[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

说明书

本发明公开了一种综合概率模型和cnn网络的风叶故障识别方法，首先采用叶片声发射检测对风力叶片信号采集；使用MFCC对数据进行预处理产生标签和mfcc图；将数据传入CNN模型进行卷积运算和Feature_map生成；同时再用LSTM和HMM对时序信息处理输出观测序列概率矩阵Psubgt;1/subgt;和Psubgt;2/subgt;；将Psubgt;1/subgt;和Psubgt;2/subgt;进行矩阵连接后采用Softmax计算状态概率矩阵；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；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。本发明结合信号采集和机器学习算法，采用多个时序判别模型融合的方式对风叶状态整个过程进行感知，为风力机叶片的裂纹故障诊断提供了富有影响力的思路和指导。

技术领域

本发明涉及故障检测领域，具体地说，涉及一种综合概率模型和cnn网络的风叶故障识别方法。

背景技术

风力机叶片长期运行会发生疲劳损伤，叶片萌生不同程度的裂纹，其裂纹的不断扩展最终导致叶片断裂失效。在现阶段风机的维护方式主要分为定期检修和故障后维修，这两种方法成本都比较高。故障检测与诊断技术的引入降低了检修工作量、节省了检修经济成本以及优化了检修方案。故障检测方法可以做到及时发现故障和准确判断故障，从而便于制定检修策略和避免了多余的维护检修。

国内外不同的科研院所和厂商提出了各种故障检测和诊断方法，为现代故障检测和诊断技术的发展做出了重大的贡献，但针对风力机叶片检测和故障诊断的应用研究较少。因此，需要对风力机叶片故障检测与故障诊断进行深入研究，提出可以广泛应用于实际的叶片故障诊断方法。

发明内容

为解决上述问题，本发明提供了一种综合概率模型和cnn网络的风叶故障识别方法，来解决上述背景技术提出的问题。

一种综合概率模型和cnn网络的风叶故障识别方法，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。

作为本发明的一种优选技术方案，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。

作为本发明的一种优选技术方案，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。

作为本发明的一种优选技术方案，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。

作为本发明的一种优选技术方案，所述S3中的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。