(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211041148.0 (22)申请日 2022.08.29 (71)申请人 华能国际电力开发 公司吉林通 榆风 电分公司 地址 137299 吉林省白城市通 榆县团结乡 和同发畜牧场境内(通榆县开通镇兴 华北街1684 号) 申请人 北京华能新锐控制技 术有限公司 (72)发明人 于景龙　葛鎣　曲鑫　杨健全　 张玉才　蔡俊龙　刘文东　杨闰超　 周汝楠　 (74)专利代理 机构 北京华锐创新知识产权代理 有限公司 1 1925 专利代理师 杨柳林(51)Int.Cl. F03D 17/00(2016.01) G06K 9/00(2022.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/77(2022.01) G06V 10/82(2022.01) (54)发明名称 陆上风机的缺陷检测系统及其方法 (57)摘要 本申请涉及陆上风机的缺陷检测领域， 其具 体地公开了一种陆上风机的缺陷检测系统及其 方法， 其通过采用深度学习的卷积神经网络模型 来对于陆上风机的塔筒结构的多个振动信号进 行深层的特征挖掘， 以基于所述陆上风机的塔筒 的振动信号的全局性隐含关联特征信息来进行 结构缺陷判断， 并且在此过程中， 引入了向量的 波函数表示来对振动特征向量的各位置的振动 信息的特征表达进行类复函数域的聚合， 以弥补 各个向量自身的特征位置间的分布相位的差异 在类概率聚合上导致的负面影 响， 进而提高了对 于所述陆上风机的塔筒结构的缺陷检测的准确 性。 这样， 能够提前对风险进行预警且降低维护 成本。 权利要求书3页 说明书12页 附图3页 CN 115419556 A 2022.12.02 CN 115419556 A 1.一种陆上风机的缺陷检测方法， 其特 征在于， 包括： 获取由部署于陆上风机的塔筒结构的多个振动传感器采集的多个振动信号； 对所述多个振动信号中各个振动信号分别进行格拉姆角和场变换以得到多个振动格 拉姆角和场图像； 将所述多个振动格拉姆角和场图像中各个振动格拉姆角和场图像分别通过作为过滤 器的第一卷积神经网络以得到多个振动时序特 征向量； 对所述多个振动时序特征向量中各个振动时序特征向量进行校正以得到多个校正后 振动时序特 征向量； 以所述多个校正后振动时序 特征向量的均值向量作为参考特征向量， 计算所述多个校 正后振动时序特征向量中各个校正后振动时序特征向量与所述参考特征向量之间的协方 差矩阵以得到多个协方差矩阵； 将所述多个协方差矩阵排列为输入张量后通过作为特征提取器的第二卷积神经网络 以得到分类特 征图； 以及 将所述分类特征图通过分类器以得到分类结果， 所述分类结果用于表示陆上风机的塔 筒结构是否存在结构缺陷。 2.根据权利要求1所述的陆上风机的缺陷检测方法， 其特征在于， 所述将所述多个振动 格拉姆角和场图像中各个振动格拉姆角和场图像分别通过作为过滤器的第一卷积神经网 络以得到多个振动时序特 征向量， 包括： 所述第一卷积神经网络的各层 在层的正向传递中对输入数据分别进行： 对输入数据进行 卷积处理以得到卷积特 征图； 对所述卷积特 征图进行基于局部特 征矩阵的均值池化以得到池化特 征图； 以及 对所述池化特 征图进行非线性激活以得到 激活特征图； 其中， 所述第一卷积神经网络的最后一层的输出为所述多个振动 时序特征向量， 所述 第一卷积神经网络的第一层的输入为所述多个振动格拉姆角和场图像中各个振动格拉姆 角和场图像。 3.根据权利要求2所述的陆上风机的缺陷检测方法， 其特征在于， 所述对所述多个振动 时序特征向量中各个振动时序特征向量进 行校正以得到多个校正后振动时序特征向量， 包 括： 基于各个所述振动时序 特征向量中所有位置的特征值中的最大值的倒数， 对各个所述 振动时序特 征向量进行 校正以得到所述校正后振动时序特 征向量。 4.根据权利要求3所述的陆上风机的缺陷检测方法， 其特征在于， 所述基于各个所述振 动时序特征向量中所有位置的特征值中的最大值的倒数， 对各个所述振动时序特征向量进 行校正以得到所述校正后振动时序特 征向量， 包括： 基于各个所述振动时序 特征向量中所有位置的特征值中的最大值的倒数， 以如下公式 对各个所述振动时序特 征向量进行 校正以得到所述校正后振动时序特 征向量； 其中， 所述公式为： 其中V表示各个所述振动时序特征向量中的每个振动时序特征向量， vmax‑1表示各个所权　利　要　求　书 1/3 页 2 CN 115419556 A 2述振动时序特 征向量中所有位置的特 征值中的最大值的倒数， ⊙表示按位置点乘。 5.根据权利要求4所述的陆上风机的缺陷检测方法， 其特征在于， 所述将所述多个协方 差矩阵排列为输入张量后通过作为特征提取器的第二卷积神经网络以得到 分类特征图， 包 括： 使用作为特征提取器的所述第二卷积神经网络的各层在层的正向传递中对输入数据 进行卷积处理、 池化处理和激活处理以由所述第二卷积神经网络的最后一层生成所述分类 特征图， 其中， 所述第二卷积神经网络的第一层的输入为所述输入张量。 6.根据权利要求5所述的陆上风机的缺陷检测方法， 其特征在于， 所述将所述分类特征 图通过分类器以得到分类结果， 所述分类结果用于表示陆上风机的塔筒 结构是否存在结构 缺陷， 包括： 所述分类器以如下公式对所述分类特征图进行处理以生成分类结果， 其中， 所述公式 为： softmax{(Wn,Bn):…:(W1,B1)|Project(F)}， 其中Project(F)表示将所述分类特征图投 影为向量， W1至Wn为各层全连接层的权 重矩阵， B1至Bn表示各层全连接层的偏置矩阵。 7.一种陆上风机的缺陷检测系统， 其特 征在于， 包括： 振动信号获取模型， 用于获取由部署于陆上风机的塔筒结构的多个振动传感器采集的 多个振动信号； 格拉姆角和场变换模块， 用于对所述多个振动信号中各个振动信号分别进行格拉姆角 和场变换以得到多个振动格拉姆角和场图像； 过滤模块， 用于将所述多个振动格拉姆角和场图像中各个振动格拉姆角和场图像分别 通过作为过 滤器的第一卷积神经网络以得到多个振动时序特 征向量； 校正模块， 用于对所述多个振动时序 特征向量中各个振动时序 特征向量进行校正以得 到多个校正后振动时序特 征向量； 协方差矩阵计算模块， 用于以所述多个校正后振动时序 特征向量的均值向量作为参考 特征向量， 计算所述多个校正后振动时序特征向量中各个校正后振动时序特征向量与所述 参考特征向量之间的协方差矩阵以得到多个协方差矩阵； 特征提取模块， 用于将所述多个协方差矩阵排列为输入 张量后通过作为特征提取器的 第二卷积神经网络以得到分类特 征图； 以及 分类模块， 用于将所述分类特征图通过分类器以得到分类结果， 所述分类结果用于表 示陆上风机的塔筒结构是否存在结构缺陷。 8.根据权利要求7所述的陆上风机的缺陷检测系统， 其特征在于， 所述过滤模块， 进一 步用于： 所述第一卷积神经网络的各层 在层的正向传递中对输入数据分别进行： 对输入数据进行 卷积处理以得到卷积特 征图； 对所述卷积特 征图进行基于局部特 征矩阵的均值池化以得到池化特 征图； 以及 对所述池化特 征图进行非线性激活以得到 激活特征图； 其中， 所述第一卷积神经网络的最后一层的输出为所述多个振动 时序特征向量， 所述 第一卷积神经网络的第一层的输入为所述多个振动格拉姆角和场图像中各个振动格拉姆 角和场图像。 9.根据权利要求8所述的陆上风机的缺陷检测系统， 其特 征在于， 所述校正模块， 包括： 最大值校正单元， 用于基于各个所述振动时序特征向量中所有位置的特征值中的最大权　利　要　求　书 2/3 页 3 CN 115419556 A 3