JP7199608B2 - 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 - Google Patents

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 Download PDF

Info

Publication number
JP7199608B2
JP7199608B2 JP2022551545A JP2022551545A JP7199608B2 JP 7199608 B2 JP7199608 B2 JP 7199608B2 JP 2022551545 A JP2022551545 A JP 2022551545A JP 2022551545 A JP2022551545 A JP 2022551545A JP 7199608 B2 JP7199608 B2 JP 7199608B2
Authority
JP
Japan
Prior art keywords
wind turbine
signal
wind
acoustic
frequency
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
JP2022551545A
Other languages
English (en)
Other versions
JP2022552449A (ja
Inventor
クイ，ウェイユー
ウェイ，シュー
ザオ，チンシャン
イン，ジョンジー
アイ，ヨン
アオ，ドン
ワン，ジーメン
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.)
Shanghai Envision Digital Co Ltd
Envision Digital International Pte Ltd
Original Assignee
Shanghai Envision Digital Co Ltd
Envision Digital International Pte Ltd
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 Shanghai Envision Digital Co Ltd, Envision Digital International Pte Ltd filed Critical Shanghai Envision Digital Co Ltd
Publication of JP2022552449A publication Critical patent/JP2022552449A/ja
Application granted granted Critical
Publication of JP7199608B2 publication Critical patent/JP7199608B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2260/00—Function
    • F05B2260/80—Diagnostics
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2260/00—Function
    • F05B2260/83—Testing, e.g. methods, components or tools therefor
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2260/00—Function
    • F05B2260/84—Modelling or simulation
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/30—Control parameters, e.g. input parameters
    • F05B2270/333—Noise or sound levels
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/70—Type of control algorithm
    • F05B2270/709—Type of control algorithm with neural networks
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/80—Devices generating input signals, e.g. transducers, sensors, cameras or strain gauges
    • F05B2270/81—Microphones
    • 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)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Combustion & Propulsion (AREA)
  • Chemical & Material Sciences (AREA)
  • Sustainable Energy (AREA)
  • Sustainable Development (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Wind Motors (AREA)
  • Acoustics & Sound (AREA)
  • Signal Processing (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Description

本発明は応用分野に関し、特に、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に関する。
世界の環境保護団体の要請に応じて、中国は、環境に優しいエネルギー、例えば技術の成熟した風力発電などの開発と使用に取り組んでいる。
風力発電は風力タービン次第であり、風力タービン翼は風力タービンの風力捕捉能力および効率を決定する。したがって、風力タービン翼の状態監視は非常に重要である。風力タービン翼を検査するための従来の方法は手動の検査方法であり、風力タービン翼は技術者による目視観測や音識別によって定期的に検査される。
この手動の検査方法は運転および維持費が高く、またリアルタイムで風力タービン翼の健全状態を監視することができない。
本発明の実施形態は、手動の検査方法の運転および維持費を削減すること、およびリアルタイムで風力タービン翼の健全状態を監視することができる、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を提供する。
本発明の一態様によれば、風力タービン翼を検査するための方法が提供されており、風力タービン翼は風力発電装置の翼であって、風力発電装置は収音装置を備えたタワーをさらに含んでいる。前記方法は、
収音装置を用いて風力タービン翼への風の衝突によって生じた音響信号を収集するステップであって、音響信号は風が風力タービン翼に衝突する場合の翼間の空気の摺動によって生じた音響信号を含むステップと；
音響信号に基づいて周波数スペクトログラムを生成するステップと；
損傷認識モデルに基づいて周波数スペクトログラムの画像認識を実行することによって風力タービン翼の損傷認識結果を取得するステップであって、損傷認識モデルはニューラルネットワークモデルを訓練することによって得られるステップとを含む。
本発明の別の態様によれば、風力タービン翼を検査するための装置が提供されており、風力タービン翼は風力発電装置の翼であって、風力発電装置は収音装置を備えたタワーをさらに含んでいる。前記装置は、
収音装置を用いて風力タービン翼への風の衝突によって生じた音響信号を収集するように構成された収集モジュールであって、音響信号は風が風力タービン翼に衝突する場合の翼間の空気の摺動によって生じた音響信号を含む収集モジュールと；
音響信号に基づいて周波数スペクトログラムを生成するように構成された生成モジュールと；
損傷認識モデルに基づいて周波数スペクトログラムの画像認識を実行することによって風力タービン翼の損傷認識結果を取得するように構成された認識モジュールであって、損傷認識モデルはニューラルネットワークモデルを訓練することによって得られる認識モジュールとを含む。
本発明の別の態様によれば、風力発電装置が提供される。風力発電装置は、
収音装置と；収音装置に通信可能に接続されたメモリと；メモリに通信可能に接続されたプロセッサとを含んでおり、
収音装置は、風力発電装置の風力タービン翼への風の衝突によって生じた音響信号を収集し、メモリに音響信号を保存するように構成されており；
メモリは、実行可能命令と音響信号を保存するように構成されており；
プロセッサは、メモリに保存された実行可能命令をロードして実行するように構成されて、上記のような風力タービン翼を検査するための方法を実行する。
またさらなる態様では、非一時的コンピュータ可読記憶媒体が提供される。コンピュータ可読記憶媒体は、そこに少なくとも１つの命令、少なくとも１つのプログラム、コードセット、または命令セットを保存し、少なくとも１つの命令、少なくとも１つのプログラム、コードセット、または命令セットは、プロセッサによってロードされて実行されると、プロセッサに上記のような風力タービン翼を検査するための方法を実行させる。
本発明の実施態様による技術的解決手段は、少なくとも以下の有益な効果をもたらす。
前記方法では、風力タービン翼への風の衝突によって生じた音響信号が収音装置を用いて収集され；音響信号に対応する周波数スペクトログラムが生成され；損傷認識モデルに基づいて周波数スペクトログラムの画像認識を実行することによって風力タービン翼の損傷認識結果が周波数スペクトログラムから得られる。それ故、手動の検査をせずに周波数スペクトログラムに基づいて風力タービン翼の損傷タイプが正確に認識される。したがって、人材が削減される。その上、風力タービン翼の健全状態をリアルタイムで監視することができる。さらに、この方法では、いかなる風力タービン運転データにも頼らずに音響信号に基づいて風力タービン翼の損傷が認識されるので、風力タービン翼の損傷の検出中の機械計算量が減少する。
本発明の実施形態における技術的解決手段をより明確に説明するため、以下に、実施形態を説明するのに必要な添付図面を簡単に説明する。明らかに、以下の説明における添付図面は単に本発明のいくつかの実施形態を示しているにすぎず、当業者であれば創意工夫なしにこれらの添付図面から他の図面をさらに引き出すことができる。
本発明の一例示的実施形態による風力発電システムの構造図である。 本発明の一例示的実施形態による風力タービン翼を検査するための方法の流れ図である。 本発明の一例示的実施形態による音響信号の時間領域信号図である。 本発明の一例示的実施形態による音響信号の周波数スペクトログラムである。 本発明の一例示的実施形態による損傷タイプを認識するための方法の流れ図である。 本発明の別の例示的実施形態による風力タービン翼を検査するための方法の流れ図である。 本発明の一例示的実施形態による風力タービン翼を検査するための装置のブロック図である。 本発明の一例示的実施形態によるサーバの構造図である。
本発明の目的、技術的解決手段、および利点をより明確に説明するために、本発明の実施形態を、添付図面を参照して以下に詳細に説明する。
図１を参照すると、本発明の一例示的実施形態による風力発電システムの構造図が示されている。風力発電システムは、風力発電装置（すなわち、風力タービン）１２０および風力タービン翼検査装置１４０を含む。
風力発電装置１２０は、風力タービン翼１２２およびタワー１２４を含む。風が風力タービン翼１２２に衝突して風力エネルギーを生成し、風力発電装置１２０が風力エネルギーを電気エネルギーに変換し、電気エネルギーをエネルギー蓄積装置に貯蔵する。タワー１２４は、風力発電装置の他のデバイス構造を支持するように構成される。例えば、風力タービン翼１２２はハブによってタワー１２４の上端部に接続される。
風力タービン翼検査装置１４０は、収音装置１４２およびバックグラウンドサーバ群１４４を含む。収音装置１４２は、タワー１２４に配置される。例えば、収音装置１４２はタワー扉に配置される。任意で、収音装置１４２は音センサまたはマイクロホンを含む。
収音装置１４２は、有線または無線ネットワークを介してバックグラウンドサーバ１４４に接続される。収音装置１４２は、風が風力タービン翼に衝突する場合の翼間の空気の摺動によって生じた音響信号を収集するように構成され、音響信号をバックグラウンドサーバ群１４４に送信する。バックグラウンドサーバ群１４４は、音響信号を保存し、実行可能命令をロードして実行するように構成されて、本発明による風力タービン翼を検査するための方法を実行する。
注目すべきは、収音装置１４２がプロセッシングボックスに接続されることである。プロセッサはプロセッシングボックス内に配置され、音響信号を圧縮することができる。収音装置１４２は、有線または無線ネットワークを介してバックグラウンドサーバ群にさらに接続される。収音装置１４２はプロセッシングボックスによって収集した音響信号を圧縮してから、処理した音響信号をバックグラウンドサーバ群１４４に送信する。
いくつかの実施形態では、バックグラウンドサーバ群１４４は、風力タービン翼の損傷度および損傷タイプを表示するためのディスプレイ画面をさらに備えている。
いくつかの実施形態では、バックグラウンドサーバ群１４４は警報装置をさらに備えている。風力タービン翼が損傷しているとバックグラウンドサーバ群１４４が判断すると、バックグラウンドサーバ群１４４は警報を発するように警報装置を制御する。いくつかの他の実施形態では、バックグラウンドサーバ群１４４は、風力タービン翼の損傷タイプに応じた対応する警報を発するように警報装置を制御してもよく、風力タービン翼の様々な損傷タイプが様々な警報に対応する。
図２を参照すると、本発明の一例示的実施形態による風力タービン翼を検査するための方法の流れ図が示されている。この方法は図１に示す風力発電システムに適用可能であり、以下のステップを含む。
ステップ２０１では、風力タービン翼への風の衝突によって生じた音響信号が収音装置を用いて収集される。
音響信号には、風が風力タービン翼に衝突する場合の翼間の空気の摺動によって生じた音響信号が含まれる。例えば、収音装置は風力タービン翼への風の衝突によって生じた音響信号を収集し、音響信号をプロセッシングボックスに送信する。音響信号はプロセッシングボックスによって圧縮されてから、プロセッシングボックスによってバックグラウンドサーバに送信される。
バックグラウンドサーバは、音響信号をメモリに保存する。風力タービン翼を検査するための方法が実行されると、バックグラウンドサーバはメモリから風力タービン翼への風の衝突によって生じた音響信号を収集する。
ステップ２０２では、周波数スペクトログラムが音響信号に基づいて生成される。
バックグラウンドサーバは、音響信号に短時間フーリエ変換を実行することによって音響信号に対応する周波数スペクトログラムを取得する。例えば、周波数スペクトログラムの描画中、様々な音響振幅を表すために様々な色を用いてもよい。
任意で、風力発電装置は、各々が対応する周波数スペクトル領域を有するｍ個の風力タービン翼を含んでもよく、バックグラウンドサーバは、風力タービン翼単位でセグメント化された周波数スペクトログラムを生成してもよい（ただし、ｍは自然数とする）。例示的なステップは以下の通りである。
１）信号解析アルゴリズムを呼ぶことによって音響信号によって形成された時間領域信号図から信号エンベロープを抽出する。
バックグラウンドサーバは、音響信号によって形成された時間領域信号図から信号エンベロープを抽出するが、この場合、信号エンベロープは時間領域信号図の曲線族の各々に接する少なくとも１つの点を有する曲線を指しており、時間領域において信号エンベロープに波の谷が現れる点の位置を分割点として決定する。
信号解析アルゴリズムは、音響信号の時間領域信号図を解析して信号エンベロープを取得するように構成される。例えば、上記の信号解析アルゴリズムは、ヒルベルト変換関数等の伝達関数を含んでもよい。任意で、バックグラウンドサーバは、ヒルベルト変換関数に基づいて時間領域信号図から信号エンベロープを抽出する。
２）時間領域において、信号エンベロープ上で波の谷が位置する点の位置を分割点として決定する。
例えば、図３に示すように、バックグラウンドサーバは音響信号に基づいて時間領域信号図３１を生成し、ヒルベルト変換関数に基づいて時間領域信号図３１から信号エンベロープ３２を抽出し、信号エンベロープ３２上で各々の波の谷が位置する点３３を決定する。時間領域における点３３の位置が分割点である。時間領域信号図において、２つの隣接する分割点の間の部分は、風が風力タービン翼に衝突する場合の時間領域信号図を示す。
３）音響信号を周波数スペクトログラムに変換し、分割点に基づいて周波数スペクトログラムをセグメント化してセグメント化された周波数スペクトログラムを取得する。
いくつかの実施形態では、バックグラウンドサーバは、短時間フーリエ変換またはラプラス変換に基づいて音響信号を周波数スペクトログラムに変換する。すなわち、バックグラウンドサーバは、短時間フーリエ変換またはラプラス変換に基づいて音響信号の時間領域信号を周波数領域信号に変換して周波数スペクトログラムを形成し、時間軸上の分割点に基づいて周波数スペクトログラムをセグメント化して風力タービン翼のｎ個の周波数スペクトル領域を取得する（ただし、ｎは自然数とする）。周波数スペクトログラムにおいて、２つの隣接する分割点の間の周波数スペクトル領域は、風が風力タービン翼に衝突する場合の周波数スペクトルを指す。
例えば、図４に示すように、周波数スペクトログラム４１の８個の曲線はそれぞれ異なる周波数帯の風力タービン翼の音響信号曲線であり、周波数スペクトログラムは分割点に基づいて２５個の周波数スペクトル領域にセグメント化される。風力タービン翼には３つの風力タービン翼が含まれるので、上記の２５個の周波数スペクトル領域はそれぞれ３つの風力タービン翼に対応する。３つの連続した周波数スペクトル領域は、３つの異なる風力タービン翼に対応する。（３ｍ－２）番目の周波数スペクトル領域は風力タービン翼Ａの周波数スペクトル領域であり、（３ｍ－１）番目の周波数スペクトル領域は風力タービン翼Ｂの周波数スペクトル領域であり、３ｍ番目の周波数スペクトル領域は風力タービン翼Ｃの周波数スペクトル領域である（ただし、ｍは自然数とする）。
ステップ２０３では、損傷認識モデルに基づいて周波数スペクトログラムの画像認識を実行することによって風力タービン翼の損傷認識結果を取得する。
損傷認識モデルはバックグラウンドサーバ内で構成され、バックグラウンドサーバは、損傷認識モデルに基づいて周波数スペクトログラムの画像認識を実行することによって、周波数スペクトログラムから風力タービン翼の損傷タイプを決定する。任意で、バックグラウンドサーバは、損傷認識モデルに基づいてセグメント化された周波数スペクトログラムの画像認識を実行することによって、セグメント化された周波数スペクトログラムから風力タービン翼の損傷タイプを決定する。
いくつかの実施形態では、損傷認識結果には風力タービン翼の損傷タイプが含まれる。損傷タイプには、少なくとも、風力タービンの排水穴の閉塞、翼保護フィルムの亀裂、翼の先端の腐食、翼の根元の破砕、翼の笛吹音、および雷害が含まれる。
例えば、図５に示すように、損傷認識モデルに基づいて周波数スペクトログラムを認識するための流れ図が示されている。バックグラウンドサーバは、周波数スペクトログラム５１をモデルの畳み込みおよびプーリング層５２に入力し、畳み込みおよびプーリングによって周波数スペクトログラムを特徴空間にマップして周波数スペクトログラムの画像特徴を取得し；上記の画像特徴を特徴変換用の特徴変換層に入力して変換された画像特徴を取得し；その後、変換された画像特徴を完全接続層５４に入力し、完全接続層５４によって変換された画像特徴を認識および分類することによって特徴分類結果を取得し；最後に、出力層５５に基づいて特徴分類結果を正規化することによって損傷認識結果を取得する。損傷認識結果には、風力タービン翼の損傷タイプが含まれる。
注目すべきは、上記の損傷認識モデルはニューラルネットワークモデルを訓練することによって得られることである。例えば、上記の損傷認識モデルの訓練プロセスは以下の通りである。
１）周波数スペクトログラムサンプルを収集する。
周波数スペクトログラムサンプルは過去の周波数スペクトログラムを収集することによって得られた周波数スペクトログラム集合であり、周波数スペクトログラムサンプル集合には様々な過去の周波数スペクトログラムの様々な損傷タイプに対応する画像が含まれる。損傷位置およびサンプル損傷タイプは、上記の周波数スペクトログラムサンプルにおいて対応してマークされる。
２）周波数スペクトログラムサンプルを画像認識用のニューラルネットワークモデルに入力して損傷位置の認識された損傷タイプを取得する。
バックグラウンドサーバは、収集された周波数スペクトログラムサンプルをニューラルネットワークモデルに入力し、ニューラルネットワークモデルに基づいて周波数スペクトログラムサンプルの画像認識を実行することによって各損傷位置に対応して決定された損傷タイプを取得する。
いくつかの実施形態では、上記のニューラルネットワークモデルは、長短期記憶モデル、畳み込みニューラルネットワークモデル、フィードフォワードニューラルネットワークモデル等であってもよい。ニューラルネットワークモデルのタイプは、本実施形態では限定されない。
３）認識された損傷タイプとサンプル損傷タイプに基づいて誤差逆伝播学習を行って、風力タービン翼の損傷タイプに対するニューラルネットワークモデルの認識能力を訓練することで、損傷認識モデルを取得する。
ニューラルネットワークモデルは認識された損傷タイプとサンプル損傷タイプとの間の誤差を計算し、誤差逆伝播を行い、それ自身のモデルパラメータを調整する。それ故、風力タービン翼の損傷タイプに対するニューラルネットワークモデルの認識能力が訓練され、最終的に損傷認識モデルが得られる。
要約すると、本発明による風力タービン翼を検査するための方法では、風力タービン翼への風の衝突によって生じた音響信号が収音装置を用いて収集され；音響信号に対応する周波数スペクトログラムが生成され；損傷認識モデルに基づいて周波数スペクトログラムの画像認識を実行することによって風力タービン翼の損傷認識結果が周波数スペクトログラムから得られる。それ故、手動の検査をせずに周波数スペクトログラムに基づいて風力タービン翼の損傷タイプが正確に認識される。したがって、人材が削減される。その上、風力タービン翼の健全状態をリアルタイムで監視することができる。さらに、この方法では、いかなる風力タービン運転データにも頼らずに音響信号に基づいて風力タービン翼の損傷が認識されるので、風力タービン翼の損傷の検出中の機械計算量が減少する。
注目すべきは、本発明による風力タービン翼を検査するための方法は、風力タービン翼が回転する過程で直ちに風力タービン翼の損傷を発見し、損傷タイプを確認するためにあることである。したがって、風力タービン翼の損傷タイプを認識する前に、風力タービン翼が損傷しているかどうかをまず判断することが可能である。例えば、図２に基づいて、ステップ２０３はサブステップ２０３１および２０３２を含んでもよい。図６に示すように、ステップは以下の通りである。
サブステップ２０３１では、セグメント化された周波数スペクトログラムに基づいて、風力タービン翼への風の衝突に応じた音響スペクトル相違要因が計算される。
上記の音響スペクトル相違要因は、風力タービン翼の損傷度を表す。いくつかの実施形態では、風力タービン翼への風の衝突に応じた音響スペクトル相違要因は、セグメント化された周波数スペクトログラムに基づいて計算される。
いくつかの実施形態では、セグメント化された周波数スペクトログラムにはセグメント化の後のｎ個の風力タービン翼の周波数スペクトル領域が含まれる（ただし、ｎは自然数とする）。例えば、ｎ個の風力タービン翼の周波数スペクトル領域に基づいて、バックグラウンドサーバが風力タービン翼への風の衝突に応じた音響スペクトル相違要因を計算する例示的なステップは、以下の通りである。
１）ｎ個の周波数スペクトル領域の信号ピークを抽出する。
２）ｎ個の周波数スペクトル領域の信号ピークに基づいて、音響信号の時間領域因子および周波数領域因子を計算する。
具体的には、ｍ個の風力タービン翼が風力発電装置に配置される。いくつかの実施形態では、バックグラウンドサーバが音響信号の時間領域因子を計算する。バックグラウンドサーバは、最初に、風力タービン翼の各々に対応する周波数スペクトル領域の少なくとも２つの信号ピークの中央値を決定し；次に、ｍ個の風力タービン翼に対応するｍ個の中央値から最大ピークおよび最小ピークを決定し；最後に、最小ピークに対する最大ピークの比率を時間領域因子として決定する。
例えば、ｍが３である場合、バックグラウンドサーバは周波数スペクトログラムの特定の周波数帯の曲線を選択して時間領域因子を計算する。例えば、バックグラウンドサーバは、図４に示す周波数スペクトログラム４１の（－０．００８）－（－０．００６）の周波数帯の曲線を選択して時間領域因子を計算するか、または全周波数帯（図示せず）の音響信号の曲線を選択して時間領域因子を計算する。風力タービン翼には３つの風力タービン翼が含まれる。２５個の周波数スペクトル領域が選択された曲線に含まれる場合、バックグラウンドサーバは、各周波数スペクトル領域の信号ピーク、合計２５個の信号ピークを決定するが、その場合、９個の信号ピークは対応する（３ｍ－２）番目の周波数スペクトル領域の風力タービン翼Ａの信号ピークであり、８個の信号ピークは対応する（３ｍ－１）番目の周波数スペクトル領域の風力タービン翼Ｂの信号ピークであり、８個の信号ピークは対応する３ｍ番目の周波数スペクトル領域の風力タービン翼Ｃの信号ピークである。バックグラウンドサーバは、風力タービン翼Ａ，ＢおよびＣの信号ピークから対応する中央値ａ，ｂおよびｃを決定し、中央値ａ，ｂおよびｃから最大ピークおよび最小ピークを決定し、最終的に最小ピークに対する最大ピークの比率を時間領域因子として決定する。例えば、最大ピークがａであり最小ピークがｃである場合、時間領域因子はａ／ｃである。
いくつかの実施形態では、バックグラウンドサーバは音響信号の周波数領域因子を計算する。バックグラウンドサーバは、ｍ個の周波数スペクトル領域の各２つの隣接する周波数スペクトル領域の信号ピークから最大ピークを取得し、最大ピークを候補ピークとして決定し；その後、候補ピークの少なくとも２つの中央値を周波数領域因子として決定するか；または、バックグラウンドサーバは、セグメント化された周波数スペクトログラムの信号分布と理論分布との間の相対エントロピー、すなわち、カルバック・ライブラー（ＫＬ）発散を計算し、ＫＬ発散を周波数領域因子として決定する。
例えば、図４に示すように、バックグラウンドサーバは、２５個の周波数スペクトル領域を左から右に１から２５とマークし、隣接する周波数スペクトル領域１－３，２－４，３－５，・・・，２３－２５の対応する信号ピーク、合計２３個の信号ピークから最大ピークを取得し、上記の２３個の信号ピークから中央値を決定する。この中央値は１つの周波数領域因子である。
バックグラウンドサーバは、セグメント化された周波数スペクトログラムの信号分布と理論信号分布との間のＫＬ発散を計算し、ＫＬ発散を別の周波数領域因子として決定する。
注目すべきは、上記の周波数領域因子が周波数領域の音響信号の分布特徴を表すことである。本発明は周波数領域の音響信号の分布特徴を計算するための２つの方法を提示するが、本発明では、周波数領域の音響信号の分布特徴を計算するための方法は上記に示した２つの方法に限定されない。
３）時間領域因子と周波数領域因子の加重平均を音響スペクトル相違要因として決定する。
例えば、バックグラウンドサーバは、計算によって１つの時間領域因子と２つの周波数領域因子を取得してから、１つの時間領域因子と２つの周波数領域因子の加重平均を計算し、上記の加重平均を音響スペクトル相違要因として決定する。
また、注目すべきは、バックグラウンドサーバはさらにフィルターによって音響信号をフィルター処理してフィルター処理された音響信号を取得し、フィルター処理された音響信号に基づいて周波数スペクトログラムを生成してから、周波数スペクトル相違要因を生成することである。
サブステップ２０３２では、音響スペクトル相違要因が弁別閾値よりも大きいかどうかを判断する。
弁別閾値はバックグラウンドサーバ内に設けられ、風力タービン翼が損傷しているかどうかを判断するように構成される。音響スペクトル相違要因が弁別閾値よりも大きい場合は、風力タービン翼は損傷しており、サブステップ２０３３が実行され；音響スペクトル相違要因が弁別閾値以下である場合は、風力タービン翼は損傷しておらず、プロセスがステップ２０１に戻る。
サブステップ２０３３では、損傷認識モデルに基づいてセグメント化された周波数スペクトログラムの画像認識を実行することによって、風力タービン翼の損傷認識結果を取得する。
要約すると、本実施形態による風力タービン翼を検査するための方法では、風力タービン翼の損傷タイプを認識する前に、まず、風力タービン翼が損傷しているかどうかを音響スペクトル相違要因に基づいて判断し；風力タービン翼が損傷していると判断された場合、損傷タイプが認識される。それ故、損傷認識モデルに基づいて損傷タイプを認識する確率が増加し、損傷認識モデルによる風力タービン翼の損傷タイプの無効な認識が回避される。
また、注目すべきは、バックグラウンドサーバには範囲閾値も設定してもよく、様々な範囲閾値が様々な損傷度に対応することである。音響スペクトル相違要因が弁別閾値よりも大きい場合、バックグラウンドサーバは、音響スペクトル相違要因が属する範囲閾値に基づいて風力タービン翼の損傷度を決定する。
例えば、第１の範囲閾値、第２の範囲閾値および第３の範囲閾値がバックグラウンドサーバに設定される。音響スペクトル相違要因が第１の範囲閾値に属する場合、バックグラウンドサーバは風力タービン翼の損傷度が軽度であると判断し；音響スペクトル相違要因が第２の範囲閾値に属する場合、バックグラウンドサーバは風力タービン翼の損傷度が中程度であると判断し；音響スペクトル相違要因が第３の範囲閾値に属する場合、バックグラウンドサーバは風力タービン翼の損傷度が重度であると判断する。範囲閾値内の値は弁別閾値よりも大きい。
バックグラウンドサーバは、風力タービン翼の損傷タイプを出力すると共に、風力タービン翼の損傷度を出力する。任意で、出力される損傷度は、設定された損傷度レベルに基づいてバックグラウンドサーバによって決定してもよく、または直接音響スペクトル相違要因であってもよい。
この方法によって、ユーザは、出力結果から風力タービン翼の損傷度および損傷タイプを明確に理解することができる。
また、注目すべきは、バックグラウンドサーバが風力タービン翼を検査するための方法を実行する過程で、収音装置は毎回プリセット継続時間を有する音響信号を収集し、それに応じてプリセット継続時間を有する上記の音響信号を保存するためのファイルを生成することである。例えば、各ファイルには４３秒の継続時間を有する音響信号が含まれる。音響スペクトル相違要因を計算する際、バックグラウンドサーバは１つのファイルから４３秒の継続時間を有する音響信号を取得する。しかしながら、上記の様々なファイルに保存された音響信号の信号品質は異なり、全部の信号品質が劣っているファイルも一部ある。これは、音響スペクトル相違要因の結果に影響を及ぼす。したがって、音響スペクトル相違要因を計算する過程では、バックグラウンドサーバはまず音響信号の信号品質を決定する。
例えば、セグメント化された周波数スペクトログラムを取得した後、バックグラウンドサーバは、以下のように、セグメント化された周波数スペクトログラムに基づいて音響信号の信号品質を決定する。
（１）セグメント化された周波数スペクトログラムに基づいて、音響信号の信号対雑音比を計算する。
収音装置は、風力タービン翼への風の衝突によって生じた元の音響信号を収集する。収集プロセスでは、付加信号、すなわち元の音響信号に存在しない雑音が元の音響信号にミックスされる。信号対雑音比は、雑音に対する収集された元の音響信号の比率を指す。周波数スペクトログラムのセグメント化が完了した後、バックグラウンドサーバはセグメント化された周波数スペクトログラムに基づいて音響信号の信号対雑音比を計算する。
（２）信号対雑音比が信号対雑音比閾値よりも大きいかどうかを判断する。
信号対雑音比閾値がバックグラウンドサーバに設定され、バックグラウンドサーバは信号対雑音比が信号対雑音比閾値よりも大きいかどうかを判断する。信号対雑音比が信号対雑音比閾値よりも大きい場合、ステップ（３）が実行され；信号対雑音比が信号対雑音比閾値以下である場合、ステップ（４）が実行されてプロセスはステップ２０１に戻る。
（３）セグメント化された周波数スペクトログラムに基づいて、風力タービン翼への風の衝突に応じた音響スペクトル相違要因を計算する。
（４）収音装置が故障に遭っていると判断する。
風力発電システムでは、収音装置を用いて風力タービン翼への風の衝突によって生じた音響信号が収集され、収音装置の通信状態が直接収集された音響信号の品質に影響を及ぼす。したがって、バックグラウンドサーバは収音装置の通信状態を検出する。例えば、バックグラウンドサーバは、収集された音響信号の信号品質に基づいてリアルタイムで収音装置の通信状態を検出する。例えば、バックグラウンドサーバは、収集された音響信号の信号対雑音比、または音響信号の有無に基づいて収音装置の通信状態を決定する。音響信号が存在し、音響信号が高品質である場合、それは収音装置が健全状態にあることを示す。音響信号が存在しないかまたは音響信号が劣っている場合、それは収音装置が不健全状態であって収集された音響信号の品質を保証すべく保守する必要があることを示す。したがって、風力タービン翼の損傷状態を正確に決定することができる。
収音装置の健全状態を信号対雑音比に基づいて検出する例では、信号対雑音比が信号対雑音比閾値以下である場合、収音装置を用いて収集された音響信号には大量の雑音が存在し、音響信号が低品質であるため、収音装置は故障に遭っていると判断され；信号対雑音比が信号対雑音比閾値を超える場合、収音装置は健全状態にある。また、注目すべきは、一度信号対雑音比が信号対雑音比閾値よりも小さくなる時には偶然性があることである。したがって、音響信号をｉ回連続で再収集した後に計算された信号対雑音比が信号対雑音比閾値よりも小さいと判断された場合、収音装置は故障に遭っていると判断される（ただし、ｉは自然数とする）。
要約すると、本実施形態による風力タービン翼を検査するための方法では、音響スペクトル相違要因を計算するための音響信号が高品質であることが音響信号の品質検出に基づいて保証される。それ故、計算された音響スペクトル相違要因の正確性が保証される。その上、この方法では、収音装置の健全状態がリアルタイムで監視されるので、ユーザは収音装置が異常である時を即時に知ることができ、その時点で保守を実行する。
また、注目すべきは、バックグラウンドサーバには警報装置がさらに配置されることである。風力タービン翼が損傷しているとバックグラウンドサーバが認識すると、バックグラウンドサーバは警報を発する。収音装置が異常であるとバックグラウンドサーバが判断すると、バックグラウンドサーバは警報を発する。
いくつかの実施形態では、風力タービン翼の様々な損傷タイプが様々な警報に対応し、バックグラウンドサーバは風力タービン翼の損傷タイプに基づいて対応する警報を発する。
この方法では、風力タービン翼または収音装置の損傷が認識されると、ユーザに保守について警告するために時間通りに即時に警報が発せられる。そのため、装置を時間通りに修理することができ、大きな損失が避けられる。
図７を参照すると、本発明の一例示的実施形態による風力タービン翼を検査するための装置のブロック図が示されている。風力タービン翼は風力発電装置の翼であって、風力発電装置は収音装置を備えたタワーをさらに含んでいる。装置は、ソフトウェア、ハードウェア、またはそれらの組み合わせによってサーバの全体または一部として実装される。
装置は、収音装置を用いて風力タービン翼への風の衝突によって生じた音響信号を収集するように構成された収集モジュール３０１であって、音響信号は風が風力タービン翼に衝突する場合の翼間の空気の摺動によって生じた音響信号を含む収集モジュール３０１と；音響信号に基づいて周波数スペクトログラムを生成するように構成された生成モジュール３０２と；損傷認識モデルに基づいて周波数スペクトログラムの画像認識を実行することによって風力タービン翼の損傷認識結果を取得するように構成された認識モジュール３０３であって、損傷認識モデルはニューラルネットワークモデルを訓練することによって得られる認識モジュール３０３とを含む。
いくつかの実施形態では、生成モジュール３０２は、信号解析アルゴリズムを呼ぶことによって音響信号によって形成された時間領域信号から信号エンベロープを抽出するように構成された抽出サブモジュール３０２１と；時間領域において信号エンベロープに波の谷が現れる点の位置を分割点として決定するように構成された決定サブモジュール３０２２と；音響信号を周波数スペクトログラムに変換し、分割点に基づいて周波数スペクトログラムをセグメント化してセグメント化された周波数スペクトログラムを取得するように構成された生成サブモジュール３０２３とを含む。
いくつかの実施形態では、認識モジュール３０３は、セグメント化された周波数スペクトログラムに基づいて、風力タービン翼への風の衝突に応じた音響スペクトル相違要因を計算するように構成された計算サブモジュール３０３１であって、音響スペクトル相違要因は風力タービン翼の損傷度を表す計算サブモジュール３０３１と；音響スペクトル相違要因が弁別閾値よりも大きい場合には、損傷認識モデルに基づいてセグメント化された周波数スペクトログラムの画像認識を実行することによって風力タービン翼の損傷認識結果を取得するように構成された認識サブモジュール３０３２とを含む。
いくつかの実施形態では、セグメント化された周波数スペクトログラムはセグメント後にｎ個の風力タービン翼の周波数スペクトル領域を含む（ただし、ｎは自然数とする）。
計算サブモジュール３０３１は、ｎ個の周波数スペクトル領域の信号ピークを抽出し；ｎ個の周波数スペクトル領域の信号ピークに基づいて、音響信号の時間領域因子および周波数領域因子を計算し；時間領域因子と周波数領域因子の加重平均を音響スペクトル相違要因として決定するように構成される。
いくつかの実施形態では、ｍ個の風力タービン翼が風力発電装置に配置される（ただし、ｍは自然数とする）。
計算サブモジュール３０３１は、風力タービン翼の各々に対応する周波数スペクトル領域の少なくとも２つの信号ピークの中央値を決定し；ｍ個の風力タービン翼に対応するｍ個の中央値から最大ピークおよび最小ピークを決定し；最小ピークに対する最大ピークの比率を時間領域因子として決定するように構成される。
いくつかの実施形態では、ｍ個の風力タービン翼が風力発電装置に配置される（ただし、ｍは自然数とする）。
計算サブモジュール３０３１は、各ｍ個の隣接する周波数スペクトル領域の信号ピークから最大ピークを取得し、最大ピークを候補ピークとして決定し（ただし、ｍは自然数とする）；候補ピークの少なくとも２つの中央値を周波数領域因子として決定するか；または、セグメント化された周波数スペクトログラムの信号分布と理論分布との間の相対エントロピーを計算し、相対エントロピーを周波数領域因子として決定する。
いくつかの実施形態では、計算サブモジュール３０３１は、セグメント化された周波数スペクトログラムに基づいて、音響信号の信号対雑音比を計算し；信号対雑音比が信号対雑音比閾値よりも大きい場合には、セグメント化された周波数スペクトログラムに基づいて、風力タービン翼への風の衝突に応じた音響スペクトル相違要因を計算し；信号対雑音比が信号対雑音比閾値よりも小さい場合には、収音装置が故障に遭っていると判断する。
要約すると、本実施形態による風力タービン翼を検査するための装置では、風力タービン翼への風の衝突によって生じた音響信号が収音装置を用いて収集され；音響信号に対応する周波数スペクトログラムが生成され；損傷認識モデルに基づいて周波数スペクトログラムの画像認識を実行することによって風力タービン翼の損傷認識結果が周波数スペクトログラムから得られる。それ故、手動の検査をせずに周波数スペクトログラムに基づいて風力タービン翼の損傷タイプが正確に決定される。したがって、人材が削減される。その上、風力タービン翼の健全状態をリアルタイムで監視することができる。さらに、この装置では、いかなる風力タービン運転データにも頼らずに音響信号に基づいて風力タービン翼の損傷が認識される。それ故、風力タービン翼の損傷の検出中の機械計算量が減少する。
図８を参照すると、本発明の一例示的実施形態によるサーバの構造図が示されている。サーバは、上記の実施形態による風力タービン翼を検査するための方法を実行するように構成される。
具体的には、サーバ４００は、中央処理装置（ＣＰＵ）４０１と、ランダムアクセスメモリ（ＲＡＭ）４０２およびリードオンリメモリ（ＲＯＭ）４０３を含むシステムメモリ４０４と、システムメモリ４０４と中央処理装置４０１を接続するシステムバス４０５とを含む。サーバ４００は、コンピュータ内の各種構成要素間の情報伝達を支援する基本入出力システム（Ｉ／Ｏシステム）４０６と、オペレーティングシステム４１３、アプリケーション４１４、およびその他のプログラムモジュール４１５を記憶するための大容量記憶装置４０７とをさらに含む。
基本入出力システム４０６は、情報を表示するためのディスプレイ４０８と、ユーザによって情報を入力するためのマウスおよびキーボード等の入力装置４０９とを含む。ディスプレイ４０８および入力装置４０９は両方とも、システムバス４０５に接続された入出力制御装置４１０によって中央処理装置４０１に接続される。基本入出力システム４０６は、キーボード、マウス、または電子ペン等の複数のその他の機器からの入力を受信して処理するための入出力制御装置４１０をさらに含んでもよい。同様に、入出力制御装置４１０はさらに、ディスプレイ、プリンタ、または他の種類の出力装置に出力を行う。
大容量記憶装置４０７は、システムバス４０５に接続された大容量記憶制御装置（図示せず）によって中央処理装置４０１に接続される。大容量記憶装置４０７とそれに関連するコンピュータ可読媒体とは、サーバ４００に不揮発性記憶装置を提供する。すなわち、大容量記憶装置４０７は、ハードディスクまたはコンパクトディスクリードオンリメモリ（ＣＤ－ＲＯＭ）ドライバ等のコンピュータ可読媒体（図示せず）を含んでもよい。
一般性を失うことなく、コンピュータ可読媒体はコンピュータ記憶媒体および通信媒体を含んでもよい。コンピュータ記憶媒体は、コンピュータ可読命令、データ構造、プログラムモジュールまたはその他のデータ等の情報の記憶のための任意の方法または技術において実装される揮発性および不揮発性、リムーバブルおよび非リムーバブル媒体を含む。コンピュータ記憶媒体は、ＲＡＭ、ＲＯＭ、消去可能なプログラマブルリードオンリメモリ（ＥＰＲＯＭ）、電気的消去可能なプログラマブルリードオンリメモリ（ＥＥＰＲＯＭ）、フラッシュメモリまたはその他の固体記憶装置；ＣＤ－ＲＯＭ、デジタル多用途ディスク（ＤＶＤ）またはその他の光学式記憶装置；およびテープカートリッジ、磁気テープ、ディスク記憶装置またはその他の磁気記憶装置を含む。当業者であれば、コンピュータ記憶媒体が上記のものに限定されないことがわかるであろう。上記のシステムメモリ４０４および大容量記憶装置４０７は、まとめてメモリと呼んでもよい。
本発明の各種実施形態によれば、サーバ４００は、操作のため、インターネット等のネットワークを介してネットワーク上のリモートコンピュータに接続することもできる。すなわち、サーバ４００は、システムバス４０５に接続されたネットワークインターフェースユニット４１１によってネットワーク４１２に接続するか、またはネットワークインターフェースユニット４１１を有するその他の形式のネットワークまたはリモートコンピュータシステム（図示せず）に接続することができる。
本発明の上記の実施形態の通し番号は説明のために過ぎず、実施形態の本質を表すものではない。
当業者であれば、上記の実施形態におけるステップの全部または一部を、ハードウェアによって、あるいはリードオンリメモリ、ディスク、または光ディスク等のコンピュータ可読記憶媒体に保存されたプログラムによって指示された関連するハードウェアによって達成することができることが理解されるであろう。
以上は本発明の例示的実施形態であり、本発明を限定することを意図するものではない。本発明の精神および原則の範囲で行われたいかなる変更、同等の置換、改良等も本発明の保護の範囲内に含まれるべきである。

Claims (10)

  1. 風力タービン翼を検査するための方法であって、前記風力タービン翼は風力発電装置の翼であって、前記風力発電装置は前記風力タービン翼から離れて取り付けられた収音装置を備えたタワーをさらに含んでおり、
    前記方法は、
    前記収音装置を用いて前記風力タービン翼への風の衝突に応じた音響信号を収集するステップであって、前記音響信号は風が前記風力タービン翼に衝突する場合の翼間の空気の摺動によって生じた音響信号を含む前記ステップと；
    前記音響信号に基づいて周波数スペクトログラムを生成するステップと；
    損傷認識モデルに基づいて前記周波数スペクトログラムの画像認識を実行することによって前記風力タービン翼の損傷認識結果を取得するステップであって、前記損傷認識モデルはニューラルネットワークモデルを訓練することによって得られる前記ステップとを含む、方法。
  2. 前記音響信号に基づいて前記周波数スペクトログラムを生成する前記ステップは、
    信号解析アルゴリズムを呼ぶことによって前記音響信号によって形成された時間領域信号図から信号エンベロープを抽出するステップと；
    時間領域において前記信号エンベロープに波の谷が現れる点の位置を分割点として決定するステップと；
    前記音響信号を前記周波数スペクトログラムに変換し、前記分割点に基づいて前記周波数スペクトログラムをセグメント化することによってセグメント化された周波数スペクトログラムを取得するステップとを含む、請求項１に記載の方法。
  3. 前記損傷認識モデルに基づいて前記周波数スペクトログラムの画像認識を実行することによって前記風力タービン翼の前記損傷認識結果を取得する前記ステップは、
    前記セグメント化された周波数スペクトログラムに基づいて、前記風力タービン翼への風の衝突に応じた音響スペクトル相違要因を計算するステップであって、前記音響スペクトル相違要因は前記風力タービン翼の損傷度を表す前記ステップと；
    前記音響スペクトル相違要因が弁別閾値よりも大きい場合は、前記損傷認識モデルに基づいて前記セグメント化された周波数スペクトログラムの画像認識を実行することによって前記風力タービン翼の前記損傷認識結果を取得するステップとを含む、請求項２に記載の方法。
  4. 前記セグメント化された周波数スペクトログラムはセグメント化の後のｎ個の風力タービン翼の周波数スペクトル領域を含み（ただし、ｎは自然数とする）；
    前記セグメント化された周波数スペクトログラムに基づいて、前記風力タービン翼への風の衝突に応じた前記音響スペクトル相違要因を計算する前記ステップは、
    ｎ個の周波数スペクトル領域の信号ピークを抽出するステップと；
    前記ｎ個の周波数スペクトル領域の前記信号ピークに基づいて、前記音響信号の時間領域因子および周波数領域因子を計算するステップと；
    前記時間領域因子と前記周波数領域因子の加重平均を前記音響スペクトル相違要因として決定するステップとを含む、請求項３に記載の方法。
  5. ｍ個の風力タービン翼が前記風力発電装置に配置され（ただし、ｍは自然数とする）；
    前記ｎ個の周波数スペクトル領域の前記信号ピークに基づいて、前記音響信号の前記時間領域因子を計算する前記ステップは、
    前記風力タービン翼の各々に対応する前記周波数スペクトル領域の少なくとも２つの信号ピークの中央値を決定するステップと；
    前記ｍ個の風力タービン翼に対応するｍ個の中央値から最大ピークおよび最小ピークを決定するステップと；
    前記最小ピークに対する前記最大ピークの比率を前記時間領域因子として決定するステップとを含む、請求項４に記載の方法。
  6. ｍ個の風力タービン翼が前記風力発電装置に配置され（ただし、ｍは自然数とする）；
    前記ｎ個の周波数スペクトル領域の前記信号ピークに基づいて、前記音響信号の前記周波数領域因子を計算する前記ステップは、
    ｍ個の周波数スペクトル領域の各２つの隣接する周波数スペクトル領域の信号ピークから最大ピークを取得し、前記最大ピークを候補ピークとして決定する（ただし、ｍは自然数とする）ステップと；前記候補ピークの少なくとも２つの中央値を前記周波数領域因子として決定するステップ；または
    前記セグメント化された周波数スペクトログラムの信号分布と理論分布との間の相対エントロピーを計算し、前記相対エントロピーを前記周波数領域因子として決定するステップを含む、請求項４に記載の方法。
  7. 前記セグメント化された周波数スペクトログラムに基づいて、前記風力タービン翼への風の衝突に応じた前記音響スペクトル相違要因を計算する前記ステップは、
    前記セグメント化された周波数スペクトログラムに基づいて、前記音響信号の信号対雑音比を計算するステップと；
    前記信号対雑音比が信号対雑音比閾値よりも大きい場合、前記セグメント化された周波数スペクトログラムに基づいて、前記風力タービン翼への風の衝突に応じた前記音響スペクトル相違要因を計算するステップと；
    前記信号対雑音比が前記信号対雑音比閾値よりも小さい場合、前記収音装置は故障に遭っていると判断するステップとを含む、請求項３～６のいずれか一項に記載の方法。
  8. 風力タービン翼を検査するための装置であって、前記風力タービン翼は風力発電装置の翼であって、前記風力発電装置は前記風力タービン翼から離れて取り付けられた収音装置を備えたタワーをさらに含んでおり；
    前記装置は、
    前記収音装置を用いて前記風力タービン翼への風の衝突によって生じた音響信号を収集するように構成された収集モジュールであって、前記音響信号は風が前記風力タービン翼に衝突する場合の翼間の空気の摺動によって生じた音響信号を含む前記収集モジュールと；
    前記音響信号に基づいて周波数スペクトログラムを生成するように構成された生成モジュールと；
    損傷認識モデルに基づいて前記周波数スペクトログラムの画像認識を実行することによって前記風力タービン翼の損傷認識結果を取得するように構成された認識モジュールであって、前記損傷認識モデルはニューラルネットワークモデルを訓練することによって得られる前記認識モジュールとを含む、装置。
  9. 風力発電装置であって、
    収音装置と；
    前記収音装置に通信可能に接続されたメモリと；
    前記メモリに通信可能に接続されたプロセッサとを含み、
    前記収音装置は、前記風力発電装置の前記風力タービン翼への風の衝突に応じた音響信号を収集し、前記メモリに前記音響信号を保存するように構成されており；
    前記メモリは、実行可能命令と前記音響信号を保存するように構成されており；
    前記プロセッサは、前記メモリに保存された前記実行可能命令をロードして実行するように構成されて、請求項１～７のいずれか一項に記載の前記風力タービン翼を検査するための前記方法を実行する、風力発電装置。
  10. 少なくとも１つの命令、少なくとも１つのプログラム、コードセット、または命令セットを保存する非一時的コンピュータ可読記憶媒体であって、前記少なくとも１つの命令、前記少なくとも１つのプログラム、前記コードセット、または前記命令セットは、プロセッサによってロードされて実行されると、前記プロセッサに請求項１～７のいずれか一項に記載の前記風力タービン翼を検査するための前記方法を実行させる、非一時的コンピュータ可読記憶媒体。
JP2022551545A 2019-12-31 2020-12-28 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 Active JP7199608B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN201911420554.6A CN111306008B (zh) 2019-12-31 2019-12-31 风机叶片的检测方法、装置、设备及存储介质
CN201911420554.6 2019-12-31
PCT/SG2020/050785 WO2021137760A1 (en) 2019-12-31 2020-12-28 Method and apparatus for inspecting wind turbine blade, and device and storage medium thereof

Publications (2)

Publication Number Publication Date
JP2022552449A JP2022552449A (ja) 2022-12-15
JP7199608B2 true JP7199608B2 (ja) 2023-01-05

Family

ID=71156395

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2022551545A Active JP7199608B2 (ja) 2019-12-31 2020-12-28 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

Country Status (12)

Country Link
US (1) US11905926B2 (ja)
EP (1) EP4085376A4 (ja)
JP (1) JP7199608B2 (ja)
KR (1) KR102509577B1 (ja)
CN (1) CN111306008B (ja)
AU (1) AU2020416094A1 (ja)
BR (1) BR112022013078A2 (ja)
CA (1) CA3166457A1 (ja)
CL (1) CL2022001768A1 (ja)
MX (1) MX2022008115A (ja)
WO (1) WO2021137760A1 (ja)
ZA (1) ZA202208408B (ja)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI760904B (zh) * 2020-10-28 2022-04-11 恩波信息科技股份有限公司 基於聲音的機械監測系統及方法
TWI742959B (zh) * 2020-12-09 2021-10-11 國立臺灣大學 檢測設備、檢測系統及風力發電機組
CN112598027B (zh) * 2020-12-09 2024-06-18 深圳市优必选科技股份有限公司 一种设备的异常识别方法、装置、终端设备及存储介质
CN112735448A (zh) * 2020-12-15 2021-04-30 北京天泽智云科技有限公司 一种基于目标检测的声音检测方法及***
CN112727703B (zh) * 2020-12-15 2022-02-11 北京天泽智云科技有限公司 基于音频信号的风机叶片保护膜的损伤监测方法及***
CN112727704B (zh) * 2020-12-15 2021-11-30 北京天泽智云科技有限公司 一种叶片前缘腐蚀的监测方法及***
CN112560673A (zh) * 2020-12-15 2021-03-26 北京天泽智云科技有限公司 一种基于图像识别的雷声检测方法及***
CN113464380B (zh) * 2021-08-09 2022-09-27 观为监测技术无锡股份有限公司 一种塔筒安全性能确定方法、装置、设备及存储介质
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
CN114464152B (zh) * 2022-04-13 2022-07-19 齐鲁工业大学 一种基于视觉变换网络的音乐流派分类方法及***
CN116740619B (zh) * 2023-08-10 2023-10-17 中国海洋大学 基于数字图像处理的海上风力机角速度测量方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016519292A (ja) 2013-03-15 2016-06-30 デジタル ウインド システムズ インコーポレイテッド 稼働中の風力タービンブレードの地上からの非破壊音響ドップラー検査
US20170051725A1 (en) 2015-08-21 2017-02-23 National Taiwan University Method and apparatus for diagnosing blades of wind turbine
JP2017110920A (ja) 2015-12-14 2017-06-22 富士ゼロックス株式会社 診断装置、診断システムおよびプログラム
JP2019159145A (ja) 2018-03-14 2019-09-19 カシオ計算機株式会社 情報処理方法、電子機器及びプログラム
JP2020172861A (ja) 2019-04-08 2020-10-22 富士通株式会社 異常判別方法、異常判別装置および異常判別プログラム

Family Cites Families (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19948194C2 (de) * 1999-10-06 2001-11-08 Aloys Wobben Verfahren zur Überwachung von Windenergieanlagen
DE10065314B4 (de) 2000-12-30 2007-08-16 Igus - Innovative Technische Systeme Gmbh Verfahren und Einrichtung zur Überwachung des Zustandes von Rotorblättern an Windkraftanlagen
DE102005017054B4 (de) * 2004-07-28 2012-01-05 Igus - Innovative Technische Systeme Gmbh Verfahren und Vorrichtung zur Überwachung des Zustandes von Rotorblättern an Windkraftanlagen
US7487059B2 (en) * 2007-06-21 2009-02-03 The Boeing Company Transducer health diagnostics for structural health monitoring (SHM) systems
DE102008026842B3 (de) * 2008-06-05 2010-02-18 Repower Systems Ag Verfahren und Anordnung zum Überwachen des Betriebs einer Windenergieanlage
US8041540B2 (en) * 2009-12-09 2011-10-18 General Electric Company System, device, and method for acoustic and visual monitoring of a wind turbine
WO2013023660A1 (en) * 2011-08-16 2013-02-21 Vestas Wind Systems A/S Acoustic noise monitoring system for a wind turbine
CN102706560B (zh) * 2012-05-25 2017-12-12 华锐风电科技(江苏)有限公司 一种风力发电机组的状态监测方法和装置
WO2015065873A2 (en) 2013-10-28 2015-05-07 University Of Massachusetts Structural health monitoring of wind turbine blades using wireless acoustic sensing
CN105136435B (zh) * 2015-07-15 2017-10-31 北京汉能华科技股份有限公司 一种风力发电机组叶片故障诊断的方法和装置
DE102015117032A1 (de) * 2015-10-07 2017-04-13 Wobben Properties Gmbh Verfahren zum Überwachen einer Windenergieanlage
JP2018021491A (ja) 2016-08-02 2018-02-08 株式会社日立製作所 システム及び飛行ルート生成方法
JP6922708B2 (ja) * 2017-12-07 2021-08-18 富士通株式会社 異常検出用コンピュータプログラム、異常検出装置及び異常検出方法
CN108122562A (zh) * 2018-01-16 2018-06-05 四川大学 一种基于卷积神经网络和随机森林的音频分类方法
US11947863B2 (en) * 2018-02-28 2024-04-02 Robert Bosch Gmbh Intelligent audio analytic apparatus (IAAA) and method for space system
AU2019258604A1 (en) * 2018-04-26 2020-11-26 Ping Services Pty Ltd An apparatus and method of detecting anomalies in an acoustic signal
CN110148400B (zh) * 2018-07-18 2023-03-17 腾讯科技（深圳）有限公司 发音类型的识别方法、模型的训练方法、装置及设备
CN109209783A (zh) * 2018-09-18 2019-01-15 远景能源（江苏）有限公司 一种基于噪声检测叶片的雷击损伤的方法及装置
CN109505741B (zh) * 2018-12-20 2020-07-10 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
US11374947B2 (en) * 2019-02-01 2022-06-28 Skycope Technologies, Inc. Wireless threat detection device, system, and methods to detect signals in wideband RF systems and localize related time and frequency information based on deep learning
CN109977920B (zh) * 2019-04-11 2022-06-07 福州大学 基于时频谱图及卷积神经网络的水轮机组故障诊断方法
CN110111328A (zh) 2019-05-16 2019-08-09 上海中认尚科新能源技术有限公司 一种基于卷积神经网络的风力发电机叶片裂纹检测方法
CN110487549A (zh) * 2019-09-10 2019-11-22 哈工大机器人（山东）智能装备研究院 轴承故障识别方法、装置、计算机设备及存储介质
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
CN112083077A (zh) * 2020-09-11 2020-12-15 上海萌郁智能科技有限公司 周期运动叶片音频故障检测***
CN112324629A (zh) * 2020-11-09 2021-02-05 华能陕西靖边电力有限公司 一种基于振动和声音的风电叶片早期损伤监测***及方法
CN112727704B (zh) * 2020-12-15 2021-11-30 北京天泽智云科技有限公司 一种叶片前缘腐蚀的监测方法及***
CN114593023A (zh) * 2022-03-25 2022-06-07 中国华能集团清洁能源技术研究院有限公司 一种风电机组叶片裂纹监测***及方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016519292A (ja) 2013-03-15 2016-06-30 デジタル ウインド システムズ インコーポレイテッド 稼働中の風力タービンブレードの地上からの非破壊音響ドップラー検査
US20170051725A1 (en) 2015-08-21 2017-02-23 National Taiwan University Method and apparatus for diagnosing blades of wind turbine
JP2017110920A (ja) 2015-12-14 2017-06-22 富士ゼロックス株式会社 診断装置、診断システムおよびプログラム
JP2019159145A (ja) 2018-03-14 2019-09-19 カシオ計算機株式会社 情報処理方法、電子機器及びプログラム
JP2020172861A (ja) 2019-04-08 2020-10-22 富士通株式会社 異常判別方法、異常判別装置および異常判別プログラム

Also Published As

Publication number Publication date
US11905926B2 (en) 2024-02-20
MX2022008115A (es) 2022-09-23
EP4085376A4 (en) 2023-02-08
WO2021137760A1 (en) 2021-07-08
EP4085376A1 (en) 2022-11-09
CA3166457A1 (en) 2021-07-08
KR102509577B1 (ko) 2023-03-14
KR20220116051A (ko) 2022-08-19
ZA202208408B (en) 2022-10-26
AU2020416094A1 (en) 2022-07-28
CN111306008A (zh) 2020-06-19
US20230123117A1 (en) 2023-04-20
BR112022013078A2 (pt) 2022-09-06
CL2022001768A1 (es) 2022-11-25
JP2022552449A (ja) 2022-12-15
CN111306008B (zh) 2022-03-11

Similar Documents

Publication Publication Date Title
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
US20160032893A1 (en) System and method for enhanced operation of wind parks
CN108169639B (zh) 基于并行长短时记忆神经网络的识别开关柜故障的方法
CN110688617B (zh) 风机振动异常检测方法及装置
CN113298134B (zh) 一种基于bpnn的风机叶片远程非接触健康监测***和方法
CN112067701B (zh) 基于声学诊断的风机叶片远程听诊方法
CN111508517A (zh) 一种基于噪声特征的微电机智能品控方法
CN109139390B (zh) 一种基于声信号特征库的风机桨叶故障识别方法
CN112599134A (zh) 一种基于声纹识别的变压器声音事件检测方法
CN115467787A (zh) 一种基于音频分析的电机状态检测***及方法
CN116705039A (zh) 一种基于ai的电力设备声纹监测***及方法
CN114708885A (zh) 一种基于声音信号的风机故障预警方法
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
US20240052810A1 (en) Blade fault diagnosis method, apparatus and system, and storage medium
CN116825131A (zh) 融合频带自向下注意力机制的电厂设备状态听觉监测方法
CN113919525A (zh) 一种电站风机状态预警方法、***及其应用
Arockia Dhanraj et al. Appraising machine learning classifiers for discriminating rotor condition in 50W–12V operational wind turbine for maximizing wind energy production through feature extraction and selection process
CN117409816B (zh) 一种基于声音信号的设备故障检测方法及***
CN114155878B (zh) 一种人工智能检测***、方法和计算机程序
CN115855461B (zh) 一种风电机组风机叶片噪音异常***和方法
CN115560961A (zh) 一种风电机组叶片故障诊断***与方法
CN117789768A (zh) 一种风机叶片异常声音监测方法、***、设备及介质
CN115681019A (zh) 风机叶片损伤的预警方法、装置、设备、介质及程序产品
CN117287357A (zh) 一种风机叶片覆冰情况声纹智能在线监测方法及***
CN117128143A (zh) 一种叶片故障检测方法和相关装置

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A821

Effective date: 20220826

A529 Written submission of copy of amendment under article 34 pct

Free format text: JAPANESE INTERMEDIATE CODE: A529

Effective date: 20220825

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220825

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20220825

RD01 Notification of change of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7426

Effective date: 20220825

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20221129

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20221220

R150 Certificate of patent or registration of utility model

Ref document number: 7199608

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150