买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉内蒙古工业大学申请的专利一种基于气动声学与深度学习的风力机叶片故障检测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120908308B 。

龙图腾网通过国家知识产权局官网在2026-01-02发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202511444103.1，技术领域涉及：G01N29/04；该发明授权一种基于气动声学与深度学习的风力机叶片故障检测方法是由高志鹰;王鹏;苏日娜;张立茹;东雪青;马剑龙;温彩凤;白叶飞设计研发完成，并于2025-10-10向国家知识产权局提交的专利申请。

本一种基于气动声学与深度学习的风力机叶片故障检测方法在说明书摘要公布了：本发明公开了一种基于气动声学与深度学习的风力机叶片故障检测方法，涉及风力机叶片损伤检测技术领域，该检测方法包括如下步骤：获取待测风力机叶片在健康状态下与破损状态下运行的气动声学数据；基于气动声学理论对所述气动声学数据进行零均值与滤波处理；基于完成零均值与滤波处理的气动声学数据，计算功率谱密度并提取特征频率索引下的功率谱密度，建立基于功率谱密度特征的BP神经网络检测模型；将待测数据经过特征提取后输入到基于功率谱密度特征的BP神经网络检测模型中计算，基于输出结果建立评价体系对叶片的状态进行判断。本发明避免了检测模型的过拟合化，提高了叶片损伤识别的准确率。

本发明授权一种基于气动声学与深度学习的风力机叶片故障检测方法在权利要求书中公布了：1.一种基于气动声学与深度学习的风力机叶片故障检测方法，其特征在于，包括如下步骤： 步骤1：获取待测风力机叶片在健康状态下与破损状态下运行的气动声学数据； 步骤2：基于气动声学理论对所述气动声学数据进行零均值与滤波处理； 步骤3：基于完成步骤2预处理的气动声学数据，计算功率谱密度并提取特征频率索引下的功率谱密度，建立基于功率谱密度特征的BP神经网络检测模型； 步骤3-1：将完成零均值与滤波处理的气动声学数据分为测试集与检验集； 步骤3-2：将测试集中的声压数据Xj分成K段，每段长度为L个数据点，计算第段数据在频率索引处的傅里叶变换结果 式中，表示第段中的第个声压数据，此处为时域样本索引，Wj为窗函数，表示将时域声压信号转换成频域信号的基函数;则第段信号在频率处的功率谱密度为： 式中，U为窗函数的平均能量，用于在功率谱密度中进行补偿；得到频率处的功率谱密度的估计：； 步骤3-3：计算健康叶片与破损叶片之间的功率谱密度差值：； 式中，表示健康叶片与破损叶片之间的功率谱密度差值，表示健康叶片的功率谱密度值，表示破损叶片的功率谱密度值； 步骤3-4：以功率谱密度差值的均值作为阈值做峰值检索，得到每个工况的功率谱密度特征峰值与频率索引； 步骤3-5：统计各工况频率索引出现的次数与次数的均值，以均值作为阈值，保留大于次数均值的频率索引及n1个对应的功率谱密度特征值； 步骤3-6：将n1个功率谱密度特征值进行归一化，以n1个PSD特征值为输入，将输出设置为2个，激活函数选择sigmod函数，训练方法选择自适应的动量梯度下降法，隐层神经元选择为输入输出神经元之和的平均值,目标误差设置为ϵ； 步骤3-7：以神经网络输出结果[1,1]表示健康叶片，以神经网络输出结果[0,1]表示故障叶片，建立并训练BP神经网络检测模型，调整迭代次数，当模型的误差达到设置误差ϵ时，模型迭代停止，导出训练模型函数； 步骤3-8：使用检验集中的数据对BP神经网络检测模型进行验证，当检测模型的输出结果在误差允许范围内时证明模型有效，导出检测函数，否则返回调整训练模型参数； 步骤4：将待测数据经过特征提取后输入到基于功率谱密度特征的BP神经网络检测模型中计算，并基于输出结果建立评价体系对叶片的状态进行判断。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人内蒙古工业大学，其通讯地址为：010051 内蒙古自治区呼和浩特市新城区爱民街49号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。