3-2 声学AI模型在叶片内外损伤检测中的应用-公开发布版.pdf

《3-2 声学AI模型在叶片内外损伤检测中的应用-公开发布版.pdf》由会员分享，可在线阅读，更多相关《3-2 声学AI模型在叶片内外损伤检测中的应用-公开发布版.pdf（45页珍藏版）》请在三个皮匠报告上搜索。

1、声学AI模型在叶片内外损伤检测中的应用科大讯飞股份有限公司李心 博士目 录声学AI模型技术简介叶片内外损伤的声学检测0102声学AI技术应用案例0301声学AI模型技术简介技术背景|声音监测是评估设备状态的重要维度叶片结构失效及故障频发，迫切需要开展设备巡视手段和缺陷诊断技术的多元化升级与智能化替代 随着叶片的大型化和长柔化技术发展，褶皱、缺胶、富树脂等生产缺陷和高扭矩载荷、气弹等运行疲劳因素导致叶片结构失效风险大幅增加，风电安全运行对叶片状态监控与缺陷诊断提出了更高的要求。声音可作为判断设备运行和结构异常状态捕捉的重要特征量，通常采用巡检人员耳听分辨,存在依赖专家经验、无法全量设备实时覆盖以

2、及巡检高成本等问题，迫切需要开展人工听诊的智能化替代。巡检成本高，安全风险大，分析依赖专业经验、缺陷发现不及时、无法实时覆盖、存在人员隐患。巡检效率低问题人工巡视方案7*24小时实时监测声纹监测非接触、频带更宽，区域更广，具有较强人耳感官的可还原性，可辅助运维人员直观决策。实时监测高效便捷声纹监测技术难题|声纹特征不明确且易受干扰，缺乏自动化、智能分析工具 声纹应用行业难题声纹应用核心需求（1）设备实况声音“听不全”（高保真还原及抗噪）部分缺陷为高频信号，超出人耳可听能力设备声学数据采集精度，受现场高强度噪声干扰影响（2）设备复杂声纹“听不懂”（AI算法+机理模型）振动机理算法，无法覆盖所有旋

3、转机械场景设备设备故障少，样本库不全，限制缺陷分类识别深度学习AI算法可解释性低，黑盒子无法验证（3）多类型设备声音“听得少”（声纹Scaling Law）设备故障少，缺乏真实案例和实际成效支撑声纹时域、频域，多维特征关联缺少直观分析手段实现能源动力设备运行声音远程监听工业传声器智能降噪，有效过滤环境异音实现设备运行声音及环境声音高保真采集还原远程监听基于深度学习AI算法+机理模型，实现异常报警监测报警及音频数据后台自动保存，支持报警联动监测报警建立设备振动、声学样本库，存储生产数据资料识别典型场景设备声音异常，探索故障分类缺陷识别基于动态三维可视声纹残差算法的声学AI模型技术实测频谱图预测频

4、谱图计算生成误差声纹AI预测及残差分析算法：基于CNN的深度学习算法，构建设备声纹数据模型。通过对输入音频处理及预测，能够实时生成残差值。结合机器+人工的残差阈值优化学习及自定义设计。实现声纹微小波动及监测的可视化呈现。待测音频引擎EncoderMemory BankDecoderMFCC语谱图原始编码新编码新解码残差分析AE+CNN算法可视化动态呈现均方差（MSE）计算原语谱图和还原图之间的生成误差实时残差分析图谱声音监测“1.0”|基于特征提取的声音机理分析讯飞通过对声音信号机理特征的分析，在时域、频域、特征频率等方面针对不同信号类型开发了数十种机理指标，积累了三十多种声纹特征，进一步提出

5、了基于声振熵、高低频比重、谐波占比、基频比重等声纹异常识别方法。指标类型算子指标作用时域有效值，峭度，峰值，偏度，裕度，稀疏测度等用于设备长期状态的趋势监测频域频率重心，平均频率，均方根频率，频率方差等特征频率旋转类设备部件的特征频率幅值与能量等用于旋转类关键部件的状态监测谱图频谱，倒谱，包络谱，时频谱，阶次谱等用于信号分析和特征构建核心机理指标算子（82个）关键部件故障类型轴承轴承部件的磨损、疲劳剥落、腐蚀、塑性变形、破裂和开裂等齿轮断齿、点蚀、磨损、胶合和塑性变形等轴不对中，不平衡，偏心，弯曲，松动，摩擦等电机轴承磨损，转子故障，联轴器故障，轴裂纹断裂等故障诊断通过算子和逻辑组合构建健康指

6、标专家设计具有区分性的计算指标、组合逻辑及阈值，可解释性高健康指标采样时间点某型号轴承的机理指标全寿命周期趋势图时域图频域图时频图特征频率噪声频率时域无量纲指标特征频率算子指标频域无量纲指标机理模型的健康指标健康状态轻度故障中度故障重度故障声音监测“2.0”|基于深度学习的异音监测模型基于正样本的历史声纹数据进行声纹的回归预测，同时与声纹实测数据进行残差计算，对残差阈值进行自定义设置和优化学习，实现“听得出”声音异常。在此过程中，声纹预测值、声纹残差值均可自主学习调整，实现听得越来越准，预警越用越准。算法原理算法流程模型运行图声音监测“3.0”|基于多维数据融合的劣化分析技术基于多模态数据融合