权利要求书：
1.一种基于稀疏贝叶斯学习与功率谱分离的风机叶片故障检测方法，其特征在于，包括以下步骤：
步骤1：利用麦克风阵列采集风机叶片辐射出的三段连续等长的声信号，每段声信号时长等于叶片旋转周期的1/3。
步骤2：利用稀疏贝叶斯学习算法对步骤1采集的三段声信号分别进行估计。
步骤3：对步骤2得到的估计信号进行DOA估计，利用波束形成进行信号增强。
步骤4：计算增强信号的功率谱，并对功率谱进行归一化，根据三段声信号的归一化功率谱是否分离，判断风力发电机叶片是否存在故障。
2.根据权利要求1所述的基于稀疏贝叶斯学习与功率谱分离的风机叶片故障检测方法，其特征在于，所述步骤2包括以下子步骤：步骤21，记观测信号，即M个阵元接收到的L帧信号为Y，第k个频点的信号可以表示为Y(k)；记希望进行估计的信号源，即风机叶片声信号为X(k)；计算后验均值μ和后验方差Σx：2 H 1 1Σx＝(σ ΑA+Γ )M×N 2 2 H其中，Α∈C 为观测矩阵，N表示估计的点数，σ表示噪声的方差，Σy＝σI+ΑΓΑ为2观测信号的方差，I表示单位矩阵，Γ＝diag(γ)，γ和σ为稀疏贝叶斯学习算法中的超参数。
步骤22，对超参数γ和σ进行计算，超参数γ和σ可以表示为：其中，γn为超参数γ的第n个值，n＝1,...,N，μnl为后验均值μ第n行第l列的值，l＝+ H1,...,L，(Σx)nn为后验方差Σx第n行第n列的值；P＝AA 表示投影矩阵；Sy＝Y(k)Y (k)/L，且步骤23，利用步骤22中的后验均值与后验方差不断迭代更新超参数，直至收敛，最后得到的后验均值 即为信号源X(k)的第l帧在角度θn上的估计。
3.根据权利要求2所述的基于稀疏贝叶斯学习与功率谱分离的风机叶片故障检测方法，其特征在于，所述步骤3中，通过遍历角度θn，找到使得总波束功率最大的角度 即为DOA估计结果，总波束功率Pe(θn)表示为：其中，K为总频点数。
4.根据权利要求3所述的基于稀疏贝叶斯学习与功率谱分离的风机叶片故障检测方法，其特征在于，所述步骤3中，利用波束形成进行信号增强，波束形成的权向量 可以表示为：其中， fk表示第k个频点对应的频率，c表示空T气中的声速，[xmymzm] 表示第m个阵元所在的坐标，m＝1,...,M。
5.根据权利要求4所述的基于稀疏贝叶斯学习与功率谱分离的风
声明：
“基于稀疏贝叶斯学习与功率谱分离的风机叶片故障检测方法” 该技术专利(论文)所有权利归属于技术(论文)所有人。仅供学习研究，如用于商业用途，请联系该技术所有人。
我是此专利(论文)的发明人(作者)
683
编辑：中冶有色网
来源：浙江大学
分享 0
举报 0
收藏 0
反对 0
点赞 0
2025年05月09日 ~ 11日 
