-
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
Applicant: 河北工业大学
IPC: G06F18/213 , G06F18/24 , G06F18/23213 , G06F18/2411 , G06Q10/20 , G06Q50/06
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。
-
Patent Agency Ranking
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
Applicant: 河北工业大学
IPC: F03D17/00
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。
-
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
Applicant: 河北工业大学
IPC: G06K9/00
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。
-
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
Applicant: 河北工业大学
IPC: G06K9/00
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。
-
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
Applicant: 河北工业大学
IPC: F03D17/00
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。
-
公开(公告)号：CN114841193A
公开(公告)日：2022-08-02
申请号：CN202210304543.7
申请日：2022-03-21
Applicant: 河北工业大学
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。
-
-
-
-
-
Search Results
6
records
(took 0.018 seconds)
