一种基于VMD分解算法的风机叶片故障诊断方法

    公开(公告)号:CN113250911B

    公开(公告)日:2022-02-18

    申请号:CN202110525344.4

    申请日:2021-05-12

    Abstract: 本发明为一种基于VMD分解算法的风机叶片故障诊断方法,包括步骤1、采集风机叶片的声音信号并对声音信号进行滤波,得到滤波后的声音信号;步骤2、利用VMD分解算法将滤波后的声音信号分解为多个模态分量;步骤3、对每个模态分量进行分帧处理,将每个模态分量分为多帧声音信号;对分帧处理后的声音信号进行加窗处理,得到加窗处理后的声音信号;步骤4、计算每帧声音信号的短时能量,然后将每个模态分量对应的所有帧声音信号的短时能量相加,得到各模态分量的短时能量;步骤5、各模态分量的短时能量构成信号样本的特征向量,将特征向量输入到支持向量机中进行训练,将训练后的模型用于故障诊断。该方法的诊断准确率和效率较高。

    一种改进MFCC算法的风机叶片故障诊断方法

    公开(公告)号:CN114841193B

    公开(公告)日:2024-10-29

    申请号:CN202210304543.7

    申请日:2022-03-21

    Abstract: 本发明为一种改进MFCC算法的风机叶片故障诊断方法,首先对传统MFCC算法的物理频率与梅尔频率转换公式进行改进,将声音信号的全频域分为三个频段,对三个频段赋予不同权重,故障信号频段的权重最大,权重越大频段内放置滤波器的个数越多,使得改进后的MFCC算法更加关注故障信号频段,提取到更多故障信息;其次,利用K‑means聚类算法对MFCC特征矩阵的所有样本特征帧进行聚类,并利用群智能算法对故障信号频段进行迭代寻优;最后,将聚类结果输入到SVM中进行训练,将训练后的SVM用于故障诊断。该方法得到的聚类结果条形图具有良好的周期性,聚类结果更准确,有利于提高故障诊断的准确率。

    一种改进梅尔倒谱系数算法的叶片故障诊断方法

    公开(公告)号:CN111397884A

    公开(公告)日:2020-07-10

    申请号:CN202010307134.3

    申请日:2020-04-17

    Abstract: 本发明公开一种改进梅尔倒谱系数算法的叶片故障诊断方法,本发明故障诊断方法首先利用梅尔倒谱系数算法获取信号特征矩阵,并利用SVD(奇异值分解)对特征矩阵做降噪处理,滤除了风噪声的特征信息,使得到的信号特征更加准确。在强风噪背景下该方法处理的故障信号同样呈现出明显的周期性,可以识别出强风噪下的故障风机。本发明故障诊断方法解决了传统的梅尔倒谱系数算法判断叶片是否故障方法无法识别强风噪下的故障风机的难题。

    一种基于改进原型聚类的叶片故障诊断方法

    公开(公告)号:CN110874584A

    公开(公告)日:2020-03-10

    申请号:CN201911147507.9

    申请日:2019-11-21

    Abstract: 本发明提出一种基于改进原型聚类的叶片故障诊断方法,方法包括:首先将采集到的叶片的声音信号利用梅尔倒谱系数(Mel Frequency Cepstrum Coefficient,MFCC)法提取样本点,找到欧式距离最大两点;然后以这两点为参照点对样本点进行聚类得到不同集合;将不同集合取交集并计算交集样本的中心点,再将样本原型聚类为两类样本点并设置标签;刻画样本标签类别时序图以此诊断叶片是否发生故障。同时构建样本类别概率矩阵,并定义相应的评价指标来判断叶片故障的可信度。本发明对原型聚类的聚类方法进行了改进,使得样本的聚类更加准确,能够提高叶片故障诊断的准确性,而且本发明还建立了相应的评价指标,以此来判断叶片发生故障的可信度大小。

    一种基于EWT-SE及小波阈值的叶片声信号降噪方法

    公开(公告)号:CN112287835B

    公开(公告)日:2022-11-01

    申请号:CN202011182502.2

    申请日:2020-10-29

    Abstract: 本发明公开一种基于EWT‑SE及小波阈值的叶片声信号降噪方法,针对风力发电机叶片声音受随机风噪影响导致难以获取纯净叶片声信号的问题,对样本熵进行改进;并根据叶片声信号特性,对小波阈值函数进行修改,提出一种基于经验小波变换(EWT)‑样本熵(SE)与小波阈值的叶片声信号降噪方法。该方法首先通过EWT将信号分解为各模态函数,通过改进的样本熵算法计算各模态函数的样本熵值并选取信号重构分量;之后对边界模态函数进行小波阈值再降噪;最后重构分量得到降噪后的信号。利用现场录取的叶片声音数据对该方法进行分析与验证,结果表明该方法的降噪效果更优,能够得到较为纯净的叶片信号,为后续提取叶片声学特征奠定基础。

    一种改进梅尔倒谱系数算法的叶片故障诊断方法

    公开(公告)号:CN111397884B

    公开(公告)日:2022-02-08

    申请号:CN202010307134.3

    申请日:2020-04-17

    Abstract: 本发明公开一种改进梅尔倒谱系数算法的叶片故障诊断方法,本发明故障诊断方法首先利用梅尔倒谱系数算法获取信号特征矩阵,并利用SVD(奇异值分解)对特征矩阵做降噪处理,滤除了风噪声的特征信息,使得到的信号特征更加准确。在强风噪背景下该方法处理的故障信号同样呈现出明显的周期性,可以识别出强风噪下的故障风机。本发明故障诊断方法解决了传统的梅尔倒谱系数算法判断叶片是否故障方法无法识别强风噪下的故障风机的难题。

    基于EMD-FE-LSTM及迭代误差修正的光伏功率短期预测方法

    公开(公告)号:CN112906995A

    公开(公告)日:2021-06-04

    申请号:CN202110440928.1

    申请日:2021-04-23

    Abstract: 本发明为基于EMD‑FE‑LSTM及迭代误差修正的光伏功率短期预测方法,该方法首先通过模糊熵(FE)对不同的天气类型进行量化,提取与待预测日相近的相似日,以相似日的光伏序列利用长短期记忆网络进行误差迭代,同时对历史相似日的光伏功率序列进行经验模态分解(EMD),再利用长短期记忆网络进行预测,再以迭代误差对预测结果进行修正,实现间接预测和直接预测的结合,提高了预测的精度。此外还对经验模态分解后的所有的IMF分量进行Hurst分析,根据Hurst指数的规律性进行多尺度重构,对重构的分量再分别运用长短期记忆网络(LSTM)进行预测,进一步降低了误差,提高了预测的准确性。

    一种基于EWT-SE及小波阈值的叶片声信号降噪方法

    公开(公告)号:CN112287835A

    公开(公告)日:2021-01-29

    申请号:CN202011182502.2

    申请日:2020-10-29

    Abstract: 本发明公开一种基于EWT‑SE及小波阈值的叶片声信号降噪方法,针对风力发电机叶片声音受随机风噪影响导致难以获取纯净叶片声信号的问题,对样本熵进行改进;并根据叶片声信号特性,对小波阈值函数进行修改,提出一种基于经验小波变换(EWT)‑样本熵(SE)与小波阈值的叶片声信号降噪方法。该方法首先通过EWT将信号分解为各模态函数,通过改进的样本熵算法计算各模态函数的样本熵值并选取信号重构分量;之后对边界模态函数进行小波阈值再降噪;最后重构分量得到降噪后的信号。利用现场录取的叶片声音数据对该方法进行分析与验证,结果表明该方法的降噪效果更优,能够得到较为纯净的叶片信号,为后续提取叶片声学特征奠定基础。

    一种基于VMD分解算法的风机叶片故障诊断方法

    公开(公告)号:CN113250911A

    公开(公告)日:2021-08-13

    申请号:CN202110525344.4

    申请日:2021-05-12

    Abstract: 本发明为一种基于VMD分解算法的风机叶片故障诊断方法,包括步骤1、采集风机叶片的声音信号并对声音信号进行滤波,得到滤波后的声音信号;步骤2、利用VMD分解算法将滤波后的声音信号分解为多个模态分量;步骤3、对每个模态分量进行分帧处理,将每个模态分量分为多帧声音信号;对分帧处理后的声音信号进行加窗处理,得到加窗处理后的声音信号;步骤4、计算每帧声音信号的短时能量,然后将每个模态分量对应的所有帧声音信号的短时能量相加,得到各模态分量的短时能量;步骤5、各模态分量的短时能量构成信号样本的特征向量,将特征向量输入到支持向量机中进行训练,将训练后的模型用于故障诊断。该方法的诊断准确率和效率较高。

    一种光伏发电短期功率预测方法

    公开(公告)号:CN112330487A

    公开(公告)日:2021-02-05

    申请号:CN202011206980.2

    申请日:2020-11-03

    Abstract: 本发明为一种光伏发电短期功率预测方法,该方法包括以下内容:获取光伏电站包括各种气象信息影响因素的历史数据,并应用互信息提取出互信息值大于0.7所对应的主要影响因素,以所提取的主要影响因素构成训练和测试数据样本;建立Elman神经网络,并对网络参数进行初始化,以样本作为神经网络的输入,神经网络的输入向量维度与所提取的主要影响因素的数量一致;利用改进的杂交粒子群‑禁忌搜索混合算法优化神经网络的网络结构单元的连接权值,将互信息提取的主要影响因素输入优化后的Elman神经网络进行最后的预测,得到光伏发电功率。该方法有效的解决易早熟问题,避免了局部收敛和粒子搜索能力的下降,防止陷入局部最优,整体实现了光伏预测的准确性。

Patent Agency Ranking