基于卷积生成对抗网络的风电机组叶片故障音频监测方法技术

本申请涉及一种基于卷积生成对抗网络的风电机组叶片故障音频监测方法，包括将声音收集设备收集到的叶片转动的音频信号进行分割，对各组叶片功率谱矩阵使用主成分分析，构建生成对抗网络，使用深度卷积生成对抗网络结构对叶片的特征方阵轮流使用anoGAN进行训练；使用一组叶片数据训练好生成对抗模型之后，将剩余组叶片的特征方阵分别输入到异常检测器中，将输入的待测数据作为模型输出的第一部分，重新进行迭代训练，计算输入数据对原训练数据的拟合程度，取最后一次的模型损失作为拟合误差；遍历进行误差计算，得到表示每组叶片相对于剩余组叶片的差异大小。本申请效率高、成本低、无需人工作业，适用于风电机组的故障监测。

Wind turbine blade fault audio monitoring method based on convolution generation countermeasure network

【技术实现步骤摘要】
基于卷积生成对抗网络的风电机组叶片故障音频监测方法
本申请涉及一种基于卷积生成对抗网络的风电机组叶片故障音频监测方法，适用于风电机组故障监测的

技术介绍
风电机组长期运行在交变载荷的环境下，叶片极易发生裂纹、腐蚀等故障，不但降低叶片的使用寿命，而且影响风机对风能的捕获，所以做到叶片故障的早期诊断和预警对于风机的安全健康运行具有极大意义。目前对于风机叶片的故障监测采用的方法包括图像识别、热成像、激光检测、振动信号特征识别等。申请号为201910603546.9的中国专利提出了基于廓系数优化K-means聚类的效果的音频信号检测方法，将一段声音信号的故障帧和非故障帧进行区分，并将特征帧的样本标签在时域上刻画条形图，综合分析同类特征帧的周期特性来判断某台风机的叶片是否故障。这一方法通过聚类后簇的类别标签在时域上的条形图是否出现周期性特征来判断故障。二聚类对于在音频中表现特征较弱的故障难以精准检测，另外地对于是否存在周期性特征需要人工判断，难以实现自动化高效检测。申请号为CN201710641430.5的中国专利同样提出了采用本文档来自技高网...

【技术保护点】
1.一种基于卷积生成对抗网络的风电机组叶片故障音频监测方法，其特征在于，包括以下步骤：/n(1)将声音收集设备收集到的叶片转动的音频信号进行分割，得到风机各支叶片扫风声音的起止时间点；/n(2)对各组叶片功率谱矩阵使用主成分分析，将单组叶片信号矩阵转换为使用主成分展示数据的特征，并将原始每段扫风信号降维至行列数相同的方阵；/n(3)构建生成对抗网络，使用深度卷积生成对抗网络结构对叶片的特征方阵轮流使用anoGAN进行训练，对每一组叶片的特征方阵，通过多次迭代对抗训练固定生成模型和判别模型的参数结构，将判别器的最后一层卷积层提取出作为特征提取器；/n(4)重新构造模型，以隐空间的噪声分布为模型输...

【技术特征摘要】
1.一种基于卷积生成对抗网络的风电机组叶片故障音频监测方法，其特征在于，包括以下步骤：
(1)将声音收集设备收集到的叶片转动的音频信号进行分割，得到风机各支叶片扫风声音的起止时间点；
(2)对各组叶片功率谱矩阵使用主成分分析，将单组叶片信号矩阵转换为使用主成分展示数据的特征，并将原始每段扫风信号降维至行列数相同的方阵；
(3)构建生成对抗网络，使用深度卷积生成对抗网络结构对叶片的特征方阵轮流使用anoGAN进行训练，对每一组叶片的特征方阵，通过多次迭代对抗训练固定生成模型和判别模型的参数结构，将判别器的最后一层卷积层提取出作为特征提取器；
(4)重新构造模型，以隐空间的噪声分布为模型输入，以生成器的输出和特征提取器的输出结合为模型输出作为异常检测器；
(5)使用一组叶片数据训练好生成对抗模型之后，将剩余组叶片的特征方阵分别输入到异常检测器中，将输入的待测数据作为模型输出的第一部分，重新进行迭代训练，计算输入数据对原训练数据的拟合程度，取最后一次的模型损失作为拟合误差；
(6)遍历进行误差计算，得到表示每组叶片相对于剩余组叶片的差异大小，将得到的差异的最大值作为最终的异常风险值。


2.根据权利要求1所述的风电机组叶片故障音频监测方法，其特征在于，步骤(2)中包括以下步骤：
(2....

【专利技术属性】
技术研发人员：王旻轩，鲍亭文，金超，晋文静，
申请(专利权)人：北京天泽智云科技有限公司，
类型：发明
国别省市：北京;11