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！

龙图腾网获悉浙江大学申请的专利一种基于深度学习的风机叶片故障声学检测方法与系统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：CN116631442B 。

龙图腾网通过国家知识产权局官网在2025-10-31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：202310581575.6，技术领域涉及：G10L25/51；该发明授权一种基于深度学习的风机叶片故障声学检测方法与系统是由潘翔;张晨辉设计研发完成，并于2023-05-23向国家知识产权局提交的专利申请。

本一种基于深度学习的风机叶片故障声学检测方法与系统在说明书摘要公布了：本发明公开了一种基于深度学习的风机叶片故障声学检测方法与系统。本方法首先对麦克风阵列训练数据进行波束形成、高通滤波增强并进行划分与增广；之后对训练数据提取短时傅里叶变换特征、梅尔滤波器组特征、短时图傅里叶变换特征和图域梅尔滤波器组特征；最后训练风机叶片故障检测神经网络；将实际麦克风阵列数据进行波束形成、高通滤波增强并提取信号特征，输入到训练好的神经网络中，得到故障检测结果。该系统包括服务端与客户端；客户端基于网页实现以适配不同软硬件的用户设备，客户端与服务端之间的通信基于SSH端口实现。本发明方法在实录风机叶片辐射噪声数据构建的测试集上准确率高，系统适配适配不同软硬件设备的用户设备。

本发明授权一种基于深度学习的风机叶片故障声学检测方法与系统在权利要求书中公布了：1.一种基于深度学习的风机叶片故障声学检测方法，其特征在于，包括以下步骤： 步骤1：获取麦克风阵列训练数据，对麦克风阵列训练数据进行波束形成与高通滤波增强，得到风机叶片辐射噪声训练数据；所述步骤1具体包括以下子步骤： 步骤11，对麦克风阵列训练数据进行波束形成增强： ； 其中是增强后的信号的离散傅里叶变换结果，是第个阵元接收信号离散傅里叶变换结果，是阵列常规波束形成波束权重，是第k个频点对应的信号频率； 步骤12，对增强后的单通道信号进行高通滤波； 步骤2：对风机叶片辐射噪声训练数据进行划分与增广； 步骤3：对步骤2得到的训练数据提取信号特征，包括短时傅里叶变换特征STFT、梅尔滤波器组特征Fbank、短时图傅里叶变换特征STGFT和图域梅尔滤波器组特征Gbank； 所述步骤3具体如下： 步骤31，提取输入信号的短时傅里叶变换特征STFT，首先对输入的信号进行分帧，得到分帧后的结果： ； 其中为帧长，表示帧移，T为分帧后的总帧数，分帧后使用窗函数避免频谱泄漏，加窗后的信号经过FFT运算从时域信号转换到频域，将分帧后所有信号的FFT计算结果堆叠，即可得到信号的短时傅里叶变换特征STFT结果： ； 单帧信号的FFT的计算流程如下所示,其中，为傅里叶变换点数，为使用的窗函数； ； 步骤32，提取输入信号的梅尔滤波器组特征Fbank特征；信号的梅尔滤波器组特征Fbank即为信号的STFT能量谱通过一组梅尔滤波器组的结果，将能量谱通过一组梅尔滤波器，所述梅尔滤波器组为三角滤波器，使用dB量级表示后即为信号的梅尔滤波器组特征Fbank，公式如下： ； 步骤33，提取输入信号的短时图傅里叶变换特征STGFT；对输入的信号进行分帧，分帧后的信号在帧内被视为平稳信号，根据设计的信号图结构对每一帧信号进行图傅立叶变换，然后将分帧后所有信号的GFT计算结果堆叠即为短时图傅里叶变换特征STGFT； ； 其中，U为图的拉普拉斯矩阵L进行特征值分解后得到的特征向量矩阵，L=D–A； ； 步骤34，提取输入信号的图域梅尔滤波器组特征Gbank；获得信号的短时图傅里叶变换特征STGFT后，将短时图傅里叶变换特征STGFT平方以获得图域内的能量谱，然后将能量谱通过一组图域内的梅尔滤波器，使用dB量级表示后即为信号的图域梅尔滤波器组特征： ； 步骤4：训练风机叶片故障检测神经网络； 步骤5：将实际麦克风阵列数据进行波束形成与高通滤波增强，并提取信号特征，输入到训练好的风机叶片故障检测神经网络中，得到故障检测结果。

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浙江大学，其通讯地址为：310058 浙江省杭州市西湖区余杭塘路866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。