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！

龙图腾网获悉中国海洋大学申请的专利基于迁移学习的风电机组叶片声学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：CN121234273B 。

龙图腾网通过国家知识产权局官网在2026-02-06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：202511793419.1，技术领域涉及：G06F30/27；该发明授权基于迁移学习的风电机组叶片声学故障检测方法是由刘梦柯;薛宇;薛磊;王军栋;李晨超;李芊芊设计研发完成，并于2025-12-02向国家知识产权局提交的专利申请。

本基于迁移学习的风电机组叶片声学故障检测方法在说明书摘要公布了：本发明属于风力发电设备状态监测与智能故障诊断技术领域，公开了一种基于迁移学习的风电机组叶片声学故障检测方法，通过声学信号模拟及多维数据增强构建标准化样本，利用STFT‑Mel频谱提取微弱故障特征；在轻量化MobileNetV3中引入双尺度时频注意力模块，提升对早期裂纹特征的聚焦与识别能力；通过迁移学习结合MMD域差异与熵最小化正则，实现模拟域与实测风场数据的高效对齐，增强模型在小样本条件下的泛化性能；采用横向差异谱图与纵向历史基线自演化的双流特征融合机制，抑制共模噪声，实现单叶片定位、渐进式退化预警与同步老化识别。该方法参数量小、计算开销低，适用于风电机组叶片早期损伤的高精度、低成本智能检测。

本发明授权基于迁移学习的风电机组叶片声学故障检测方法在权利要求书中公布了：1.一种基于迁移学习的风电机组叶片声学故障检测方法，其特征是，包括： 1声学数据模拟，采用rotpsgen算法，输入噪声幅值、频率、叶片坐标、半径、转速、叶片数，生成信号，模拟裂纹故障；结合现场录音，形成混合数据集； 2数据增强处理，对模拟与实测的音频数据进行数据增强处理； 3梅尔频谱图特征提取，采用短时傅里叶变换和梅尔滤波器生成频谱图，转换为RGB图像，生成Mel频谱图，保留声学特征，用于模型输入； 采用短时傅里叶变换获取音频频谱，设置窗函数长度为2048点，hop长度为512点，采样率保持原始值；通过梅尔滤波器组将频率映射至梅尔频率域，经对数幅值变换生成二维梅尔频谱图；频谱图绘制为固定尺寸图像，采用magma颜色映射，无边框；单通道频谱图转换为三通道RGB格式，适配卷积神经网络输入要求； 采用短时傅里叶变换提取频域特征以捕捉叶片运行状态的声学差异，其计算公式为： 10 其中，其中，x[m]为输入信号，w[m-n]为窗函数，窗函数长度M=2048点，m为求和索引，表示窗内的时间样本位置，n为帧索引，k为频率索引，hop长度为512点，采样率保持原始值，j为虚数单位； 通过梅尔滤波器组将线性频率映射至梅尔频率域，其映射公式为： 11 其中，flin为线性频率，fm为映射后的梅尔频率； 对滤波后功率谱取对数幅值，得到梅尔频谱图，其计算公式为： 12 其中，Xmeln,c为梅尔滤波后频谱幅值，ε为防止对数奇异的小常数，n为时间帧索引，c为梅尔频率通道索引； 4模型构建与权重初始化，采用MobileNetV3-Large，加载ImageNet预训练权重，在最后倒残差模块输出后加入双尺度时频注意力模块，分类头改为全连接层；冻结除DSTFA、最后倒残差模块1×1卷积层及分类器外的特征层； 5迁移学习与域适配微调，利用Mel频谱图及实测样本进行联合训练，微调MobileNetV3最后卷积层和分类器权重，使用混合数据集、交叉熵损失和Adam优化器迭代，适配风场环境，提升泛化性能； 6离线检测与结果判定，在便携式平台部署模型，录制音频，生成频谱图，推理输出正常异常结果及概率； 7可视化与辅助分析，生成梅尔频谱图和频率响应曲线，支持人工复核，历史比对实现叶片状态趋势分析，辅助运维决策； 8端到端声学诊断流程，集成声学信号模拟、数据增强、特征提取、模型训练、离线检测与可视化分析，形成独立运行的端到端诊断系统，支持无实时监测条件下的快速故障识别与运维决策。

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中国海洋大学，其通讯地址为：266100 山东省青岛市崂山区松岭路238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。