本發明涉及風力機葉片檢測，特別是涉及一種風力機葉片聲紋識別檢測方法。

背景技術：

1、風力機葉片在運行過程中會產生復雜的氣動噪聲和結構振動，這些聲音信號蘊含著豐富的葉片狀態信息。然而，風力機所處的野外環境復雜多變，現場噪聲干擾嚴重，導致葉片聲紋信號的信噪比較低，增加了聲紋識別的難度。此外，不同型號的風力機葉片結構和材料存在差異，其聲紋特征也各不相同，使得建立統一的聲紋識別模型面臨挑戰。同時，葉片偏差種類繁多，包括氣動外形偏差、安裝角度偏差、結構損傷等，不同偏差類型對聲紋特征的影響各異，增加了偏差識別的復雜性。風力機葉片長期處于野外惡劣環境下運行，其聲紋信號容易受到溫度、濕度、風速等環境因素的影響，導致聲紋特征的非平穩性和不確定性，給聲紋識別帶來困難。總之，風力機葉片聲紋識別檢測面臨著環境噪聲干擾大、葉片差異性強、偏差類型多樣、聲紋信號非平穩等技術難題，亟需研究針對性的聲紋特征提取、噪聲消除和適應性識別方法，以提高葉片偏差檢測的準確性和可靠性。

技術實現思路

1、本發明的目的是提供一種風力機葉片聲紋識別檢測方法，提高葉片狀態監測的準確性和效率。

2、為實現上述目的，本發明提供了如下方案：

3、一種風力機葉片聲紋識別檢測方法，包括：

4、采集待檢測風力機葉片的初始聲音信號并進行預處理，獲取聲音信號，對所述聲音信號進行時頻域分解，獲取時頻域分解結果；

5、對所述時頻域分解結果進行特征向量提取和融合，獲取綜合特征向量；

6、將所述綜合特征向量輸入葉片狀態診斷模型，輸出所述待檢測風力機葉片狀態，其中，所述葉片狀態診斷模型通過目標訓練集對已有葉片狀態診斷模型訓練獲得，所述已有葉片狀態診斷模型由注意力機制、卷積神經網絡和支持向量機分類器構建并通過大規模訓練集訓練獲得，所述目標訓練集為與待檢測風力機相同型號的歷史聲音信號及對應的狀態標簽，所述大規模訓練集為不同型號葉片的歷史聲音信號及對應的狀態標簽。

7、可選的，對所述初始聲音信號進行預處理包括：

8、對所述初始聲音信號進行濾波處理，獲取濾波處理之后的聲音信號；

9、采用自適應濾波算法實時估計當前環境噪聲頻譜特征，根據估計的當前環境噪聲頻譜特征對譜減法算法的參數進行調整，獲取優化后的譜減法算法；

10、根據優化后的譜減法算法對所述濾波處理之后的聲音信號進行降噪，獲取所述聲音信號。

11、可選的，對所述聲音信號進行時頻域分解包括：采用小波分析方法對所述聲音信號進行時頻域分解，獲取時域、頻域和時頻聯合域分解結果。

12、可選的，對所述時頻域分解結果進行特征向量提取和融合，獲取綜合特征向量包括：

13、根據時域分解結果，提取所述聲音信號在時域的波形特征，獲取時域特征向量，其中，所述波形特征包括信號幅值、能量和過零率；

14、根據頻域分解結果，提取所述聲音信號在頻域的譜特征，獲取頻域特征向量，其中，所述譜特征包括所述聲音信號的頻率分布、譜峰位置、譜峰幅值；

15、根據時頻聯合域分解結果，提取所述聲音信號在時頻聯合域的特征，獲取時頻聯合域特征向量，其中，所述時頻聯合域的特征為所述聲音信號在時頻平面上的分布情況；

16、將所述時域特征向量、所述頻域特征向量和所述時頻聯合域特征向量進行融合，獲取所述綜合特征向量。

17、可選的，通過大規模訓練集訓練所述已有葉片狀態診斷模型包括：

18、獲取不同型號葉片的歷史聲音信號的歷史綜合特征向量；

19、將所述歷史綜合特征向量輸入所述注意力機制，通過權重學習，計算時域、頻域和時頻域的注意力權重系數，獲取調整后的特征向量；

20、將所述調整后的特征向量輸入所述卷積神經網絡進行特征提取，獲取高判別力特征；

21、將所述高判別力特征輸入所述支持向量機分類器，輸出葉片狀態，其中，所述葉片狀態包括正常狀態、輕微磨損、嚴重磨損。

22、可選的，獲取調整后的特征向量包括：通過加權處理，將所述注意力權重系數乘以對應的時頻區域值、頻域區域值和時頻區域值，獲取所述調整后的特征向量。

23、可選的，將獲取所述葉片狀態診斷模型包括：根據目標訓練集將所述已有葉片狀態診斷模型的全連接層進行訓練，獲取所述葉片狀態診斷模型。

24、可選的，所述采集待檢測風力機葉片的初始聲音信號包括：在所述待檢測風力機葉片上布設聲音傳感器陣列，采集所述初始聲音信號并將采集到的所述初始聲音信號通過無線通信模塊實時傳輸至云端服務器。

25、本發明的有益效果為：本發明采用小波分析進行時頻域分解，并根據自適應噪聲消除算法提取去噪后的葉片聲音信號。通過注意力機制，突出葉片狀態敏感的關鍵特征。為解決不同型號葉片的聲紋特征差異問題，引入遷移學習方法實現跨葉片型號的模型泛化。本發明實現了風力機葉片的全生命周期管理和預測性維護，提高了葉片狀態監測的準確性和效率。

技術特征：

1.一種風力機葉片聲紋識別檢測方法，其特征在于，包括：

2.根據權利要求1所述的風力機葉片聲紋識別檢測方法，其特征在于，對所述初始聲音信號進行預處理包括：

3.根據權利要求1所述的風力機葉片聲紋識別檢測方法，其特征在于，對所述聲音信號進行時頻域分解包括：采用小波分析方法對所述聲音信號進行時頻域分解，獲取時域、頻域和時頻聯合域分解結果。

4.根據權利要求2所述的風力機葉片聲紋識別檢測方法，其特征在于，對所述時頻域分解結果進行特征向量提取和融合，獲取綜合特征向量包括：

5.根據權利要求1所述的風力機葉片聲紋識別檢測方法，其特征在于，通過大規模訓練集訓練所述已有葉片狀態診斷模型包括：

6.根據權利要求5所述的風力機葉片聲紋識別檢測方法，其特征在于，獲取調整后的特征向量包括：通過加權處理，將所述注意力權重系數乘以對應的時頻區域值、頻域區域值和時頻區域值，獲取所述調整后的特征向量。

7.根據權利要求1所述的風力機葉片聲紋識別檢測方法，其特征在于，將獲取所述葉片狀態診斷模型包括：根據目標訓練集將所述已有葉片狀態診斷模型的全連接層進行訓練，獲取所述葉片狀態診斷模型。

8.根據權利要求1所述的風力機葉片聲紋識別檢測方法，其特征在于，所述采集待檢測風力機葉片的初始聲音信號包括：在所述待檢測風力機葉片上布設聲音傳感器陣列，采集所述初始聲音信號并將采集到的所述初始聲音信號通過無線通信模塊實時傳輸至云端服務器。

技術總結
本發明涉及一種風力機葉片聲紋識別檢測方法，包括：采集待檢測風力機葉片的初始聲音信號并進行預處理，獲取聲音信號，對聲音信號進行時頻域分解，獲取時頻域分解結果；對時頻域分解結果進行特征向量提取和融合，獲取綜合特征向量；將綜合特征向量輸入葉片狀態診斷模型，輸出待檢測風力機葉片狀態，其中，葉片狀態診斷模型通過目標訓練集對已有葉片狀態診斷模型訓練獲得，已有葉片狀態診斷模型通過大規模訓練集訓練獲得，目標訓練集為與待檢測風力機相同型號的歷史聲音信號及對應的狀態標簽，大規模訓練集為不同型號葉片的歷史聲音信號及對應的狀態標簽。本發明提高了葉片狀態監測的準確性和效率。

技術研發人員：竇才,李若輝,付善喜,李立國,彭廣輝,張國輝,李添匯,董占江,廖力達,孫希瑾
受保護的技術使用者：遼寧大唐國際新能源有限公司
技術研發日：
技術公布日：2025/4/28