[发明专利]一种综合概率模型和cnn网络的风叶故障识别方法

权利要求书

1.一种综合概率模型和cnn网络的风叶故障识别方法，其特征在于：包括以下步骤：

S1：首先采用叶片声发射检测对风力机叶片信号采集；

S2：使用MFCC对数据进行预处理产生标签和mfcc图；

S3：将数据传入cnn模型进行卷积运算和Feature_map生成；

S4：同时再用LSTM和HMM对时序信息处理输出观测序列概率矩阵P₁和P₂；

S5：将P₁和P₂进行矩阵连接后采用Softmax计算状态概率矩阵；

S6：然后利用现有数据对模型进行迭代训练和交叉验证得到最优权重；

S7：将训练出来的模型用于风叶故障识别，计算输出层概率最大的标签为结果，再转化为风叶对应的状态即为风叶故障识别结果；

将叶片的振动信号利用频率平移法和分形维法得到了四个特征值，包括平移距离特征值FL、关联维数DC、长度分形维数DL和盒维数DF，把这四个特征值作为神经网络的输入数据，把叶片的输出状态作为神经网络的输出数据，输出状态包括正常状态、结冰状态、根部螺栓松动状态和裂纹状态。

2.根据权利要求1所述一种综合概率模型和cnn网络的风叶故障识别方法，其特征在于：所述S1中的叶片声发射检测的基本过程包括信号采集、信号转换、信号输入、信号放大、信号处理、信号输出和信号显示等一系列过程。

3.根据权利要求1所述一种综合概率模型和cnn网络的风叶故障识别方法，其特征在于：所述S2中的MFCC与频率f的计算公式为：Mel(f)＝2595*lg(1+f/700)，其中Mel代表MFCC值，f代表频率。

4.根据权利要求1所述一种综合概率模型和cnn网络的风叶故障识别方法，其特征在于：所述S2中标签可归纳叶片的各种故障状态，包括：正常、结冰、螺丝松动、裂纹，用“1”代表存在；“0”代表不存在。

5.根据权利要求1所述一种综合概率模型和cnn网络的风叶故障识别方法，其特征在于：所述S3中cnn模型主要包括3个卷积层conv₁、conv₂、conv₃和3个池化层pool₁、pool₂、pool₃，卷积核大小采用3x3。

6.根据权利要求1所述一种综合概率模型和cnn网络的风叶故障识别方法，其特征在于：所述S4中的矩阵P₁和矩阵P₂的长度相等。

7.根据权利要求1所述一种综合概率模型和cnn网络的风叶故障识别方法，其特征在于：所述S5中的矩阵连接的公式为：

其中，是矩阵P₁中的元素，是矩阵P₂中的元素。

8.根据权利要求1所述一种综合概率模型和cnn网络的风叶故障识别方法，其特征在于：所述S6中的迭代训练的判断条件为交叉熵loss，其公式为：

其中：L代表交叉熵loss，M代表类别数量，N代表样本数，即故障种类总数；y_ic代表指示变量，本专利中代表着故障状态，即“1”和“0”；p_ic代表观测样本i在模型判别中属于c类的预测概率。