本發(fā)明涉及聲紋數(shù)據(jù)處理領(lǐng)域，具體而言，涉及一種基于聲紋采集的風(fēng)力發(fā)電機(jī)葉片異常檢測方法及系統(tǒng)。

背景技術(shù)：

1、風(fēng)力發(fā)電機(jī)葉片長期處于復(fù)雜惡劣環(huán)境，易出現(xiàn)故障，如葉片裂紋、磨損等，影響發(fā)電效率與安全性?，F(xiàn)有的葉片故障檢測方法存在一定局限，部分依賴人工定期巡檢，效率低且難以發(fā)現(xiàn)早期潛在故障；部分基于振動、溫度等傳感器檢測，易受環(huán)境干擾，準(zhǔn)確性欠佳。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于聲紋采集的風(fēng)力發(fā)電機(jī)葉片異常檢測方法及系統(tǒng)。

2、第一方面，本發(fā)明實(shí)施例提供一種基于聲紋采集的風(fēng)力發(fā)電機(jī)葉片異常檢測方法，包括：

3、對風(fēng)力發(fā)電機(jī)的葉片聲紋數(shù)據(jù)進(jìn)行聲紋特征編碼，獲得所述葉片聲紋數(shù)據(jù)對應(yīng)的聲紋嵌入特征；

4、對所述聲紋嵌入特征進(jìn)行異常特征提取，獲得所述聲紋嵌入特征對應(yīng)的異常特征向量；

5、確定與所述葉片聲紋數(shù)據(jù)有關(guān)聯(lián)關(guān)系的至少兩個故障類型，根據(jù)每一故障類型對所述異常特征向量分別進(jìn)行異常狀態(tài)識別，獲得所述每一故障類型對應(yīng)的異常狀態(tài)得分；

6、對所述聲紋嵌入特征進(jìn)行故障權(quán)重分析，獲得所述每一故障類型對應(yīng)的故障類型權(quán)重；

7、基于所述每一故障類型對應(yīng)的故障類型權(quán)重對所述每一故障類型對應(yīng)的異常狀態(tài)得分權(quán)值分配，獲得所述每一故障類型對應(yīng)的目標(biāo)異常狀態(tài)檢測結(jié)果；一個故障類型對應(yīng)的權(quán)重頻域響應(yīng)值用于對相應(yīng)的故障類型對應(yīng)的異常狀態(tài)得分權(quán)值分配；

8、根據(jù)所述每一故障類型對應(yīng)的目標(biāo)異常狀態(tài)檢測結(jié)果，確定所述風(fēng)力發(fā)電機(jī)的葉片異常檢測結(jié)果。

9、第二方面，本發(fā)明實(shí)施例提供一種服務(wù)器系統(tǒng)，包括服務(wù)器，所述服務(wù)器用于執(zhí)行第一方面所述的方法。

10、相比現(xiàn)有技術(shù)，本發(fā)明提供的有益效果包括：采用本發(fā)明公開的一種基于聲紋采集的風(fēng)力發(fā)電機(jī)葉片異常檢測方法及系統(tǒng)，通過對葉片聲紋數(shù)據(jù)進(jìn)行聲紋特征編碼得到聲紋嵌入特征，提取其異常特征向量；確定至少兩個故障類型，依各故障類型對異常特征向量識別得異常狀態(tài)得分；分析聲紋嵌入特征得到故障類型權(quán)重；結(jié)合權(quán)重對異常狀態(tài)得分權(quán)值分配得到目標(biāo)異常狀態(tài)檢測結(jié)果；最終依此確定葉片異常檢測結(jié)果。該方法實(shí)現(xiàn)對風(fēng)力發(fā)電機(jī)葉片異常的有效檢測。

技術(shù)特征：

1.一種基于聲紋采集的風(fēng)力發(fā)電機(jī)葉片異常檢測方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述對風(fēng)力發(fā)電機(jī)的葉片聲紋數(shù)據(jù)進(jìn)行聲紋特征編碼，獲得所述葉片聲紋數(shù)據(jù)對應(yīng)的聲紋嵌入特征，包括：

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述異常特征向量是由第一聲學(xué)特征提取模塊中的聲學(xué)特征編碼器對所述聲紋嵌入特征進(jìn)行異常特征提取確定的；所述第一聲學(xué)特征提取模塊屬于用于對所述風(fēng)力發(fā)電機(jī)進(jìn)行葉片異常檢測的葉片故障檢測模型；

4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述多個自監(jiān)督學(xué)習(xí)任務(wù)中包括時頻圖掩碼重建任務(wù)；

5.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述多個自監(jiān)督學(xué)習(xí)任務(wù)中包括時頻異常替換檢測任務(wù)；

6.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述多個自監(jiān)督學(xué)習(xí)任務(wù)中包括聲紋去噪對比任務(wù)；

7.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述異常特征向量是由第一聲學(xué)特征提取模塊中的聲學(xué)特征編碼器對所述聲紋嵌入特征進(jìn)行異常特征提取確定的；所述第一聲學(xué)特征提取模塊屬于用于對所述風(fēng)力發(fā)電機(jī)進(jìn)行葉片異常檢測的葉片故障檢測模型；所述葉片故障檢測模型中還包括多級特征融合在所述聲學(xué)特征編碼器之后的第二聲學(xué)特征提取模塊；

8.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述聲紋嵌入特征是由第一聲學(xué)特征提取模塊中的聲學(xué)特征編碼層對時頻特征數(shù)據(jù)進(jìn)行聲紋特征編碼確定的；所述時頻特征數(shù)據(jù)是由第一聲學(xué)特征提取模塊中的聲紋預(yù)處理層對所述葉片聲紋數(shù)據(jù)進(jìn)行時頻變換處理確定的；所述第一聲學(xué)特征提取模塊屬于用于對所述風(fēng)力發(fā)電機(jī)進(jìn)行葉片異常檢測的葉片故障檢測模型；所述葉片故障檢測模型中還包括多級特征融合在所述聲學(xué)特征編碼層之后的第三聲學(xué)特征提取模塊；

9.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述至少兩個故障類型包括目標(biāo)故障類型；

10.一種服務(wù)器系統(tǒng)，其特征在于，包括服務(wù)器，所述服務(wù)器用于執(zhí)行權(quán)利要求1-9中任意一項(xiàng)所述的方法。

技術(shù)總結(jié)
本發(fā)明公開了一種基于聲紋采集的風(fēng)力發(fā)電機(jī)葉片異常檢測方法及系統(tǒng)，包括：首先對葉片聲紋數(shù)據(jù)進(jìn)行聲紋特征編碼得到聲紋嵌入特征，提取其異常特征向量；確定至少兩個故障類型，依各故障類型對異常特征向量識別得異常狀態(tài)得分；分析聲紋嵌入特征得到故障類型權(quán)重；結(jié)合權(quán)重對異常狀態(tài)得分權(quán)值分配得到目標(biāo)異常狀態(tài)檢測結(jié)果；最終依此確定葉片異常檢測結(jié)果。如此設(shè)計，實(shí)現(xiàn)對風(fēng)力發(fā)電機(jī)葉片異常的有效檢測。

技術(shù)研發(fā)人員：丁東亮,常煒熙,龔恒達(dá),邢子龍,涂萬里,秦志宇,吳潘興,王盈佳
受保護(hù)的技術(shù)使用者：北京諦聲科技有限責(zé)任公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/15