權利要求書： 1.一種風機葉片的檢測方法，其特征在于，所述風機葉片是風力發電設備中的葉片，所述風力發電設備還包括設置有聲音采集設備的塔筒，所述方法包括：通過所述聲音采集設備采集所述風機葉片掃風時的聲音信號，所述聲音信號包括所述風機葉片掃風時位于葉片間的空氣滑動所產生的聲音信號；
調用信號分析算法從所述聲音信號形成的時域信號圖中提取信號包絡線；將所述信號包絡線中波谷所在的點在時域上的位置確定為切分點；將所述聲音信號轉換為頻譜圖，按照所述切分點對所述頻譜圖進行切分，得到切分后的頻譜圖；
基于所述切分后的頻譜圖計算所述風機葉片掃風時的聲譜差異因子，所述聲譜差異因子表示所述風機葉片的損傷程度；當所述聲譜差異因子大于差異閾值時，通過損傷識別模型對所述切分后的頻譜圖進行圖像識別，得到所述風機葉片的損傷識別結果；其中，所述損傷識別模型是由神經網絡模型訓練得到的。
2.根據權利要求1所述的方法，其特征在于，所述切分后的頻譜圖包括切分后n個所述風機葉片的頻譜區域，n為正整數；
所述基于所述切分后的頻譜圖計算所述風機葉片掃風時的聲譜差異因子，包括：提取n個所述頻譜區域中的信號峰值；
根據n個所述頻譜區域的信號峰值計算所述聲音信號的時域因子和頻域因子；
將所述時域因子與所述頻域因子的加權平均值確定為所述聲譜差異因子。
3.根據權利要求2所述的方法，其特征在于，所述風力發電設備上設置有m個所述風機葉片，m為正整數；
所述根據n個所述頻譜區域的信號峰值計算所述聲音信號的時域因子，包括：確定出每一個所述風機葉片對應的至少兩個所述頻譜區域的信號峰值中的中位數；
從m個所述風機葉片對應的m個所述中位數中確定出最大峰值和最小峰值；
將所述最大峰值與所述最小峰值的比值確定為所述時域因子。
4.根據權利要求2所述的方法，其特征在于，所述風力發電設備上設置有m個所述風機葉片，m為正整數；
所述根據n個所述頻譜區域的信號峰值計算所述聲音信號的頻域因子，包括：獲取每相鄰的m個所述頻譜區域的信號峰值中的最大峰值，將所述最大峰值確定為候選峰值；將至少兩個所述候選峰值的中位數確定為所述頻域因子；
或者，
計算所述切分后的頻譜圖中信號分布與理論分布之間的相對熵，將所述相對熵確定為所述頻域因子。
5.根據權利要求1至4任一所述的方法，其
聲明：
“風機葉片的檢測方法、裝置、設備及存儲介質” 該技術專利(論文)所有權利歸屬于技術(論文)所有人。僅供學習研究，如用于商業用途，請聯系該技術所有人。
我是此專利(論文)的發明人(作者)
1089
編輯：中冶有色網
來源：遠景智能國際私人投資有限公司
分享 0
舉報 0
收藏 0
反對 0
點贊 0
2025年07月24日 ~ 26日 
