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！

龙图腾网恭喜电子科技大学(深圳)高等研究院;电子科技大学申请的专利风电场级风力涡轮机叶片故障检测方法、设备及存储介质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：CN118916661B 。

龙图腾网通过国家知识产权局官网在2025-05-09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：202411406783.3，技术领域涉及：G06F18/21；该发明授权风电场级风力涡轮机叶片故障检测方法、设备及存储介质是由张彦如;魏春晨;杨涵;段立新;王岩设计研发完成，并于2024-10-10向国家知识产权局提交的专利申请。

本风电场级风力涡轮机叶片故障检测方法、设备及存储介质在说明书摘要公布了：本发明涉及神经网络技术领域，尤其涉及一种风电场级风力涡轮机叶片故障检测方法，该方法包括：获取风电场级风力涡轮机的目标检测模型和多个风力涡轮机中每个风力涡轮机的待测数据集，目标检测模型包括：N个BiLSTM层、N‑1个dropout层和全连接层，相邻两个BiLSTM层之间通过dropout层连接，最后一个BiLSTM层的输出端连接全连接层；对每个风力涡轮机的待测数据集进行预处理，得到多个子数据集；对多个子数据集进行归一化处理，得到多个目标子数据集；通过目标检测模型对多个目标子数据集进行检测处理，得到每个风力涡轮机的叶片故障类型信息。该方法提高广泛风电场中的风机的检测精度、准确度和泛化能力。

本发明授权风电场级风力涡轮机叶片故障检测方法、设备及存储介质在权利要求书中公布了：1.一种风电场级风力涡轮机叶片故障检测方法，其特征在于，包括：获取风电场级风力涡轮机的目标检测模型和多个风力涡轮机中每个风力涡轮机的待测数据集，其中，所述目标检测模型包括：N个双向长短期记忆网络层BiLSTM层、N-1个随机失活层dropout层和全连接层，N＞1，相邻两个所述BiLSTM层之间通过一个所述dropout层连接，N个所述BiLSTM层中的最后一个BiLSTM层的输出端连接全连接层，所述每个风力涡轮机的待测数据集为所述每个风力涡轮机的待测的SCADA数据；对所述每个风力涡轮机的待测数据集进行预处理，得到多个子数据集，包括：在所述每个风力涡轮机的待测数据集中，对风力涡轮机的待测数据集进行缺失值处理，得到第一数据集，缺失值处理为将具有缺失值的待测数据剔除，缺失值处理用于在将具有缺失值的待测数据剔除之后，使完整的待测数据保留时间间隔特征；其中，所述第一数据集中的每个第一数据均携带采样时间，以保留关键的时间动态信息，为计算连续数据点之间的间隔提供了基础；对所述第一数据集进行特征选择处理，得到第二数据集；对所述第二数据集进行时间序列划分处理，得到所述风力涡轮机的子数据集，其中，时间序列划分处理为按照预设时间步长，对所述第二数据集进行划分的处理过程；所述每个风力涡轮机的待测数据集均执行上述得到风力涡轮机的子数据集的操作，得到所述多个子数据集；对所述多个子数据集进行归一化处理，得到多个目标子数据集，其中，归一化处理用于确保每个目标子数据集的特征变量处于一致的尺度，使得测量单位的差异不会影响目标检测模型的分析预测结果；通过所述目标检测模型对所述多个目标子数据集进行检测处理，得到所述每个风力涡轮机的叶片故障类型信息；其中，所述对所述第一数据集进行特征选择处理，得到第二数据集，包括：将所述第一数据集中的每个第一数据的任意两个特征变量进行相关性处理，得到所述每个第一数据的相关性矩阵；将所述每个第一数据的相关性矩阵进行矩阵平均操作，得到所述第一数据集的相关性矩阵，并根据所述第一数据集的相关性矩阵，得到指定特征变量，所述指定特征变量为与除自身特征变量之外的特征变量存在弱相关性的特征变量；从所述每个第一数据的特征变量中剔除所述指定特征变量，得到每个剔除后的第一数据，其中，所述剔除后的第一数据的特征变量为第一数据的剔除后的特征变量；根据所述每个剔除后的第一数据确定出每个第二数据，并根据所述每个第二数据，得到所述第二数据集。

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电子科技大学(深圳)高等研究院;电子科技大学，其通讯地址为：518110 广东省深圳市龙华区观澜街道新澜社区观光路1301-78号银星智界二期2号楼；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”。