【技术实现步骤摘要】
本专利技术涉及风电设备监测，具体为一种基于风电故障知识库的声纹监测诊断方法。
技术介绍
1、随着我国新能源产业迅猛发展，风力发电规模日益扩大，截至2022年底，国内风电装机突破3.5亿千瓦，风电机组数量达到16万台。另外，根据规划，到2025年，国内风电装机将达到6亿千瓦，风电机组数量将突破22万台。
2、现有的风电在发生故障时，难以探测出故障点，同时不易察觉，同时在对故障点进行探测时，需要工作人员进入进行检修，影响效率，同时也无法针对故障点给出合理的评估和维修建议。
3、为此，我们专利技术一种基于风电故障知识库的声纹监测诊断方法。
技术实现思路
1、鉴于上述和/或现有一种基于风电故障知识库的声纹监测诊断方法中存在的问题，提出了本专利技术。
2、因此，本专利技术的目的是提供一种基于风电故障知识库的声纹监测诊断方法，能够解决上述提出现有的问题。
3、为解决上述技术问题，根据本专利技术的一个方面，本专利技术提供了如下技术方案：
4、一种基于风电故障知识库的声纹监测诊断方法，其包括：包括诊断方法如下：在风电发电机的塔筒底部以及机舱内均安装声纹采集终端，安装于机舱内的声纹检测终端为传动链设备声纹检测，安装于塔筒底部的声纹检测终端为叶片损伤检测，通过各个声纹检测模块电性连接的麦克风对设备运行时的声音进行采集，通过声纹过滤模块的噪声抑制算法、声源增强算法以及盲源分离算法对采集的声音进行过滤，减少噪音，在通过信号采集模块传输至汇控柜，再
5、作为本专利技术所述的一种基于风电故障知识库的声纹监测诊断方法的一种优选方案，其中：采用深度学习算法，如卷积神经网络（cnn）、长短时记忆网络（lstm）等，对声纹特征进行建模和训练，构建风机故障诊断和预测模型。
6、作为本专利技术所述的一种基于风电故障知识库的声纹监测诊断方法的一种优选方案，其中：将建立好的声纹识别模型部署在云端服务器上，通过api接口提供故障诊断和预测服务，在使用时，对机组运行过程中的表征参数数据进行采集、传输和存储，实时将采集的声纹与声纹特征库内的声纹进行对比。
7、作为本专利技术所述的一种基于风电故障知识库的声纹监测诊断方法的一种优选方案，其中：通过构建的算法模型在基于对各项数据进行分析和状态评估，从而对机组运行的健康状态进行检测和预警。
8、作为本专利技术所述的一种基于风电故障知识库的声纹监测诊断方法的一种优选方案，其中：当发生故障时，给出基于各项数据的根源性分析和诊断的故障判断和运行调整建议。
9、作为本专利技术所述的一种基于风电故障知识库的声纹监测诊断方法的一种优选方案，其中：并将预警数据以及通过算法构建模型预测的故障类型以及处理建议传输至云端，方便工作人员进行查阅、参考，同时将预警记录通过存储模块进行存储。
10、作为本专利技术所述的一种基于风电故障知识库的声纹监测诊断方法的一种优选方案，其中：安装于塔筒底部的声纹检测终端为叶片损伤检测，其声纹检测模块设有四台，均布于塔筒的塔底四周，确保声纹采集阵列处于叶轮迎风侧正下方，垂直于叶片旋转平面，采用立柱或筒壁支架方式固定安装。
11、作为本专利技术所述的一种基于风电故障知识库的声纹检测诊断方法的一种优选方案，其中：声纹检测模块距离地面水平两米高度，四周均分四点进行安装固定，采集叶片运行时的哨声，检测分析叶片损伤情况。
12、与现有技术相比：
13、1、将预测结果反馈给云端服务器和运维人员，实现远程监测和控制，同时，通过控制系统，对风机进行调节和控制，如调节风机转速、控制风机启停等，以保证风机在最佳运行状态下工作，延长风机寿命，提高发电效率；
14、2、将采集到的数据和预测结果进行可视化展示，提供实时的运行状态监测、故障诊断和预测，方便运维人员及时了解风机的运行状态，采取相应措施进行维护和修复，同时为后续的数据分析和优化提供基础数据，可以显著降低数据处理的成本。
本文档来自技高网...【技术保护点】
1.一种基于风电故障知识库的声纹监测诊断方法，其特征在于：包括诊断方法如下：在风电发电机的塔筒底部以及机舱内均安装声纹采集终端，安装于机舱内的声纹检测终端为传动链设备声纹检测，安装于塔筒底部的声纹检测终端为叶片损伤检测，通过各个声纹检测模块电性连接的麦克风对设备运行时的声音进行采集，通过声纹过滤模块的噪声抑制算法、声源增强算法以及盲源分离算法对采集的声音进行过滤，减少噪音，在通过信号采集模块传输至汇控柜，再由汇控柜将采集的各个电机的声纹特征存储至声纹特征库内。
2.根据权利要求1所述的一种基于风电故障知识库的声纹监测诊断方法，其特征在于，采用深度学习算法，如卷积神经网络（CNN）、长短时记忆网络（LSTM）等，对声纹特征进行建模和训练，构建风机故障诊断和预测模型。
3.根据权利要求2所述的一种基于风电故障知识库的声纹监测诊断方法，其特征在于，将建立好的声纹识别模型部署在云端服务器上，通过API接口提供故障诊断和预测服务，在使用时，对机组运行过程中的表征参数数据进行采集、传输和存储，实时将采集的声纹与声纹特征库内的声纹进行对比。
4.根据权利要求
5.根据权利要求4所述的一种基于风电故障知识库的声纹监测诊断方法，其特征在于，当发生故障时，给出基于各项数据的根源性分析和诊断的故障判断和运行调整建议。
6.根据权利要求5所述的一种基于风电故障知识库的声纹监测诊断方法，其特征在于，并将预警数据以及通过算法构建模型预测的故障类型以及处理建议传输至云端，方便工作人员进行查阅、参考，同时将预警记录通过存储模块进行存储。
7.根据权利要求1所述的一种基于风电故障知识库的声纹监测诊断方法，其特征在于，安装于塔筒底部的声纹检测终端为叶片损伤检测，其声纹检测模块设有四台，均布于塔筒的塔底四周，确保声纹采集阵列处于叶轮迎风侧正下方，垂直于叶片旋转平面，采用立柱或筒壁支架方式固定安装。
8.根据权利要求7所述的一种基于风电故障知识库的声纹检测诊断方法，其特征在于，声纹检测模块距离地面水平两米高度，四周均分四点进行安装固定，采集叶片运行时的哨声，检测分析叶片损伤情况。
...【技术特征摘要】
1.一种基于风电故障知识库的声纹监测诊断方法，其特征在于：包括诊断方法如下：在风电发电机的塔筒底部以及机舱内均安装声纹采集终端，安装于机舱内的声纹检测终端为传动链设备声纹检测，安装于塔筒底部的声纹检测终端为叶片损伤检测，通过各个声纹检测模块电性连接的麦克风对设备运行时的声音进行采集，通过声纹过滤模块的噪声抑制算法、声源增强算法以及盲源分离算法对采集的声音进行过滤，减少噪音，在通过信号采集模块传输至汇控柜，再由汇控柜将采集的各个电机的声纹特征存储至声纹特征库内。
2.根据权利要求1所述的一种基于风电故障知识库的声纹监测诊断方法，其特征在于，采用深度学习算法，如卷积神经网络（cnn）、长短时记忆网络（lstm）等，对声纹特征进行建模和训练，构建风机故障诊断和预测模型。
3.根据权利要求2所述的一种基于风电故障知识库的声纹监测诊断方法，其特征在于，将建立好的声纹识别模型部署在云端服务器上，通过api接口提供故障诊断和预测服务，在使用时，对机组运行过程中的表征参数数据进行采集、传输和存储，实时将采集的声纹与声纹特征库内的声纹进行对比。
4.根据权利要求3所述的一种...
【专利技术属性】
技术研发人员：谢超善，史建设，王清华，易升升，
申请(专利权)人：北京必可测科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。