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)