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)