【技术实现步骤摘要】
本专利技术涉及声音信号处理，特别是涉及一种基于tdnn模型的海上风电叶片状态识别方法。
技术介绍
1、声纹识别技术最早应用于语音识别和身份验证领域，但近年来其潜力逐渐扩展到多个新兴领域。海上风机叶片作为风力发电系统的核心组件，其健康状态直接影响风机的效率和稳定性。由于海上风机在远离陆地的特殊环境下运作，传统的检测方法往往受到天气、海况和设备位置等因素的限制。近年来，结合声纹识别技术来监测海上风机叶片的状态成为一种新的研究方向。通过对风机叶片在运行过程中产生的声音信号进行分析，识别其中的特征模式，可以实现早期故障预警和状态监测。声纹识别技术为海上风电行业提供了一种高效、非侵入性的监测手段，能够降低运维成本，提高风机的可靠性和经济效益。
2、传统监测技术（如振动传感器、无人机巡检）依赖人工干预，难以实时捕捉叶片早期损伤，且受环境条件限制。现有声纹识别模型在复杂海洋噪声环境下信噪比低，特征提取不充分，导致误报率高、泛化能力弱。数据样本单一性导致模型对叶片类型、工况变化的适应性不足。
技术实现思路
1、为了解决以上技术问题，本专利技术提供一种基于tdnn模型的海上风电叶片状态识别方法，包括以下步骤：
2、s1、通过传感器阵列覆盖风机不同部位，同步监测叶片不同区域的声纹信号，采集叶片的声纹数据，将运转时的特定声音信号作为声纹数据；
3、s2、将上一步骤中得到的数据进行同步与传输；
4、s3、将上一步骤中得到的数据进行信号预处理与降噪，保留叶片状
5、s4、将上一步骤中获得的核心声纹信息进行预处理，提取声纹信号的多种特征，包括梅尔频率倒谱系数、线性预测倒谱系数、短时能量以及短时过零率；
6、s5、将上一步骤中获得的特征进行归一化，采用零均值单位方差标准化方法，使每个特征值分布在相同尺度上，统一特征参数尺度；
7、s6、将上一步骤中获得的数据以包含3个隐藏层的tdnn模型进行训练，利用adam优化器和动态学习率调整策略，进行模型的收敛和训练；
8、s7、针对上一步骤中获得的模型，引入多种数据增强操作，使原始数据集扩展至原来的3倍；
9、s8、通过深度学习技术训练叶片声音样本，生成最优模型，进行在线推理与实时监测。
10、本专利技术进一步限定的技术方案是：
11、进一步的，步骤s3中，降噪的具体方法为：将原始声音数据分帧，转换为频域信号，基于深度学习的智能算法处理去除噪声，再转换回时域，得到降噪后声音数据；
12、将原始声音数据分帧，并运用短时能量阈值法，计算每帧信号能量，设定动态阈值，剔除能量低于阈值的静音段，如下式所示：
13、
14、其中，en是第n帧的短时能量，x(n+m)是第n+m个样本点的值，l是帧长的一半；
15、并结合短时过零率区分有效信号与背景噪声：
16、
17、其中，sgn[·]是符号函数，x(n)表示语音信号，n表示窗长。
18、如前所述的一种基于tdnn模型的海上风电叶片状态识别方法，步骤s4中，结合短时傅里叶变换与小波变换，对降噪数据进行时频分析，提取声纹特征参数，作为tdnn模型输入；
19、梅尔频率倒谱系数的提取过程包括以下步骤：
20、s4.1、预加重：通过一阶高通滤波器增强高频分量：
21、
22、其中，z表示复数变量，μ是预加重系数；
23、s4.2、分帧加窗：帧移10ms，采用汉明窗平滑信号，定义公式如下：
24、
25、其中，是窗函数的权重，n为样本点数，n为帧内的样本序号；通过将窗函数逐点与每一帧信号相乘，平滑信号的边界；
26、s4.3、设计梅尔滤波器，计算每个滤波器的能量输出；对滤波器组能量取对数后，进行离散余弦变换，保留前20维系数作为梅尔频率倒谱系数特征。
27、如前所述的一种基于tdnn模型的海上风电叶片状态识别方法，步骤s4中，线性预测倒谱系数的提取方法为：通过自相关法求解线性预测编码系数，对线性预测编码系数进行倒谱分析，提取前12维线性预测倒谱系数特征。
28、如前所述的一种基于tdnn模型的海上风电叶片状态识别方法，步骤s5中，采用最小-最大归一化将特征值线性缩放至[0,1]或[-1,1]范围；采用z-score归一化转换为标准正态分布。
29、如前所述的一种基于tdnn模型的海上风电叶片状态识别方法，步骤s6中，tdnn模型包含3个隐藏层，每层128个神经元，并采用relu激活函数；输入层接收预处理后的特征向量，输出层使用softmax函数进行多分类预测；隐藏层包括一系列延迟神经元，在隐藏层中引入膨胀系数；每个神经元不仅接收当前时间步的输入，还接收之前若干时间步的输入；设隐藏层有n个神经元，第i个神经元在时刻t的输出为hi(t)，则它的输入表示为：
30、
31、其中，m是输入层的神经元数量，wij是输入层到隐藏层的权重，l是隐藏层的神经元数量，是隐藏层内部神经元之间的延迟权重，τ表示延迟步数，d是最大延迟步数，bi是偏置项。
32、如前所述的一种基于tdnn模型的海上风电叶片状态识别方法，步骤s6中，tdnn模型的输出层根据隐藏层的输出产生最终的识别结果，输出层设置为一个softmax分类器，用于计算每个发声设备的概率分布；设输出层有c个神经元，对应c个发声设备，则第c个神经元的输出为：
33、
34、其中，zc(t)是输出层第c个神经元的输入，通过以下公式计算：
35、
36、其中，vci是隐藏层到输出层的权重，ac是偏置项。
37、如前所述的一种基于tdnn模型的海上风电叶片状态识别方法，步骤s6中，训练过程中，采用adam优化器，学习率初始设为0.001，并根据训练过程中的损失变化动态调整；批量大小设为64；将总迭代次数设定为5000次。
38、如前所述的一种基于tdnn模型的海上风电叶片状态识别方法，步骤s7中，数据增强操作包括添加噪声、时间拉伸，音高变换以及随机裁剪与拼接。
39、如前所述的一种基于tdnn模型的海上风电叶片状态识别方法，步骤s8中，根据历史数据，针对不同种类的故障类型设定不同的阈值，在线推理过程中，将正常后验概率与异常后验概率进行比较，当正常后验概率大于异常后验概率时，判断叶片为正常状态；否则，判断叶片为异常状态。
40、本专利技术的有益效果是：
41、本专利技术中，通过融合tdnn算法和多维度数据增强技术，有效捕捉声纹信号的时序依赖关系，显著提升了海上风电叶片状态识别的准确性、鲁棒性和泛化能力；实验结果表明，在复杂环境噪声下，平均识别准确率提升至95.60%，平均误报率降低至4.20%，从而为海上风电叶片的在线监测和故障预警提供了有力技术支持。...
【技术保护点】
1.一种基于TDNN模型的海上风电叶片状态识别方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于TDNN模型的海上风电叶片状态识别方法，其特征在于：所述步骤S3中，降噪的具体方法为：将原始声音数据分帧，转换为频域信号，基于深度学习的智能算法处理去除噪声，再转换回时域，得到降噪后声音数据；
3.根据权利要求1所述的一种基于TDNN模型的海上风电叶片状态识别方法，其特征在于：所述步骤S4中，结合短时傅里叶变换与小波变换，对降噪数据进行时频分析，提取声纹特征参数，作为TDNN模型输入；
4.根据权利要求1所述的一种基于TDNN模型的海上风电叶片状态识别方法，其特征在于：所述步骤S4中，线性预测倒谱系数的提取方法为：通过自相关法求解线性预测编码系数，对线性预测编码系数进行倒谱分析，提取前12维线性预测倒谱系数特征。
5.根据权利要求3所述的一种基于TDNN模型的海上风电叶片状态识别方法，其特征在于：所述步骤S5中，采用最小-最大归一化将特征值线性缩放至[0,1]或[-1,1]范围；采用Z-score归一化转换为标准正态分布。
6.根据权利要求1所述的一种基于TDNN模型的海上风电叶片状态识别方法，其特征在于：所述步骤S6中，TDNN模型包含3个隐藏层，每层128个神经元，并采用ReLU激活函数；输入层接收预处理后的特征向量，输出层使用softmax函数进行多分类预测；隐藏层包括一系列延迟神经元，在隐藏层中引入膨胀系数；每个神经元不仅接收当前时间步的输入，还接收之前若干时间步的输入；设隐藏层有N个神经元，第i个神经元在时刻t的输出为hi(t)，则它的输入表示为：
7.根据权利要求6所述的一种基于TDNN模型的海上风电叶片状态识别方法，其特征在于：所述步骤S6中，TDNN模型的输出层根据隐藏层的输出产生最终的识别结果，输出层设置为一个softmax分类器，用于计算每个发声设备的概率分布；设输出层有C个神经元，对应C个发声设备，则第c个神经元的输出为：
8.根据权利要求1所述的一种基于TDNN模型的海上风电叶片状态识别方法，其特征在于：所述步骤S6中，训练过程中，采用Adam优化器，学习率初始设为0.001，并根据训练过程中的损失变化动态调整；批量大小设为64；将总迭代次数设定为5000次。
9.根据权利要求1所述的一种基于TDNN模型的海上风电叶片状态识别方法，其特征在于：所述步骤S7中，数据增强操作包括添加噪声、时间拉伸，音高变换以及随机裁剪与拼接。
10.根据权利要求1所述的一种基于TDNN模型的海上风电叶片状态识别方法，其特征在于：所述步骤S8中，根据历史数据，针对不同种类的故障类型设定不同的阈值，在线推理过程中，将正常后验概率与异常后验概率进行比较，当正常后验概率大于异常后验概率时，判断叶片为正常状态；否则，判断叶片为异常状态。
...【技术特征摘要】
1.一种基于tdnn模型的海上风电叶片状态识别方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于tdnn模型的海上风电叶片状态识别方法，其特征在于：所述步骤s3中，降噪的具体方法为：将原始声音数据分帧，转换为频域信号，基于深度学习的智能算法处理去除噪声，再转换回时域，得到降噪后声音数据；
3.根据权利要求1所述的一种基于tdnn模型的海上风电叶片状态识别方法，其特征在于：所述步骤s4中，结合短时傅里叶变换与小波变换，对降噪数据进行时频分析，提取声纹特征参数，作为tdnn模型输入；
4.根据权利要求1所述的一种基于tdnn模型的海上风电叶片状态识别方法，其特征在于：所述步骤s4中，线性预测倒谱系数的提取方法为：通过自相关法求解线性预测编码系数，对线性预测编码系数进行倒谱分析，提取前12维线性预测倒谱系数特征。
5.根据权利要求3所述的一种基于tdnn模型的海上风电叶片状态识别方法，其特征在于：所述步骤s5中，采用最小-最大归一化将特征值线性缩放至[0,1]或[-1,1]范围；采用z-score归一化转换为标准正态分布。
6.根据权利要求1所述的一种基于tdnn模型的海上风电叶片状态识别方法，其特征在于：所述步骤s6中，tdnn模型包含3个隐藏层，每层128个神经元，并采用relu激活函数；输入层接收预处理后的特征向量，输出层使用softmax函数进行多分...
【专利技术属性】
技术研发人员：范恩齐，沈金荣，王泽昊，汤一彬，申云乔，吴昱锋，刘张景俊，孙昊，董安，田璐，
申请(专利权)人：河海大学，
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。