CN113298134B - 一种基于bpnn的风机叶片远程非接触健康监测***和方法 - Google Patents
一种基于bpnn的风机叶片远程非接触健康监测***和方法 Download PDFInfo
- Publication number
- CN113298134B CN113298134B CN202110551534.3A CN202110551534A CN113298134B CN 113298134 B CN113298134 B CN 113298134B CN 202110551534 A CN202110551534 A CN 202110551534A CN 113298134 B CN113298134 B CN 113298134B
- Authority
- CN
- China
- Prior art keywords
- signal
- signals
- fan blade
- neural network
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H11/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties
- G01H11/06—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties by electric means
-
- 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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G11—INFORMATION STORAGE
- G11B—INFORMATION STORAGE BASED ON RELATIVE MOVEMENT BETWEEN RECORD CARRIER AND TRANSDUCER
- G11B20/00—Signal processing not specific to the method of recording or reproducing; Circuits therefor
- G11B20/10—Digital recording or reproducing
- G11B20/10009—Improvement or modification of read or write signals
- G11B20/10037—A/D conversion, D/A conversion, sampling, slicing and digital quantisation or adjusting parameters thereof
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Signal Processing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Debugging And Monitoring (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种基于BPNN的风机叶片远程非接触健康监测***和方法,属于风力发电技术与机器学习领域,所述***中服务器通过网络接收数字信号并将其转化为音频信号加以保存,并对音频信号进行预处理得到降噪信号;采用预设倍频程提取降噪信号中的声音特征并输入至训练好的BP神经网络,以对风机叶片的健康状态进行判断并输出判断结果;当判断结果标识风机叶片存在缺陷时发出报警;还为用户提供交互界面,以使用户能够实时查看判断结果、听取音频信号、对标识缺陷的故障信号进行二次确认、标注,以及调取并分析故障历史记录。本发明使得风力发电监控***实时性好便于安装维护,能避免由于突发事故导致的经济损失、安全威胁、社会影响。
Description
技术领域
本发明属于风力发电技术领域和机器学习领域,更具体地,涉及一种基于BPNN的风机叶片远程非接触健康监测***和方法。
背景技术
目前,我国很多风电厂其风机叶片维护方式仍非常原始,通过专门人员定期巡检,然而风力发电机分布范围广,所处位置环境较为恶劣,因此巡检效率低下,危险系数高,难以实时全面的获取风机叶片的健康状态信息。
近年来,国内外风电厂商,相关学者、从业人员等越来越关注风机叶片健康监测问题,发展出若干种风机叶片故障监测方案、如基于振动、声发射、光纤光栅、红外热成像以及图像识别等技术的故障监测方法、都能取得一定的效果。
基于振动、声发射以及光纤光栅的监测需要将传感器安装在叶片上,传感器的安装与后期维护较为困难,且传感器数量及安装位置对监测结果影响较大。基于红外热成像和图像识别技术有一定局限性。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种基于BPNN的风机叶片远程非接触健康监测***和方法,解决现有的风力发电机叶片健康监测方法中存在的设备不易安装维护,稳定性差,实时性低的技术问题。
为实现上述目的,按照本发明的一个方面,提供了一种基于BPNN的风机叶片远程非接触健康监测***,包括:
户外麦克风,以非接触的方式采集风机叶片运行时产生的声音信号,并将其转化成电压信号;
数据采集与通信装置,与所述户外麦克风连接,用于采集所述电压信号并进行模数转换得到数字信号,并所述数字信号传输出去;
服务器,通过网络接收所述数据采集与通信装置传送的所述数字信号,并将其转化为音频信号加以保存,并对所述音频信号进行预处理得到降噪信号;采用预设倍频程提取所述降噪信号中的声音特征并输入至训练好的BP神经网络,由训练好的BP神经网络对风机叶片的健康状态进行判断并输出判断结果;当所述判断结果标识所述风机叶片存在缺陷时发出报警;还为用户提供交互界面,以使用户能够实时查看所述判断结果、听取所述音频信号、对标识缺陷的故障信号进行二次确认、标注,以及调取并分析故障历史记录。
在其中一个实施例中,所述服务器包括:
通信模块,用于通过网络接收所述数据采集与通信装置传送的所述数字信号;
信号预处理模块,与所述通信模块连接,用于将所述数字信号转化为音频信号加以保存,并对所述音频信号进行降噪处理得到降噪信号;
特征提取模块,与所述信号预处理模块连接,用于采用倍频程提取所述降噪信号的声音特征;
BP神经网络,与所述特征提取模块连接,用于接收所述声音特征从而对风机叶片的健康状态进行判断,并给出判断结果;
报警模块,与所述BP神经网络连接,用于当所述判断结果标识所述风机叶片存在缺陷时发出报警;
用户交互应用模块,与所述通信模块、所述信号预处理模块、所述特征提取模块、所述BP神经网络和所述报警模块连接,用于为用户提供交互界界面,以使用户能够实时查看所述判断结果、听取所述音频信号、对故障信号进行二次确认及标注,以及调取并分析故障历史记录。
在其中一个实施例中,所述服务器还包括:
显示模块,与所述信号预处理模块连接,用于显示所述降噪信号对应的时域图、频域图和时频域图。
在其中一个实施例中,所述用户交互模块还与所述显示模块连接,还用于对时域图、频域图和时频域图进行显示。
在其中一个实施例中,所述数据采集与通信装置用于
采集所述电压信号并进行模数转换得到数字信号;
利用WIFI连接光网络或连接电信4G/5G网络将所述数字信号传输出去。
在其中一个实施例中,所述户外麦克风固定放置于风机叶片下方,并通过电缆与所述数据采集与通信装置连接。
按照本发明的另一方面,提供了一种基于BPNN的风机叶片远程非接触健康监测方法,包括:
S1:以非接触的方式采集风机叶片运行时产生的声音信号,并将其转化成电压信号;对所述电压信号进行模数转换得到数字信号;
S2:将所述数字信号转化为音频信号加以保存,并对所述音频信号进行预处理得到降噪信号;
S3:采用预设倍频程提取所述降噪信号中的声音特征并输入至训练好的BP神经网络,由训练好的BP神经网络对风机叶片的健康状态进行判断并输出判断结果;当所述判断结果标识所述风机叶片存在缺陷时发出报警;
S4:提供用户交互界面供用户实时查看所述判断结果、听取所述音频信号、对标识缺陷的故障信号进行二次确认、标注,以及调取并分析故障历史记录。
在其中一个实施例中,所述S3之前,所述方法还包括:
基于小样本算法利用风机叶片一种转速下的音频信号推演出各种转速对应的音频信号;
对各种转速对应的音频信号采用所述预设倍频程提取声音特征,并标注所述声音特征,利用标注后的声音特征作为训练样本对BP神经网络进行训练;
其中,训练过程中添加隐藏层和输出层并通过反向传播算法调节各层的权重,得到训练好的BP神经网络。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
1.声信号采集装置以非接触的方式采集风机叶片运行时产生的声信号,持续实时的监测风机运转时的叶片状态,便于及时发现故障,降低损失;
2.BPNN除判断是否发生故障外,还进一步的细分不同的故障类型,并且随着不断使用,采集数据集的增加不断地进行强化训练,增加判断的准确性,自适应各种变化;
3.同时信号采集端同服务器端分离,便于采集端设备的扩展,使用用户交互装置与服务器进行交互,方便展示结果,能够便于用户随时随地查看。
附图说明
图1是本发明一实施例中基于BPNN的风机叶片远程非接触健康监测***的结构示意图;
图2是本发明一实施例中基于BPNN的风机叶片远程非接触健康监测***的架构图;
图3a是本发明一实施例中用服务器对应的Web架构图;
图3b是本发明一实施例中用户交互装置中的浏览器与服务器中的Web服务器的信息交互图;
图3c是本发明一实施例中用户交互装置对应的注册及登录流程图;
图4是本发明一实施例中基于BPNN的风机叶片远程非接触健康监测方法的流程图;
图5是本发明一实施例中基于BPNN的风机叶片远程非接触健康监测方法中S2的流程图;
图6是本发明一实施例中基于BPNN的风机叶片远程非接触健康监测方法的对BP神经网络进行训练的流程图;
图7是本发明一实施例中基于BPNN的风机叶片远程非接触健康监测方法的训练好的BP神经网络进行预测分类的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,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。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就相互组合。
为了解决现有的风力发电机叶片缺陷监测中存在的监测设备不易安装维护、稳定性差、实时性低及问题,本发明提供了一种基于BPNN的风机叶片远程非接触健康监测***和方法,其整体思路在于:利用不同状态下风机叶片运转时声音的不同这一特性,使用非接触方式实时采集风机叶片运转时的声音信号并上传至服务器,服务器随后对其进行特征提取并输入BP神经网络进行预测,将结果返回给用户。
本发明提供了一种基于BPNN的风机叶片远程非接触健康监测***,如图1,包括:户外麦克风,以非接触的方式采集风机叶片运行时产生的声音信号,并将其转化成电压信号;
数据采集与通信装置,与户外麦克风连接,用于采集电压信号并进行模数转换得到数字信号,并数字信号传输出去;
服务器,通过网络接收数据采集与通信装置传送的数字信号,并将其转化为音频信号加以保存,并对音频信号进行预处理得到降噪信号;采用预设倍频程提取降噪信号中的声音特征并输入至训练好的BP神经网络,由训练好的BP神经网络对风机叶片的健康状态进行判断并输出判断结果;当判断结果标识风机叶片存在缺陷时发出报警;还为用户提供交互界面,以使用户能够实时查看判断结果、听取音频信号、对标识缺陷的故障信号进行二次确认、标注,以及调取并分析故障历史记录。
其中,户外麦克风固定放置于风机叶片下方,并通过电缆与数据采集与通信装置连接,户外麦克风采集上方风机叶片运转产生的声音并转换成电信号,放大后通过电缆传输给数据采集与通信装置。数据采集与通信装置中采集器的采样率为51.2KHz,数据分辨率为32bit。自由设定间隔采样周期、单次采样时长。数据采集与通信装置还包含作为通信器的FTP前端,每次采集完成后,采集器可通过FTP上传文件至FTP端,正确设置声音采集器的FTP端IP及端口,则采集器每次采集完成后会自动将文件上传至FTP端。
服务器,与数据采集与通信装置建立通信网络,如图2所示,服务器包括:通信模块,用于通过网络接收数据采集与通信装置传送的数字信号;信号预处理模块,与通信模块连接,用于将数字信号转化为音频信号加以保存,并对音频信号进行降噪处理得到降噪信号;特征提取模块,与信号预处理模块连接,用于采用倍频程提取降噪信号的声音特征;BP神经网络,与特征提取模块连接,用于接收声音特征从而对风机叶片的健康状态进行判断,并给出判断结果;报警模块,与BP神经网络连接,用于当判断结果标识风机叶片存在缺陷时发出报警;用户交互应用模块,与通信模块、信号预处理模块、特征提取模块、BP神经网络和报警模块连接,用于为用户提供交互界界面,以使用户能够实时查看判断结果、听取音频信号、对故障信号进行二次确认及标注,以及调取并分析故障历史记录。
本实例中在服务器中搭建一FTP服务器,即可接收FTP风机声音采集端上传的文件,将其保存在指定文件夹下。
本实例中,进行缺陷判断与分类的BP神经网络需要前期训练模型之后才可对待测声音信号进行预测判断。本实例中神经网络采用BP全连接神经网络,它是一种按照误差逆向传播算法训练的多层前馈神经网络,是应用最广泛的神经网络之一。
在其中一个实施例中,服务器还包括:
显示模块,与信号预处理模块连接,用于显示降噪信号对应的时域图、频域图和时频域图。
在其中一个实施例中,用户交互模块还与显示模块连接,还用于对时域图、频域图和时频域图进行显示。
本实例中,声信号特征提取采用1/6倍频程方式。一般的声音信号均是由许多频率声波组成的复合声,为表示声音中含有的频率成分以及能量分布,我们常用频谱来表示声音信号的频率特性。频谱图的构成通常是以频率为横坐标,单位为Hz,以频率的对数为标度,用声压级(或声强级、声功率级)做纵坐标,单位为dB。声压级的符号是Lp,可表示为:
其中Pe为测得的声压信号的有效值,P0为参考声压,空气中的参考声压P0=2×10-5Pa,这是人耳能察觉到的最低声压,当低于这一声压值时,人耳就不能察觉。当Pe=P0时,声压级Lp为0dB,0dB称为可听域声压级。
为方便起见,对声音作频谱分析时,不需要对每一个频率上声能量进行分析,可在连续频率范围内把它划分为若干个相连的小段,每一个小段叫做频带或频程,每个小频带内的声能量被认为是均匀的,然后研究不同频带上的分布情况。截止频率fh和fl的关系为:
fh=2nfl;
式中,n为任何值。对于倍频程带宽,n=1,对于1/6倍频程带宽,n=1/6。
根据带通滤波器组的中心频率和带宽的比值关系,将其分为恒带宽式与恒带宽比式两种。顾名思义,带宽不随中心频率的变化而变化的,我们称之为恒带宽式,而带宽与中心频率的比值不变的滤波器我们叫做恒带宽比式。我们这里需要用到的1/6倍频程分析方法正是一种恒带宽比式带通滤波器,它把整个频域分为48段固定带宽比的频率带,并且中心频率所对应的截止频率之比均为1/6的常数,我们利用带通滤波器截取落在以上频带内的声音信号作为研究对象,计算其声压级。
具体的,图3a是本发明一实施例中用服务器对应的Web架构图;图3b是本发明一实施例中用户交互装置中的浏览器与服务器中的Web服务器的信息交互图;图3c是本发明一实施例中用户交互装置对应的注册及登录流程图。参考图3a、图3b和图3c,用户交互装置能够登陆服务器中搭建的Web服务器以使用户随时随地进入网站查看每台风机的实时监测结果,进一步的,为限制无关人员的进入,具备注册登录功能,且注册时需要注册码才可注册,只有成功登录后才可进入网站查看每台风机状态。
设置主页直观展示各台风机状态,同时通过Ajax技术设置1分钟刷新一遍,状态通过Web服务器端查询信号处理模块写入的数据库获取。当有风机状态异常时,页面在顶端闪烁提示该台风机状态异常,同时发出警报。进一步的,用户可在此页面调取***判断对应风机状态依赖的音频文件试听,进行错误诊断,若发现***判断失误,则进行标记。
设置历史记录页面,记录***保存的每台风机的所有历史音频及标记历史记录,音频文件按照其状态类别进行分类展示,所有音频均可试听。进一步的生成每个音频的时域图、频域图以及时频图帮助用户再次判断其状态,若***失误则可进行标记记录,留待后期加强训练,提高***的准确性。
总体而言,本发明的基于BPNN的风机叶片远程非接触健康监测***,非接触的采集风机运转的声信号,采用1/6倍频程提取其特征数据,利用BP神经网络对其进行判断分类成不同的风机叶片状态,并通过网站和用户进行交互,能够有效的解决现有的风力发电机叶片缺陷监测方法中存在的设备不易安装维护、稳定性差、实时性低的技术问题,同时具有扩展性强,交互简单方便的优点。
如图4所示,本发明提供了一种基于BPNN的风机叶片远程非接触健康监测方法,包括:
S1:以非接触的方式采集风机叶片运行时产生的声音信号,并将其转化成电压信号;对所述电压信号进行模数转换得到数字信号;
S2:将所述数字信号转化为音频信号加以保存,并对所述音频信号进行预处理得到降噪信号,如图5所示;
S3:采用预设倍频程提取所述降噪信号中的声音特征并输入至训练好的BP神经网络,由训练好的BP神经网络对风机叶片的健康状态进行判断并输出判断结果;当所述判断结果标识所述风机叶片存在缺陷时发出报警;
S4:提供用户交互界界面供用户实时查看所述判断结果、听取所述音频信号、对标识缺陷的故障信号进行二次确认、标注,以及调取并分析故障历史记录。
在其中一个实施例中,如图6所示,S3之前,方法还包括:
基于小样本算法利用风机叶片一种转速下的音频信号推演出各种转速对应的音频信号;
对各种转速对应的音频信号采用预设倍频程提取声音特征,并标注声音特征,利用标注后的声音特征作为训练样本对BP神经网络进行训练;
其中,训练过程中添加隐藏层和输出层并通过反向传播算法调节各层的权重,得到训练好的BP神经网络。
本实施例中,在前期训练阶段,收集各种类型的声信号文件,为其打标签,一共分为4种标签,其中一种是正常风机叶片的声音,另外三种是不同的异常声音。然后进行特征提取并送入神经网络进行训练,本实例中使用了4500组实测数据。同时为了削弱后期环境噪声的影响,本实例还在样本中随机加入了后期可能会出现的环境噪声,如雨声,鸟叫声,雷声等。当模型训练完成后,模块则可不断轮询FTP服务器指定文件夹,当发现有新的音频文件上传成功后则提取其特征数据,并送入BP神经网络进行判断,将判断结果写入数据库供Web服务器调取,同时将文件按照类型移动至不同的文件夹下进行分类保存。
如图7所示,在训练和测试结束后,将训练后的BP神经网络作为叶片状态预测模型,以对风机叶片的缺陷进行判断和分类,并保存缺陷分类结果;其中,叶片状态预测模型的训练方式还包括:经过预设时间后进行重新训练,以提高其准确率。
本领域的技术人员容易理解,以上仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于BPNN的风机叶片远程非接触健康监测***,其特征在于,包括:
多个户外麦克风,每个户外麦克风以非接触的方式采集不同风机叶片运行时产生的声音信号,并将其转化成电压信号;每个所述户外麦克风固定放置于对应风机叶片下方,并通过电缆与数据采集与通信装置连接;
多个数据采集与通信装置,与所述户外麦克风一一对应连接,用于采集所述电压信号并进行模数转换得到数字信号,利用WIFI连接光网络或连接电信4G/5G网络将所述数字信号传输出去;
服务器,通过网络接收所有所述数据采集与通信装置传送的数字信号,将其转化为音频信号加以保存,并对所述音频信号进行预处理得到降噪信号;采用预设倍频程提取所述降噪信号中的声音特征并输入至训练好的BP神经网络,由训练好的BP神经网络对风机叶片的健康状态进行判断并输出判断结果;当所述判断结果标识所述风机叶片存在缺陷时发出报警;还为用户提供交互界面,以使用户能够实时查看所述判断结果、听取所述音频信号、对标识缺陷的故障信号进行二次确认、标注,以及调取并分析故障历史记录;
其中,基于小样本算法利用风机叶片一种转速下的音频信号推演出各种转速对应的音频信号;对各种转速对应的音频信号采用所述预设倍频程提取声音特征,并标注所述声音特征,利用标注后的声音特征作为训练样本对BP神经网络进行训练;训练过程中添加隐藏层和输出层并通过反向传播算法调节各层的权重,得到训练好的BP神经网络。
2.如权利要求1所述的基于BPNN的风机叶片远程非接触健康监测***,其特征在于,所述服务器包括:
通信模块,用于通过网络接收所述数据采集与通信装置传送的数字信号;
信号预处理模块,与所述通信模块连接,用于将所述数字信号转化为音频信号加以保存,并对所述音频信号进行降噪处理得到降噪信号;
特征提取模块,与所述信号预处理模块连接,用于采用倍频程提取所述降噪信号的声音特征;
BP神经网络,与所述特征提取模块连接,用于接收所述声音特征从而对风机叶片的健康状态进行判断,并给出判断结果;
报警模块,与所述BP神经网络连接,用于当所述判断结果标识所述风机叶片存在缺陷时发出报警;
用户交互应用模块,与所述通信模块、所述信号预处理模块、所述特征提取模块、所述BP神经网络和所述报警模块连接,用于为用户提供交互界面,以使用户能够实时查看判断结果、听取音频信号、对故障信号进行二次确认及标注,以及调取并分析故障历史记录。
3.如权利要求2所述的基于BPNN的风机叶片远程非接触健康监测***,其特征在于,所述服务器还包括:
显示模块,与所述信号预处理模块连接,用于显示所述降噪信号对应的时域图、频域图和时频域图。
4.如权利要求3所述的基于BPNN的风机叶片远程非接触健康监测***,其特征在于,所述用户交互模块还与所述显示模块连接,还用于对时域图、频域图和时频域图进行显示。
5.一种基于BPNN的风机叶片远程非接触健康监测方法,其特征在于,应用于权利要求1-4任一项所述的基于BPNN的风机叶片远程非接触健康监测***,包括:
S1:以非接触的方式采集风机叶片运行时产生的声音信号,并将其转化成电压信号;
S2:对所述电压信号进行模数转换得到数字信号;将所述数字信号转化为音频信号加以保存,并对所述音频信号进行预处理得到降噪信号;
S3:采用预设倍频程提取所述降噪信号中的声音特征并输入至训练好的BP神经网络,由训练好的BP神经网络对风机叶片的健康状态进行判断并输出判断结果;当所述判断结果标识所述风机叶片存在缺陷时发出报警;
S4:提供用户交互界面供用户实时查看所述判断结果、听取所述音频信号、对标识缺陷的故障信号进行二次确认、标注,以及调取并分析故障历史记录;
所述S3之前,所述方法还包括:
基于小样本算法利用风机叶片一种转速下的音频信号推演出各种转速对应的音频信号;
对各种转速对应的音频信号采用所述预设倍频程提取声音特征,并标注所述声音特征,利用标注后的声音特征作为训练样本对BP神经网络进行训练;
其中,训练过程中添加隐藏层和输出层并通过反向传播算法调节各层的权重,得到训练好的BP神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110551534.3A CN113298134B (zh) | 2021-05-20 | 2021-05-20 | 一种基于bpnn的风机叶片远程非接触健康监测***和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110551534.3A CN113298134B (zh) | 2021-05-20 | 2021-05-20 | 一种基于bpnn的风机叶片远程非接触健康监测***和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113298134A CN113298134A (zh) | 2021-08-24 |
CN113298134B true CN113298134B (zh) | 2023-07-28 |
Family
ID=77323057
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110551534.3A Active CN113298134B (zh) | 2021-05-20 | 2021-05-20 | 一种基于bpnn的风机叶片远程非接触健康监测***和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113298134B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114483417B (zh) * | 2022-01-10 | 2023-06-16 | 中国长江三峡集团有限公司 | 一种基于声纹识别的水轮机导叶漏水缺陷快速识别方法 |
CN114459594B (zh) * | 2022-01-25 | 2024-01-23 | 无锡科晟光子科技有限公司 | 一种基于分布式振动光纤的风力发电监测*** |
CN114777913B (zh) * | 2022-04-28 | 2024-06-07 | 西安热工研究院有限公司 | 一种风机叶片状态监测的预警方法及*** |
CN114999529B (zh) * | 2022-08-05 | 2022-11-01 | 中国民航大学 | 一种面向机场航空噪声的机型分类方法 |
CN115376302A (zh) * | 2022-08-08 | 2022-11-22 | 明阳智慧能源集团股份公司 | 一种风机叶片故障预警方法、***、设备及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110867196A (zh) * | 2019-12-03 | 2020-03-06 | 桂林理工大学 | 一种基于深度学习及声音识别的机器设备状态监测*** |
CN111124852A (zh) * | 2019-11-21 | 2020-05-08 | 北京计算机技术及应用研究所 | 一种基于bmc健康管理模块的故障预测方法及*** |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1301387C (zh) * | 2004-06-04 | 2007-02-21 | 广东科龙电器股份有限公司 | 基于神经网络的空调器噪声源识别方法 |
CN102620807A (zh) * | 2012-03-22 | 2012-08-01 | 内蒙古科技大学 | 风力发电机状态监测***及方法 |
CN112131907A (zh) * | 2019-06-24 | 2020-12-25 | 华为技术有限公司 | 一种训练分类模型的方法及装置 |
CN110985310B (zh) * | 2019-12-16 | 2021-03-30 | 大连赛听科技有限公司 | 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 |
CN111256977A (zh) * | 2020-03-23 | 2020-06-09 | 吴建明 | 一种基于气动噪声的风机叶片监测*** |
CN111982273B (zh) * | 2020-07-06 | 2022-08-16 | 北京交通大学 | 一种轨道交通车站站台的噪声监测方法 |
-
2021
- 2021-05-20 CN CN202110551534.3A patent/CN113298134B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111124852A (zh) * | 2019-11-21 | 2020-05-08 | 北京计算机技术及应用研究所 | 一种基于bmc健康管理模块的故障预测方法及*** |
CN110867196A (zh) * | 2019-12-03 | 2020-03-06 | 桂林理工大学 | 一种基于深度学习及声音识别的机器设备状态监测*** |
Also Published As
Publication number | Publication date |
---|---|
CN113298134A (zh) | 2021-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113298134B (zh) | 一种基于bpnn的风机叶片远程非接触健康监测***和方法 | |
CN111325095B (zh) | 基于声波信号的设备健康状态智能检测方法和*** | |
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 | |
CN102778358A (zh) | 故障预测模型建立方法及***、风机监测预警***及方法 | |
CN110398647B (zh) | 变压器状态监测方法 | |
CN112727710B (zh) | 一种基于音频信号的风场落雷密度统计方法及*** | |
CN109409308A (zh) | 一种基于鸟类鸣声的鸟类物种识别的方法 | |
CN112067701B (zh) | 基于声学诊断的风机叶片远程听诊方法 | |
CN111306010B (zh) | 风机叶片雷击损伤检测方法及*** | |
CN114352486A (zh) | 一种基于分类的风电机组叶片音频故障检测方法 | |
WO2023279382A1 (zh) | 一种电机轴承运行状态故障检测方法及*** | |
CN113551765A (zh) | 设备故障声谱分析诊断方法 | |
CN112986870A (zh) | 基于振动法的分布式电力变压器绕组状态监测方法及*** | |
CN112052712B (zh) | 一种电力设备状态监测与故障识别方法及*** | |
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*** | |
CN114739667A (zh) | 一种多模态信息融合轴承润滑状态监测装置及方法 | |
CN117292713A (zh) | 基于端边云协同的变压器声纹监测方法及*** | |
CN112560673A (zh) | 一种基于图像识别的雷声检测方法及*** | |
CN111456915A (zh) | 风机机舱内部部件的故障诊断装置及方法 | |
CN116168727A (zh) | 一种变压器异常声音检测方法、***、设备及存储介质 | |
CN115163426A (zh) | 基于ai听诊的风机故障检测方法及***、风机安全*** | |
CN115468751A (zh) | 一种变压器声音采集与缺陷识别的方法与装置 | |
CN113793626A (zh) | 一种电力设备运行状态监测***及方法 | |
CN111456914B (zh) | 风机机舱内部机械部件的监测***和方法 | |
CN118008729B (zh) | 一种基于北斗的海上风机结构状态监控方法及*** |
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 |