阵提取的数据量尽可能最小化，减少了数据处理负担，提升识别效率；
本发明通过深度神经网络进行学习，识别效率高判断精准；
本发明设计合理、易于实施，便于推广和应用。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明实施例提供的一种风机叶片异常检测方法的流程示意图；
图2为本发明实施例2提供的风机叶片一种工作状态的声音时频图；
图3为本发明实施例2提供的风机叶片另一种工作状态的声音时频图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中，需要说明的是，若出现术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该申请产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，若出现术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参阅图1，本实施例提供了一种风机叶片异常检测方法，包括以下步骤：
步骤S1：在风机叶片的不同运作状态下采集风机叶片的声音，形成多组声音时频图，所述运作状态包括正常运作和多种异常状况，每组声音时频图的采集时长为T1；
步骤S2：提取所述声音时频图的声音时频特征矩阵；
步骤S3：建立每组声音时频图的声音时频特征矩阵和对应的运作状态的映射关系，形成训练样本；
步骤S4：通过所述训练样本对深度神经网络进行训练，构建风机叶片故障分类模型；
步骤S5：实时采集风机叶片的声音，形成声音时频图，采集时长为T1；
步骤S6：提取实时采集的所述声音时频图的声音时频特征矩阵作为输入，通过所述故障分类模型识别风机叶片的运作状态。
进一步地，在步骤S1中，所述采集风机叶片的声音的方法为：
通过声音采集芯片进行音频采集；
所述声音采集芯片安装在风机塔筒上。
作为一个具体的方案，这里可以采用音频采集芯片VS1053进行声音的采集，并采用L768H-E18V通信模块实现数据的4G网络在线传输，并采用太阳能与蓄电池组合供电的方法对装置持续供电，然后将该装置安装到风场的各个风机塔筒上，实现叶片声音信号的在线采集与传输。
关于时频图方面，时频图的横坐标代表时间，纵坐标代表频率，所呈现的颜色的深浅程度代表对应频率下声音的强度，在风机叶片的运作状态，其声音表现的声音时频图具备不同的特点，所以这里采取了时频图来直接提取声音时频特征矩阵，作为训练深度神经网络的异常识别要素，先采用足够数量的样本，训练深度神经网络学习每种风机叶片的运作状态下的声音时频图的特征，也就是声音时频特征矩阵，然后构建好故障分类模型，用以执行通过采集声音样本直接识别出风机叶片的运作状态。
特别说明的是，这里不同训练时采用的样本采集时长和后面需要识别的实时采集时长保持一致是方便通过同样的模式去提声音取特征矩阵，减少运算复杂度。
该方法数据量小，识别精准且可以实时进行识别，有助于工作人员直接及时地在远端即可发现风机叶片的故障，以便及时维护，便于长期保持风力发电组的优良运转。
实施例2
本实施例基于实施例1的技术方案，对声音时频特征矩阵的建立进行进一步说明。
在本实施例中，步骤S2的所述声音时频特征矩阵的建立方法为：
步骤S21：建立n个周期性采样时间点ti,0≤ti≤T1，i＝1,2,3,…,n；
步骤S22：获取所述声音时频特征矩阵：
Seig＝[P(t1),(t2),…,(tn)]T；
其中，Seig为所述声音时频特征矩阵，P(ti)为所述声音时频图中时间为ti时的频率特征矩阵。
进一步地，步骤S22中时间为ti时的所述频率特征矩阵P(ti)的获取方法为：
步骤S221：划分出m个子频段；
步骤S222：计算频率特征矩阵P(ti)：
在这里，所述声音强度分布参数
的获取方法为：
其中，
为时间为ti时的所述声音时频图中第j子频段内的像素点数，Lj为第j子频段的频段长度。
作为进一步优选方案，所述采集时长T1为20S，所述n个周期性采样时间点ti的周期为2S。
最后，所述子频段的个数为4个，分布为：第1子频段0-2000赫兹，第2子频段2000-4000赫兹，第3子频段4000-6000赫兹，第4子频段6000-8000赫兹。这里整个采取的总范围0-8000赫兹足作为特征识别异常情况，所以没有选取更大的范围来避免提升运算量。
作为一个实施案例的声音时频图参阅图2，图2具体为风机叶片一种工作状态的声音时频图，这里提供的声音时频图可以看出，只有第1子频段以外均为空，以初始时间t0为例，求取此时的频率特征矩阵：
按照以上方法求取所有采样时间点ti的频率特征矩阵，相组合即可形成声音时频特征矩阵，声音时频特征矩阵的每一行为一个采样时间点的频率特征矩阵。
作为另一个实施案例的声音时频图参阅图3，图3具体为风机叶片另一种异常状况时候的声音时频图，以初始时间为例，求取此时的频率特征矩阵：
同样按照以上方法求取所有采样时间点ti的频率特征矩阵，相组合即可形成声音时频特征矩阵，声音时频特征矩阵的每一行为一个采样时间点的频率特征矩阵。
实施例3
本实施例提供了一种风机叶片异常检测装置，应用于以上任意实施例的一种风机叶片异常检测方法，包括声音采集模块、时频生成模块、特征矩阵提取模块、深度神经网络训练模块和识别模块；
所述声音采集模块用于采集风机叶片的声音；
所述时频生成模块用于生成所述声音时频图；
所述特征矩阵提取模块用于提取所述声音时频图的声音时频特征矩阵；
深度神经网络训练模块用于利用训练数据获取故障分类模型；
所述识别模块用于利用所述故障分类模型识别风机叶片的运作状态。
实施例4
本实施例本实施例提供了一种计算机，包括存储器和处理器，所述存储器中存储计算机程序，所述处理器用于执行所述计算机程序时实现以上实施例的所述一种风机叶片异常检测方法的步骤。
计算机可以采用笔记本电脑、桌上台式电脑、能够执行云端计算控制等服务的设备等，其中计算机还包括了处理器，处理器可用于处理和统筹任务的，用户可以通过多种外设对计算机进行操控，例如键盘、鼠标和触控板等。
进一步地，所述存储器包括所述计算机设备的内部存储单元和计算机的外部存储设备，内部存储单元例如计算机内部的硬盘或内存，计算机的外部存储设备例如通过USB接口连接的移动硬盘或者闪存卡等。存储器既可以存储计算机程序，也可以暂存程序运行过程中产生的中间数据以及最终运算结果。
此外，本实施例还提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现实施例的一种风机叶片异常检测方法的步骤。常用的可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器、静态随机访问存储器、只读存储器、电可擦除可编程只读存储器、可编程只读存储器、磁性存储器、磁盘、光盘等。
以上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 (10)
1.一种风机叶片异常检测方法，其特征在于，包括以下步骤：
在风机叶片的不同运作状态下采集风机叶片的声音，形成多组声音时频图，所述运作状态包括正常运作和多种异常状况，每组声音时频图的采集时长为T1；
提取所述声音时频图的声音时频特征矩阵；
建立每组声音时频图的声音时频特征矩阵和对应的运作状态的映射关系，形成训练样本；
通过所述训练样本对深度神经网络进行训练，构建风机叶片故障分类模型；
实时采集风机叶片的声音，形成声音时频图，采集时长为T1；
提取实时采集的所述声音时频图的声音时频特征矩阵作为输入，通过所述故障分类模型识别风机叶片的运作状态。
2.根据权利要求1所述的一种风机叶片异常检测方法，其特征在于：所述采集风机叶片的声音的方法为：
通过声音采集芯片进行音频采集；
所述声音采集芯片安装在风机塔筒上。
3.根据权利要求1所述的一种风机叶片异常检测方法，其特征在于：所述声音时频特征矩阵的建立方法为：
建立n个周期性采样时间点ti,0≤ti≤T1，i＝1,2,3,…,n；
获取所述声音时频特征矩阵：
Seig＝[P(t1）,P(t2),…,P(tn)]T；
其中，Seig为所述声音时频特征矩阵，p(ti)为所述声音时频图中时间为ti时的频率特征矩阵。
4.根据权利要求3所述的一种风机叶片异常检测方法，其特征在于：时间为ti时的所述频率特征矩阵P(ti)的获取方法为：
划分出m个子频段；
计算频率特征矩阵P(ti)：
5.根据权利要求4所述的一种风机叶片异常检测方法，其特征在于：所述声音强度分布参数
的获取方法为：
其中，
为时间为ti时的所述声音时频图中第j子频段内的像素点数，Lj为第j子频段的频段长度。
6.根据权利要求5所述的一种风机叶片异常检测方法，其特征在于：所述采集时长T1为20S，所述n个周期性采样时间点ti的周期为2S。
7.根据权利要求6所述的一种风机叶片异常检测方法，其特征在于：所述子频段的个数为4个，分布为：第1子频段0-2000赫兹，第2子频段2000-4000赫兹，第3子频段4000-6000赫兹，第4子频段6000-8000赫兹。
8.一种风机叶片异常检测装置，应用于权利要求1-7所述的任意一种风机叶片异常检测方法，其特征在于：包括声音采集模块、时频生成模块、特征矩阵提取模块、深度神经网络训练模块和识别模块；
所述声音采集模块用于采集风机叶片的声音；
所述时频生成模块用于生成所述声音时频图；
所述特征矩阵提取模块用于提取所述声音时频图的声音时频特征矩阵；
深度神经网络训练模块用于利用训练数据获取故障分类模型；
所述识别模块用于利用所述故障分类模型识别风机叶片的运作状态。
9.一种计算机，其特征在于，包括存储器和处理器，所述存储器中存储计算机程序，所述处理器用于执行所述计算机程序时实现如权利要求1至7任一项所述一种风机叶片异常检测方法。
10.一种可读存储介质，其特征在于，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述一种风机叶片异常检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310284862.0A CN116386663A (zh) | 2023-03-22 | 2023-03-22 | 一种风机叶片异常检测方法、装置、计算机及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310284862.0A CN116386663A (zh) | 2023-03-22 | 2023-03-22 | 一种风机叶片异常检测方法、装置、计算机及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116386663A true CN116386663A (zh) | 2023-07-04 |
Family
ID=86970460
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310284862.0A Pending CN116386663A (zh) | 2023-03-22 | 2023-03-22 | 一种风机叶片异常检测方法、装置、计算机及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116386663A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050096873A1 (en) * | 2002-12-30 | 2005-05-05 | Renata Klein | Method and system for diagnostics and prognostics of a mechanical system |
| CN109139390A (zh) * | 2018-09-27 | 2019-01-04 | 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 |
| CN111161756A (zh) * | 2020-02-13 | 2020-05-15 | 北京天泽智云科技有限公司 | 风机叶片扫风声音信号中异常哨声轮廓的提取及识别方法 |
| CN112417966A (zh) * | 2020-10-22 | 2021-02-26 | 南京邮电大学 | 一种基于音频信号特征和ai算法的多维度机器故障检测方法 |
| 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 |
| CN115324843A (zh) * | 2022-08-27 | 2022-11-11 | 华能新能源股份有限公司 | 基于监测数据的风力发电机组的故障诊断系统及其方法 |
| CN115640503A (zh) * | 2022-10-25 | 2023-01-24 | 北京华控智加科技有限公司 | 风电机组叶片异常检测方法和装置 |
-
2023
- 2023-03-22 CN CN202310284862.0A patent/CN116386663A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050096873A1 (en) * | 2002-12-30 | 2005-05-05 | Renata Klein | Method and system for diagnostics and prognostics of a mechanical system |
| CN109139390A (zh) * | 2018-09-27 | 2019-01-04 | 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 |
| CN111161756A (zh) * | 2020-02-13 | 2020-05-15 | 北京天泽智云科技有限公司 | 风机叶片扫风声音信号中异常哨声轮廓的提取及识别方法 |
| CN112417966A (zh) * | 2020-10-22 | 2021-02-26 | 南京邮电大学 | 一种基于音频信号特征和ai算法的多维度机器故障检测方法 |
| 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 |
| CN115324843A (zh) * | 2022-08-27 | 2022-11-11 | 华能新能源股份有限公司 | 基于监测数据的风力发电机组的故障诊断系统及其方法 |
| CN115640503A (zh) * | 2022-10-25 | 2023-01-24 | 北京华控智加科技有限公司 | 风电机组叶片异常检测方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112859822B (zh) | 基于人工智能的设备健康分析及故障诊断的方法及系统 | |
| CN108073158A (zh) | 基于pca和knn密度算法风电机组轴承故障诊断方法 | |
| CN105677791B (zh) | 用于分析风力发电机组的运行数据的方法和系统 | |
| CN112084684B (zh) | 一种基于物联网的桥梁健康可视化监测系统 | |
| CN110297207A (zh) | 智能电表的故障诊断方法、系统及电子装置 | |
| CN107132266A (zh) | 一种基于随机森林的水质分类方法及系统 | |
| CN112305388B (zh) | 一种发电机定子绕组绝缘局部放电故障在线监测诊断方法 | |
| US11774505B1 (en) | Estimation method for safety state of battery pack based on deep learning and consistency detection | |
| CN115879915B (zh) | 一种用于发电厂的跨平台标准化检修方法 | |
| CN111881594A (zh) | 一种核动力设备的非平稳信号状态监测方法及系统 | |
| CN113538370A (zh) | 电网巡检方法、装置、计算机设备和存储介质 | |
| CN116227676A (zh) | 生产设备能耗分析方法、装置、电子设备及存储介质 | |
| CN115563885A (zh) | 一种风电厂储能电池能量转换系统 | |
| CN116992274B (zh) | 基于改进主成分回归模型的短期风速预测方法及系统 | |
| Liu et al. | A novel wind turbine health condition monitoring method based on common features distribution adaptation | |
| CN116386663A (zh) | 一种风机叶片异常检测方法、装置、计算机及存储介质 | |
| CN109003689A (zh) | 一种基于卷积神经网络的核堆内构件表面监测方法 | |
| CN113076354A (zh) | 一种基于非侵入式负荷监测的用户用电数据分析方法和装置 | |
| CN117131425A (zh) | 一种基于反馈数据的数控机床加工状态监测方法及系统 | |
| CN108875964A (zh) | 一种卷烟制造设备点检分析方法及系统 | |
| CN113268552B (zh) | 一种基于局部敏感哈希的发电机设备隐患预警方法 | |
| CN113671287B (zh) | 电网自动化终端智能检测方法、系统和可读存储介质 | |
| CN111307439B (zh) | 风力发电机叶片缺陷检测方法、装置、设备及存储介质 | |
| Zhang et al. | Fault pattern recognition of rolling bearing based on smoothness prior approach and dual-input depth spatial–temporal fusion | |
| CN114418194B (zh) | 基于数据驱动和模型驱动的杆塔损毁预测方法及装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230704 |