權利要求書：
1.一種基于稀疏貝葉斯學習與功率譜分離的風機葉片故障檢測方法，其特征在于，包括以下步驟：
步驟1：利用麥克風陣列采集風機葉片輻射出的三段連續等長的聲信號，每段聲信號時長等于葉片旋轉周期的1/3。
步驟2：利用稀疏貝葉斯學習算法對步驟1采集的三段聲信號分別進行估計。
步驟3：對步驟2得到的估計信號進行DOA估計，利用波束形成進行信號增強。
步驟4：計算增強信號的功率譜，并對功率譜進行歸一化，根據三段聲信號的歸一化功率譜是否分離，判斷風力發電機葉片是否存在故障。
2.根據權利要求1所述的基于稀疏貝葉斯學習與功率譜分離的風機葉片故障檢測方法，其特征在于，所述步驟2包括以下子步驟：步驟21，記觀測信號，即M個陣元接收到的L幀信號為Y，第k個頻點的信號可以表示為Y(k)；記希望進行估計的信號源，即風機葉片聲信號為X(k)；計算后驗均值μ和后驗方差Σx：2 H 1 1Σx＝(σ ΑA+Γ )M×N 2 2 H其中，Α∈C 為觀測矩陣，N表示估計的點數，σ表示噪聲的方差，Σy＝σI+ΑΓΑ為2觀測信號的方差，I表示單位矩陣，Γ＝diag(γ)，γ和σ為稀疏貝葉斯學習算法中的超參數。
步驟22，對超參數γ和σ進行計算，超參數γ和σ可以表示為：其中，γn為超參數γ的第n個值，n＝1,...,N，μnl為后驗均值μ第n行第l列的值，l＝+ H1,...,L，(Σx)nn為后驗方差Σx第n行第n列的值；P＝AA 表示投影矩陣；Sy＝Y(k)Y (k)/L，且步驟23，利用步驟22中的后驗均值與后驗方差不斷迭代更新超參數，直至收斂，最后得到的后驗均值 即為信號源X(k)的第l幀在角度θn上的估計。
3.根據權利要求2所述的基于稀疏貝葉斯學習與功率譜分離的風機葉片故障檢測方法，其特征在于，所述步驟3中，通過遍歷角度θn，找到使得總波束功率最大的角度 即為DOA估計結果，總波束功率Pe(θn)表示為：其中，K為總頻點數。
4.根據權利要求3所述的基于稀疏貝葉斯學習與功率譜分離的風機葉片故障檢測方法，其特征在于，所述步驟3中，利用波束形成進行信號增強，波束形成的權向量 可以表示為：其中， fk表示第k個頻點對應的頻率，c表示空T氣中的聲速，[xmymzm] 表示第m個陣元所在的坐標，m＝1,...,M。
5.根據權利要求4所述的基于稀疏貝葉斯學習與功率譜分離的風
聲明：
“基于稀疏貝葉斯學習與功率譜分離的風機葉片故障檢測方法” 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)
759
編輯：中冶有色網
來源：浙江大學
分享 0
舉報 0
收藏 0
反對 0
點贊 0
2025年08月05日 ~ 07日 
