一种基于TDNN模型的海上风电叶片状态识别方法技术

本发明专利技术公开了一种基于TDNN模型的海上风电叶片状态识别方法，通过传感器阵列采集叶片的声纹数据；使用自适应滤波技术对原始声纹信号降噪，去除背景噪声；提取声纹信号的MFCC系数、LPCC系数、短时能量和短时过零率等特征；采用Z‑score方法对特征进行归一化和标准化；利用包含3个隐藏层的TDNN模型进行训练，结合Adam优化器和动态学习率调整策略，提升模型训练效率；通过添加噪声、时间拉伸、音高变换及随机裁剪与拼接，使训练数据集扩展至原来的3倍，显著提升模型泛化能力；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。

【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、为本文档来自技高网...

【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...

【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：